★ 徐華鑫（內蒙古自治區包頭市東華熱電有限公司，內蒙古自治區 包頭 014040）

關鍵詞：聲振溫耦合；旋轉設備；狀態評估

旋轉設備在泵站、壓縮機組與生產線驅動鏈中長期運行，其狀態評估需要在變轉速、變負載、溫漂與噪聲背景下保持一致性以及可遷移性。近五年自動化以及智能運維研究表明，僅依賴單一振動或溫度的評估在早期退化與跨工況場景中容易發生特征失配和閾值漂移。傳統評估主要有兩類：  一是規則/閾值模型（RMS、峭度、溫升以及經驗加權HI）， 其實現簡單但是對工況、安裝與噪聲敏感，無法量化評估可信度；二是單模態數據驅動模型（振動譜圖CNN、溫度序列回歸等），其在訓練與應用分布一致時有效，但是在聲學泄漏預警、熱-振耦合與域偏移下泛化不足。為此，本文面向自動化應用提出了聲-振-溫耦合特征的狀態評估模型，并通過質量自適應融合、跨模態一致性學習以及不確定性輸出建立了統一健康表征，實現了跨工況穩定評估與提前預警。

1   聲振溫耦合表征與健康指數建模

旋轉設備的運行狀態直接影響到結構振動、熱平衡與聲輻射，因此本文構建了基于多模態信號到統一健康表征的學習框架，以獲得跨工況一致的狀態評估輸入，并保證輸出可用于在線決策的健康指數（Health Index， HI）及其不確定性，充分考慮這三種模態可用性隨工況與噪聲變化波動的情況。該輸出直接作為第二節在線系統的輸入/接口^[1]，按照滑動窗口組織數據，聲信號為a (t)、振動信號為v(t)、溫度信號為T(t)、滑動窗口為w，在滑動窗口內分別形成X^a_w、X^v_w 、X^T_wo。溫度數據采樣率較低，采用滑動窗口對齊方式處理，計算X^T_w均值、斜率、波動幅值以及兩測點差值，得到S^T_w，與聲振窗口時間戳一致，構成統一樣本 X_w ={ X^a_w,X^v_w ,X^T_w}。該對齊方式能夠保證在線推理時每個評估周期僅對一個窗口樣本處理，適配邊緣端固定周期更新。

為避免依賴單一峰值或者固定頻率位置，以穩健統計量為主對特征進行編碼，三模態特征分別經過編碼器映射到同維隱空間，將其記作h_a,、h_v、h_To。其中聲學側主要提取時頻能量統計、譜平坦度、分位數能量與包絡能量等；振動側提取帶通+包絡譜能量比、沖擊稀疏度統計等；溫度側提取溫升速率、穩態偏移及波動統計等。

本文構建了質量自適應門控融合，以避免拼接融合在域偏移時引入冗余干擾。該門控網絡以質量指標聲、飽和率、溫度采樣完整性等為評價指標，輸出權重?_a,、?_v、?_T， 并生成統一的健康表征， 公式如式（1）所示：

式中， 代表后續HI回歸的輸入值；為在線解釋量，根據當前窗口主要依賴的模態變化。該門控能夠使模型在噪聲增大、低速沖擊變弱、溫度點位缺失等情況下對信息來源自動調整，以保證評估的穩定性^[2]。

同時，為保證不受到非工況差異的影響，更加聚焦于共同退化因子，本文引入跨模態一致性學習，將公共空間表示為z_m ，將各個模態表征投影到z_m 中，將統一窗口的不同模態記作正樣本對，其他窗口為負樣本對，優化對比一致性損失，如式（2）所示：

式中，sim為余弦相似度； η代表溫度系數。該約束能夠驅動聲、振、溫三模態表征在訓練階段協同收斂，減少了跨工況漂移情況，為第二小節中趨勢跟蹤與在線分級提供了可靠數據。

本文采用連續輸出方式輸出HI，同時估計其不確定性以支撐自動化報警。令輸出，分別對應HI均值與不確定性，基于弱監督標簽y_w完成模型訓練，并采用異方差負數對數似然：

