李杰其 ，胡良兵

1.中國科學(xué)院 合肥物質(zhì)科學(xué)研究院 等離子體物理研究所，合肥 230031

2.中國科學(xué)技術(shù)大學(xué)，合肥 230026

1 引言

在工業(yè)中，設(shè)備維護是很重要的環(huán)節(jié)，直接影響到設(shè)備的運行時間和設(shè)備的工作效率。然而，設(shè)備剩余壽命需要被準(zhǔn)確預(yù)測，故障需要被及時識別和處理，才能避免在生產(chǎn)過程中停機。根據(jù)文獻[1]所述，可將維護策略分為如下三類。

（1）故障維護：一種簡單的維護策略，設(shè)備發(fā)生故障時停止生產(chǎn)并更換零件。單一零件的突然失效會導(dǎo)致相關(guān)零件的故障率上升，增加生產(chǎn)成本。

（2）預(yù)防性維護：一種定期執(zhí)行的維護策略，通過計劃時間表或生產(chǎn)經(jīng)驗，以預(yù)測過程、設(shè)備故障。但是由于可能會采取不必要的維護措施，導(dǎo)致成本增加。

（3）預(yù)測性維護：使用預(yù)測工具對設(shè)備的剩余壽命進行預(yù)測，這種方法要求對機器狀態(tài)或運行過程進行持續(xù)監(jiān)控，需要歷史數(shù)據(jù)處理（例如機器學(xué)習(xí)技術(shù)）、完整性因素分析（例如視覺方面、磨損、不同于原始顏色等）、統(tǒng)計推斷方法和工程方法的推理，所以這種方法可以預(yù)測設(shè)備早期的故障并提供解決方案。

每種維護方式各有特色，選擇故障維護策略會使得維護行為具有滯后性，設(shè)備發(fā)生風(fēng)險性很高；選擇預(yù)防性維護策略，這種預(yù)見性維護的干預(yù)會導(dǎo)致設(shè)備的使用時間下降。高效的維護策略可以改善設(shè)備的狀況，降低設(shè)備故障率，降低維護成本，同時延長設(shè)備壽命。預(yù)測性維護是通過對設(shè)備狀態(tài)實施周期性監(jiān)視、預(yù)測剩余壽命、評價設(shè)備狀況和產(chǎn)生相應(yīng)邏輯的一套技術(shù)。傳統(tǒng)的預(yù)測性維護方法主要是基于物理模型，基本思想是基于物理性質(zhì)的固定的物理公式去擬合設(shè)備、零部件的健康狀態(tài)或壽命。這種方法要求研究人員有很深的工程物理背景知識，通常采用復(fù)雜的物理公式，借助于過多的物理模型而忽略了數(shù)據(jù)本身的規(guī)律，預(yù)測準(zhǔn)確度較低。

目前，伴隨著5G 技術(shù)的工業(yè)4.0 時代到來，工業(yè)系統(tǒng)可以采集大量的數(shù)據(jù)，包括工業(yè)生產(chǎn)線的運行過程、發(fā)生的事件和報警信息等。預(yù)測性維護系統(tǒng)可對設(shè)備數(shù)據(jù)進行系統(tǒng)分析和處理，建立和訓(xùn)練預(yù)測模型，制定維護策略并及時調(diào)整，可以有效地降低維修成本、減少機器故障、減少維修停機、減少備件庫存、增加備件壽命、增加產(chǎn)量、提高操作員的安全性、提升維修驗證可靠性、提升整體利潤等。人工智能中的機器學(xué)習(xí)已經(jīng)成為許多應(yīng)用中開發(fā)智能預(yù)測算法的有力工具。

2 機器學(xué)習(xí)簡介

機器學(xué)習(xí)，通過自主學(xué)習(xí)大量數(shù)據(jù)中存在的規(guī)律，獲得新經(jīng)驗和知識從而提高計算機智能，使得計算機擁有類似人類的決策能力?；趯W(xué)習(xí)形式的不同通常可將機器學(xué)習(xí)算法分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)以及強化學(xué)習(xí)三類。

（1）監(jiān)督學(xué)習(xí)：給學(xué)習(xí)算法提供標(biāo)記的數(shù)據(jù)和所需的輸出，對于每一個輸入，學(xué)習(xí)者都被提供了一個回應(yīng)的目標(biāo)。監(jiān)督學(xué)習(xí)被用于解決分類和回歸的問題。常見的算法有：決策樹、人工神經(jīng)網(wǎng)絡(luò)算法、支持向量機、樸素貝葉斯、隨機森林等。

