【综述 寿命预测】基于机器学习的设备剩余寿命预测方法综述
论文题目为《基于机器学习的研究综述：关于设备剩余寿命预测的方法》
发表年份:2019
论文作者包括裴洪、胡昌华、司小胜、张建勋、庞哲楠及张鹏
所属单位：火箭军工程大学导弹工程学院
文章DOI编号为：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
- Abstract
-
Introduction
-
- Machine learning-based approaches for life prediction
- 1.1 Neural network-based life prediction methods
- 1.2 Remaining life prediction using SVM
-
2.基于深度学习的剩余寿命预测方法
-
3.未来研究方向
-
4.结论
-
Abstract
本文系统地探讨基于机器学习的设备剩余寿命预测方法，在分析现有技术时发现可以依据机器学习模型架构的不同深度将之划分为两类：一种是基于浅层机器学习的方法另一种则是典型的深度学习体系通过这种方法可以更好地实现对复杂系统的建模与预测
引言
涵盖预测与健康管理(PHM)的主要内容包括剩余寿命(RUL)和健康管理。一般而言,RUL常用于衡量设备从当前时刻至失效时刻的时间间隔,定义方面, RUL被定义为T−t | T>t,其中,T代表设备的失效时间点,t代表当前时间点。基于设备故障机理、状态监测数据及历史故障数据等关键信息,实现RUL的核心思路 是通过分析这些信息来推断出其概率分布或预期值。
1.基于浅层机器学习的寿命预测方法
1.1 基于神经网络的寿命预测方法
该预测方法主要采用原始测量数据或其提取特征作为神经网络输入，在特定训练算法指导下持续优化其结构及参数，并借助优化后的神经网络模型对设备 Remaining Useful Life (RUL)进行在线估计。与传统的机器学习模型不同，在此过程中无需任何预设知识或先验信息即可完成建模任务。目前主流的研究集中在多层感知机（MLP）、径向基函数（RBF）以及 extreme learning machines（ELMs）等方法上。
1.2 基于SVM的剩余寿命预测方法
研究主要思路是采用支持向量机模型来分析实际工程中的状态监测数据以确定其关键参数如不敏感系数惩罚因子和核函数参数等这些关键参数通过优化能够提高模型的预测精度随后利用训练好的支持向量机模型来预判系统的未来状态最后将该系统的预测结果与预先设定好的失效阈值进行比较从而计算出设备剩余的服务寿命
2.基于深度学习的剩余寿命预测方法
基于DNN 的方法，基于DBN 的方法，基于CNN 的方法以及基于**RNN(LSTM)**的方法。
3.未来研究方向
- 多种失效模式下设备剩余寿命预测研究
- 考虑相互影响的多部件设备剩余寿命预测研究
- 基于智能算法的特征提取与剩余寿命预测研究
- 机器学习技术与传统统计分析方法协同应用的研究
基于神经网络和深度学习的机器学习方法能够有效识别监测数据中的关键特征，并揭示这些特征与设备剩余寿命之间的复杂非线性关系，在预测精度上具有较强的通用适用性；而基于Wiener过程和Gamma过程的传统统计分析方法可以根据设备退化轨迹推算出退化模型参数，并通过数学推导获得剩余寿命的解析概率分布；然而需要注意的是，在实际应用中这两种方法各自存在局限性：机器学习法难以直接得到解析的概率分布信息；而传统的统计分析则受到所选退化模型的影响较大；因此，在后续研究中值得探索的是如何将这两种方法的优势进行有机融合。
4.结论
本文系统地回顾并分析了基于机器学习技术的设备剩余寿命预测方法。依据ML模型架构的复杂程度，在现有研究中主要可分为两类：一类是基于浅层机器学习的方法；另一类则是深入应用深度学习技术。系统梳理了各类方法的发展脉络及其研究进展，并重点评述了各自的优缺点。最后探讨并指明了基于机器学习技术的剩余寿命预测领域的未来发展方向及潜在研究重点