引用論文

楊彬, 李雅寧, 雷亞國, 李響, 曹軍義, 武通海. 遷移拓撲規(guī)劃的機械設備群體協(xié)同智能診斷方法[J]. 機械工程學報, 2026, 62(4): 1-11.

YANG Bin, LI Yaning, LEI Yaguo, LI Xiang, CAO Junyi, WU Tonghai. Collaborative Swarm Intelligent Diagnosis Method for Machine Groups with Transferability Topology Planning[J]. Journal of Mechanical Engineering, 2026, 62(4): 1-11.

(戳鏈接，下載全文)

機械設備群體協(xié)同服役是實現網絡化協(xié)同制造的核心載體，對設備群體進行數據中心化的智能診斷，存在數據流通壁壘、個體差異顯著的挑戰(zhàn)難題。為突破數據流通壁壘、提升診斷模型的群體適應性，現有研究嘗試建立去中心化、分布式的協(xié)同診斷架構，然而，在規(guī)劃設備群體診斷任務時存在盲目性，且在融合各設備節(jié)點的局部診斷模型過程中，忽視了個體重要度分布不均的客觀事實。對此，西安交通大學雷亞國教授團隊提出遷移拓撲規(guī)劃的群體協(xié)同智能診斷方法，首先建立遷移拓撲結構，描述各設備節(jié)點之間診斷知識的流出與流入關系；然后綜合考慮數據質量、可用數據量、診斷知識可遷移性、通信資源、個體重要度等多重因素，優(yōu)化求解遷移拓撲規(guī)劃問題，以確定設備群體診斷知識的流向關系與個體重要度分布；最后建立個體重要度加權的協(xié)同診斷架構，訓練適用于設備群體的全局診斷模型。通過多臺設備的軸承故障數據對提出方法進行驗證，結果表明：優(yōu)化后的遷移拓撲結構，能夠有效地反映設備群體診斷知識的最佳流向關系，提高了全局模型的診斷精度與群體適應性 。本文作為《機械工程學報》2026年第4期的封面文章發(fā)表，期望相關工作為研究提供參考。

1

研究背景

機械設備群體協(xié)同服役是實現網絡化協(xié)同制造的核心載體，對設備群體進行數據中心化的智能診斷，存在數據流通壁壘、個體差異顯著的挑戰(zhàn)難題。為突破數據流通壁壘、提升診斷模型的群體適應性，現有研究嘗試建立去中心化、分布式的協(xié)同診斷架構，然而，在規(guī)劃設備群體診斷任務時存在盲目性，且在融合各設備節(jié)點的局部診斷模型過程中，忽視了個體重要度分布不均的客觀事實。對此，本文提出遷移拓撲規(guī)劃的協(xié)同智能診斷方法，旨在為設備群體協(xié)同智能診斷的實施提供客觀的建模依據，并從數據端出發(fā)，最大化全局診斷模型在群體診斷任務上的潛在診斷能力。

2

亮點或創(chuàng)新點

（1）提出方法建立設備群體診斷的遷移拓撲結構，描述設備節(jié)點之間診斷知識的流出與流入關系，并將設備群體診斷任務中盲目且不確定的診斷知識流向確定問題，轉化為混合整數規(guī)劃的非凸優(yōu)化問題進行求解，求解所得的遷移拓撲結構，能夠從設備群體的數據質量源頭出發(fā)，為設備群體協(xié)同診斷的實施提供了客觀的建模依據。

（2）根據優(yōu)化后的遷移拓撲結構，建立個體重要度加權的群體協(xié)同智能診斷架構，抑制弱關聯關系節(jié)點對局部模型聚合的貢獻度，相較于傳統(tǒng)的協(xié)同診斷方法，即使通過簡單的局部模型加權融合策略，也能使聚合而成的全局模型取得明顯的診斷性能與群體泛化性提升。

3

實驗方法

為最大化全局診斷模型的潛在診斷性能，提出遷移拓撲規(guī)劃的群體協(xié)同診斷方法。該方法建立設備群體診斷的遷移拓撲結構，如圖1所示，描述設備節(jié)點之間診斷知識的流出與流入關系，并通過綜合考慮設備節(jié)點數據質量、可用數據量、診斷知識可遷移性、數據通訊資源、個體重要度等多重因素對遷移拓撲結構規(guī)劃的影響，將群體診斷任務中盲目且不確定的知識流向確定問題轉化成混合整數規(guī)劃問題，并進行強化學習求解。在此基礎上，根據優(yōu)化后的遷移拓撲結構，建立個體重要度加權的協(xié)同診斷架構，如圖2所示。根據遷移拓撲結構顯示的節(jié)點關系，首先在設備群體各個知識流出節(jié)點上訓練局部診斷模型，然后建立中央智能體對各局部模型的參數進行融合，形成全局診斷模型，最后在診斷知識流入節(jié)點上應用。