（2）無監(jiān)督學(xué)習(xí)：給學(xué)習(xí)算法提供的數(shù)據(jù)是未標(biāo)記的，并且要求算法識別輸入數(shù)據(jù)中的模式，主要是建立一個模型，對輸入的數(shù)據(jù)進行解釋，并用于下次輸入。主要用于解決聚類和降維問題，常見的算法有：聚類算法、降維算法。

（3）強化學(xué)習(xí)：該算法與動態(tài)環(huán)境相互作用，把環(huán)境的反饋作為輸入，通過學(xué)習(xí)選擇能達到其目標(biāo)的最優(yōu)動作。強化學(xué)習(xí)這一方法背后的數(shù)學(xué)原理與監(jiān)督、非監(jiān)督學(xué)習(xí)略有差異。監(jiān)督、非監(jiān)督學(xué)習(xí)更多地應(yīng)用了統(tǒng)計學(xué)，而強化學(xué)習(xí)更多地結(jié)合了離散數(shù)學(xué)、隨機過程這些數(shù)學(xué)方法[2]。常見的算法有：馬爾可夫決策過程等。

作為人工智能的核心，機器學(xué)習(xí)的主要功能是使得計算機模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，通過獲取新的信息，不斷對模型進行訓(xùn)練以提高模型的泛化能力[3]。由于機器學(xué)習(xí)具有強大的數(shù)據(jù)處理能力，該方法廣泛應(yīng)用于數(shù)據(jù)挖掘、語音識別、計算機視覺、故障診斷與壽命預(yù)測等領(lǐng)域?；跈C器學(xué)習(xí)的剩余壽命預(yù)測方法是預(yù)測性維護方法的一個重要分支，能夠較為準(zhǔn)確地對剩余壽命進行預(yù)測，成為維護策略評估的重要指標(biāo)。

建立用于預(yù)測性維護應(yīng)用的機器學(xué)習(xí)模型包括以下幾個步驟：歷史數(shù)據(jù)選擇；數(shù)據(jù)預(yù)處理；模型選擇、模型訓(xùn)練和模型驗證；模型維護[4]。歷史數(shù)據(jù)選擇，即收集和存儲設(shè)備運行過程中產(chǎn)生的數(shù)據(jù)集，以便為機器學(xué)習(xí)模型設(shè)計選擇有價值的數(shù)據(jù)，其目的是獲取與系統(tǒng)狀況相關(guān)的信息[5]。通過數(shù)據(jù)預(yù)處理步驟，對數(shù)據(jù)進行處理和分析收集的數(shù)據(jù)，可以使系統(tǒng)更好地解釋數(shù)據(jù)。數(shù)據(jù)預(yù)處理步驟包括數(shù)據(jù)轉(zhuǎn)換（標(biāo)準(zhǔn)化）、數(shù)據(jù)清理（缺失數(shù)據(jù)處理和異常值去除）和數(shù)據(jù)縮減（維度縮減和數(shù)量縮減），以保證數(shù)據(jù)能夠被機器學(xué)習(xí)模型有效地處理。模型的開發(fā)步驟包括：選擇模型、訓(xùn)練模型、驗證模型。模型維護可以隨著時間的推移保持模型性能，因為工業(yè)生產(chǎn)可能會隨著時間的推移而發(fā)生變化，導(dǎo)致模型性能下降。

機器學(xué)習(xí)算法在壽命預(yù)測中應(yīng)用最多是基于神經(jīng)網(wǎng)絡(luò)、支持向量機、聚類算法和隨機森林，并在這些算法的基礎(chǔ)上靈活運用其他算法或模型進行優(yōu)化改進，從而提高壽命預(yù)測的精度。

3 機器學(xué)習(xí)算法介紹

3.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是受生物神經(jīng)元啟發(fā)的智能計算技術(shù)[6]，是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征，進行分布式并行信息處理的算法數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點之間相互連接的關(guān)系，從而達到處理信息的目的，具有自動學(xué)習(xí)和總結(jié)的能力。其主要包含輸入層、隱含層及輸出層，常用于解決分類、回歸等問題。人工神經(jīng)網(wǎng)絡(luò)模型以原始測量數(shù)據(jù)或基于原始測量數(shù)據(jù)所提取的特征為輸入，通過一定的訓(xùn)練算法不斷調(diào)整網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)，利用優(yōu)化后的網(wǎng)絡(luò)在線預(yù)測設(shè)備的剩余壽命，并根據(jù)預(yù)測結(jié)果判斷設(shè)備的維護策略。

