★ 徐华鑫（内蒙古自治区包头市东华热电有限公司，内蒙古自治区 包头 014040）

关键词：声振温耦合；旋转设备；状态评估

旋转设备在泵站、压缩机组与生产线驱动链中长期运行，其状态评估需要在变转速、变负载、温漂与噪声背景下保持一致性以及可迁移性。近五年自动化以及智能运维研究表明，仅依赖单一振动或温度的评估在早期退化与跨工况场景中容易发生特征失配和阈值漂移。传统评估主要有两类：  一是规则/阈值模型（RMS、峭度、温升以及经验加权HI）， 其实现简单但是对工况、安装与噪声敏感，无法量化评估可信度；二是单模态数据驱动模型（振动谱图CNN、温度序列回归等），其在训练与应用分布一致时有效，但是在声学泄漏预警、热-振耦合与域偏移下泛化不足。为此，本文面向自动化应用提出了声-振-温耦合特征的状态评估模型，并通过质量自适应融合、跨模态一致性学习以及不确定性输出建立了统一健康表征，实现了跨工况稳定评估与提前预警。

1   声振温耦合表征与健康指数建模

旋转设备的运行状态直接影响到结构振动、热平衡与声辐射，因此本文构建了基于多模态信号到统一健康表征的学习框架，以获得跨工况一致的状态评估输入，并保证输出可用于在线决策的健康指数（Health Index， HI）及其不确定性，充分考虑这三种模态可用性随工况与噪声变化波动的情况。该输出直接作为第二节在线系统的输入/接口^[1]，按照滑动窗口组织数据，声信号为a (t)、振动信号为v(t)、温度信号为T(t)、滑动窗口为w，在滑动窗口内分别形成X^a_w、X^v_w 、X^T_wo。温度数据采样率较低，采用滑动窗口对齐方式处理，计算X^T_w均值、斜率、波动幅值以及两测点差值，得到S^T_w，与声振窗口时间戳一致，构成统一样本 X_w ={ X^a_w,X^v_w ,X^T_w}。该对齐方式能够保证在线推理时每个评估周期仅对一个窗口样本处理，适配边缘端固定周期更新。

为避免依赖单一峰值或者固定频率位置，以稳健统计量为主对特征进行编码，三模态特征分别经过编码器映射到同维隐空间，将其记作h_a,、h_v、h_To。其中声学侧主要提取时频能量统计、谱平坦度、分位数能量与包络能量等；振动侧提取带通+包络谱能量比、冲击稀疏度统计等；温度侧提取温升速率、稳态偏移及波动统计等。

本文构建了质量自适应门控融合，以避免拼接融合在域偏移时引入冗余干扰。该门控网络以质量指标声、饱和率、温度采样完整性等为评价指标，输出权重∂_a,、∂_v、∂_T， 并生成统一的健康表征， 公式如式（1）所示：

式中， 代表后续HI回归的输入值；为在线解释量，根据当前窗口主要依赖的模态变化。该门控能够使模型在噪声增大、低速冲击变弱、温度点位缺失等情况下对信息来源自动调整，以保证评估的稳定性^[2]。

同时，为保证不受到非工况差异的影响，更加聚焦于共同退化因子，本文引入跨模态一致性学习，将公共空间表示为z_m ，将各个模态表征投影到z_m 中，将统一窗口的不同模态记作正样本对，其他窗口为负样本对，优化对比一致性损失，如式（2）所示：

式中，sim为余弦相似度； η代表温度系数。该约束能够驱动声、振、温三模态表征在训练阶段协同收敛，减少了跨工况漂移情况，为第二小节中趋势跟踪与在线分级提供了可靠数据。

本文采用连续输出方式输出HI，同时估计其不确定性以支撑自动化报警。令输出，分别对应HI均值与不确定性，基于弱监督标签y_w完成模型训练，并采用异方差负数对数似然：

