时间序列故障诊断研究文献综述
摘要
随着工业4.0与智能制造的深度推进，设备运行的安全稳定性成为工业生产的核心诉求，基于时序监测数据的故障诊断技术是实现设备预测性维护、降低非计划停机风险的核心支撑。本文系统梳理了时间序列故障诊断技术的发展历程，将其划分为模型驱动与信号处理、传统机器学习、深度学习三大阶段，对各阶段的核心方法、原理、优缺点及适用场景进行了全面阐述；总结了当前领域的核心研究热点，深入分析了技术发展面临的数据、模型、工业落地三大维度的瓶颈挑战；最后对未来的研究趋势与发展方向进行了展望，旨在为该领域的学术研究与工业落地提供系统性参考。
关键词
时间序列；故障诊断；深度学习；智能制造；预测性维护
1 引言
工业生产过程中，旋转机械、电力设备、化工装置等核心装备的运行状态直接决定了生产的安全性与经济性。设备运行过程中采集的振动、温度、压力、电流、声发射等监测数据，均是按时间顺序排列的时间序列，其蕴含了设备健康状态演化的全量信息。时间序列故障诊断，正是以这类时序数据为核心，通过数据分析与建模，实现设备健康状态评估、故障检测、故障分类识别、根因定位、退化趋势预判与剩余使用寿命（Remaining Useful Life, RUL）预测的全流程技术体系。
时间序列故障诊断技术的发展，始终围绕着"降低专家经验依赖、提升复杂场景适配性、强化端到端诊断能力"的核心主线演进，大致经历了三个核心阶段：2010年之前，以基于物理机理的解析模型和信号处理的特征提取为核心，奠定了故障诊断的理论基础；2010-2017年，传统机器学习方法快速发展，摆脱了对精确物理模型的强依赖，实现了从人工特征到故障模式的非线性映射；2017年至今，深度学习技术的爆发推动故障诊断进入端到端智能阶段，彻底解决了人工特征工程的专家依赖问题，成为领域绝对的研究主流。
当前，时间序列故障诊断技术在实验室标准数据集上已实现极高的诊断精度，但在实际工业场景中仍面临数据质量差、故障样本稀缺、工况多变导致分布偏移、模型可解释性不足、落地成本高等核心痛点。基于此，本文系统梳理该领域的研究进展，厘清技术发展脉络，分析现存挑战，并对未来发展方向进行展望。
2 时间序列故障诊断的核心概念与任务体系
2.1 核心定义
时间序列故障诊断，本质是基于设备运行过程中采集的时序监测数据，挖掘数据中蕴含的设备健康状态特征，构建数据特征与故障模式、退化程度之间的映射关系，最终实现设备健康状态的智能化评估与决策支撑。与通用时序分析任务相比，工业场景下的时序故障诊断具有强非平稳性、强噪声干扰、样本严重不平衡、故障模式耦合性强、安全合规要求高等核心特点。
2.2 核心任务体系
时间序列故障诊断形成了从异常预警到运维决策的全流程任务体系，核心可分为5个层级：
- 故障检测（异常检测）：核心为二分类任务，区分设备正常与异常状态，是故障诊断的第一道防线，核心目标是实现早期故障的精准识别，降低漏报率与误报率，适用于设备全时段的在线监测。
- 故障分类与识别：多分类核心任务，在检测到异常后，精准判断故障的类型、模式与发生部件，如轴承外圈磨损、齿轮断齿、电机绕组短路等，是故障诊断的核心环节，直接决定后续运维方向。
- 故障定位与根因分析：在故障识别的基础上，确定故障发生的具体位置，挖掘故障发生的根本原因，区分直接诱因与间接诱因，解决复杂系统耦合故障、连锁故障的溯源难题，是故障处置的核心依据。
- 故障程度评估与退化趋势预测：回归类任务，量化故障的严重等级，预测设备健康状态的未来演化轨迹，是连接故障诊断与预测性维护的关键环节。
- 剩余使用寿命（RUL）预测：预估设备从当前健康状态到完全失效的剩余运行时间，为计划性运维、备件管理、生产排程提供直接的量化支撑，是预测性维护的核心目标。
3 时间序列故障诊断方法的研究演进与分类
3.1 传统模型驱动与信号处理方法（奠基阶段，20世纪60年代-2010年）
该阶段的核心逻辑是基于物理机理建模或信号变换提取故障特征，高度依赖领域专家经验，是时间序列故障诊断的理论奠基阶段。