Biswal等人[7]采用人工神經(jīng)網(wǎng)絡(luò)提出一種用于模擬風(fēng)力渦輪機的模型，該模型能夠模擬風(fēng)力渦輪機關(guān)鍵部件的故障工況，也可以用缺陷的部件替換健康的部件，從而收集健康和故障工況下的渦輪機的振動數(shù)據(jù)，再通過人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測，對設(shè)備健康狀態(tài)進行預(yù)測識并別決定維護策略，實驗結(jié)果準(zhǔn)確性為92.6%。Gebraeel 等人[8]基于BP 神經(jīng)網(wǎng)絡(luò)建立單個軸承和批量軸承的壽命預(yù)測模型，利用壽命周期內(nèi)的振動監(jiān)測信息，以一定權(quán)重融合各軸承指數(shù)回歸模型參數(shù)，同時進行參數(shù)在線更新，有效保證壽命預(yù)測的準(zhǔn)確性。Bezazi等人[9]采用基于多層感知器的人工神經(jīng)網(wǎng)絡(luò)對復(fù)合材料結(jié)構(gòu)監(jiān)測數(shù)據(jù)進行建模，通過極大似然估計和貝葉斯推理對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，結(jié)果表明該模型具有較好的泛化能力。Wang 等人[10]提出一種極限學(xué)習(xí)機模型，避免隱含層神經(jīng)元的數(shù)目選擇問題，實現(xiàn)了非平穩(wěn)序列的在線預(yù)測。Kolokas等人[11]使用運行期間的過程傳感器數(shù)據(jù)，實時檢測某工業(yè)陽極生產(chǎn)設(shè)備的實時故障，并將人工神經(jīng)網(wǎng)絡(luò)與其他機器學(xué)習(xí)進行了比較。Sheng等人[12]針對齒輪壽命預(yù)測問題，提出一種基于權(quán)值放大的長短時記憶神經(jīng)網(wǎng)絡(luò)，并加入一種將隱含層的輸入權(quán)值和遞歸權(quán)值進行不同程度放大的注意機制，結(jié)果表明預(yù)測方法具有更高的精度。更多基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)測性維護研究的最新論文見表1。

基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)測性維護技術(shù)的主要優(yōu)勢包括：訓(xùn)練模型基于歷史數(shù)據(jù)，不需要專家知識決策；人工神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性較強，數(shù)據(jù)的少量波動不會影響模型。

然而，人工神經(jīng)網(wǎng)絡(luò)有一些缺點：訓(xùn)練模型有概率獲得有悖于維護策略的結(jié)論；為獲得最合適的人工神經(jīng)網(wǎng)絡(luò)模型，可能會花費很多時間；人工神經(jīng)網(wǎng)絡(luò)是一種“黑箱”算法，無法對神經(jīng)網(wǎng)絡(luò)模型輸出的預(yù)測結(jié)果進行解釋；人工神經(jīng)網(wǎng)絡(luò)需要大量的數(shù)據(jù)集才能正確學(xué)習(xí)。

3.2 支持向量機

支持向量機是執(zhí)行分類和回歸任務(wù)的另一種廣泛使用的機器學(xué)習(xí)方法，具有高精度[19]。它是一類按監(jiān)督學(xué)習(xí)方式對數(shù)據(jù)進行二元分類的廣義線性分類器，其決策邊界是對學(xué)習(xí)樣本求解的最大邊距超平面，具有稀疏性和穩(wěn)健性。支持向量機可以通過核方法進行非線性分類，是常見的核學(xué)習(xí)方法之一。支持向量機根據(jù)用途可分為支持向量回歸機SVR和支持向量分類機SVC。

