，， ，

(同濟(jì)大學(xué)，上海201804)

0 引言

健康管理即收集足夠的數(shù)據(jù)，借助智能算法對(duì)機(jī)械設(shè)備進(jìn)行健康狀況的評(píng)判，同時(shí)提供保障決策及維護(hù)計(jì)劃。這是比傳統(tǒng)故障診斷更為先進(jìn)的維護(hù)方式。隨著機(jī)械設(shè)備的自動(dòng)化與智能化程度日益提升，人們對(duì)于設(shè)備安全性和可靠性要求也越來越高，對(duì)機(jī)械設(shè)備的健康管理成為一門學(xué)科，吸引了無數(shù)學(xué)者的目光。由IEEE可靠性協(xié)會(huì)主辦的A類國(guó)際會(huì)議故障預(yù)測(cè)與健康管理技術(shù)國(guó)際會(huì)議是機(jī)械設(shè)備健康管理領(lǐng)域每年的盛會(huì)，近年來利用深度學(xué)習(xí)進(jìn)行研究而發(fā)表在大會(huì)上的文章占有很大比例。經(jīng)過多年發(fā)展，健康管理技術(shù)已開始吸收人工智能技術(shù)中表現(xiàn)優(yōu)異的部分，基于深度學(xué)習(xí)的智能診斷研究已是健康管理的重要方向。

近些年來人工智能可謂是引爆全球的一次浪潮，諸如Google，Amazon，BAT等知名企業(yè)都在積極布局這一領(lǐng)域。人工智能技術(shù)中最為炙手可熱的是機(jī)器學(xué)習(xí)，機(jī)器學(xué)習(xí)技術(shù)中最為炙手可熱的就是深度學(xué)習(xí)，通俗的說，就是深度神經(jīng)網(wǎng)絡(luò)。這項(xiàng)技術(shù)目前在知識(shí)圖譜、語(yǔ)音識(shí)別、自然語(yǔ)言處理、圖像識(shí)別、計(jì)算機(jī)視覺等方面已有一定研究成果。2017年10月，中國(guó)人工智能學(xué)會(huì)理事長(zhǎng)、中國(guó)工程院院士李德毅在全球1024開發(fā)者節(jié)上對(duì)傳統(tǒng)行業(yè)的變革作出如是判斷：未來人工智能沖擊最大的四個(gè)行業(yè)是制造業(yè)、教育、金融和醫(yī)療。李院士將制造業(yè)排在四個(gè)行業(yè)的第一位，同時(shí)指出智能化是判斷制造業(yè)發(fā)達(dá)與否的主要標(biāo)準(zhǔn)，這與國(guó)家對(duì)于智能制造的推崇不謀而合。

1 深度學(xué)習(xí)與健康管理的結(jié)合現(xiàn)狀

人工智能是關(guān)于知識(shí)的學(xué)科，是研究怎樣表示知識(shí)以及怎樣獲得知識(shí)并使用知識(shí)的學(xué)科。傳統(tǒng)的智能算法包括人工神經(jīng)網(wǎng)絡(luò)(artificial neural network)、支持向量機(jī)(support vector machine)、邏輯回歸(logistic regression)、決策樹(decision tree)和樸素貝葉斯(naive bayes)等，它們?cè)诮】倒芾眍I(lǐng)域已有一定成果。Ocak[1]等人分別使用ANN、SVM以及GP(gaussian process)對(duì)盾構(gòu)隧道的沉降進(jìn)行計(jì)算，成功地將誤差率從13降到了9；而Fan[2]等人利用基于動(dòng)態(tài)滑移窗的支持向量機(jī)來預(yù)測(cè)盾構(gòu)隧道的沉降，取得了比SVM更好的效果；Peng[3]等人利用隱馬爾可夫模型(Hidden Markov Model)和灰色模型(Grey Model)來對(duì)機(jī)械設(shè)備進(jìn)行健康預(yù)測(cè)；Zio[4]等人則利用數(shù)據(jù)驅(qū)動(dòng)的模糊方法對(duì)系統(tǒng)的剩余壽命進(jìn)行了預(yù)測(cè)。雖然這些方法取得了一定的成績(jī)，但是它們?nèi)匀缓茈y分析復(fù)雜的故障，尤其是在缺乏先驗(yàn)知識(shí)的情況下，此外由于泛化能力不足，它們很難表示復(fù)雜的非線性函數(shù)。這就促使人們?nèi)ヌ剿魇褂蒙疃壬窠?jīng)網(wǎng)絡(luò)的方法去提取特征，去逼近復(fù)雜函數(shù)并準(zhǔn)確識(shí)別健康狀況。得益于深度學(xué)習(xí)極強(qiáng)的非線性擬合能力，因此它很適合用于分析極其復(fù)雜的映射關(guān)系，另外深度學(xué)習(xí)技術(shù)可以由模型自身提取特征，這就避免了人工提取特征所帶來的不確定性，還需要指出的是深度學(xué)習(xí)模型具有較好的泛化能力，可靠性和魯棒性相較傳統(tǒng)方法也有較大的提升。

