机械设备的故障诊断，过去主要依赖振动信号、频谱分析、包络谱、小波变换、经验模态分解等传统方法 。这些方法在标准工况下行之有效，但真正置于真实的工业现场时，往往会遭遇几个“硬骨头”难题：故障样本极度稀缺、工况环境多变、背景噪声强、有效标签不足、模型判断不可解释 。

2025 年，机械工程领域顶刊 Mechanical Systems and Signal Processing (MSSP) 刊发的一批重磅论文向我们展示了变革的风向标。AI 正在完成它的二次跃迁：从单纯的“替代人工特征提取”，进一步迈向“融合物理知识、仿真数据、迁移学习和大模型”的深水区 。

今天，我们精选了 10 篇 MSSP 2025 年最具代表性的研究论文，带您梳理智能运维正在发生的五大核心趋势。点击链接即可获取！

趋势一：大模型开始进入机械故障诊断

• 代表论文： 《FD-MVLLM: Fault diagnosis based on multimodal vibration data and large language model for bearing system》
• 核心亮点： 提出了一种创新的端到端框架，标志着机械故障诊断进入“大模型时代” 。该研究的核心在于将轴承的原始时间序列信号、通过连续小波变换（CWT）生成的时频图像特征，以及包含13项时频域指标的统计提示（Statistical Prompt）进行深度融合 。通过创新的“补丁重编程”（Patch Reprogramming）机制，利用多头注意力机制将异构的振动和图像特征映射到大模型可理解的文本原型空间，实现了物理信号与大语言模型（LLM）架构的无缝对接 。实验证明，该模型在处理模拟及CWRU等公开数据集时，其诊断准确率显著优于传统的单模态深度学习模型，为工业设备的智能运维提供了高效、可解释的新范式。

趋势二：AI 诊断必须“透明、可解释”

• 代表论文： 《Mechanical Systems and Signal Processing》
• 核心亮点： 工业现场不仅要判对，更要能说明“为什么是内圈/外圈/滚动体”。代表工作如 BearingNet 往往用端到端特征学习结合注意力/显著性或类激活图，把关键冲击周期、共振带与特征通道对应起来，输出可视化证据链；LWPI 则更偏向把物理先验融入学习过程，用局部波形与相位信息刻画故障冲击与传递路径，并以权重或贡献度量展示哪些时频片段驱动了分类。两者共同目标是：让诊断结论可追溯、可审计、可与机理一致，从而提升可信度与落地效率。。

趋势三：用“仿真数据”喂饱 AI 模型

• 代表论文： 《A simulation-enhanced deep learning framework for bearing fault diagnosis using an improved bearing force model - ScienceDirect》
• 核心亮点： 真实故障数据获取昂贵且有风险，仿真数据正成为训练深度模型的重要来源。核心是用改进轴承力模型生成更接近真实工况的振动响应（考虑接触非线性、间隙与载荷波动等），先以大量仿真数据预训练网络获得通用冲击/共振表征，再用少量真实数据微调，缩短数据收集周期并提升泛化。gearbox transfer learning 进一步把“源域”（已有工况/台架/仿真）知识迁移到“目标域”（现场、不同转速载荷与传感器），通过特征对齐与微调减小域差，实现小样本、跨设备的可靠诊断落地。

趋势四：跨工况、无标签诊断成为核心战场

• 代表论文： 《A triple domain adversarial neural network for bearing fault diagnosis - ScienceDirect》
• 核心亮点： 现场转速/负载/温度变化导致分布漂移，单一数据集高准确率难迁移。通过多域判别器做对抗对齐，在时域/频域/时频(或多层特征)同时缩小源域与目标域差异，并结合故障判别约束保持可分性，实现目标域无标签诊断。Multi-adversarial subdomain adaptation 更进一步按类别/子域细粒度对齐，利用伪标签与多对抗损失减少“错对齐”和负迁移，使模型在变工况、跨设备下更稳健。

趋势五：从“识别故障”延伸至“预测寿命”

• 代表论文： 《Progressive hybrid hypergraph attention network with channel information fusion for remaining useful life prediction of rolling bearings - ScienceDirect》
• 核心亮点： 用户关心的是还能安全运行多久。关键在于对齐不同轴承/工况下的退化分布，把源域学到的退化表征迁移到目标设备，缓解个体差异与工况漂移带来的RUL偏差。超图注意力RUL方法则用超图建模多通道/多特征的高阶关联，结合通道信息融合与渐进式混合结构，捕捉从早期微弱退化到后期加速失效的演化规律，用注意力突出关键通道与退化片段，从而输出更稳定、可泛化的RUL估计。

结语：
从 2025 年 MSSP 的这些顶尖成果来看，智能运维的核心命题已经发生了质变：我们不再追求堆叠模型层数，而是如何让 AI 真正理解机械物理本质，在变幻莫测的工厂环境中提供确定性的答案。

今天，我们精选了 10 篇 MSSP 2025 年最具代表性的研究论文，带您梳理智能运维正在发生的五大核心趋势。点击链接即可获取！