圖1 遷移拓撲規(guī)劃原理示意

圖2 個體重要度加權的協(xié)同智能診斷架構

4

結論和展望

本文提出了遷移拓撲規(guī)劃的設備群體協(xié)同診斷方法，在數據流通壁壘的約束下，建立并規(guī)劃了設備群體的遷移拓撲結構，實現了群體診斷知識的有序遷移與高效協(xié)同。主要結論如下：

(1) 提出了遷移拓撲規(guī)劃方法，實現了設備群體遷移拓撲結構的強化學習優(yōu)化，其節(jié)點狀態(tài)的0-1變化描述了群體協(xié)同診斷任務的節(jié)點分工；連接邊的緊密程度反映了局部模型聚合過程中的個體重要度大小。設備群體的遷移拓撲結構能夠隨可用數據量分布、知識可遷移性、通訊資源等多重因素而動態(tài)變化，有效表征了群體診斷知識的流向關系。

圖3 優(yōu)化后的機械設備群體遷移拓撲結構

(2) 根據優(yōu)化后的遷移拓撲結構，建立了個體重要度加權的群體協(xié)同智能診斷架構，抑制了弱關聯關系節(jié)點對局部模型聚合的貢獻度，相較于傳統(tǒng)的協(xié)同診斷方法，即使通過簡單的局部模型加權融合策略，也能使聚合而成的全局模型取得明顯的診斷性能與群體泛化性提升。

圖4 協(xié)同診斷結果對比

(3) 提出方法將設備群體診斷任務中盲目且不確定的診斷知識流向確定問題，轉化為混合整數規(guī)劃的非凸優(yōu)化問題進行求解，求解所得的遷移拓撲結構，能夠從設備群體的數據質量源頭出發(fā)，為設備群體協(xié)同診斷的實施提供了客觀的建模依據，可望為風電機群、軌道列車群、工業(yè)機器人群等分布式集群化協(xié)同服役的高端裝備提供去中心化的數據質量與診斷知識評估方法，從而實現全局模型潛在診斷性能的最大化。后續(xù)可進一步研究群體協(xié)同智能診斷架構的優(yōu)化策略，從方法端著手，提升全局模型的泛化診斷性能。

5

團隊研究方向

“高端裝備智能運維團隊”面向航空航天、能源動力、國防軍工、交通運輸等領域高端裝備的安全服役保障重大需求，傳承西遷先賢故障診斷學科學術思想，緊握大數據人工智能新時代脈搏，對高端裝備多源狀態(tài)感知、復雜系統(tǒng)孿生建模、大數據智能診斷、數模聯動壽命預測等技術進行持續(xù)突破與創(chuàng)新，形成了高端裝備智能運維特色研究方向。團隊由國家杰青雷亞國教授帶領，包含國家優(yōu)青、教育部新世紀人才、中國科協(xié)青年托舉人才、人社部博新計劃入選者、歐盟瑪麗居里學者等人才。團隊擁有美國機械工程師協(xié)會會士（ASME Fellow）1名、英國工程技術學會會士（IET Fellow）2名、國際工程資產管理協(xié)會會士（ISEAM Fellow）1名、科睿唯安（Clarivate）全球高被引科學家3名、國際著名期刊副主編4名、全球前2%頂尖科學家5名。團隊入選了“三秦學者”全國一流創(chuàng)新團隊、陜西省科技創(chuàng)新團隊、“科學家+工程師”隊伍。

研究方向一：機械系統(tǒng)動態(tài)建模

該方向通過建立動力學、唯象、數字孿生等模型，對機械系統(tǒng)的動態(tài)特性進行分析，研究機械系統(tǒng)在內外激勵下的動力學行為以及模型參數、故障類型等各種因素對系統(tǒng)響應特性的影響。

機械系統(tǒng)動態(tài)建模

研究方向二：大數據下智能故障診斷

該方向主要研究軟計算、機器學習等人工智能算法，通過建立智能診斷模型，自適應解析機械信號蘊含的復雜結構信息，探索大數據中潛在的故障演化規(guī)律，實現機械故障的智能識別。

