信息几何视角下的旋转机械故障概率分布建模与诊断方法研究——从流形结构到工业故障模式的可视化分析

信息几何核心概念与旋转机械故障诊断的对应关系，可适当参考下表：

信息几何概念	通俗解释	旋转机械应用示例	物理意义与作用
概率分布流形	将不同故障对应的振动信号分布视为“空间中的点”，全体分布构成一个“地形图”	- 正常轴承振动分布 → 平原区域 - 齿轮磨损分布 → 丘陵区域 - 轴承损伤分布 → 山峰区域	可视化不同故障在分布空间中的相对位置，辅助故障分类
Fisher信息矩阵	衡量分布参数变化时分布的敏感度，类似“地形陡峭度”	- 某传感器数据分布对转速变化敏感 → Fisher矩阵值大 - 温度分布对故障不敏感 → Fisher矩阵值小	识别关键监测参数（如振动高频段），优化传感器部署
测地线距离	分布间的“最短路径距离”（考虑流形弯曲），比欧氏距离更准确反映分布差异	- 计算润滑失效与正常分布的测地线距离，发现其差异小于轴承损伤与正常的距离	量化故障严重程度，优先处理距离正常状态远的故障
对偶联络	定义两种不同的“连接方式”，揭示分布空间的对称性与统计模型的内在结构	- 使用α-联络分析振动信号分布，发现轴承故障的分布空间具有非对称性	指导选择适合故障分类的几何模型（如指数族分布 vs 混合模型）
曲率张量	描述流形局部弯曲程度，反映参数间的非线性相互作用	- 高频振动与温度的联合分布曲率高 → 两参数强耦合，需协同分析	发现故障特征间的隐藏关联（如温度升高会放大特定频率振动）
投影定理	将新观测数据分布投影到已知故障流形上，找到最接近的故障类型	- 某未知振动分布投影到“齿轮磨损”流形距离最近 → 判定为齿轮故障	实现故障模式匹配，尤其适合处理新型复合故障
信息散度	衡量两个分布的差异（如KL散度），考虑流形几何结构	- 计算当前振动分布与历史正常分布的KL散度，超过阈值则触发预警	构建自适应故障检测阈值，减少误报

应用场景可参考：

场景	信息几何方法	传统方法对比	优势
多故障并发诊断	在流形空间中定位分布投影点，分解混合故障	依赖人工特征组合与阈值设定	自动解析复合故障成分（如60%轴承损伤+40%齿轮磨损）
传感器优化布局	通过Fisher信息矩阵评估各传感器信息贡献度	凭经验选择监测点位	量化传感器价值，减少冗余传感器（如剔除对故障不敏感的温度传感器）
故障早期预警	监测分布沿流形测地线的偏移趋势	仅检测单指标超限	提前发现分布形态的细微变化（如峰度缓慢上升），预警时间提前30%以上
跨设备迁移学习	不同设备分布流形间的映射与校准	需为每类设备单独建模	利用流形结构相似性，将A设备故障知识迁移到B设备，减少50%标注数据需求

故障诊断即几何定位：将抽象的概率分布差异转化为直观的“空间距离”。

物理机理嵌入几何：振动信号的频率特性（如轴承故障特征频率）可转化为流形坐标系的维度设计依据。

人机协同新范式：工程师通过流形可视化界面，直观理解模型决策逻辑（如“为何判定为齿轮磨损”）

知乎学术咨询(哥廷根数学学派)：

担任《Mechanical System and Signal Processing》《中国电机工程学报》等期刊审稿专家，擅长领域：信号滤波/降噪，机器学习/深度学习，时间序列预分析/预测，设备故障诊断/缺陷检测/异常检测。