Susto 等人[20]提出基于支持向量機的多類分類器，可以識別由于累積效應(yīng)和違規(guī)使用而在機器上發(fā)生的故障。Nieto等人[21]提出一種基于混合粒子群優(yōu)化算法和支持向量機算法的模型，用于預(yù)測航天器發(fā)動機的工況，解決了支持向量機訓(xùn)練過程中超參數(shù)的優(yōu)化問題，提高了設(shè)備工況預(yù)測精度。Maior等人[22]提出一種將經(jīng)驗?zāi)B(tài)分解與支持向量機相結(jié)合的方法，可以實現(xiàn)退化數(shù)據(jù)分析和剩余壽命預(yù)測，結(jié)果表明該方法能夠改善電動機的剩余壽命預(yù)測性能。Mathew等人[23]使用改進回歸核的支持回歸向量的支持向量機來預(yù)測剩余壽命，通過一組模擬時間序列對算法進行測試，其結(jié)果表明所提出的支持向量回歸模型優(yōu)于標(biāo)準(zhǔn)支持向量回歸模型。Song等人[24]采用支持向量機對電池容量進行預(yù)測，利用卡爾曼濾波對輸出信號進行優(yōu)化，該方法減少了系統(tǒng)噪聲和測量不確定性因素的影響，實現(xiàn)了對電池剩余壽命的長期預(yù)測。Lasisi 等人[25]比較了支持向量機、隨機森林和三層貝葉斯概率模型來檢測鐵路軌道的缺陷。戴邵武等人[26]提出基于時域特征和支持向量機的滾動軸承退化趨勢預(yù)測方法，準(zhǔn)確地預(yù)測了滾動軸承全壽命故障周期。王瀛洲等人[27]提出一種基于蟻獅優(yōu)化和支持向量回歸的方法，利用蟻獅優(yōu)化算法優(yōu)化核參數(shù)，有效提高鋰離子電池剩余使用壽命預(yù)測的準(zhǔn)確性和魯棒性。Liu等人[28]利用支持向量機建立了橡膠材料疲勞壽命預(yù)測模型，提出一種重力搜索算法來優(yōu)化支持向量機的參數(shù)，提升了預(yù)測精度和預(yù)測效率。更多基于支持向量機的預(yù)測性維護研究的最新論文見表2。

支持向量機算法的優(yōu)勢在于：學(xué)習(xí)過程簡單、訓(xùn)練速度快；在預(yù)測性維護中可以解決設(shè)備工況識別問題，簡單分類問題處理較為精確；在參數(shù)優(yōu)化方面可以結(jié)合先進的算法進行優(yōu)化，提高分類準(zhǔn)確率。

但支持向量機也存在一些問題：選擇合適的核函數(shù)較為困難；在進行大規(guī)模數(shù)據(jù)訓(xùn)練時間時間較長；最終模型不容易理解和解釋；將實際應(yīng)用與仿真模型相適應(yīng)比較困難[34]；無法解決多分類問題；理論上只能提供次優(yōu)解。

3.3 聚類算法

聚類是一種無監(jiān)督的學(xué)習(xí)算法，可以對大量未知標(biāo)注的數(shù)據(jù)集，按數(shù)據(jù)的內(nèi)在相似性將數(shù)據(jù)集劃分為多個類別，主要目的是找到數(shù)據(jù)集的聚類，以便彼此接近的樣本與同一個聚類相關(guān)聯(lián)，而彼此遠離的樣本與不同的聚類相關(guān)聯(lián)[29]。傳統(tǒng)的聚類算法可以分為五類：基于劃分的聚類、基于網(wǎng)格的聚類、基于層次的聚類、基于密度的聚類、基于模型的聚類。近年來產(chǎn)生了多種新的聚類算法：基于粒度的聚類算法、基于熵的聚類算法、不確定聚類算法、譜聚類算法、核聚類算法等[35]。