1.1 常用深度神經(jīng)網(wǎng)絡(luò)模型

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的分支，是目前最接近人工智能的領(lǐng)域，它通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示[5]。目前深度學(xué)習(xí)已經(jīng)成功運(yùn)用于對(duì)象識(shí)別[6]，語(yǔ)音識(shí)別[7]，圖像識(shí)別[8]和自然語(yǔ)言處理[9]領(lǐng)域，在機(jī)械設(shè)備的健康管理領(lǐng)域的研究正迅速展開，它使用監(jiān)督或無監(jiān)督策略自動(dòng)學(xué)習(xí)深層架構(gòu)中的分層表示以進(jìn)行分類。現(xiàn)如今廣泛使用的深度學(xué)習(xí)模型主要有深度信念網(wǎng)絡(luò)[10](Deep Belief Network)，卷積神經(jīng)網(wǎng)絡(luò)[11](Convolutional Neural Network)，循環(huán)神經(jīng)網(wǎng)絡(luò)[12](Recurrent Neural Network)，棧式自動(dòng)編碼器[13](Stacked Auto-Encoder)以及以上方法的混合模型，以下將分別針對(duì)上述方法在機(jī)械設(shè)備健康管理上的應(yīng)用展開陳述。

1)基于DBN的機(jī)械設(shè)備健康管理現(xiàn)狀。DBN由多個(gè)RBM(Restricted Boltzmann Machines)層組成，每個(gè)RBM由一些可見單元和一些隱藏單元構(gòu)成，層間全連接，層內(nèi)無連接。DBN建立了一個(gè)觀察數(shù)據(jù)和標(biāo)簽之間的聯(lián)合分布，隱含層神經(jīng)元被訓(xùn)練去捕捉在可視層表現(xiàn)出來的高階數(shù)據(jù)的相關(guān)性，在處理分類問題上表現(xiàn)突出。

圖1 深度信念網(wǎng)絡(luò)示意圖

2013年Tamilselvan[14]等人利用DBN解決健康狀態(tài)分類的問題，由此打開了DBN進(jìn)入故障診斷領(lǐng)域的大門；Tran[15]等人將DBN在故障診斷上的表現(xiàn)和SVM以及BP(Back Propagation)算法進(jìn)行比較，得到了更好的效果；Kuremoto[16]等人用兩個(gè)RBM建立DBN，并用PSO(Particle Swarm Optimization)算法優(yōu)化來預(yù)測(cè)時(shí)間序列；Hrasko[17]等人則通過結(jié)合RBM和BP算法進(jìn)行時(shí)間序列預(yù)測(cè)，并通過三組時(shí)序數(shù)據(jù)來驗(yàn)證方法的可行性；Chen[18]等人通過使用DBN學(xué)習(xí)健康狀態(tài)來進(jìn)行齒輪箱的故障診斷，并與傳統(tǒng)方法做了比較，驗(yàn)證此方法的魯棒性和精確性；Li[19]等人提出一種振動(dòng)測(cè)量深度統(tǒng)計(jì)特征學(xué)習(xí)方法來對(duì)旋轉(zhuǎn)機(jī)械進(jìn)行故障識(shí)別，并將其用于變速箱和軸承系統(tǒng)，分別取得了95.17%和91.75%的故障識(shí)別準(zhǔn)確率。

圖2 卷積神經(jīng)網(wǎng)絡(luò)示意圖

2)基于CNN的機(jī)械設(shè)備健康管理現(xiàn)狀。CNN是一種前饋神經(jīng)網(wǎng)絡(luò)，它的實(shí)質(zhì)是構(gòu)建多個(gè)能夠提取輸入數(shù)據(jù)特征的濾波器，通過這些濾波器對(duì)輸入數(shù)據(jù)進(jìn)行逐層卷積及池化，逐級(jí)提取隱藏在數(shù)據(jù)之中的拓?fù)浣Y(jié)構(gòu)特征，隨著網(wǎng)絡(luò)結(jié)構(gòu)層層深入，提取的特征也逐漸變得抽象，最終獲得輸入數(shù)據(jù)的平移、旋轉(zhuǎn)及縮放不變的特征表示。CNN的主要特征是結(jié)合稀疏連接、權(quán)重共享、空間或時(shí)間上的降采樣。

