齒輪，是工業機械設備中最常見和重要的組成部件之一，能源、礦山、水利、紡織、建筑、汽車、航空、船舶……各個行業里隨處可見TA的身影，驅動著機械的順利運轉。

點蝕，是齒輪上的一種易發故障。齒輪間的相互作用力會讓齒面上產生細小的疲勞裂紋，還會導致小塊金屬脫落、形成點狀小坑。齒輪點蝕會產生振動與噪音，降低齒輪的使用壽命，甚至會影響工業設備的正常工作。

不同類型程度的齒輪點蝕

如何通過工業領域設備狀態監測常用的振動信息分析，為齒輪精準“把脈”、判斷點蝕的具體情況？

國際工業界權威的數據分析賽事之一——2023年故障預測與健康管理數據挑戰賽（PHM Conference Data Challenge），以“齒輪點蝕程度預測”作為唯一任務，吸引了全球33支勁旅參與。最終，科大訊飛研究院聯合國家智能語音創新中心、中國礦業大學智能信息處理團隊以472分脫穎而出、收獲冠軍，展現在工業設備預測性維護和故障診斷領域的強勁實力。

有趣的是，這樣的好成績遠超賽事主辦方預期，評委們都忍不住給出了“How good is a score”的肯定

榜單成績

PHM Conference Data Challenge由國際故障預測與健康管理協會主辦，自2008年至今已連續舉辦15年。來自全球各地高等院校和業界機構積極參與，既有清華大學、西安交通大學、馬里蘭大學、辛辛那提大學、首爾國立大學等國內外知名高校，也有昆侖數據K2Data、荷蘭鐵路等工業領域相關企業，以及洛克馬丁、NASA、SAS、MathWorks等各行業龍頭企業機構。

分辨11種點蝕程度，尋找得分最優解

今年的賽事考查基于振動信號、在不同轉速工況（使用過程中產生的轉速變化情況）下對齒輪點蝕程度的預測能力，振動信號數據通過齒輪箱試驗臺上的三向加速度傳感器采集而來。

任務實際場景

比賽中的數據包含齒輪11種點蝕程度，從0級的健康到10級的完全點蝕；還有18種轉速工況，從100轉/分到2600轉/分。參賽隊伍需要對測試集中每個樣本的點蝕程度概率進行預測，判斷出點蝕程度屬于哪一級，并給出每條樣本預測結果的置信度。

比賽官方僅提供了7種點蝕程度和15種轉速工況的訓練集供模型訓練，也就是說在最終的比賽中會遇到沒有見過的數據和情況，無疑對模型算法“舉一反三”的泛化性和穩定發揮的魯棒性提出更高挑戰。

想要像“把脈”一樣，通過振動信號來精準判斷齒輪“生病”的情況并不容易。相對于聲音信號來說，振動信號通過固體傳播、不容易受到其他設備運行聲音和環境噪音的干擾，而且故障特征在時域譜圖上更加明顯。

但對于齒輪點蝕來說，點蝕程度的增大會讓故障特征的變化極難區分，相同的點蝕程度在不同的轉速下也會呈現完全不同的時頻域特征。復雜的點蝕程度和轉速工況，無疑為比賽疊加了雙層難度。

相同轉速下

不同點蝕程度的時域波形、頻譜和包絡譜對比

相同點蝕程度下

不同轉速的時域波形、頻譜和包絡譜對比

同時，置信度低的樣本得分會乘以0.2的系數，置信度高的樣本得分會乘以1的系數；如果有一條高置信度的樣本預測偏差大，最高會被扣掉4分。所以，每個團隊還需要考慮怎樣冒最小的風險拿最高的分。

奪冠秘籍：分類加回歸串行融合方案

面對棘手的任務與評分方案，科大訊飛聯合團隊創新性地運用了特征解耦策略，設計出分類加回歸的串行融合方案，實現了對不同工況下所有故障級別的預測。

方案解析圖示

串行融合方案共分為三個階段：

第一階段，訓練故障級別和工況的分類模型，利用特征解耦器對故障級別和工況特征進行解耦，同時引入重構損失保證信息完整性。采用解耦后的故障級別特征可以顯著提高訓練集覆蓋故障級別的預測精度。

第二階段，采用故障級別回歸模型替換第一階段中的分類模型，同時采用取值范圍更大的large-scale Sigmoid回歸函數，進一步提升訓練集未覆蓋的故障級別的預測能力。

第三階段，由于訓練集未覆蓋的故障級別預測準確率較低，聯合團隊針對性地提出了修正方案。基于第一階段解耦后的特征向量訓練K近鄰模型，利用K近鄰模型對二階段的結果進行修正，可以大大提高未見故障級別的預測精度。

最終將三個階段的預測結果進行了融合，得到了比賽最優結果。

“工業六感”再升級大模型加持為工業健康護航

齒輪點蝕這一看似微小的問題，背后卻事關工業設備運行的大健康。

近年來，PHM故障預測與健康管理越來越受到業內的關注。此次在挑戰賽上奪冠的技術對于實際場景中為設備進行預測性維護頗具價值，不僅有助于解決復雜工況下的設備故障診斷難題，而且通過對較輕的故障級別進行早期預警，可以避免故障進一步加深導致的設備異常停機。

在實際應用中，科大訊飛已經將PHM領域的算法技術應用于制造業、礦山、電力等領域。通過模擬有經驗工人師傅的“聽視嗅味觸思”，以“工業六感”傳感器硬件為采集底座的工業設備衛士產品，實現了多維度智能解決工業客戶關鍵設備非計劃停機、安全事故風險等問題，保障工業設備運行始終處于可控、在控的狀態。此次比賽所使用的技術，就屬于工業六感中“觸覺”的部分。

在前不久的科大訊飛全球1024開發者節上，訊飛工業設備衛士升級為2.0，已經構建了250余個智能分析模型，包含150余種工況，覆蓋通風機、空壓機、離心泵等40余類關鍵設備，并為多個企業提供了設備故障預測與健康管理服務。

1024開發者節科博展的科技館里，“工業檢測與知識問答”展項為逛展觀眾們直觀呈現了訊飛工業設備衛士的“神奇”，同樣應用了此次比賽的技術成果，具有多維數據分析、進行早期故障預警、生成故障診斷報告等功能。有了訊飛星火認知大模型能力的加持，未來，工業設備智能服務與設備運維模式還將煥發全新的可能。