表1 人工神經(jīng)網(wǎng)絡(luò)在預(yù)測性維護中的最新應(yīng)用

表2 支持向量機在預(yù)測性維護中的最新應(yīng)用

Durbhaka 等人[36]通過對振動信號使用聚類來分析風(fēng)力渦輪機的工況，預(yù)測渦輪機的工況并對故障類型進行分類，通過對零部件的替換和校正，進而避免突然故障，通過加入CRA方法，使得聚類算法預(yù)測準(zhǔn)確性達到93%。Eke等人[37]提出聚類算法可以用于自動提取變壓器絕緣油中溶解氣體數(shù)據(jù)中的簇，識別導(dǎo)致故障的每個集群的特征，使用聚類算法識別出四個聚類：高能電弧放電、油溫變化、生成氣體速率、油液循環(huán)周期，結(jié)果表明該模型可以較好預(yù)測設(shè)備工況。Mathew等人[38]比較多種機器學(xué)習(xí)（聚類算法、支持向量機等）來預(yù)測渦輪風(fēng)扇發(fā)動機的故障，并給出各種方法的優(yōu)缺點。Uhlmann等人[39]提出一種聚類算法來識別機床數(shù)據(jù)（平臺溫度、處理室中氧氣百分比和處理室壓力）的簇，識別數(shù)據(jù)中的四個聚類：操作條件、氣體保護系統(tǒng)的故障條件、壓力系統(tǒng)的故障條件以及使機床保持待機狀態(tài)的故障條件。Amruthnath等人[40]比較大量聚類算法，用于從排氣風(fēng)扇的振動數(shù)據(jù)中進行故障預(yù)測，獲得較為準(zhǔn)確的結(jié)果。張旺等人[41]提出了首先對雙通道信號分別進行Hilbert 包絡(luò)解調(diào)去除噪聲，對處理后的信號進行全矢融合提取主振矢，再采用聚類方法對主振矢信號進行分析，解決了軸承突發(fā)故障特征并不明顯的問題，其預(yù)測精度達到90.64%。李媛媛等人[42]提出采用模糊C均值算法，并以待測狀態(tài)隸屬于正常狀態(tài)的程度作為性能評判指標(biāo)的方法，解決了轉(zhuǎn)盤軸承剩余壽命預(yù)測過程中的提取能夠反映轉(zhuǎn)盤軸承壽命狀態(tài)的特征向量和建立合理的預(yù)測模型問題，為轉(zhuǎn)盤軸承的故障診斷和剩余壽命預(yù)測的研究提供了一種新思路。更多基于聚類算法的預(yù)測性維護研究的最新論文見表3。

聚類算法可以通過新樣本再訓(xùn)練來改變簇的中心，在處理大數(shù)據(jù)集上表現(xiàn)出良好的性能；聚類問題的研究趨勢將會向更快、更有理論保證的方向發(fā)展，隨著新的分析技術(shù)的發(fā)展，新的理論結(jié)果依然在不斷出現(xiàn)，有良好的發(fā)展前景[47]。

但其也存在一些問題：訓(xùn)練數(shù)據(jù)中的噪聲會對最終結(jié)果造成重大影響；無法自動確定簇的數(shù)量；數(shù)據(jù)輸入順序?qū)ψ罱K結(jié)果有影響；無法處理可分離非線性數(shù)據(jù)集；初始點選取會極大地影響聚類的結(jié)果。

3.4 隨機森林

隨機森林法最初是由Leo[48]提出的。隨機森林在以決策樹為基學(xué)習(xí)器構(gòu)建bagging 集成的基礎(chǔ)上，進一步在決策樹的訓(xùn)練過程中引入了隨機屬性選擇進行預(yù)測。它用隨機的方式建立一個森林，森林由許多決策樹組成，每一棵決策樹之間沒有關(guān)聯(lián)，利用多棵樹對樣本進行訓(xùn)練并預(yù)測。當(dāng)變量的數(shù)量大于樣本的數(shù)量時，隨機森林表現(xiàn)出良好的性能[49]。決策樹算法有ID3、C4.5、CRAT、SLIQ等。

表3 聚類算法在預(yù)測性維護中的最新應(yīng)用

隨機森林被用于生成動態(tài)預(yù)測模型。Kusiak 等人[50]使用狀態(tài)數(shù)據(jù)和運行數(shù)據(jù)來設(shè)計隨機森林模型，為風(fēng)力渦輪機工況監(jiān)測提出了改進方案。Santos等人[51]提出隨機森林來預(yù)測鼠籠式感應(yīng)電動機的定子繞組短路故障。Su等人[52]的研究提出一種硬盤故障檢測系統(tǒng)，用于實時預(yù)測故障硬盤和驅(qū)動器故障，其系統(tǒng)過程包括兩個階段：批量訓(xùn)練，其中使用歷史數(shù)據(jù)生成和訓(xùn)練隨機森林模型；實時預(yù)測，它使用從終端用戶設(shè)備收集的數(shù)據(jù)來進行預(yù)測。實時預(yù)測的準(zhǔn)確性達到85%。Kulkarni等人[53]應(yīng)用隨機森林模型來預(yù)測制冷和冷藏系統(tǒng)故障，其方法正確性能夠達到89%。Paolanti等人[54]提出一個利用來自各種傳感器、可編程邏輯控制器和通信協(xié)議的數(shù)據(jù)來預(yù)測設(shè)備工況的隨機森林模型，雖然決策樹可能會過度擬合，但在大多數(shù)情況下可以避免，因為決策樹可以處理隨機特征子集并從這些子集構(gòu)建更小的樹[48-49，55]。更多基于隨機森林的預(yù)測性維護研究的最新論文見表4。