Chen[20]等人將CNN用于變速箱的故障識(shí)別與分類，取得了杰出的效果；Babu[21]等人利用基于深度CNN的回歸方法對(duì)子系統(tǒng)和零部件進(jìn)行剩余生命預(yù)測(cè)，并與MLP(Multi-Layer Perceptron)，SVM進(jìn)行比較，發(fā)現(xiàn)CNN方法總是能夠得到更精確的數(shù)據(jù)；Janssens[22]等人提出了基于CNN的旋轉(zhuǎn)機(jī)械故障識(shí)別方法，實(shí)現(xiàn)了自動(dòng)提取特征而無需專家經(jīng)驗(yàn)的軸承故障識(shí)別，取得了93.61%的識(shí)別準(zhǔn)確率，而專家經(jīng)驗(yàn)提取特征的識(shí)別準(zhǔn)確率為87.25%；Jeong[23]等人將CNN用作分類器，對(duì)旋轉(zhuǎn)機(jī)械軌跡圖進(jìn)行診斷，減輕了特征提取對(duì)專家經(jīng)驗(yàn)的依賴。

3)基于RNN的機(jī)械設(shè)備健康管理現(xiàn)狀。RNN是一種節(jié)點(diǎn)定向連接成環(huán)的深度神經(jīng)網(wǎng)絡(luò)，它的內(nèi)部狀態(tài)可以理解為動(dòng)態(tài)時(shí)序行為，通俗地說，RNN可以記憶之前的神經(jīng)元狀態(tài)，每次訓(xùn)練的輸出都與之前的輸出有關(guān)，這也是RNN適合用來處理前后有關(guān)聯(lián)的輸入的原因所在。正因?yàn)檫@個(gè)特性，在機(jī)械設(shè)備健康管理領(lǐng)域RNN的研究相對(duì)多于其他算法。為了處理預(yù)測(cè)時(shí)間序列中間隔相對(duì)較長(zhǎng)的事件，RNN的改進(jìn)LSTM[24](Long Short-Term Memory)解決了求解梯度過程中l(wèi)ong-term會(huì)產(chǎn)生梯度消失或是梯度爆炸的現(xiàn)象，另一種改進(jìn)算法GRU[25](Gated Recurrent Unit)由于其結(jié)構(gòu)較LSTM相對(duì)簡(jiǎn)單，也得到了廣泛應(yīng)用。

圖3 循環(huán)神經(jīng)網(wǎng)絡(luò)示意圖

Assaad[26]等人利用RNN進(jìn)行時(shí)間序列的預(yù)測(cè)并與BP算法等傳統(tǒng)算法進(jìn)行比較，取得了更精確的預(yù)測(cè)結(jié)果；Obst[27]提出基于RNN的傳感器網(wǎng)絡(luò)分布式故障檢測(cè)，利用學(xué)習(xí)模型通過分布式計(jì)算和節(jié)點(diǎn)間的通信來檢測(cè)異常傳感器；Yuan[28]等人使用LSTM對(duì)航空發(fā)動(dòng)機(jī)進(jìn)行故障的診斷，并進(jìn)一步估算其剩余壽命，他們將建立的模型用于美國(guó)航空航天局NASA提供的飛機(jī)渦輪風(fēng)扇發(fā)動(dòng)機(jī)監(jiān)控監(jiān)測(cè)數(shù)據(jù)集進(jìn)行測(cè)試，取得了杰出的效果；Malhotra[29]等人提出了一種基于LSTM的編碼方法從多傳感器時(shí)序數(shù)據(jù)中獲取無監(jiān)督健康指數(shù)，并以此預(yù)測(cè)剩余壽命，相比傳統(tǒng)的指數(shù)衰減方法準(zhǔn)確性大大提高；Chung[30]等人對(duì)LSTM和RNN以及傳統(tǒng)回歸單元例如tanh建模進(jìn)行比較，發(fā)現(xiàn)RNN的回歸單元LSTM和GRU確實(shí)優(yōu)于傳統(tǒng)回歸單元。

4)基于SAE的機(jī)械設(shè)備健康管理現(xiàn)狀。自動(dòng)編碼器是一種盡可能復(fù)現(xiàn)輸入信號(hào)的神經(jīng)網(wǎng)絡(luò)，棧式自編碼器就是堆疊多個(gè)自動(dòng)編碼器，然后進(jìn)行微調(diào)來訓(xùn)練整個(gè)模型。SAE有兩種常用的改進(jìn)方法，分別叫做稀疏自編碼器[31](Spares Auto-Encoder)和去噪自編碼器[32](Denoise Auto-Encoder)，前者可以自動(dòng)從無標(biāo)簽數(shù)據(jù)中學(xué)習(xí)特征而給出比原始數(shù)據(jù)更好的特征描述，后者則是在輸入層加入隨機(jī)噪聲從而得到更魯棒的特征。

