一项针对高压磨料水射流（AWJ）机床的故障诊断研究展示了振动与电流多模态信号融合的技术优势。该成果由张（Zhang）等人完成并发表于《机械工程前沿》。研究指出，水射流机床并非单一均质结构，而是由增压泵、磨料输送机构、切割头及运动系统等松散耦合子系统组成。单一维度的监测难以全面捕捉设备状态，而将结构振动响应与供电电路电流变化相结合，能够更完整地反映机床的动态特征。
研究采用支持向量机（SVM）进行特征级融合分类。由于工业工况实验通常受限于受控故障场景的测试成本，样本规模相对较小，基于核函数的SVM在此类条件下往往优于端到端深度学习模型。融合特征表示的宏观F1分数达到98.27%，而决策级融合性能进一步提升至99.6%以上。研究强调，两种模态携带的信息具有高度互补性，非冗余特征的组合显著提升了诊断精度。
评估指标采用宏观F1分数而非整体准确率，以确保对各类故障（含罕见类别）的同等重视。相较于仅使用电流或仅使用振动的单模态基线，融合方法分别提升了7.06和14.50个百分点，且增益均匀分布在所有故障类别中。验证协议采用五折连续时间块交叉验证，将记录时间轴划分为连续区块进行测试，有效避免了随机划分导致的信号片段重叠，真实检验了模型的时间泛化能力。
特征消融实验证实，时域特征（统计矩、峰值、峰度）、频域特征（频谱估计）以及跨轴信息（方向结构）共同贡献于识别性能。物理机制上，电流信号反映电机扭矩与机械负载的变化，对压力脉动、流量改变或内部泄漏敏感；振动信号则捕捉组件内部的动态力、冲击与摩擦。两者结合形成“慢变包络”与“快变波动”的互补，帮助分类器区分真实部件故障与临时负载波动。
监测点覆盖四大核心功能区：高压增压泵、喷嘴末端、机床主轴及磨料罐底部压力端口。三轴加速度计共采集12路振动通道，配合供电回路电流测量。采样配置上，振动以1 kHz频率采集，电流以约0.75秒间隔记录，通过同步对齐至2秒分析窗口，实现了异构采样率的融合处理，契合工业现场独立监测系统的实际部署模式。
研究引入确定性规则后处理模块，将概率分类输出转化为可审计的诊断报告。该模块基于固定拓扑矩阵与预设证据规则，指导维护人员定位需复核的监测点，同时保持与统计推断层的隔离，确保规则层错误不会污染分类结果。作者明确界定，当前性能为固定传感器布局下的批次内识别水平，未宣称跨机型或跨批次泛化能力，客观指出了传感器重贴刚度差异、制造公差及工况迁移带来的领域偏移挑战。
未来研究将聚焦跨批次验证、领域自适应微调技术，并将故障分类从二元状态扩展至渐进式退化预测。规则模块生成的结构化证据记录有望作为训练数据，衔接统计分类与工业维护决策流程。该框架为非侵入式结构振动监测与电气负载测量提供了可改造加装的实用方案，为高压水射流加工设备的状态监测提供了新思路。
资料来源：bioengineer.org；原文发布日期：2026-10-17。本文为资料编译。