3.1.1 基于解析模型的方法
核心是构建设备的精确物理/数学模型，通过模型输出与实际测量值的残差判断设备是否发生故障，可解释性与物理意义极强。
- 状态估计方法：以卡尔曼滤波（KF）、扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）、粒子滤波（PF）为核心，通过状态观测器估计设备运行状态，当残差超过预设阈值时判定故障发生，适用于机理明确、线性/弱非线性的简单系统，如电机、齿轮箱的基础故障诊断。
- 可靠性分析方法：以故障树分析（FTA）、失效模式与影响分析（FMEA）为代表，基于专家知识构建故障演化的逻辑关系，定性与定量结合分析故障的发生概率与影响程度，是工业界传统的故障分析标准化方法。
该类方法的优势是物理意义明确、可解释性强；核心缺陷是复杂装备的机理建模难度极大，模型精度受工况波动、噪声干扰影响严重，对非线性、强耦合系统的适配性极差。
3.1.2 基于信号处理的特征提取方法
核心是对时序信号进行时域、频域、时频域变换，提取能够表征故障的敏感特征，再通过阈值判断或简单分类器实现诊断，是该阶段的主流技术，至今仍作为特征提取模块被广泛应用。
- 时域分析：提取时序信号的统计特征，包括均值、方差、峭度、裕度、峰值因子、脉冲因子等。其中峭度对冲击性故障（如轴承、齿轮的磨损故障）高度敏感，是最常用的时域特征，优势是计算简单、实时性好，缺陷是对早期故障不敏感，抗干扰能力弱。
- 频域分析：基于快速傅里叶变换（FFT）将时域信号转换至频域，提取功率谱、谱峭度、包络谱等特征，通过故障特征频率的幅值变化判断故障，适用于恒定工况下的平稳信号诊断，缺陷是无法处理非平稳信号，丢失了时间维度的关键信息。
- 时频域分析：同时刻画信号在时间与频率维度的特征，是处理非平稳、非线性时序信号的核心方法。里程碑式方法包括：1998年Huang等提出的经验模态分解（EMD），可自适应将非平稳信号分解为多个本征模函数（IMF），无需预设基函数，适配性强，但存在模态混叠、端点效应问题；2014年Dragomiretskiy等提出的变分模态分解（VMD），通过变分优化框架实现信号自适应分解，彻底解决了EMD的模态混叠问题，收敛性与抗噪声能力更强，成为该领域应用最广泛的时频分析方法。
3.2 传统机器学习方法（统计学习阶段，2010-2017年）
该阶段的核心范式是"人工特征工程+机器学习分类/回归器"，摆脱了对精确物理模型的强依赖，能够从高维特征中学习故障模式与健康状态的非线性映射关系，是故障诊断从模型驱动向数据驱动转型的关键阶段。
核心技术流程为：信号预处理→时域/频域/时频域特征提取→特征选择与降维→机器学习模型训练与诊断。主流方法可分为两类：
- 故障分类与识别方法：以支持向量机（SVM）、极限学习机（ELM）、随机森林（RF）为核心。其中SVM凭借小样本下的强泛化能力，成为该阶段的主流算法，广泛应用于各类故障分类任务；ELM计算速度快，适配实时诊断场景；RF抗过拟合能力强，对高维特征与不平衡数据适配性好。
- 时序演化建模方法：以隐马尔可夫模型（HMM）、高斯混合模型（GMM）为核心，能够建模设备健康状态的时序演化过程，适配故障的渐进式退化特性，常用于设备健康状态评估与RUL预测。
- 特征降维方法：以主成分分析（PCA）、线性判别分析（LDA）为代表，解决高维特征的冗余问题，提升模型的计算效率与诊断精度。
该类方法的优势是摆脱了对精确机理模型的依赖，能够处理非线性、高维数据，在标注数据充足的理想场景下精度显著优于传统方法；核心缺陷是特征工程高度依赖领域专家经验，特征质量直接决定诊断性能，在强噪声、变工况、小样本的工业实际场景中性能大幅下降。
3.3 深度学习方法（端到端智能阶段，2017年至今）
该阶段的核心是端到端学习范式，模型可直接从原始时序数据中自动学习层级化的特征表示，无需人工特征工程，彻底解决了专家经验依赖问题，成为当前时间序列故障诊断的绝对研究主流。根据网络架构与建模目标，可分为六大核心方向：