圖4 棧式自編碼器示意圖

Li[33]等人在對(duì)航天器的信號(hào)識(shí)別與診斷的研究中利用SAE對(duì)多分類模型進(jìn)行權(quán)重和偏移量的初始化，取得了比傳統(tǒng)SVM更高的準(zhǔn)確率；Sun[34]等人利用稀疏自編碼器提取特征對(duì)電動(dòng)機(jī)故障進(jìn)行分類，并通過dropout[35]防止過擬合；Wang[36]等人提出一種可用于無監(jiān)督特征學(xué)習(xí)的連續(xù)自編碼器模型，同時(shí)在激活函數(shù)中增加了高斯隨機(jī)單位，該模型成功用于變壓器的故障診斷；Zhao[37]等人根據(jù)軸承振動(dòng)信號(hào)的非平穩(wěn)性和非線性，將SAE和DAE結(jié)合作為特征提取的方法，同樣通過dropout防止過擬合，大大提高了魯棒性；Lu[38]等人將基于棧式去噪自編碼器推廣到旋轉(zhuǎn)機(jī)械部件的故障識(shí)別上，效果顯著。

5)基于混合模型的機(jī)械設(shè)備健康管理現(xiàn)狀。隨著研究的深入，單一的模型很難進(jìn)一步得到更高效的結(jié)果，而且深度學(xué)習(xí)方法有時(shí)存在忽略了故障本身機(jī)理的缺陷，也需要輔以其他方法彌補(bǔ)這個(gè)環(huán)節(jié)，因此人們將目光投向于結(jié)合多個(gè)算法的混合模型，希望借此能夠提高對(duì)機(jī)械設(shè)備健康管理的科學(xué)性。

Wang[39]等人將PSO算法和DBN結(jié)合設(shè)計(jì)了故障檢測(cè)與自學(xué)習(xí)模型，提高了識(shí)別未知故障的準(zhǔn)確性；Cui[40]等人將DBN與BP算法結(jié)合用于變壓器的故障診斷，并在MATLAB中進(jìn)行建模試驗(yàn)取得了不錯(cuò)的效果；Demetgul[41]等人在解決物料搬運(yùn)系統(tǒng)故障診斷時(shí)，將擴(kuò)散圖、局部線性嵌入和自動(dòng)編碼器相結(jié)合來提取特征，結(jié)果表明這比傳統(tǒng)算法準(zhǔn)確度提高了將近90%。

通過對(duì)目前學(xué)術(shù)界的這些研究成果的分析不難發(fā)現(xiàn)，深度學(xué)習(xí)相較于傳統(tǒng)方法，有著突破性的優(yōu)勢(shì)。深度信念網(wǎng)絡(luò)在處理狀態(tài)分類問題上，其擬合能力是傳統(tǒng)算法不能比擬的，且已經(jīng)在典型零部件的故障分類領(lǐng)域廣泛使用。卷積神經(jīng)網(wǎng)絡(luò)憑借其在圖像特征提取方面的優(yōu)勢(shì)，在機(jī)械設(shè)備軌跡圖、波形圖的識(shí)別上相較專家經(jīng)驗(yàn)有著較大的提升。循環(huán)神經(jīng)網(wǎng)絡(luò)最大的優(yōu)勢(shì)在于處理前后有關(guān)聯(lián)的序列，這一特性恰好迎合于機(jī)械設(shè)備運(yùn)行中產(chǎn)生的大量時(shí)序數(shù)據(jù)，通過循環(huán)神經(jīng)網(wǎng)絡(luò)不但能夠取得比傳統(tǒng)算法更高的預(yù)測(cè)精度，還能在預(yù)測(cè)的時(shí)間跨度上取得突破。棧式自編碼器是一種無監(jiān)督模型，通過重構(gòu)輸入起到降維或是分類的作用，相比于傳統(tǒng)降維算法主成分分析實(shí)現(xiàn)的線性降維，棧式自編碼器可以實(shí)現(xiàn)非線性降維，因此其特征提取能力大大提升。但是深度學(xué)習(xí)技術(shù)更像是一個(gè)黑箱，很難直接說明故障機(jī)理，因此將深度學(xué)習(xí)與傳統(tǒng)算法相結(jié)合亦是一個(gè)值得研究的方向，且效果同樣顯著。

