复杂工业系统中基于机器学习的气穴强度识别综述
信号处理
2025-12-16 v3
摘要
气穴强度识别 (Cavitation Intensity Recognition, CIR) 是检测和评估涉动机械中气穴现象的关键技术，对于复杂工业系统的操作安全、性能优化和维护成本降低具有重大意义。尽管已有大量研究进展，但仍缺乏系统梳理发展轨迹并为未来研究提供明确指导的综述。为填补这一空白，本文综述了2002年至2025年期间针对各种机械设备上智能CIR的大量文献，总结了其技术演化并提供了发展见解。早期阶段以传统机器学习方法为主，这些方法依赖于在领域专家知识指导下人工设计的特征。深度学习的出现推动了基于端到端模型的发展，这些模型能够自动从多源信号中提取特征，从而显著提高了识别性能和鲁棒性。最近，提出了基于物理的诊断模型，将领域知识嵌入深度学习模型，以增强可解释性和跨条件泛化。未来，迁移学习、多模态融合、轻量级网络架构以及工业智能体的部署预计将推动CIR技术进入新阶段，解决多源数据获取、标准化评估和工业实施等挑战。本文旨在系统概述CIR技术的演变，突出深度学习与物理知识集成的新兴趋势。这为复杂工业系统中智能气穴诊断领域的研究者和实践者提供了重要参考。
引用
@article{arxiv.2511.15497,
title = {A Review of Machine Learning for Cavitation Intensity Recognition in Complex Industrial Systems},
author = {Yu Sha and Ningtao Liu and Haofeng Liu and Junqi Tao and Zhenxing Niu and Guojun Huang and Yao Yao and Jiaqi Liang and Moxian Qian and Horst Stoecker and Domagoj Vnucec and Andreas Widl and Kai Zhou},
journal= {arXiv preprint arXiv:2511.15497},
year = {2025}
}
备注
43 pages