3.3.1 基于卷积神经网络（CNN）的时序故障诊断
核心是通过一维卷积（1D-CNN）对原始时序数据进行局部特征提取，通过堆叠卷积层实现层级化特征学习，是深度学习在故障诊断中最早应用、最成熟的架构。
核心研究进展包括：基础1D-CNN首次实现了从原始振动信号到故障类型的端到端诊断，在凯斯西储大学（CWRU）轴承标准数据集上实现了远超传统方法的诊断精度；引入残差连接构建ResNet，解决了深层网络的梯度消失问题，大幅提升了网络深度与特征提取能力；提出多尺度CNN、空洞卷积CNN，扩大感受野，适配不同类型故障的多尺度特征；引入通道注意力、空间注意力机制，自适应聚焦关键故障特征，显著提升了模型的抗噪声能力。
该类方法的优势是局部特征提取能力强，计算效率高，并行性好，适配工业实时诊断场景；核心缺陷是对时序数据的长程依赖捕捉能力不足，对长序列、渐进式退化过程的建模能力有限。
3.3.2 基于循环神经网络（RNN）及其变体的时序故障诊断
核心是专为时序数据设计的循环架构，通过门控机制捕捉时序数据的时间依赖关系，建模故障的动态演化过程，是设备退化趋势预测与RUL预测的主流架构。
代表方法为长短期记忆网络（LSTM）与门控循环单元（GRU）：LSTM解决了传统RNN的梯度消失/爆炸问题，能够有效捕捉长序列的长程依赖，广泛应用于故障分类、退化趋势预测与RUL预测；GRU简化了LSTM的门控结构，计算效率更高，在保证精度的同时更适配边缘端实时部署。主流改进方向包括双向LSTM（BiLSTM）、注意力增强型LSTM/GRU，进一步提升了长序列特征提取能力。
该类方法的优势是能够精准建模时序数据的动态演化过程，长程依赖捕捉能力强，适配故障渐进式退化的建模需求；核心缺陷是串行计算导致训练与推理速度慢，并行性差，对超长序列的处理效率低，易受工业噪声干扰。
3.3.3 基于Transformer的时序故障诊断
核心是基于自注意力机制，同时解决了CNN长程依赖不足与RNN并行性差的问题，能够并行处理长序列并捕捉全局时序依赖关系，是2020年至今的研究热点，在多个任务上实现了SOTA性能。
基础架构通过位置编码保留时序信息，通过自注意力机制计算序列中各时间步的关联权重，实现全局特征提取。核心研究进展包括：针对工业时序数据特点，提出PatchTST、Informer、Autoformer等改进架构，通过分块处理、稀疏注意力、序列分解等技术，提升长序列处理效率与非平稳信号建模能力；构建CNN-Transformer混合架构，融合CNN的局部特征提取能力与Transformer的全局建模能力，兼顾抗噪声能力与诊断精度；基于预训练-微调范式，通过海量无标注数据预训练通用时序表征，仅需少量标注数据即可微调适配下游任务，解决了工业场景标注数据稀缺的问题。
该类方法的优势是长程依赖捕捉能力极强，并行计算效率高，适配长序列、多传感器时序数据，预训练范式具备极强的泛化潜力；核心缺陷是计算复杂度高，小样本场景下适配性差，工业边缘端部署成本高，可解释性不足。
3.3.4 其他主流深度学习方法
- 生成式模型：以生成对抗网络（GAN）、变分自编码器（VAE）、扩散模型为核心，主要解决工业场景故障样本稀缺、类别不平衡的问题。通过生成式模型学习故障样本的分布，生成高质量故障样本扩充数据集；或通过无监督学习正常样本的分布，基于重构误差实现异常检测，广泛应用于无监督/半监督故障诊断场景。
- 图神经网络（GNN）：针对多传感器时序数据，将传感器作为节点、传感器间的关联关系作为边构建图结构，通过GNN捕捉传感器间的空间依赖，结合时序模型捕捉时间依赖，构建时空图神经网络（STGNN），实现多变量时序数据的时空联合建模，适配风电、化工、轨道交通等复杂工业系统的多传感器故障诊断。
- 自编码器（AE）：包括堆叠自编码器（SAE）、降噪自编码器（DAE），通过无监督方式学习时序数据的低维特征表示，是早期深度学习故障诊断的主流方法，目前多作为特征提取模块与其他网络架构结合使用。