1.2 深度學(xué)習(xí)在制造業(yè)的具體應(yīng)用

得益于計(jì)算機(jī)、傳感器、通信技術(shù)和存儲(chǔ)設(shè)備的飛速發(fā)展，即便現(xiàn)代機(jī)械設(shè)備呈現(xiàn)出大型化、復(fù)雜化、數(shù)字化的趨勢(shì)，我們已經(jīng)能夠獲得大型工程設(shè)備的各項(xiàng)參數(shù)指標(biāo)，并將它們保存下來進(jìn)行運(yùn)用，這就使得更低的人力成本、更快的數(shù)據(jù)協(xié)同、更科學(xué)的算法指導(dǎo)工作、更智能的制造業(yè)成為了可能。與之相契合的，深度學(xué)習(xí)能夠通過建立深度神經(jīng)網(wǎng)絡(luò)來模擬人腦的信息處理機(jī)制，以此學(xué)習(xí)、分析輸入數(shù)據(jù)，獲得解讀輸入數(shù)據(jù)知識(shí)的能力，同時(shí)根據(jù)輸入數(shù)據(jù)特征自動(dòng)調(diào)整權(quán)重，提高特征提取和學(xué)習(xí)新知識(shí)的能力。目前深度學(xué)習(xí)在制造業(yè)的主要應(yīng)用如下：

1)代替肉眼檢查裂紋。在深度學(xué)習(xí)出現(xiàn)前，零部件和材料的缺陷主要由肉眼或是影像分析方法進(jìn)行，這類方法效率低，誤檢漏檢情況嚴(yán)重，而基于深度學(xué)習(xí)方法能夠從圖片中自動(dòng)識(shí)別缺陷并標(biāo)識(shí)，這個(gè)工作的前提僅僅是拍張照片而已，工作人員便能夠快速發(fā)現(xiàn)殘次品。該功能的實(shí)現(xiàn)可以依靠卷積神經(jīng)網(wǎng)絡(luò)，通過對(duì)于原始圖像逐層卷積及池化，以及正則化手段防止過擬合，最終獲得不變的特征表示，由于不同裂紋對(duì)應(yīng)的圖像具有不同的特征，以此達(dá)到既定功能。

2)實(shí)現(xiàn)設(shè)備自我診斷。當(dāng)故障現(xiàn)象出現(xiàn)時(shí)，機(jī)械設(shè)備能夠自己去進(jìn)行診斷，判斷是在什么地方出了問題，導(dǎo)致這個(gè)問題的可能原因是什么，并給出建議的解決方案，甚至讓機(jī)器自己解決問題，自我修復(fù)。該功能的實(shí)現(xiàn)可以借助深度信念網(wǎng)絡(luò)或是棧式自編碼器，通過提取實(shí)時(shí)運(yùn)行數(shù)據(jù)的特征值，經(jīng)過隱層處理后得到對(duì)應(yīng)的狀態(tài)識(shí)別結(jié)果。但是在故障發(fā)生時(shí)診斷有時(shí)候已經(jīng)造成無法挽回的損失，因此就有了下一個(gè)應(yīng)用方向。

3)異常提前感知?；诖罅康臍v史運(yùn)行數(shù)據(jù)或是仿真數(shù)據(jù)訓(xùn)練得到的深度模型能夠在故障發(fā)生前就捕捉到故障即將發(fā)生的異常征兆，從而通過對(duì)異常征兆的分析知悉可能將要發(fā)生的故障，實(shí)現(xiàn)在故障發(fā)生前及時(shí)做出有效預(yù)防，減少甚至避免損失。這一功能的實(shí)現(xiàn)需要大批量、高質(zhì)量、覆蓋面廣的全生命周期數(shù)據(jù)作為支撐。通過LSTM或是GRU這類循環(huán)神經(jīng)網(wǎng)絡(luò)可以很好地從當(dāng)前一段時(shí)間的運(yùn)行數(shù)據(jù)預(yù)測(cè)出后續(xù)一段時(shí)間的預(yù)測(cè)數(shù)據(jù)，之后將預(yù)測(cè)數(shù)據(jù)輸入至訓(xùn)練好的診斷模型就能得到未來狀態(tài)的預(yù)測(cè)情況。

4)施工質(zhì)量監(jiān)測(cè)。制造業(yè)向服務(wù)型轉(zhuǎn)變要求我們除了對(duì)機(jī)械設(shè)備本身進(jìn)行全面監(jiān)控以外，還需要對(duì)施工質(zhì)量進(jìn)行監(jiān)測(cè)，例如使用高爐煉鐵時(shí)需要關(guān)心鐵水的溫度以及鐵水中的含碳量等，使用盾構(gòu)機(jī)挖掘隧道時(shí)需要關(guān)心管片的變形以及地面的沉降等。通過采集機(jī)械設(shè)備運(yùn)行數(shù)據(jù)及現(xiàn)場(chǎng)相關(guān)數(shù)據(jù)，結(jié)合深度學(xué)習(xí)方法，以達(dá)到監(jiān)測(cè)施工的目的。實(shí)現(xiàn)這一目標(biāo)的途徑有很多種，在直接測(cè)量施工質(zhì)量較難實(shí)現(xiàn)時(shí)，利用深度神經(jīng)網(wǎng)絡(luò)建立施工監(jiān)測(cè)數(shù)據(jù)和施工質(zhì)量情況之間的映射關(guān)系亦不失為一種行之有效的方法。