其中，σ²_w為不確定性參數，μ_w為HI均值。

通過公式（3）中的σ²_w ，可將噪聲干擾、工況突變、模態缺失等不確定性顯示搭配輸出端。

該小節共生成四個在線可用量：統一表征h、HI均值μ_w、不確定性σ²_w、門控權重?。第二小節將以這四個量為接口，設計可部署的在線實現與報警邏輯。

2   在線評估實現

該小節主要給出實現鏈路，實現按模塊固化，方便在邊緣端部署。在線系統每Δt秒進行一次評估，將當前窗口記作x_w，輸出為HI、等級與報警信號^[3] ，具體步驟如下：

步驟1：窗口生成與對齊

（1）以Δ為步長生成窗口W，聲、振動取最近L秒原始波形，溫度取最近L_T秒用于計算S^T_w；

（2） 缺失掩碼生成： 聲缺失表示為m_a, = 0， 溫度缺失表示為m_T = 0， 同時記錄缺失類型用于后續狀態診斷。

步驟2：特征計算

（1）聲：濾波后得到時頻能量統計、譜平坦度、分位數能量、包絡能量統計；

（2）振：帶通+hilbert包絡^[4]， 統計稀疏度、包絡譜頻帶能量比與調制側帶能量；

（3）溫：按照第一節定義形成S^T_w，并在兩點溫度可用時計算差分特征。

步驟3：編碼與門控融合

采用第一小節計算公式計算表征。為保證在線計算與離線計算一致，h和?直接進入下一步回歸頭。

步驟4：HI與不確定性推理

（1）回歸頭輸入h，輸出μ_w、和σ²_w

（2）檢驗，如果σ²_w超過上限，則將該窗口標記為可信度較低，為后續決策提供基礎。

步驟5：不確定性加權平滑

（1）維護長度k的滑動緩存，存儲最近k個（μ_i,和σ²_i）;

（2）計算平滑HI，采用權重 ，輸出；

輸出平滑可信度，σ^L2_w 判斷是否需要報警， 通過該步驟抑制工況瞬間切換狀態。

步驟6：等級判定與報警策略

設定等級閾值輕微θ₁、中度θ₂、嚴重 θ₃ ，等級由 u)w與閾值比較判斷。如果σ^L2_w > η則為低可信，則等級不升級，觸發復核事件；如果連續窗口滿足升級條件且可信度達標，則輸出報警，輸出內容為與關鍵特征摘要寫入時序數據庫^[5]，方便后續展示與追述。

步驟7：離線訓練與版本更新

離線訓練通過公式（2）進行一致性訓練，獲得對工況不敏感的編碼，再通過公式（3）進行HI標定訓練，得到能夠解釋的μ、σ2輸出。版本更新策略，需保證標準化參數與特征算子不變，僅對編碼器、門控以及回歸頭權重更新，保證線上分數尺度可比。

基于上述步驟，將第一小節得到的統一表征h 、 HI均值μ_w、不確定性σ²_w、、門控權重?在本節直接用于平滑、分級與報警，實現從耦合表征到在線評估，滿足實時性與可維護性需求。

3   實驗研究

3.1 實驗背景與數據構建

本文采用“階躍切換+隨機擾動”的混合方式設計實驗工況：轉速在1200/1800/2400rpm之間按預設方案進行切換；負載借助閥門開度30/60/90%三檔切換，并疊加±5%的隨機擾動；環境溫度設置20℃以及35℃兩檔（由加熱箱控制），并在部分時段開關冷卻風扇以模擬現場瞬態溫漂。退化途徑包含三類：軸承外圈點蝕→剝落（逐步加重）、輕度不對中（聯軸器偏置可調）、潤滑不足（分階段減少潤滑脂）。為增加真實性，實驗引入噪聲源：風機常開、間歇性敲擊（模擬管路碰撞）、語音干擾（模擬現場人員），并且將麥克風放置在0.3m處（非消聲室）。

傳感以及采樣：振動加速度計約10kHz（軸承座的徑向）、麥克風約48kHz、溫度PT100約1Hz（軸承座與泵殼的兩點）； 在線評估周期Δt=2s，聲振窗口L=1s， 溫度統計窗口LT=60s。為模擬工業的通訊抖動，實驗隨機丟棄約5%窗口的聲或溫度數據，并且引入少量的飽和片段（振動通道約0.5%窗口的削頂）以及傳感器的松動擾動（聲通道局部的能量飄移）。

實驗采用一種混合的標注方法：每兩小時實行內窺鏡檢查，依據軸承磨損的面積或缺陷的程度將生命周期分為四個階段，即健康、輕微、中度、嚴重，并且對應連續的標簽y∈{0.1,0.4,0.7,0.9}。拆檢的數據有益于確認階段的劃分，避免了單純依賴信號趨勢分段造成的偏差。

