故障诊断这个研究方向是不是灌水有点严重？

心中u你

故障诊断这个研究方向是不是灌水有点严重？
原文地址：https://www.zhihu.com/question/456051019

卡卡

相关方向，前来劝退。先用我微薄的几年科研经验下个结论：PHM、CBM、SHM之类的（主要就是故障诊断和RUL预测）乃至整个可靠性工程都算是机械里的服务业，既然是服务业那么主体混的好才能跟着喝汤。然而机械行业什么情况想必各位知乎er都知道。所以整个可靠性领域都是非常小众的，往好听的说是人才稀缺，往难听的说就是市场没这么多需求。
因此，这个方向只有两个去处：本硕博一条科研路走到黑，卷论文，去高校；另一条路就是去各种研究所（包括但不限于船舶、核电、石油、兵器等等），所谓的大厂，你能说的上名字的企业基本没这需求。
补充一下：以上是针对机械设备为对象，实际上如果研究对象是电子器件还是有一定需求的，像华为之类的就有电子可靠性的需求。
<hr/>回到正题：我很赞同这个匿名答主的回答，这个领域下，数据驱动方法基本就向AI顶会看齐，有少部分人在做随机过程，机理驱动约等于0。不过这也有原因，这玩意最早应该是美军研发战斗机的时候提出的。早期就是各种随机过程去做参数估计和状态预测，后面AI火了，就把各种DL的方法往上面套，毕竟DL嘛，有数据就能跑，PHM最不缺的就是数据了，然后就是航空发动机、轴承、齿轮、电池每个研究对象+魔改神经网络都能水一篇出来。就我个人而言，我更佩服那些做随机过程的，好歹有些数理知识，做DL的大多数都是套用别人的模型就敢发出来，还有就是匿名回答提到的数据泄露的问题，这就不细说了，以前打比赛大家都很注意这个，学术界好像没多少人注意，各种标准化、EMD、小波就嘎嘎用上。
（故障诊断对应时间序列分类，RUL预测对应时间序列预测，找找相关新技术往上套就是）
（就DL方面而言，PHM领域落后计算机那边至少3年，CNN在2012年就在CV领域重新重视了，PHM这边好像16年左右才有相关论文，不过这几年跟进的越来越快了，感谢开源代码吧）
然后就是机理模型，这玩意本来就很难做，别人做疲劳损伤的都是用的标准件试验然后总结规律，而PHM呢，自诞生之初就是以系统级的设备作为对象的，即使是最简单的轴承、齿轮都有几百种结构和型号，更别提发动机这种复杂装备的，所以机理模型约等于0。所以现在很多做机理模型的都是用电池来做，把电池容量当作标签，然后用多项式拟合或者随机过程作一条曲线，然而我觉得这也是扯淡，这最多叫用统计方法去辨识退化参数，这些参数是怎么影响退化的还是一无所知。
最后就是混合模型，前几年的混合模型基本就是统计方法+DL，很少有严格意义上的机理+数据的，然后19年左右PINN被提出了，紧接着这两年就有人开始用来发论文了。PINN略有了解，也尝试复现过几篇论文，在此稍作评价。
PINN的优点嘛，自然就是能用NN来解微分方程，而很多运动模型都可以用微分方程来描述，所以说它天然融合了物理+数据。
然而理想很美好，实际却一言难尽，首先就是PINN自身的网络结构并不包含任何物理信息，只是把微分方程写到了损失函数里，然后再利用现成的DL框架求解。在我看来和多模态学习差不多，多个损失函数加起来，然后平衡每个损失得到一个最优解。同时，PINN的损失函数基本都包括二阶导，计算图太长，实际训练很花时间。
这就不得不提第二个问题，很多文章都说PINN计算快之类的，大多数都是拿推理时间去跟整个有限元计算时间比，对于数据生成和模型训练的时间是一概而过啊。
第三个问题就是PINN训练很不稳定，改一下边界条件和初值基本就不收敛了，甚至微调超参数都会导致train不起来。
最后一个问题就是，我有一个航空发动机、轴承、齿轮、电池，请根据提供的实验条件写出它们的微分方程。

长长的路

我是从其他方向转来做这个的，当我发现一区甚至top一堆低质量深度学习文章的时候就知道选对方向了，毕竟毕业要紧。紧跟ai三大会的脚步，及时将开源的代码用在轴承故障检测上，再编个好故事，就是一篇顶刊！

继续前进

其实吧，所有理工农医领域里所有涉及分类、识别、检测、诊断的问题都已经处于、并将继续处于被深度学习方法穷追猛打的状态。
在故障诊断领域的灌水仅仅是整个学界系统级失衡的冰山一角。