2 全生命周期數(shù)據(jù)的重要性

實(shí)現(xiàn)對(duì)機(jī)械設(shè)備智能化健康管理這一美好愿景的基礎(chǔ)是大批量、高質(zhì)量、覆蓋面廣的全生命周期數(shù)據(jù)，沒有數(shù)據(jù)的支撐幾乎所有想法都只能是紙上談兵。即便深度神經(jīng)網(wǎng)絡(luò)的非線性擬合能力再?gòu)?qiáng)，也需要全生命周期數(shù)據(jù)去訓(xùn)練，才能發(fā)揮最大的效果，因此如何去獲取，管理，使用全生命周期數(shù)據(jù)是實(shí)現(xiàn)基于深度神經(jīng)網(wǎng)絡(luò)的機(jī)械設(shè)備的關(guān)鍵環(huán)節(jié)。

圖5 閉環(huán)生命周期示意圖

生命周期的思想的基本含義可以理解為從搖籃到墳?zāi)沟恼麄€(gè)過程。以機(jī)械設(shè)備的生命過程為主線可以將全生命周期劃分為3個(gè)階段[42]，即生命初期(Beginning of Life)，生命中期(Middle of Life)以及生命末期(End of Life)。如圖5，其中BOL包括產(chǎn)品的設(shè)計(jì)和制造階段，MOL包括產(chǎn)品的使用和維護(hù)階段，EOL包括產(chǎn)品的回收和報(bào)廢過程。這三個(gè)階段形成一個(gè)閉環(huán)而緊密聯(lián)系[43]，它們之間任意一個(gè)階段的變化都會(huì)影響另外兩個(gè)階段，因此在對(duì)機(jī)械設(shè)備健康管理模型建模時(shí)，需要充分考慮數(shù)據(jù)的全面性，在進(jìn)行數(shù)據(jù)的收集時(shí)必須覆蓋整個(gè)生命周期，方能支撐起后續(xù)的監(jiān)測(cè)、診斷、預(yù)測(cè)等一系列健康管理手段。

目前深度學(xué)習(xí)中較為成熟的技術(shù)是監(jiān)督學(xué)習(xí)，也就是利用標(biāo)記過的訓(xùn)練數(shù)據(jù)來推斷一個(gè)功能的學(xué)習(xí)任務(wù)，這對(duì)于數(shù)據(jù)的要求是很高的，大批量、高質(zhì)量、覆蓋面廣的全生命周期數(shù)據(jù)是實(shí)現(xiàn)深度學(xué)習(xí)訓(xùn)練的必要前提。也就是說，所需要的標(biāo)簽數(shù)據(jù)必須包含機(jī)械設(shè)備生命周期的各個(gè)階段和狀態(tài)，除了正常運(yùn)行時(shí)所產(chǎn)生的數(shù)據(jù)以外，必須有足夠多且全的故障時(shí)產(chǎn)生的數(shù)據(jù)作為訓(xùn)練樣本?？紤]到機(jī)械設(shè)備有些異常狀態(tài)是嚴(yán)禁頻繁發(fā)生的，導(dǎo)致樣本采集難度增加，對(duì)于這種情況可以在訓(xùn)練時(shí)提高該異常狀態(tài)樣本的權(quán)重，促使模型提高模式識(shí)別精度；另外正常運(yùn)行時(shí)如采集頻率較快，對(duì)于這部分樣本可以借鑒降噪的思想在隱層隨機(jī)關(guān)閉若干個(gè)神經(jīng)元，從而起到提高魯棒性的作用。

Nam[44]等人在2013年將使用全生命周期數(shù)據(jù)預(yù)測(cè)機(jī)械設(shè)備故障情況提高到理論高度，他們提出了“Lifecycle Prognostic”的概念，他們將預(yù)測(cè)模型分為三個(gè)類別，當(dāng)一個(gè)組件剛投入使用時(shí)唯一可用的信息是過去的故障信息，失效分布可以用例如Weibull分布這樣的可靠性方法估計(jì)，這是第一種預(yù)測(cè)模型；在組件運(yùn)行過程中會(huì)消耗可用的壽命，這種消耗模型可能是系統(tǒng)固有應(yīng)力的函數(shù)，將這些運(yùn)行條件合并到故障分布的計(jì)算中就是第二種預(yù)測(cè)模型；當(dāng)退化趨于明顯時(shí)，利用這些信息來提升故障分布估計(jì)就是第三種預(yù)測(cè)模型。