其中，σ²_w为不确定性参数，μ_w为HI均值。

通过公式（3）中的σ²_w ，可将噪声干扰、工况突变、模态缺失等不确定性显示搭配输出端。

该小节共生成四个在线可用量：统一表征h、HI均值μ_w、不确定性σ²_w、门控权重∂。第二小节将以这四个量为接口，设计可部署的在线实现与报警逻辑。

2   在线评估实现

该小节主要给出实现链路，实现按模块固化，方便在边缘端部署。在线系统每Δt秒进行一次评估，将当前窗口记作x_w，输出为HI、等级与报警信号^[3] ，具体步骤如下：

步骤1：窗口生成与对齐

（1）以Δ为步长生成窗口W，声、振动取最近L秒原始波形，温度取最近L_T秒用于计算S^T_w；

（2） 缺失掩码生成： 声缺失表示为m_a, = 0， 温度缺失表示为m_T = 0， 同时记录缺失类型用于后续状态诊断。

步骤2：特征计算

（1）声：滤波后得到时频能量统计、谱平坦度、分位数能量、包络能量统计；

（2）振：带通+hilbert包络^[4]， 统计稀疏度、包络谱频带能量比与调制侧带能量；

（3）温：按照第一节定义形成S^T_w，并在两点温度可用时计算差分特征。

步骤3：编码与门控融合

采用第一小节计算公式计算表征。为保证在线计算与离线计算一致，h和∂直接进入下一步回归头。

步骤4：HI与不确定性推理

（1）回归头输入h，输出μ_w、和σ²_w

（2）检验，如果σ²_w超过上限，则将该窗口标记为可信度较低，为后续决策提供基础。

步骤5：不确定性加权平滑

（1）维护长度k的滑动缓存，存储最近k个（μ_i,和σ²_i）;

（2）计算平滑HI，采用权重 ，输出；

输出平滑可信度，σ^L2_w 判断是否需要报警， 通过该步骤抑制工况瞬间切换状态。

步骤6：等级判定与报警策略

设定等级阈值轻微θ₁、中度θ₂、严重 θ₃ ，等级由 u)w与阈值比较判断。如果σ^L2_w > η则为低可信，则等级不升级，触发复核事件；如果连续窗口满足升级条件且可信度达标，则输出报警，输出内容为与关键特征摘要写入时序数据库^[5]，方便后续展示与追述。

步骤7：离线训练与版本更新

离线训练通过公式（2）进行一致性训练，获得对工况不敏感的编码，再通过公式（3）进行HI标定训练，得到能够解释的μ、σ2输出。版本更新策略，需保证标准化参数与特征算子不变，仅对编码器、门控以及回归头权重更新，保证线上分数尺度可比。

基于上述步骤，将第一小节得到的统一表征h 、 HI均值μ_w、不确定性σ²_w、、门控权重∂在本节直接用于平滑、分级与报警，实现从耦合表征到在线评估，满足实时性与可维护性需求。

3   实验研究

3.1 实验背景与数据构建

本文采用“阶跃切换+随机扰动”的混合方式设计实验工况：转速在1200/1800/2400rpm之间按预设方案进行切换；负载借助阀门开度30/60/90%三档切换，并叠加±5%的随机扰动；环境温度设置20℃以及35℃两档（由加热箱控制），并在部分时段开关冷却风扇以模拟现场瞬态温漂。退化途径包含三类：轴承外圈点蚀→剥落（逐步加重）、轻度不对中（联轴器偏置可调）、润滑不足（分阶段减少润滑脂）。为增加真实性，实验引入噪声源：风机常开、间歇性敲击（模拟管路碰撞）、语音干扰（模拟现场人员），并且将麦克风放置在0.3m处（非消声室）。

传感以及采样：振动加速度计约10kHz（轴承座的径向）、麦克风约48kHz、温度PT100约1Hz（轴承座与泵壳的两点）； 在线评估周期Δt=2s，声振窗口L=1s， 温度统计窗口LT=60s。为模拟工业的通讯抖动，实验随机丢弃约5%窗口的声或温度数据，并且引入少量的饱和片段（振动通道约0.5%窗口的削顶）以及传感器的松动扰动（声通道局部的能量飘移）。

实验采用一种混合的标注方法：每两小时实行内窥镜检查，依据轴承磨损的面积或缺陷的程度将生命周期分为四个阶段，即健康、轻微、中度、严重，并且对应连续的标签y∈{0.1,0.4,0.7,0.9}。拆检的数据有益于确认阶段的划分，避免了单纯依赖信号趋势分段造成的偏差。