對比實驗方法：

（1）規則/閾值HI（RMS、峭度、溫升與加權）

（2）單模態深度模型（振動譜圖CNN+溫度RNN后驗融合）

（3） 本文的研究方法

3.2   實驗指標

指標1：跨工況等級一致性Kappa

將連續的HI按相同的閾值分成四個等級，并在各個的轉速/負載子集上計算Cohen's Kappa，然后取宏平均，該指標折射評估模型在工況切換后的“分級的穩定性”。

指標2：早期預警提前量EWL（min）

以拆檢確定的“進入嚴重階段的時間點”為基準，統計模型首次連續M個窗口觸發“中度及以上”報警的時間提前量（越大越好）。該指標折射了早期退化的可察覺程度和報警的延遲情況。

3.3   實驗結果分析

3.3.1   跨工況一致性Kappa 三種方法對比結果如圖1所示。

圖1 跨工況一致性Kappa

由圖1可知，規則/閾值方法的Kappa值在0.39左右，整體較低，表明該方法在多負載、多轉速的情況下分級能力不穩定，極易受工況變化、噪聲干擾影響；模態深度模型的Kappa值在0.52左右，表明該方法在一定程度上能夠適應工況變化，但僅依賴單一模態，跨工況魯棒性仍然較差；本文方法的Kappa值可達0.75，且誤差區間較小，表明該方法采用聲-振-溫耦合特征能夠有效表征工況變化，受工況擾動影響較小。相較于另外兩種方法，本文所提方法在分級一致性指標上具備顯著優勢，結果誤差更小，在跨工況場景中的應用效果更優異。

3.3.2   HI曲線、門控權重與EWL

圖2主要展示了三條退化路徑的HI、  σ2 置信區間、報警點EWL時間區間以及門控隨權重時間變化的情況。

圖2 HI曲線、門控權重與EWL

由圖2可知， HI隨時間持續上升，不確定性σW2在工況切換或噪聲突變時短時地上升， 隨后快速地收斂，說明模型可以識別“可信度較低的片段”。  HI穩定地接近閾值，σw2持續收斂，說明模型對退化階段的判斷更加穩定。在報警點處，模型給出的報警時間相較真實嚴重退化點有約45min的提前量，證明了其具備自動化場景所需的提前預警能力。

4   結束語

本文提出了一種基于聲音、振動和溫度相關特征的旋轉設備狀態評估模型。該模型通過自適應融合、跨模態學習及回歸分析建立了統一HI， 實現了不同工況下設備穩定評估與故障提前預警。實驗結果表明，該方法在跨工況一致性、退化跟蹤、提前預警以及置信度校準等方面的表現均優于傳統方法。未來將進一步研究跨設備遷移學習、小樣本場景改良及工藝參數聯合建模，以增加模型在工業環境中的適用性。

作者簡介：

徐華鑫（1989-），男， 內蒙古自治區呼和浩特人，高級工程師，本科，現就職于內蒙古自治區包頭市東華熱電有限公司，主要研究方向為熱工自動化。

參考文獻：

[1] 劉東, 譚鋆, 龍小波, 等. 基于RSAN和EEMD的MKSVM多模態融合旋轉機械故障分類[J]. 振動與沖擊, 2025, 44 (9) : 290 - 302.

[2] 郝朋越, 郭麗敏, 柴一清, 等. 基于多源傳感與雙分支網絡的旋轉設備預測性維護算法[J]. 計算機測量與控制, 2026, 34 (2) : 80 - 86.

[3] 李響, 徐宜銷, 雷亞國, 等. 面向旋轉機械裝備的智能故障診斷通用基礎模型研究[J]. 西安交通大學學報, 2025, 59 (7) : 1 - 12.

[4] 姚家琪, 荊華, 趙春暉. 一種面向噪聲環境中旋轉機械故障診斷的多模態耦合輸入神經網絡[J]. 控制與決策, 2023, 38 (7) : 1918 - 1926.

[5] 王慶鋒, 張程, 陳文武, 等. 數據驅動的滾動軸承實時健康狀態評估方法[J]. 計算機集成制造系統, 2023, 29 (7) : 2211 - 2223.

摘自《自動化博覽》2026年7月刊