隨機森林的優(yōu)勢在于：隨機森林是一類判別模型，支持分類問題、回歸問題和多分類問題；隨機森林結(jié)合其他算法，得到更優(yōu)的預(yù)測結(jié)果，可以將新的理論引入隨機森林，結(jié)合不同的算法提升模型預(yù)測的性能[60]；決策樹越多，可以提供越多的觀察結(jié)果作為預(yù)測的依據(jù)[38]；在某些情況下，決策樹可以減少波動，增強隨機森林模型泛化能力[61]。

隨機森林方法也有缺點：少量的決策樹的分類能力有限，只有產(chǎn)生大量的決策樹才有可能得到有效的分類效果[60]，與其他機器學(xué)習(xí)相比需要更多的計算時間；不能很好地處理非平衡數(shù)據(jù)，隨機選取的訓(xùn)練集加劇了數(shù)據(jù)的非平衡性；對連續(xù)性變量的處理需要進行離散化，分析計算節(jié)點分裂標(biāo)準(zhǔn)花費大量時間；通過剪枝的方法避免決策樹的過擬合問題會提高算法的復(fù)雜性，性能提升有局限性[62]。

4 未來展望

4.1 系統(tǒng)架構(gòu)

預(yù)測性維護是工業(yè)大數(shù)據(jù)和人工智能方向的一個重要的應(yīng)用場景，針對設(shè)備的故障和失效問題，從被動的故障維護到主動的預(yù)測和綜合規(guī)劃管理，研究人員不斷提供新思路和新方法。

應(yīng)用預(yù)測性維護的設(shè)備或系統(tǒng)，其產(chǎn)生的故障是由于漸進式的功能衰退超過臨界值導(dǎo)致的。對設(shè)備進行性能退化評估和剩余壽命預(yù)測具有很好的前景，其預(yù)測模型具有較高的準(zhǔn)確率，是預(yù)測性維護策略決策的可靠依據(jù)。本文提出一種面向本地設(shè)備的預(yù)測性維護系統(tǒng)架構(gòu)（如圖1所示），為后續(xù)研究提供思路。

圖1 面向本地設(shè)備的預(yù)測性維護系統(tǒng)框架

本系統(tǒng)架構(gòu)主要是基于對設(shè)備運行時產(chǎn)生的大量歷史、實時數(shù)據(jù)進行收集、處理、分析、建模來實現(xiàn)的，對模型預(yù)測的設(shè)備剩余壽命進行分級，通過模擬仿真構(gòu)造專家策略庫，根據(jù)分級對應(yīng)的策略對設(shè)備進行維護，它所遵循的預(yù)測性運維流程主要包括以下步驟。

（1）數(shù)據(jù)獲取：通過模擬仿真和傳感器測量獲得目標(biāo)設(shè)備或系統(tǒng)的全壽命數(shù)據(jù)。

表4 隨機森林在預(yù)測性維護中的最新應(yīng)用

（2）數(shù)據(jù)處理：包括數(shù)據(jù)預(yù)處理和特征提取，對數(shù)據(jù)進行過濾和整理，識別數(shù)據(jù)中工況信息，剔除非重要變量，通過特征提取的方法得到衰退特征，供模型訓(xùn)練使用。

（3）模型訓(xùn)練：選擇適當(dāng)機器學(xué)習(xí)模型，利用經(jīng)處理后的全壽命數(shù)據(jù)進行訓(xùn)練，獲得在不同工況下可以對設(shè)備或系統(tǒng)剩余壽命進行準(zhǔn)確預(yù)測的模型。

（4）工況檢測：通過傳感器收集當(dāng)前設(shè)備或系統(tǒng)數(shù)據(jù)，并通過模型提供的工況識別庫判斷設(shè)備或系統(tǒng)是否失效，并作出反饋。

