没有合适的资源?快使用搜索试试~ 我知道了~
基于机器学习的设备剩余寿命预测方法综述
需积分: 50 1.5k 浏览量
2021-03-08
12:02:17
上传
评论 4
收藏 549KB PDF 举报
基于机器学习的设备剩余寿命预测方法综述
资源详情
资源评论
资源推荐

第 55 卷第 8 期
2019 年 4 月
机 械 工 程 学 报
JOURNAL OF MECHANICAL ENGINEERING
Vol.55 No.8
Apr. 2019
DOI:10.3901/JME.2019.08.001
基于机器学习的设备剩余寿命预测方法综述
裴 洪 胡昌华 司小胜 张建勋 庞哲楠 张 鹏
(火箭军工程大学导弹工程学院 西安 710025)
摘要:随着科学技术的发展和生产工艺的进步,当代设备日益朝着大型化、复杂化、自动化以及智能化方向发展。为保障设
备安全性与可靠性,剩余寿命(Remaining useful life,RUL)预测技术受到了普遍关注,同时得到了广泛应用。传统的统计数据
驱动方法受模型的选择影响明显,而机器学习具有强大的数据处理能力,并且无需确切的物理模型和专家先验知识,因而机
器学习在剩余寿命预测领域表现出了广阔的应用前景。鉴于此,详细分析和阐述了基于机器学习的设备剩余寿命预测方法。
根据机器学习模型结构的深度,将其分为基于浅层机器学习的方法和基于深度学习的方法。同时疏理了每类方法的发展分支
与研究现状,并且总结了相应的优势和缺点,最后探讨了基于机器学习的剩余寿命预测方法的未来研究方向。
关键词:剩余寿命预测;机器学习;神经网络;支持向量机;深度学习
中图分类号:V448
Review of Machine Learning Based Remaining
Useful Life Prediction Methods for Equipment
PEI Hong HU Changhua SI Xiaosheng ZHANG Jianxun PANG Zhenan ZHANG Peng
(College of Missile Engineering, Rocket Force University of Engineering, Xi’an 710025)
Abstract:With the development of science and technology as well as the advancement of production technology, contemporary
equipment is increasingly developing towards large-scale, complex, automated and intelligent direction. In order to ensure the safety
and reliability of equipment, the remaining useful life (RUL) prediction technology has received widespread attention and been
widely used. Traditional statistical data-driven methods are obviously influenced by the choice of models. Machine learning has
powerful data processing ability, and does not need exact physical models and prior knowledge of experts. Therefore, machine
learning has a broad application prospect in the field of RUL prediction. In view of this, the RUL prediction methods based on
machine learning are analyzed and expounded in detail. According to the depth of machine learning model structure, it is divided into
shallow machine learning methods and deep learning methods. At the same time, the development branches and research status of
each method are sorted out, and the corresponding advantages and disadvantages are summarized. Finally, the future research
directions of RUL prediction methods based on machine learning are discussed.
Key words:remaining useful life prediction;machine learning;neural network;support vector machine;deep learning
0 前言*
随着科学技术的发展和生产工艺的进步,当代
设备的自动化和复杂化程度得到了日益提升。这类
设备在受到内部因素和外部因素的综合作用下,性
能与健康状态难免会呈现出衰退的趋势,当衰退达
到一定程度时,设备将无法完成正常任务和功能,
进而造成难以挽回的经济损失和资源浪费
[1-2]
。因而
国家自然科学基金(61833016, 61573365, 61773386, 61603398, 61374126,
61473094)和中国科协青年人才托举工程(2016QNRC001)资助项目。
20180912 收到初稿,20190225 收到修改稿
迫切需要在线掌握设备的健康状态以及切实增强设
备运行的安全性。预测与健康管理(Prognostics and
health management,PHM)作为保障设备安全性和可
靠性的一项关键技术,在过去几十年间取得了丰硕
的理论成果并且得到了广泛的实际应用
[3-5]
。在军事
领域中,作为 PHM 的雏形,20 世纪美军装备的直
升机健康与使用监测系统(Health and usage monitoring
system,HUMS)已初步具备 PHM 的相关功能。PHM
的理念是针对 20 世纪 70 年代航空航天设备经常面
临高故障率的问题而提出的,并且经过了多国军方
的共同努力,这一理念成功应用于联合攻击机 F-35
的项目中
[6]
。现阶段,美国国防部采购军事装备时