將基于機(jī)械設(shè)備全生命周期的數(shù)據(jù)通過一系列機(jī)器學(xué)習(xí)、深度學(xué)習(xí)方法應(yīng)用于故障識(shí)別及預(yù)診等機(jī)械設(shè)備健康管理手段的研究目前在國(guó)內(nèi)外都已有一定的進(jìn)展。美國(guó)田納西大學(xué)的核工程系研究方向之一就是運(yùn)用全生命周期數(shù)據(jù)進(jìn)行健康管理，其中Jeffries[45]等人設(shè)計(jì)了集成多種模型的全生命周期預(yù)測(cè)算法進(jìn)行剩余壽命預(yù)測(cè)，Sharp[46]等人通過貝葉斯方法實(shí)現(xiàn)了預(yù)測(cè)模型類型之間的轉(zhuǎn)換使得得到的剩余壽命預(yù)測(cè)更為精確，其中Nam[47]等人對(duì)貝葉斯統(tǒng)計(jì)算法進(jìn)行了深入的研究。此外美國(guó)哥倫比亞大學(xué)的Venkat教授也致力于針對(duì)大型工程系統(tǒng)的風(fēng)險(xiǎn)分析與健康管理，他認(rèn)為一個(gè)理想的診斷系統(tǒng)經(jīng)過全生命周期數(shù)據(jù)的訓(xùn)練后，應(yīng)該能夠快速檢測(cè)并進(jìn)行診斷，并且能夠區(qū)分多種故障并給出解釋，還需要具有一定的魯棒性和適應(yīng)性[48]，他提出的基于神經(jīng)網(wǎng)絡(luò)方法的過程故障診斷方法成功運(yùn)用于煉油廠流態(tài)化催裂化法的診斷[49]。國(guó)內(nèi)西安交通大學(xué)機(jī)械工程學(xué)院的雷亞國(guó)等人同樣在機(jī)械設(shè)備健康監(jiān)測(cè)領(lǐng)域也有一定研究，他們面向全生命周期大數(shù)據(jù)提出了一種機(jī)械設(shè)備智能診斷的二階段學(xué)習(xí)方法[50]，第一階段利用兩層無監(jiān)督稀疏濾波直接從振動(dòng)信號(hào)中提取特征，第二階段利用softmax分類器對(duì)健康狀況進(jìn)行分類，另外他們還針對(duì)自動(dòng)編碼器可能學(xué)習(xí)到相似特征的缺陷提出了一種歸一化稀疏自編碼器的方法來提取特征，進(jìn)一步提升了診斷效果[51]。哈爾濱工業(yè)大學(xué)自動(dòng)化測(cè)試與控制系的彭喜元、趙光權(quán)[52]等人也積極布局這一領(lǐng)域，持續(xù)開展基于DBN的特征提取與故障識(shí)別研究[53]，力求在保證高準(zhǔn)確性的前提條件下直接從原始信號(hào)中獲取故障的位置和級(jí)別。

數(shù)據(jù)就像是造房子時(shí)的鋼筋水泥，必須采集到足夠多的，覆蓋各種工況的全生命周期數(shù)據(jù)，才能加以運(yùn)用，實(shí)現(xiàn)增值服務(wù)。如何采集、傳輸、存儲(chǔ)全生命周期數(shù)據(jù)，采集得到后如何管理與運(yùn)用，是實(shí)現(xiàn)增值服務(wù)的前提?？梢哉f，機(jī)械設(shè)備的全生命周期管理和基于深度學(xué)習(xí)的機(jī)械設(shè)備健康管理是相輔相成，不可分割的。

3 研究趨勢(shì)

由上述可見基于全生命周期數(shù)據(jù)，利用深度學(xué)習(xí)方法實(shí)現(xiàn)機(jī)械設(shè)備復(fù)雜系統(tǒng)健康管理的研究已初現(xiàn)端倪，但是由于機(jī)械設(shè)備愈發(fā)復(fù)雜，各個(gè)系統(tǒng)及其相對(duì)的各個(gè)部件都會(huì)發(fā)生各式各樣的故障，且各個(gè)系統(tǒng)又互相制約、互相影響，這樣的層次性、傳播性、相關(guān)性以及不確定性使得對(duì)其全面、準(zhǔn)確的診斷難以實(shí)現(xiàn)。目前對(duì)機(jī)械設(shè)備的健康管理仍然存在故障診斷方法有限、智能診斷系統(tǒng)薄弱等一系列問題。而可以預(yù)見的是，機(jī)械設(shè)備健康管理的智能化轉(zhuǎn)型必將由深度學(xué)習(xí)去推動(dòng)，為了完成由傳統(tǒng)診斷算法向智能化的過渡，在傳統(tǒng)算法與深度學(xué)習(xí)算法相結(jié)合以及對(duì)深度學(xué)習(xí)算法進(jìn)行優(yōu)化這兩條途徑都有很多學(xué)者投身其中。