同花顺

相当严重……
数据方法方面，TIE TII上一堆缝深度学习的，TII尤甚，普通sci里RESS和MSSP都给灌麻了
随便抽几篇文章一看，各种CNN RNN Transformer 缝来缝去……一看contribution ，全是精度提升……毫无参考价值，没有一点自己的观点，用来用去就是航空发动机数据，轴承数据，锂电池数据……
模型方法也好不到哪儿去，各种观测器改来改去，各种扰动非线性随机性恨不得给你全加上，更猛的还有虚空造系统的……跟上个世纪等价空间刚诞生的时候完全不可同日而语

同花顺

不是一般的灌水严重，是特么的非常非常严重。首先机器学习和深度学习灌水我就不谈了，这谈的太多了。我们看一下大部分的论文的故障是如何设置的
虽然中文期刊的论文大部分质量没法看，但好多还是直接从英文期刊中抄过来的，下面看几篇中文文献中故障诊断中的故障设置方法，英文的以后慢慢更
EI源刊
[1]张文龙,胡天亮,王艳洁,魏永利.云/边缘协同的轴承故障诊断方法[J].计算机集成制造系统,2020,26(03):589-599.
美国凯斯西储大学的轴承数据集，电火花加工的单点损伤。轴承故障分为3个等级：故障等级1对应的是直径为0.1778ｍｍ的损伤；故障等级2对应的是直径为0.3556ｍｍ的损伤；故障等级3对应的是直径为0.5334ｍｍ的损伤。
[2]王豪,董广明,陈进.遗传规划提取优化特征在轴承寿命预测中的应用[J].振动工程学报,2021,34(03):626-632.
2012年的IEEE PHM数据挑战赛数据（轴承整个工作时间内（直到彻 底失效）的实验数据）
[3]陈子旭,朱振杰,卢国梁.一种新的图谱域滚动轴承早期故障检测与识别方法[J].振动与冲击,2022,41(06):51-59.
XJTU－SY加速退化实验数据


[4]邓飞跃,丁浩,吕浩洋,郝如江,刘永强.一种基于轻量级神经网络的高铁轮对轴承故障诊断方法[J].工程科学学报,2021,43(11):1482-1490.
实验对象为 CRH380B 型高速动车组中采用的 FAG 系列双列圆锥滚子轮对轴承，通过线切割方式在轴承内圈
和外圈表面加工出长为 5mm、宽为 1mm、深为 0.7mm 的微小凹痕故障


[5]张龙,蔡秉桓,熊国良,刘志刚,邹孟,吴荣真,甄灿壮.小波滤波与最大相关峭度解卷积参数同步优化的轴承故障诊断[J].振动工程学报,2021,34(06):1313-1322.
试验所用轴承型号为N205，为了模拟轴承实际剥落故障，采用线切割技术在轴承外圈加工出宽度为0.5mm的凹 槽 。因人工加工凹槽较为标准，导致故障冲击幅值较大,为了使所采集的振动信号更加接近轴承在复杂工况下真实的振动信号，在所采集的信号基础上添加幅值4m/s2的高斯随机噪声。此外，还用了东方所的 COINV⁃1618 型传动系统典型故障模拟实验台，故障形式为轴承内圈有一处断裂。
[6]康玉祥,陈果,尉询楷,周磊.深度残差对冲网络及其在滚动轴承故障诊断中的应用[J/OL].航空学报:1-11[2022-07-01]
试验平台是以1:3 比例仿制的某型真实发动机，试验中所采用的是轴承型号为6206单列深沟球轴承。在试验过程中利用电火花切割方式加工了如下故障缺陷：外圈和内圈分别为6mm宽的裂痕，滚动体上为半径为 0.5 mm、深度为 2mm 的凹陷。



航空发动机实验器


[7]刘岩,伍星,刘韬,陈庆.基于自适应MOMEDA与VMD的滚动轴承早期故障特征提取[J].振动与冲击,2019,38(23):219-229.
实验采用的是轴承全寿命实验数据，实验持续约 17 天。这个自己搞的数据集貌似还可以
[8]郑近德,王兴龙,潘海洋,童靳于,刘庆运.基于自适应自相关谱峭度图的滚动轴承故障诊断方法[J].中国机械工程,2021,32(07):778-785+792.
实验使用的故障轴承型号为 N306E，其各部位因电火花加工而产生划痕损伤。划痕尺寸为 0.5mm×1.2mm（深×宽）技术对轴承进行切割。选取滚动轴承内圈切割深度0.4mm 的故障进行试验


中文核心
[1]于洋,马军,王晓东,朱江艳,刘桂敏.融合深度可分离小卷积核和CBAM的改进CNN故障诊断模型[J].电子测量技术,2022,45(06):171-178.
使用自制实验平台完成滚动轴承多种故障类型的实验，自制实验平台由驱动电动机、转轴、液压油缸、测试轴承、传感器等部件组成：


实验轴承为深沟球轴承，型号为6205-2RSH，故障采用线切割的方法分别在测试轴承不同
部分切一个与轴线平行的窄缝。


硕士论文
[1]彭超. 云加端框架下资源受限的轴承故障诊断技术研究[D].贵州大学,2020.
通过电火花进行加工的轴承。在轴承上外圈，内圈，球体三个不同位置，加工出了直径为 0.2mm 和 0.3mm的故障轴承
[2]王振猛. 无传感器轴承故障诊断中的过调制及解调方法研究[D].哈尔滨理工大学,2018.