4 当前核心研究热点与细分方向进展
4.1 小样本与零样本故障诊断
工业场景中，故障样本尤其是罕见故障、新设备故障的标注样本极度稀缺，小样本/零样本学习成为解决该痛点的核心研究方向。当前主流技术路径包括：基于元学习（MAML、原型网络）的方法，让模型从相关任务中学习通用先验知识，仅需少量样本即可快速适配新故障诊断任务，2025年ICLR提出的时序自适应元学习框架，实现了30条样本下92%的故障诊断准确率；基于度量学习的方法，通过学习样本间的距离度量，实现少样本下的故障分类；基于提示学习（Prompt Tuning）的方法，借助预训练时序大模型，无需微调参数即可实现零样本/少样本诊断，大幅降低了模型适配成本。
4.2 域适应与跨域故障诊断
工业现场工况多变导致训练数据与测试数据分布偏移，是模型从实验室走向工业现场的核心瓶颈，域适应技术旨在解决这一问题。当前核心进展包括：基于域对抗神经网络（DANN）的方法，通过特征提取器与域判别器的对抗训练，学习域不变特征，实现跨工况特征对齐；基于自监督对比学习的方法，学习对工况变化不敏感的通用故障特征，在无标注目标域数据下实现跨域诊断；结合联邦学习的联邦域适应，在不共享原始数据的前提下实现跨节点模型协同训练，兼顾了数据隐私与跨域适配能力。
4.3 轻量化与边缘端部署
工业场景要求故障诊断在边缘端实现实时推理，对模型的计算量、内存占用、推理速度有严格要求，模型轻量化成为技术落地的关键。当前主流方向包括：专为一维时序数据设计的轻量化网络架构，如基于深度可分离卷积的一维MobileNet、基于稀疏注意力的轻量化Transformer，在保证精度的同时大幅降低计算量；通过模型剪枝、参数量化、知识蒸馏等模型压缩技术，将大型模型的知识迁移至轻量化模型中；针对边缘硬件的软硬件协同优化，进一步提升模型推理速度，满足工业现场毫秒级的实时诊断要求。
4.4 可解释性与因果性故障诊断
深度学习模型的"黑箱"特性，导致诊断结果缺乏可解释性，无法满足高安全工业场景的监管要求，可解释性与因果性建模成为当前研究的核心方向。主流进展包括：基于注意力热力图、Grad-CAM的事后可解释方法，可视化模型决策的关键特征与时间步，解释诊断结果的依据；嵌入物理机理的固有可解释模型，让模型的决策过程符合物理规律，提升可解释性与可靠性；结合因果推断、因果发现的方法，从时序数据中挖掘故障演化的因果关系，而非单纯的相关性拟合，实现故障根因定位与溯源，解决复杂系统耦合故障的诊断难题。
4.5 时序大模型与通用故障诊断
借鉴大语言模型的成功经验，构建工业时序大模型，实现跨设备、跨行业、跨任务的通用故障诊断，是2025年至今的前沿研究方向。核心进展包括：清华大学Timer、谷歌TimesFM、普林斯顿Time-MoE等通用时序基础模型，通过海量工业时序数据预训练，实现"一个模型适配多个下游任务"，大幅降低了模型开发成本；时序大模型与工业领域大语言模型融合，实现数值型时序数据与文本型故障知识、运维经验的统一表征，支持自然语言交互的故障诊断、报告生成与运维建议推荐，构建人机协同的智能诊断系统。
5 现存核心挑战与瓶颈问题
5.1 数据层面的核心挑战
一是工业数据质量问题，现场采集的时序数据存在强噪声、数据缺失、异常值、时序不同步等问题，严重影响模型性能，缺乏通用的高质量数据预处理方法；二是样本稀缺与类别不平衡问题，工业场景中正常样本远多于故障样本，罕见故障、早期故障样本极难获取，导致模型对小众故障的识别能力不足，漏报率高；三是分布偏移问题，工况波动、设备老化、环境变化导致数据分布持续偏移，模型泛化能力急剧下降，生命周期短；四是数据孤岛与隐私保护问题，工业数据分散且涉及企业核心生产信息，难以共享，无法支撑大规模模型预训练。
5.2 模型层面的核心挑战