縱觀機(jī)械設(shè)備健康管理的研究現(xiàn)狀，大多數(shù)研究仍舊是以關(guān)鍵零部件例如減速箱、軸承或是變壓器等為研究對(duì)象，由零部件級(jí)別向系統(tǒng)級(jí)別乃至整機(jī)的健康管理將會(huì)是一個(gè)研究趨勢(shì)。另外，能夠同時(shí)實(shí)現(xiàn)識(shí)別的故障也以單類型為主，泛化能力不強(qiáng)，可是實(shí)際中機(jī)械設(shè)備的故障往往是多個(gè)因素相互耦合的結(jié)果，并且已發(fā)生的異常會(huì)引發(fā)新的故障，因此多故障診斷將是又一個(gè)研究趨勢(shì)。深度學(xué)習(xí)就像是一個(gè)功能強(qiáng)大的黑箱，可是在原理解釋上總是缺乏說服力，這個(gè)黑箱與其他的機(jī)器學(xué)習(xí)方法相配合或許能夠讓人可以更直觀的理解為何能夠?qū)崿F(xiàn)既定效果。除此之外，隨著信息技術(shù)發(fā)展導(dǎo)致的數(shù)據(jù)量的激增，如何使得深度神經(jīng)網(wǎng)絡(luò)模型適用于全生命周期多源大數(shù)據(jù)[54]的同時(shí)又具有較好的特征提取功能也是一個(gè)需要解決的問題?？傮w來說，基于深度學(xué)習(xí)的機(jī)械設(shè)備的健康管理亟待以下突破：

1)特征提取與故障機(jī)理的映射關(guān)系；

2)深度學(xué)習(xí)與傳統(tǒng)診斷方法的結(jié)合；

3)適用于工業(yè)大數(shù)據(jù)的健康評(píng)估模型；

4)由單故障診斷向多故障診斷的轉(zhuǎn)變；

5)由零部件診斷向機(jī)械系統(tǒng)診斷的轉(zhuǎn)變。

4 結(jié)論

隨著制造業(yè)信息化的加速推進(jìn)，傳統(tǒng)的機(jī)械設(shè)備健康診斷技術(shù)已經(jīng)不能滿足工程機(jī)械向大型化、復(fù)雜化發(fā)展的趨勢(shì)，因此結(jié)合時(shí)下具有極強(qiáng)非線性擬合能力的深度學(xué)習(xí)技術(shù)將是大勢(shì)所趨。由于無線傳感網(wǎng)、計(jì)算機(jī)技術(shù)、存儲(chǔ)設(shè)備、人工智能等相關(guān)技術(shù)的發(fā)展，使得利用全生命周期海量數(shù)據(jù)通過深度學(xué)習(xí)的方法去進(jìn)行更科學(xué)更高效的預(yù)判性診斷已經(jīng)成為可能，目前也有相關(guān)學(xué)者已經(jīng)開始了這方面的工作，學(xué)術(shù)界有一定相關(guān)經(jīng)驗(yàn)可以參考。

本文對(duì)深度學(xué)習(xí)方法在機(jī)械設(shè)備故障診斷中的應(yīng)用進(jìn)行了綜述，例如對(duì)深度學(xué)習(xí)方法在檢查裂紋、設(shè)備自我診斷、異常提前感知、施工質(zhì)量監(jiān)測(cè)中的應(yīng)用進(jìn)行了綜述。接著，又結(jié)合國(guó)內(nèi)外基于機(jī)械設(shè)備全生命周期數(shù)據(jù)的故障識(shí)別及預(yù)診相關(guān)研究，突出了全生命周期數(shù)據(jù)對(duì)于深度學(xué)習(xí)重要性。之后說明了在其生命周期數(shù)據(jù)的支撐下，基于深度學(xué)習(xí)的機(jī)械設(shè)備健康管理的研究趨勢(shì)和面臨的挑戰(zhàn)。

面對(duì)機(jī)械設(shè)備健康管理新局勢(shì)，必須牢牢把握好制造業(yè)信息化大方向，立足于全生命周期數(shù)據(jù)，以深度學(xué)習(xí)技術(shù)武器，在這場(chǎng)由互聯(lián)網(wǎng)引起的變革中找準(zhǔn)位置，從而實(shí)現(xiàn)從數(shù)據(jù)到信息再到知識(shí)的全過程轉(zhuǎn)化。