机 械 工 程 学 报 第 55 卷第 8 期期
2
通常会重点关注装备是否自带 PHM 系统以及 PHM
能力的大小,可见 PHM 技术在军事领域长期处于
极其重要的地位。在工业领域中,PHM 技术不仅能
够有效降低维修成本、减少停机时间,而且能够保
障设备的可靠性、提高任务的完成率
[7-8]
。在学术领
域中,马里兰大学
[3,7]
、佐治亚理工学院
[9]
、清华大
学
[10]
以及国防科技大学
[11]
等相关学术机构均开展
了 PHM 技术的理论研究,同时结合实际工程问题
不断丰富 PHM 技术理论体系。
PHM 技术主要包含两个部分:剩余寿命
(Remaining useful life,RUL)预测和健康管理。RUL
通常用于描述当前时刻与失效时刻之间的时间间
隔,可定义为
[12]
TtTt
(1)
式中,T 表示设备的失效时刻,
t 表示当期时刻。
RUL 预测对维修决策和备件订购具有指导性价值,
长期以来被当作PHM 技术的基础和核心。实现RUL
预测的主要思想在于根据设备的失效机理、状态监
测数据以及失效数据等有效信息,确定出 RUL 的分
布或者期望
[13]
。经过了几十年的发展,RUL 预测方
法的研究表现出多样性、体系性、普适性的特点,
研究成果十分丰硕,同时大批学者致力于对 RUL
预测方法进行分类和总结的研究。HENG 等
[14]
将旋
转机械设备的剩余寿命预测方法分为三类:传统的
可靠性方法、基于监测数据的方法以及二者融合的
方法,重点讨论了基于监测数据的方法,但实际工
程中仍存在大量设备并非属于旋转机械的类别,如
电子设备
[15]
、高温锅炉
[16]
等。PECHT 等
[7]
以电子设
备为背景,将剩余寿命预测方法分为:基于失效机
理分析方法、数据驱动的方法和融合的方法。基于
失效机理分析方法主要通过构建数学模型描述设备
的失效机理,结合特定设备的经验知识和缺陷增长
方程实现设备的剩余寿命预测
[17-18]
。基于失效机理
分析方法能够准确预测设备的剩余寿命。但需要根
据具体设备进行具体分析,难以得到推广,同时随
着设备的复杂性不断提高,一般很难得到设备的失
效机理或者获得失效机理的代价过高。根据文献
[7],数据驱动的方法可分为基于机器学习(Machine
learning,ML)的方法和统计数据驱动方法,是当前
剩余寿命预测的主流方法。融合的方法是指失效机
理分析与数据驱动模型相结合方法,虽然能够充分
利用两种方法的优势,但过程较为复杂,因而此类
方法鲜有报道
[19]
。SI 等
[20]
对统计数据驱动的方法进
行了系统的综述,将其分为两类:基于直接监测数
据的方法和基于间接监测数据的方法。LIAO 等
[21]
将预测模型分为基于经验模型、数据驱动模型和基
于物理模型,根据三种模型的不同组合重点研究了
混合预测方法的分类和发展历程。除此之外,专家
学者们根据退化模型不同,也分别针对特定剩余寿
命预测方法进行了详细而完整的分析,如基于
Gamma 过程的方法
[22]
、基于 Wiener 过程的方法
[23]
等。上述文献均从不同的角度研究了剩余寿命预测
方法的适用范围和发展现状,但大部分方法均假定
退化模型是事先知道的,直接利用状态监测数据或
环境数据对模型参数进行离线或在线估计。然而实
际工程中的退化模型是未知的,且不同类型退化设
备的退化模型也不尽相同,退化模型的选择不当将
严重影响剩余寿命的预测精度。基于 ML 的方法能
够克服退化模型未知的问题,同时构建模型的输入
也不仅局限于状态监测数据,可以是多种不同类型
的数据。
作为人工智能的核心,ML 的主要功能是使得
计算机模拟或实现人类的学习行为,通过获取新
的信息,不断对模型进行训练以提高模型的泛化
能力
[24]
。由于 ML 具有强大的数据处理能力,该方
法广泛应用于数据挖掘、语音识别、计算机视觉、
故障诊断与寿命预测等领域。随着工业 4.0 时代的
到来,作为 ML 的一类典型方法,深度学习正如火如
荼地发展,为 ML 领域又开辟了一个崭新的方向
[25]
。
基于 ML 的剩余寿命预测方法是剩余寿命预测方法
的一个重要分支,能够较为准确地对剩余寿命进行
预测。然而,尽作者所知,现阶段有关基于 ML 的
设备剩余寿命预测方法综述仍较为匮乏。因而,本
文对基于 ML 的设备剩余寿命预测方法进行了系统
和完整的综述,意味着弥补了这项空白。
鉴于此,根据 ML 模型结构的深度,将基于
ML 的剩余寿命预测方法分为两类:基于浅层 ML
的方法和基于深度学习的方法。基于浅层 ML 学习
的方法主要涵盖基于神经网络的方法和基于支持向
量机(Support vector machine,SVM)的方法。基于神
经网络的方法主要包括基于多层感知器(Multi-layer
perceptrons,MLP)神经网络的方法、基于径向基函
数(Radial basis function,RBF)神经网络的方法以及基
于极限学习机(Extreme learning machines, ELMs)的
方法。基于深度学习的设备剩余寿命预测方法研究
主要包括:基于深度神经网络(Deep neural network,
DNN)的方法、基于深度置信网络(Deep belief network,
DBN) 的方法、基于卷积神经网络(Convolutional
neural network, CNN)的方法以及基于递归神经网络
(Recurrent neural network, RNN)的方法。基于 ML 的
剩余寿命预测方法分类框架如图 1 所示。