大數據下智能故障診斷

研究方向三：機械裝備剩余壽命預測

該方向主要研究基于衰退模型和數據驅動的數模聯動剩余壽命預測理論與方法，實現風電機組、航空發(fā)動機、工程機械等關鍵零部件的剩余壽命預測，為其預測性維修提供技術支持。

機械裝備剩余壽命預測

研究方向四：機械裝備健康維護決策

該方向主要研究剩余壽命預測驅動下基于數學規(guī)劃模型與啟發(fā)式優(yōu)化算法的維修決策理論與技術，通過構建并優(yōu)化機械裝備運維模型，制訂最佳維修管理方案，降低運維成本與故障率。

機械裝備健康維護決策

團隊成員

實驗室一覽

作者及團隊介紹

雷亞國，西安交通大學二級教授、博士生導師、機械工程學院常務副院長、國家杰青、美國機械工程師協(xié)會會士（ASME Fellow）、英國工程技術學會會士（IET Fellow）、國際工程資產管理協(xié)會會士（ISEAM Fellow）、科睿唯安全球高被引科學家（2019-至今）、國家重點研發(fā)項目首席科學家（2項）、陜西省科技創(chuàng)新團隊帶頭人、“三秦學者”全國一流創(chuàng)新團隊帶頭人。擔任中國振動工程學會理事、中國機械工程學會工業(yè)大數據與智能系統(tǒng)分會副主任委員、中國自動化學會技術過程的故障診斷與安全性專業(yè)委員會副主任委員以及IEEE Transactions on Industrial Electronics、Mechanical Systems and Signal Processing等本領域著名期刊副主編。長期從事機械系統(tǒng)建模與動態(tài)信號處理、大數據智能故障診斷與壽命預測、機械狀態(tài)健康監(jiān)測與智能維護等方面的研究工作。主持國家重點研發(fā)計劃、國家自然科學基金等國家級項目20余項。研發(fā)的智能診斷系統(tǒng)在智能制造、能源電力、交通運輸等領域得到廣泛應用。曾獲國家技術發(fā)明二等獎、教育部自然科學一等獎、陜西省自然科學一等獎、中國自動化學會自然科學一等獎、騰訊“科學探索獎”等獎勵榮譽。

楊彬，西安交通大學助理教授、碩士生導師，入選國家“博士后創(chuàng)新人才支持計劃”、全球前2%頂尖科學家榜單。擔任中國機械工程學會工業(yè)大數據與智能系統(tǒng)分會委員、Frontiersin Mechanical Engineering副主編、《機械工程學報》首屆青年編委。研究方向為新一代人工智能故障診斷、高端裝備大數據智能運維。主持國家自然科學基金青年項目、中國博士后科學基金面上項目等10余項；出版學術專著1部，獲工信學術出版基金資助；在本領域國內外著名期刊上發(fā)表學術論文10余篇，7篇入選ESI熱點、中國百篇最具影響國際學術論文、中國科協(xié)優(yōu)秀科技論文等；參與制定國家/團體標準3項。研究成果在高端軸承智能制造、軌道交通等領域得到應用。曾獲中國自動化學會自然科學一等獎、陜西省自然科學一等獎、西安交通大學“十大學術新人”等獎勵榮譽。

李雅寧，西安交通大學碩士研究生，主要研究方向為機械裝備智能運維大模型。

李響，西安交通大學教授、博導，國家級青年人才，英國工程技術學會會士（IET Fellow），科睿唯安全球高被引科學家，主要研究方向為工業(yè)人工智能、大模型、機器視覺、神經形態(tài)計算、智能運維等，主持國家重點研發(fā)計劃項目課題、國家自然科學基金等項目，參與制定國家標準3項，研究成果在航空航天、智能制造等領域獲得工程應用，擔任期刊IEEE Transactions on Neural Networks and Learning Systems、Expert Systems with Applications、Pattern Recognition副主編，《機械工程學報》首屆青年編委，發(fā)表ESI高被引論文24篇，ESI熱點論文8篇，谷歌學術引用10000次以上，H指數46，出版英文學術專著1部，入選全球前2%頂尖科學家終身榜單，曾獲中國振動工程學會基礎研究二等獎、遼寧省自然科學二等獎、中國力學學會自然科學二等獎等獎項。