（5）壽命預(yù)測：在設(shè)備或系統(tǒng)未失效情況下，用預(yù)測模型對其剩余壽命進行預(yù)測，并作出反饋。

（6）策略制定：根據(jù)系統(tǒng)故障預(yù)測的仿真，可以驗證維護和維修策略的可行性，并將論證結(jié)果導(dǎo)入專家策略庫中作為方案。

（7）策略執(zhí)行：當(dāng)系統(tǒng)失效時，根據(jù)工況識別庫的反饋信息進行故障診斷，決定設(shè)備或系統(tǒng)的維修策略；當(dāng)系統(tǒng)未失效時，根據(jù)剩余壽命預(yù)測結(jié)果進行故障預(yù)測，決定設(shè)備或系統(tǒng)的維護和保養(yǎng)策略。

此外，根據(jù)實際情況還可以加入剩余壽命可視化、數(shù)據(jù)存儲再訓(xùn)練、數(shù)據(jù)檢查等步驟。

4.2 預(yù)測模型

由于預(yù)測性維護面向不同的目標(biāo)設(shè)備時，選取的預(yù)測模型不唯一，故對模型選擇提出了比較高的要求。機器學(xué)習(xí)，包括人工神經(jīng)網(wǎng)絡(luò)、支持向量機、聚類算法和隨機森林等，已經(jīng)成功地應(yīng)用于預(yù)測性維護應(yīng)用中。隨著工業(yè)設(shè)備維護要求的不斷提高，預(yù)測模型也需要不斷發(fā)展出新的理論和方法來適應(yīng)日趨復(fù)雜的生產(chǎn)環(huán)境。

（1）將新的理論引入機器學(xué)習(xí)算法。以隨機森林為例，由于隨機森林算法本身就是Bagging算法與Random Subaspace 算法結(jié)合而得到的新的算法，因此在隨機森林的基礎(chǔ)上再增加新的算法一直是許多專家學(xué)者研究的重點[60]。新算法與預(yù)測性維護技術(shù)進行正確結(jié)合，可以提升預(yù)測準(zhǔn)確性。

（2）將新的數(shù)據(jù)預(yù)處理方法與機器學(xué)習(xí)算法結(jié)合。訓(xùn)練數(shù)據(jù)集的質(zhì)量決定了模型訓(xùn)練的準(zhǔn)確度，因此將數(shù)據(jù)進行有效數(shù)據(jù)處理之后進行模型訓(xùn)練，將提高模型的質(zhì)量。同時，機器學(xué)習(xí)模型訓(xùn)練需要大量的訓(xùn)練數(shù)據(jù)，而實際中獲得的小樣本數(shù)據(jù)的情況居多，因此如何利用機器學(xué)習(xí)算法對小樣本數(shù)據(jù)的設(shè)備進行壽命預(yù)測與故障診斷也是需要攻堅的一個難點[2]。

4.3 物聯(lián)網(wǎng)技術(shù)

由于5G技術(shù)和工業(yè)4.0時代的到來，面對大規(guī)模生產(chǎn)的工業(yè)設(shè)備，通過工業(yè)物聯(lián)網(wǎng)將設(shè)備的工況數(shù)據(jù)上傳至服務(wù)器，生產(chǎn)廠家可以將獲得的大量設(shè)備數(shù)據(jù)進行分析處理、訓(xùn)練建模、制定維護策略、實時更新、專家會診，進而優(yōu)化服務(wù)?；谖锫?lián)網(wǎng)技術(shù)的預(yù)測性維護策略相比于面向本地設(shè)備的預(yù)測性維護策略不同，其效率更高、適配性更強、準(zhǔn)確率更高。本文提出一種基于物聯(lián)網(wǎng)技術(shù)的預(yù)測性維護系統(tǒng)架構(gòu)（如圖2所示），為后續(xù)研究提供思路。

圖2 基于物聯(lián)網(wǎng)技術(shù)的預(yù)測性維護系統(tǒng)框架

本系統(tǒng)架構(gòu)主要是基于物聯(lián)網(wǎng)技術(shù)，通過對設(shè)備維護策略分別提供線上線下服務(wù)，現(xiàn)場收集設(shè)備數(shù)據(jù)和控制數(shù)據(jù)，經(jīng)過現(xiàn)場決策系統(tǒng)判斷和反饋，并上傳數(shù)據(jù)至集團大數(shù)據(jù)平臺進行智能分析和數(shù)據(jù)挖掘，最新成果下載至現(xiàn)場決策系統(tǒng)并應(yīng)用于之后的預(yù)測性維護策略。它所遵循的預(yù)測性運維流程主要包括以下步驟。

