综述：基于机器学习的旋转液压机械空化监测研究进展

《Applied Sciences》：Cavitation Monitoring in Rotating Hydraulic Machines Using Machine Learning—A Review Elisa Sanchez and Axel Busboom

　　

空化现象广泛存在于离心泵、混流泵、轴流泵、水轮机及泵作为涡轮（PAT）等各类旋转液压机械中，会导致叶片与壳体侵蚀、异常振动、噪声升高及水力效率下降，对能源、化工、供水等关键工业领域的运行经济性与安全性构成显著威胁。因此，亟需发展可靠且可扩展的空化监测策略，尤其在真实工况变负荷条件下实现稳定运行保障。近年来，机器学习（ML）与深度学习（DL）技术的发展推动了基于运行传感器信号的数据驱动空化检测方法进步，但针对该领域发展的系统性梳理仍然缺乏。本范围综述严格遵循PRISMA-ScR与JBI指南，系统分析了1996年至2025年间发表的52篇同行评审研究，覆盖实验室与现场场景下的泵、水轮机等多类设备，以及从经典机器学习到深层网络的多种模型架构。分析表明，现有研究约80%集中于实验室环境，约70%针对泵类设备，超过80%依赖单一设备数据集，导致模型在不同设备与工况间的泛化能力受限。经典机器学习方法凭借可解释性与小样本鲁棒性仍具实用价值，而深度学习通过端到端学习原始或时频变换信号，常可实现95%以上的诊断准确率。结合深度学习特征提取与经典分类器的混合框架正逐步成为主流。当前研究的主要局限包括实验室与现场数据的域偏移、标签稀缺或不一致，以及对空化严重程度的离散分类关注过多。研究人员指出，未来需重点推进多设备、多工况标准化数据集建设，发展域自适应与物理信息融合方法，以实现从实验室原型向现场可靠部署的跨越。

1. 1.
   引言
   空化是指局部静压低于流体饱和蒸汽压时形成蒸汽泡，并在高压区剧烈溃灭的物理现象。气泡溃灭会对旋转液压机械的叶片与壳体造成侵蚀，诱发过度振动与噪声，降低水力效率，最终引发机械故障并产生显著经济损失。受空化影响的设备涵盖离心泵、轴向柱塞泵、弗朗西斯（Francis）水轮机、卡普兰（Kaplan）水轮机及泵作为涡轮（PAT）等，广泛应用于水电、地热、核电、制造、化工及供水等行业。传统空化检测依赖目视检查、计算流体动力学（CFD）分析及振动、声发射、压力等信号处理，并结合净正吸入压头（NPSH）、托马（Thoma）裕度、特性曲线及IEC模型试验等运行指标。这类方法在稳态工况下有效，但在复杂非线性动态或变负荷场景中表现受限。相比之下，机器学习与深度学习方法可直接从原始或轻预处理信号中学习自适应模式，捕捉常规阈值或频谱方法难以识别的早期前兆特征，实现预警与预测性监测，在噪声强、动态变化的真实工况下具有不可替代的价值。相关研究从基于手工特征的经典监督学习、浅层神经网络，发展到完全无监督的端到端深度学习流水线，为实时监测提供了灵活可扩展的解决方案。然而，现有研究在机械设备类型、传感模态及实验室到现场的迁移能力方面仍呈碎片化，缺乏系统性聚焦。本综述基于PRISMA-ScR框架，系统梳理从机械与传感、预处理、建模到部署的完整技术链条，识别关键研究缺口并提出面向现场应用的优先研究方向。
2. 2.
   综述方法学
   本综述遵循PRISMA-ScR框架与JBI范围综述方法学开展。核心研究问题为“机器学习与深度学习方法如何用于旋转液压机械的基于测量的空化监测”，并细化为机械与场景、传感与数据采集、数据准备、监测目标与模型架构、性能与有效性、挑战与缺口六个子问题。文献检索覆盖Scopus与IEEE Xplore两大数据库，检索词组合涵盖空化、监测任务、机器学习、深度学习、液压机械等核心概念，限定为1996至2025年发表的同行评审英文期刊与会议论文。筛选过程采用人口—概念—情境（PCC）框架：人口限定为离心泵、水轮机、PAT及轴向柱塞泵等封闭式旋转液压机械，排除阀门、水翼等非旋转设备或非机械应用；概念限定为空化现象本身，仅纳入明确应用ML/DL进行检测或量化的研究，排除多故障诊断中次要空化、通用状态监测、设计优化、纯CFD仿真等；情境限定为实验室与现场研究，排除综述类文献。经过识别、筛选与全文资格评估三个阶段，最终纳入52项研究进行分析，并归纳出涵盖系统数据情境、采集处理、ML推理与输出的空化监测技术流程。
3. 3.
   主要发现
   3.1 研究选择特征
   数据库初检获得217条记录，经去重、文献类型筛选与PCC标准逐层过滤，最终纳入52篇文献。分析显示，71%的研究针对泵类设备，其中离心泵占50%，水轮机仅占23%，轴向柱塞泵等特殊类型研究明显不足。83%的研究基于单一设备实例开展，仅少数研究涉及多台设备，且多为同型号机组，跨机型验证极为有限。约80%的研究在实验室测试台上完成，仅有不到20%包含现场验证或纯现场应用，导致模型在真实复杂环境下的适用性存疑。