实验采用 307 号滚动轴承进行故障模拟实验，有两种方法可以实现滚动轴承故障的模拟，一种是采用氩弧焊烧蚀的方法破坏滚道表面来模拟；另一种是使用线切割的方式模拟外圈故障。


实际实验中，作者考虑到若采用线切割方式模拟滚动轴承故障，很难保证滚动体每次经过故障处都能掉入外圈故障坑中；而氩弧焊可以使轴承滚道表面凹凸不平，每当滚动体经过该区域时，必定会因受阻而产生冲击，所以实验中采用氩弧焊方式。
[3]吴振彬. 听觉几何组网络及其在轴承故障迁移诊断中的应用研究[D].北京化工大学,2020.
对轴承内蹲、外圈分别采用线切割的方式，人为的制作了故障


[4]蔡源春. 汽车变速器轴承故障诊断研究[D].湖南大学,2007.
实验轴承为 CVT 变速器中常用的 N306，中径为 52.165mm，滚径为 12.565mm，列数为 1，滚子数为 12。利用线切割技术对分别对外环，内环和滚子开槽。


[5]王洋. 汽车变速器轴承故障特征频率提取算法的研究[D].辽宁工业大学,2015.
汽车变速器常用轴承 NU2204 ，采用正常轴承，外圈故障轴承，内圈故障轴承三种实验样本。由于轴承钢硬度非常大，实验采用电火花加工轴承故障，对内外圈分别加工宽度在 1mm 左右的凹槽


[6][付洋洋. 列车轴承道旁声学信号瞬态成分提取与重构方法研究[D].安徽大学,2018.
使用线切割设置轴承的外圈内圈和滚子故障点来模拟相对应轴承部件单点故障的情况。内外故障点设置宽度约为0.18ｍｍ，深度约为1mm的沟槽。


[7]包文杰. 加权谱峭度故障诊断方法研究与应用[D].上海交通大学,2019.
实验采用故障轴承型号为6200的深沟球轴承，采用线切割技术对轴承内圈和外圈加工出裂纹故障，采用线切割技术在轴承内圈加工深度1.15mm 宽度 0.1mm 的裂纹，在轴承外圈加工深度 0.48mm 宽度 0.1mm 裂纹。


[8]吴呈阳. 基于自适应EEMD的滚动轴承故障诊断研究[D].中国矿业大学,2021.
使用的故障轴承型号为 N306E，其各部位因电火花加工而产生划痕损伤。划痕尺寸为 0.5mm×1.2mm（深×宽）
博士论文
[1]焦新涛. 小波分析及其在齿轮箱故障诊断中应用研究[D].华南理工大学,2014.
齿轮箱振动试验台中使用的齿轮箱是重庆青山工业有限公司生产一款型号为 MR508B 五档手动变速器,为了模拟齿轮箱断齿故障，将五档输出轴齿轮的一个齿加工成如下图所示断齿


[2]欧璐. 图谱理论在齿轮箱故障诊断中的应用研究[D].湖南大学,2016.
(1)采用轴承振动模拟试验台进行实验，利用激光分别在6311型滚动轴承的外圈和内圈上切割宽为0.15mm、深0.13mm的裂纹，模拟轴承外圈和圈故障。
(2)在齿轮箱故障仿真试验台中选择一个齿轮和滚动轴承，分别设置仿真故障进行试验。齿轮为正齿轮，轴承为SKF6307-2RS 深沟球轴承。为模拟齿轮箱齿轮、轴承复合故障，在齿轮上整体切割掉一个齿，模拟齿轮断齿故障；用激光在齿轮齿根处切割宽 0.15 mm、深 1 mm 的槽，模拟齿轮裂纹故障；同时用激光在轴承 的外圈上切割宽 0.15 mm，深 0.13mm的槽，模拟轴承外圈故障。
其实吧，不论中文还是英文期刊，轴承故障诊断类基本都是要么实验室自己人工用电火花或者线切割加工故障，要么就是西储大学等数据集，和实际工业相去甚远。感觉西储大学数据集就和MNIST数据集一样，属于“hello world”级别的，没有太大意义