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
剩余12页未读，继续阅读
评论0