一是可解释性不足，深度学习模型的黑箱特性，使其难以应用于核电、航空航天等高安全要求场景；二是小样本场景性能瓶颈，现有模型大多依赖大量标注故障样本，小样本/零样本场景下的鲁棒性与泛化能力仍有不足；三是计算成本高，大型Transformer与时序大模型计算量巨大，难以在资源受限的边缘端部署；四是复杂系统建模能力不足，现有方法大多针对单一部件、单一故障，对耦合故障、连锁故障的建模与根因定位能力弱；五是鲁棒性不足，模型对工业噪声、对抗样本的抵抗能力弱，存在安全隐患。
5.3 工业落地层面的核心挑战
一是实验室与工业现场存在巨大鸿沟，现有研究大多基于理想的实验室标准数据集，在实际工业场景中性能难以复现；二是通用性与定制化的矛盾，不同行业、不同设备的故障模式差异极大，现有模型通用性差，定制化开发成本高，难以大规模推广；三是全流程闭环难以实现，现有研究大多聚焦故障检测与分类环节，从诊断、根因分析、运维决策到效果反馈的全链路尚未打通；四是行业标准缺失，领域内缺乏统一的数据集规范、模型评价指标与落地标准，导致不同研究成果难以对比，模型可靠性无法保障。
6 未来研究趋势与展望
6.1 机理与数据融合的混合驱动方法
纯数据驱动模型泛化能力不足，纯机理模型建模难度大，未来的核心方向是将设备物理机理、先验知识与深度学习模型深度融合，构建混合驱动的诊断模型。通过将物理约束、故障演化规律嵌入模型结构与损失函数，让模型学习过程符合物理规律，提升模型的泛化能力、可解释性与可靠性，解决小样本、变工况场景的诊断难题。同时，结合数字孪生技术，构建设备数字孪生体，生成高保真故障仿真数据，弥补真实故障样本的不足，实现虚实融合的故障诊断。
6.2 时序大模型驱动的通用故障诊断体系
时序大模型将彻底改变传统"单任务单模型"的开发范式，未来将构建工业领域专用时序大模型，通过海量多行业、多设备、多工况的时序数据预训练，具备通用的时序理解、故障识别、趋势预测能力，实现"一模型多任务、一模型多场景"的通用故障诊断。同时，结合大语言模型的知识推理能力，构建多模态融合的智能诊断系统，实现故障诊断、根因分析、运维决策、报告生成的全流程自动化，推动故障诊断从"算法工具"向"智能系统"升级。
6.3 可信与可解释的因果故障诊断
未来的故障诊断将从"相关性拟合"走向"因果性建模"，结合因果推断与因果发现理论，从时序数据中挖掘故障演化的因果关系，构建因果驱动的诊断模型，不仅能识别故障类型，还能定位故障根因，实现故障溯源与连锁故障预警。同时，构建可解释、可验证、安全可信的诊断模型，满足高安全领域的监管要求，推动技术在关键领域的规模化应用。
6.4 终身学习与持续进化的诊断模型
工业设备的工况、故障模式是持续变化的，未来的故障诊断模型需要具备终身学习能力，能够在不遗忘旧知识的前提下，持续学习新的故障模式、适配新的工况，避免灾难性遗忘，延长模型生命周期，降低运维成本。同时，结合自监督学习与在线学习技术，利用工业现场海量无标注数据持续优化模型，实现模型的自主学习与迭代升级。
6.5 端边云协同的全链路工业落地架构
未来将构建"端侧采集-边缘推理-云端训练"的端边云协同故障诊断体系，端侧传感器负责数据采集与预处理，边缘端部署轻量化模型实现实时诊断与本地预警，云端负责大模型的训练、更新与全局优化，实现数据-模型-决策的全链路闭环。同时，结合联邦学习技术，在保护数据隐私的前提下，实现跨工厂、跨企业的模型协同训练，打破数据孤岛，推动技术的规模化工业落地。
7 总结
时间序列故障诊断是智能制造与工业互联网的核心支撑技术，历经模型驱动与信号处理、传统机器学习、深度学习三个发展阶段，实现了从人工特征工程到端到端智能学习的跨越，在故障检测、分类、RUL预测等核心任务上取得了突破性进展。当前，该领域正朝着小样本适配、跨域泛化、轻量化部署、可解释性提升、通用大模型构建等方向快速发展，取得了丰富的研究成果。
同时，该领域仍面临数据质量差、故障样本稀缺、模型泛化能力不足、可解释性差、工业落地难等核心挑战。未来，相关研究需要聚焦工业实际场景的核心痛点，推动机理与数据融合、大模型通用化、因果可解释建模、端边云协同等方向的技术突破，打通从实验室研究到工业落地的最后一公里，为工业设备的安全稳定运行与智能化运维提供核心技术支撑。