（1）信息感知：通過各類傳感器收集現(xiàn)場設(shè)備數(shù)據(jù)，由無線終端上傳至數(shù)據(jù)采集系統(tǒng)，同時上傳控制器等設(shè)備數(shù)據(jù)，經(jīng)數(shù)據(jù)整理后進入現(xiàn)場決策系統(tǒng)。通過為設(shè)備開發(fā)傳感技術(shù)，提高數(shù)據(jù)數(shù)量和質(zhì)量，當(dāng)有更多高質(zhì)量訓(xùn)練數(shù)據(jù)可用時，預(yù)測性維護策略將更具可靠性[63]。

（2）現(xiàn)場決策：邊緣計算網(wǎng)關(guān)主要完成感知信息處理、在線診斷分析和實時反饋控制三個方面的工作[64]。感知信息處理和前文中數(shù)據(jù)處理相同，為設(shè)備狀態(tài)數(shù)據(jù)分析和挖掘提供數(shù)據(jù)基礎(chǔ)；在線診斷分析通過不同工況下的預(yù)測模型，對設(shè)備運行數(shù)據(jù)的實時分析和狀態(tài)的在線識別；實時反饋控制，根據(jù)狀態(tài)判斷結(jié)果，通過本地專家策略庫，自動生成相應(yīng)控制邏輯。

（3）智能分析：現(xiàn)場設(shè)備數(shù)據(jù)、決策數(shù)據(jù)和維護結(jié)果等通過網(wǎng)絡(luò)上傳至設(shè)備生產(chǎn)集團的大數(shù)據(jù)平臺進行智能分析和數(shù)據(jù)挖掘，產(chǎn)生新的預(yù)測模型和維護策略，通過網(wǎng)絡(luò)下載至現(xiàn)場決策系統(tǒng)進行更新。智能分析系統(tǒng)還可根據(jù)數(shù)據(jù)反饋調(diào)整設(shè)備運行參數(shù)，以達到增加設(shè)備壽命、提升生產(chǎn)效率、提升生產(chǎn)安全性等目的。集團大數(shù)據(jù)平臺利用智能分析解決的問題和解決方案如表5所示。

物聯(lián)網(wǎng)技術(shù)為預(yù)測性維護策略提供了高效的解決方案，同時也提出了更高的要求，需要相關(guān)技術(shù)的不斷革新。目標(biāo)系統(tǒng)越復(fù)雜，現(xiàn)場采集的信息越多，傳輸效率越低，而復(fù)雜的數(shù)據(jù)也考驗現(xiàn)場設(shè)備的計算力。5G技術(shù)的出現(xiàn)，為數(shù)據(jù)傳輸問題提供了解決方案，同時也為現(xiàn)場決策系統(tǒng)提升計算能力提供了更多選擇，但由于5G 技術(shù)與工業(yè)生產(chǎn)結(jié)合經(jīng)驗較少，還需專家學(xué)者進一步研究。

表5 問題與解決方案

5 總結(jié)

預(yù)測性維護技術(shù)作為工業(yè)生產(chǎn)領(lǐng)域的一個重要研究方向，近年來受到了越來越多的關(guān)注。鑒于機器學(xué)習(xí)領(lǐng)域不斷進行創(chuàng)新，本文系統(tǒng)地介紹了基于機器學(xué)習(xí)的預(yù)測性維護技術(shù)相關(guān)研究現(xiàn)狀，從機器學(xué)習(xí)算法入手，重點介紹了四種常見的算法，分析了面向特定設(shè)備的剩余壽命預(yù)測方法和特性，列舉了近些年來最新的研究成果和優(yōu)勢，并從系統(tǒng)架構(gòu)、預(yù)測模型和物聯(lián)網(wǎng)技術(shù)的角度對未來研究進行展望。隨著工業(yè)4.0 時代的到來，預(yù)測性維護技術(shù)將會為工業(yè)生產(chǎn)帶來革新，極大提高設(shè)備的安全性、提升保養(yǎng)效率、降低生產(chǎn)成本、提升生產(chǎn)效率。預(yù)測性維護技術(shù)在5G技術(shù)和人工智能技術(shù)的背景下，具有廣闊的應(yīng)用前景和研究價值。