对比实验方法：

（1）规则/阈值HI（RMS、峭度、温升与加权）

（2）单模态深度模型（振动谱图CNN+温度RNN后验融合）

（3） 本文的研究方法

3.2   实验指标

指标1：跨工况等级一致性Kappa

将连续的HI按相同的阈值分成四个等级，并在各个的转速/负载子集上计算Cohen's Kappa，然后取宏平均，该指标折射评估模型在工况切换后的“分级的稳定性”。

指标2：早期预警提前量EWL（min）

以拆检确定的“进入严重阶段的时间点”为基准，统计模型首次连续M个窗口触发“中度及以上”报警的时间提前量（越大越好）。该指标折射了早期退化的可察觉程度和报警的延迟情况。

3.3   实验结果分析

3.3.1   跨工况一致性Kappa 三种方法对比结果如图1所示。

图1 跨工况一致性Kappa

由图1可知，规则/阈值方法的Kappa值在0.39左右，整体较低，表明该方法在多负载、多转速的情况下分级能力不稳定，极易受工况变化、噪声干扰影响；模态深度模型的Kappa值在0.52左右，表明该方法在一定程度上能够适应工况变化，但仅依赖单一模态，跨工况鲁棒性仍然较差；本文方法的Kappa值可达0.75，且误差区间较小，表明该方法采用声-振-温耦合特征能够有效表征工况变化，受工况扰动影响较小。相较于另外两种方法，本文所提方法在分级一致性指标上具备显著优势，结果误差更小，在跨工况场景中的应用效果更优异。

3.3.2   HI曲线、门控权重与EWL

图2主要展示了三条退化路径的HI、  σ2 置信区间、报警点EWL时间区间以及门控随权重时间变化的情况。

图2 HI曲线、门控权重与EWL

由图2可知， HI随时间持续上升，不确定性σW2在工况切换或噪声突变时短时地上升， 随后快速地收敛，说明模型可以识别“可信度较低的片段”。  HI稳定地接近阈值，σw2持续收敛，说明模型对退化阶段的判断更加稳定。在报警点处，模型给出的报警时间相较真实严重退化点有约45min的提前量，证明了其具备自动化场景所需的提前预警能力。

4   结束语

本文提出了一种基于声音、振动和温度相关特征的旋转设备状态评估模型。该模型通过自适应融合、跨模态学习及回归分析建立了统一HI， 实现了不同工况下设备稳定评估与故障提前预警。实验结果表明，该方法在跨工况一致性、退化跟踪、提前预警以及置信度校准等方面的表现均优于传统方法。未来将进一步研究跨设备迁移学习、小样本场景改良及工艺参数联合建模，以增加模型在工业环境中的适用性。

作者简介：

徐华鑫（1989-），男， 内蒙古自治区呼和浩特人，高级工程师，本科，现就职于内蒙古自治区包头市东华热电有限公司，主要研究方向为热工自动化。

参考文献：

[1] 刘东, 谭鋆, 龙小波, 等. 基于RSAN和EEMD的MKSVM多模态融合旋转机械故障分类[J]. 振动与冲击, 2025, 44 (9) : 290 - 302.

[2] 郝朋越, 郭丽敏, 柴一清, 等. 基于多源传感与双分支网络的旋转设备预测性维护算法[J]. 计算机测量与控制, 2026, 34 (2) : 80 - 86.

[3] 李响, 徐宜销, 雷亚国, 等. 面向旋转机械装备的智能故障诊断通用基础模型研究[J]. 西安交通大学学报, 2025, 59 (7) : 1 - 12.

[4] 姚家琪, 荆华, 赵春晖. 一种面向噪声环境中旋转机械故障诊断的多模态耦合输入神经网络[J]. 控制与决策, 2023, 38 (7) : 1918 - 1926.

[5] 王庆锋, 张程, 陈文武, 等. 数据驱动的滚动轴承实时健康状态评估方法[J]. 计算机集成制造系统, 2023, 29 (7) : 2211 - 2223.

摘自《自动化博览》2026年7月刊