参考文献
1\] Huang N E, Shen Z, Long S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis\[J\]. Proceedings of the Royal Society of London Series A: Mathematical, Physical and Engineering Sciences, 1998, 454(1971): 903-995. \[2\] Dragomiretskiy K, Zosso D. Variational mode decomposition\[J\]. IEEE Transactions on Signal Processing, 2014, 62(3): 531-544. \[3\] Hochreiter S, Schmidhuber J. Long short-term memory\[J\]. Neural Computation, 1997, 9(8): 1735-1780. \[4\] Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need\[J\]. Advances in Neural Information Processing Systems, 2017, 30. \[5\] Zhao R, Yan R, Chen Z, et al. Deep learning and its applications to machine health monitoring\[J\]. Mechanical Systems and Signal Processing, 2019, 115: 213-237. \[6\] Li X, Zhang W, Ding Q. Deep learning-based remaining useful life estimation of bearings using multi-scale feature extraction\[J\]. Reliability Engineering \& System Safety, 2019, 182: 208-218. \[7\] Liu Y, Jiang H, Wu Z, et al. A comprehensive survey on transfer learning for rotating machinery fault diagnosis\[J\]. IEEE Transactions on Instrumentation and Measurement, 2022, 71: 1-21. \[8\] 雷亚国, 贾峰, 周昕, 等. 深度学习在机械故障诊断中的研究与进展\[J\]. 机械工程学报, 2020, 56(2): 1-11. \[9\] Zhang C, Lim P, Qin A K, et al. Multiobjective deep belief networks ensemble for remaining useful life estimation in prognostics\[J\]. IEEE Transactions on Neural Networks and Learning Systems, 2016, 28(10): 2306-2318. \[10\] Wu H, Xu J, Wang J, et al. Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting\[J\]. Advances in Neural Information Processing Systems, 2021, 34: 22419-22430.