3.2 机械与应用场景

泵类研究中离心泵占主导，水轮机研究以Francis机型为主，轴向活塞泵、混流泵、轴流泵及PAT等类型的研究明显偏少。多设备数据集极为稀缺，仅个别研究覆盖3台及以上设备，且多为同构机组，跨几何结构与传感配置的泛化能力验证不足。实验室研究便于精确控制工况与获取高质量标签，但无法复现现场噪声、变负荷与设备老化等复杂因素；少量实验室—现场联合研究表明，域适应与多场景训练可有效缓解性能衰减；纯现场应用则验证了低成本和嵌入式方案在工业环境中的可行性。

3.3 数据采集

振动与声学传感最为常用，常辅以压力、流量、电机电流等过程参数。振动传感多用于泵类，声学传感多用于水轮机，混合方案可提升诊断覆盖率。采样率依信号特性设定，过程参数通常为数百Hz，振动与可听声为数万Hz，超声声发射可达MHz级。低成本传感如MEMS加速度计、智能手机内置传感器及电机电流非侵入式检测在近年得到验证，具备良好的现场推广潜力。传感器布置以近场水力区域与结构传递路径为主，但缺乏统一规范。多传感器配置中，同模态阵列主要提供空间冗余，而多模态融合可显著提升性能，如振动与电流融合可将识别准确率从单模态的73.9%与89.3%提升至97.3%。运行工况多通过调节转速、流量、NPSH等参数构建稳态或准稳态点，实验室可控性强，现场则受电网调度与环境约束限制。标签获取方式主要包括可视化标注、基于性能的间接标注及现场专家标注，其中可视化标注精度最高，但基于NPSH压降的阈值法存在1%～6%的区间定义不一致问题，影响跨研究可比性。

3.4 数据准备

多数研究在建模前进行重采样、归一化与分段等基本预处理。信号分析域涵盖时域（TD）、频域（FD）与时频域（TFD），常用快速傅里叶变换（FFT）、短时傅里叶变换（STFT）、连续小波变换（CWT）及变分模态分解（VMD）等方法增强空化特征。特征提取策略分为三类：一是基于物理知识的手工特征工程，提取均方根（RMS）、峭度、频谱峰值等统计量，具有可解释性与低数据需求优势；二是基于深度架构的自动特征学习，直接从原始或轻处理输入中提取层次化表征；三是混合物理—数据驱动特征学习，将物理引导的预处理与数据驱动学习相结合，兼顾性能与可解释性。信号表示形式包括原始时间序列、一维特征向量及二维时频图谱，分别对应端到端深度学习、经典机器学习与卷积神经网络的不同输入需求。

3.5 基于ML的监测方法

研究活跃度在过去五年显著上升，呈现从经典机器学习向深度学习演进的趋势。监测目标可分为四类：二元检测（是否发生空化）、严重程度分类（通常分为无、初生、严重三级）、现象分类（区分片空化、云空化、叶间涡等不同形态）及连续量预测（如空隙率、压降、NPSH_3%等）。二元检测适合实时报警，多分类提供更精细诊断但存在类别边界模糊问题，回归预测可量化空化程度但研究较少。模型架构方面，经典机器学习（支持向量机SVM、随机森林RF、梯度提升等）因可解释性与小样本适应性仍广泛应用；浅层神经网络（多层感知机MLP、径向基函数RBF网络等）可建模非线性关系，但依赖特征质量；深度学习（卷积神经网络CNN、长短期记忆网络LSTM、门控循环单元GRU、Transformer等）通过端到端学习实现高精度检测，尤其擅长处理非平稳信号，但需更多数据与算力支持。混合框架将深度学习特征提取器与经典分类器结合，或融合手工特征与深度模型，已成为平衡性能与可解释性的主流方案。

3.6 主要挑战

数据稀缺源于空化事件稀有性与采集成本高，可通过数据增强与物理信息融合缓解；标签依赖问题突出，超过83%的研究依赖全监督学习，无监督、半监督与迁移学习可在一定程度上降低标注需求；类别不平衡导致模型偏向多数类，需采用平衡精度评估与重采样策略；噪声干扰来自机械振动与环境背景，需结合传感选型、滤波、数据驱动去噪与鲁棒性测试综合应对；泛化能力不足体现在单设备、单工况模型难以适应新机器与新环境，需通过多设备验证、传感器融合与域自适应提升；实时性要求推动轻量化模型、特征降维与边缘计算发展；可解释性不足制约工业信任，需结合特征选择、透明模型、可视化与不确定性量化来增强可信度。

1. 4.
   讨论
   本综述表明，该领域虽快速发展但仍处于早期成熟阶段，存在明显的设备类型偏差、实验室依赖及泛化验证不足等问题。未来应优先构建多机器、多工况、标准化的公共数据集，统一标签定义与评估协议；发展域自适应、迁移学习与元学习算法以提升跨场景鲁棒性；探索物理信息神经网络（PINN）等融合机理与数据的模型架构；推进现场验证与边缘部署，解决信号缺失、动态工况与置信度量化等实际问题；深化空化机理与传感器响应的关联研究，填补空化强度与材料侵蚀、剩余使用寿命（RUL）之间的建模空白。机器学习与深度学习并非传统物理模型的替代，而是互补工具，其最大价值在于增强早期诊断能力与复杂模式识别水平，支撑旋转液压机械的智能运维与安全保障。
2. 5.
   结论
   基于机器学习的旋转液压机械空化监测研究已取得显著进展，但距离可靠现场部署仍有差距。未来工作应围绕数据策略、模型泛化、算法优化、现场验证与物理机理五个层面系统推进，以实现从受控实验到工业级智能监测的跨越，最终提升设备运行安全性与经济性。