曹軍義，西安交大教授、博導，現任機械工程學院設計所所長、陜西省振動工程學會副理事長、國際知名期刊《IEEE Journal of Biomedical and Health informatics》副主編，服務中央組織部第16批博士團掛職寧夏大學機械學院科研副院長，入選教育部“新世紀優(yōu)秀人才”。研究領域包括人體智能診療、振動控制與隔離、裝備智能運維等。主持了國家重點研發(fā)計劃戰(zhàn)略性國際合作項目、國家自然科學基金、基金委中歐人才等。研究成果應用在航天工程和醫(yī)院臨床中，獲陜西省高等學?？茖W技術一等獎（自然科學）。參與制定國家標準3項，發(fā)表學術論文100多篇，谷歌學術引用5900次以上（H指數41），入選愛思唯爾（Elsevier）中國高被引學者、全球前2%頂尖科學家。指導的研究生獲得了ASME期刊最佳論文獎、歐洲能量俘獲國際會議的IOP Best Poster Prize、GE科技創(chuàng)新基金獎、中國振動工程學會青年科技獎和國家青年人才等。

武通海，西安交大教授、博導，入選西安交大首屆王寬誠青年學者，現任現代設計及轉子軸承系統(tǒng)教育部重點實驗室副主任、機械工程學院機械工程專業(yè)系主任，兼任國際期刊《Measurement》副主編、陜西省機械工程學會理事等。研究領域包括摩擦學系統(tǒng)工程、裝備智能運維等。主持了國家自然科學基金、陜西省重點研發(fā)計劃、中國航發(fā)產學研合作項目以及國防軍工等研究項目，研究成果應用于中國航發(fā)、東方電機、徐工集團上萬臺套重大裝備，獲得了軍隊科技進步二等獎、陜西省高等學校科學技術發(fā)明一等獎等。參與制定國家標準3項，發(fā)表學術論文100多篇，授權 國家發(fā)明專利30余項，完成專利成果轉化百萬元。指導研究生40余人，并獲得了陜西省振動工程學會優(yōu)秀博士論文獎、歐洲地平線瑪麗居里學者項目等。

5

近兩年團隊發(fā)表文章

[1]雷亞國，李熹偉，李響，等. 面向機械設備通用健康管理的智能運維大模型[J]. 機械工程學報，2025，61(6)：1-13.

[2]雷亞國，楊彬，李乃鵬，等. 跨設備的機械故障靶向遷移診斷方法[J]. 機械工程學報，2022，58(12)：1-9.

[3]李乃鵬，蔡瀟，雷亞國，等. 一種融合多傳感器數據的數模聯動機械剩余壽命預測方法[J]. 機械工程學報，2021，57 (20)：29-37+46.

[4]Bin Yang, Yaguo Lei, Xiang Li, Clive Roberts. Deep targeted transfer learning along designable adaptation trajectory for fault diagnosis across different machines[J]. IEEE Transactions on Industrial Electronics, 2023, 70(9): 9463-9473.

[5]Xiang Li, Shupeng Yu, Yaguo Lei, Naipeng Li, Bin Yang. Intelligent machinery fault diagnosis with event-based camera[J]. IEEE Transactions on Industrial Informatics, 2024, 20(1): 380-389.

作 者：雷亞國

責任編輯：杜蔚杰

責任校對：張 強

審 核：張 彤

JME學院簡介

JME學院是由《機械工程學報》編輯部2018年創(chuàng)建，以關注、陪伴青年學者成長為宗旨，努力探索學術傳播服務新模式。首任院長是中國機械工程學會監(jiān)事會監(jiān)事長、《機械工程學報》中英文兩刊主編宋天虎。

歡迎各位老師掃碼添加小助理-暖暖為好友，由小助理拉入JME學院官方群！

歡迎關注JME學院視頻號~

尋覓合作伙伴

有一種合作叫做真誠，有一種發(fā)展可以無限，有一種伙伴可以互利共贏，愿我們合作起來流連忘返，發(fā)展起來前景可觀。關于論文推薦、團隊介紹、圖書出版、學術直播、招聘信息、會議推廣等，請與我們聯系。

感謝關注我們！《機械工程學報》編輯部將努力為您打造一個有態(tài)度、有深度、有溫度的學術媒體！

版權聲明：

本文為《機械工程學報》編輯部原創(chuàng)內容，歡迎轉載，請聯系授權！

在公眾號后臺留言需要轉載的文章題目及要轉載的公眾號ID以獲取授權!

聯系人：暖暖

微信小助手：jmenuannuan

E-mail：jme@cmes.org

網 址：http://www.cjmenet.com.cn

官方微信號：jmewechat