月 2019 年 4 月 裴 洪等:基于机器学习的设备剩余寿命预测方法综述
3
图 1 基于 ML 的设备剩余寿命预测方法分类框架
1 基于浅层 ML 的剩余寿命预测方法
1.1 基于神经网络的剩余寿命预测方法
神经网络作为一种模拟生物神经系统的结构和
功能的数学处理方式,具有自动学习和总结的能力。
其主要包含输入层、隐含层及输出层,常用于解决
分类、回归等问题
[28]
。经过了多年来的研究和探索,
在剩余寿命预测领域展现出了强大的优势。基于神
经网络的剩余寿命预测方法旨在以原始测量数据或
基于原始测量数据所提取的特征作为神经网络的输
入,通过一定的训练算法不断调整网络的结构和参
数,利用优化后的网络在线预测设备的剩余寿命,
预测过程中无需任何先验信息,完全基于监测数据
得到的预测结果
[29]
。当前基于神经网络的方法主要
包含基于 MLP 神经网络的方法、基于 RBF 神经网
络的方法以及基于 ELMs 的方法。
1.1.1 基于 MLP 神经网络的剩余寿命预测方法
MLP 是一类存在隐含层的前馈神经网络,且隐
含层与输出层的神经元模型是一致的。由于 MLP
通过增加隐藏层或隐藏单元,具有逼近任意形式非
线性函数的能力,在剩余寿命预测领域受到了学者
们的广泛关注。MLP 大多采用向后传播
(Back-propagation, BP)算法进行训练。需要说明的
是,学术界采用 BP 算法训练 MLP 神经网络的方法
通常称为基于 BP 神经网络的方法。尽作者所知,
文献[30]较早开展了基于 BP 神经网络的剩余寿命
预测方法的研究,并且与自回归移动平均
(Auto-regressive moving average, ARMA)方法进行
了对比分析,试验结果验证了基于 BP 神经网络的
剩余寿命预测方法具有更优的长期预测能力。此后,
GEBRAEEL 等
[31]
基于 BP 神经网络建立了单个轴承
和批量轴承的寿命预测模型,充分利用了寿命周期
内的振动监测信息,以一定权重融合各轴承指数回
归模型参数,同时提出了一种参数在线更新方法,
有效保证了寿命预测的准确性。张慰等
[32]
基于 BP
人工神经网络,建立了多应力恒定加速寿命试验寿
命预测模型,以加速寿命试验中的加速应力水平和
通过经验分布得到的可靠度作为网络训练输入向
量,建立了 3 层 BP 神经网络,进而预测出正常应
力水平下的失效时间。由于在训练过程中,单一 BP
神经网络会面临权重陷入局部最优,以及收敛速度
过慢的问题,因而学者们通常采用 BP 神经网络与
其他方法相结合的方法对 BP 神经网络进行改进,
以提高剩余寿命的预测准确性
[33]
。WANG 等
[33]
采用
时间序列分析和 BP 神经网络相结合的方法对冷却
风机进行剩余寿命预测,时间序列分析能够预测数
据变化的趋势,BP 神经网络实时调整预测误差,保
证了剩余寿命预测精度。文献[34]研究了一种遗传
算法-BP 神经网络的刀具剩余寿命方法,采用遗传
算法对 BP 神经网络的权重进行全局优化,结果表
明遗传算法-BP 神经网络方法优于单一的 BP 神经
网络方法。SANTHOSH 等
[35]
采用人工神经网络和
威布尔理论对电缆的可靠性和寿命分布进行了预
测,通过不同温度下的加速寿命数据对人工神经
网络进行训练,试验分析表明人工神经网络预测
得到的寿命数据与实际寿命数据之间具有较好的
一致性。
剩余12页未读,继续阅读











weixin_38623366
- 粉丝: 4
- 资源: 933

上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助

会员权益专享
安全验证
文档复制为VIP权益,开通VIP直接复制

评论0