數(shù)據(jù)驅動的刀具剩余壽命預測方法綜述

常鈺 魏樂 王瑞祥

（成都信息工程大學軟件工程學院 四川省成都市 610000）

刀具是加工系統(tǒng)中最核心的加工要素，它對產品質量有直接影響，生產過程中不可避免的要用到各種數(shù)量龐大、品種復雜、精度要求高的標準或者非標準的刀具，目前刀具成本大約占到企業(yè)各種制造成本的25%-30%[1]。一旦刀具發(fā)生故障而沒有及時發(fā)現(xiàn)，輕則直接影響產品加工質量和生產效率，嚴重甚至導致機器損壞以及危害人員的安全。據(jù)統(tǒng)計生產工程中，75%以上的設備故障是由于刀具失效引起的[2]。如果不能合理判定刀具是否失效，就很容易造成以下問題：過低估計刀具壽命，刀具還沒有達到其使用壽命就被判定為失效，頻繁更換刀具導致機器停機時間過長，影響企業(yè)的生產效率，增加了企業(yè)刀具采購成本； 過高估計刀具壽命，刀具已經處于失效狀態(tài)仍在工作，容易造成工件表面精度不夠或者造成工件報廢，甚至會造成機床損壞，特別是在航空航天領域，發(fā)生這種情況代價會非常大，嚴重影響企業(yè)的生產效率和經濟效益[3]。

因此，精準預測刀具壽命，對制造企業(yè)具有重要意義。有統(tǒng)計研究表明，如果能精確預測刀具壽命，合理地選擇換刀時間和策略，可以有效地減少75%的停機時間，將生產效率提高10%～40%，并將生產成本降低10%～30%[4]。伴隨工業(yè)數(shù)字化的發(fā)展，數(shù)據(jù)驅動刀具的壽命預測的方法越來越受到重視。

1 刀具剩余使用壽命的概念

剩余使用壽命RUL（Remaining Useful Life）通常用于描述設備當前時刻與失效時刻之間的時間間隔，可定義為：

在（1）式中，T 表示設備的失效時刻，t 表示當期時刻[5]。對于刀具的RUL 來說，就是從刀具當前時刻到失效時刻之間的時間間隔，其中，刀具是否失效的狀態(tài)判斷就是非常關鍵。

加工刀具的失效狀態(tài)判定通?？煞譃閮煞N：基于刀具可用性的失效和基于加工質量判斷的刀具失效。刀具因不同的失效判定導致不同的使用壽命，這些數(shù)據(jù)會直接影響刀具的剩余使用壽命的預測。因此，RUL 可以分為2 類：基于刀具可用性的RUL，基于加工質量判斷的RUL，前者是從刀具開始使用到刀具無法加工完全失效所需時間，后者通過產品加工質量的好壞間接判斷刀具是否處于失效狀態(tài)從而得到的時間。

基于刀具可用性的RUL，是以刀具是否可用為失效標準，通常以磨損量達到一定閾值為失效，判斷方法可以分為直接測量方法和間接測量法[6]。直接法通過某種特定的直接測量方式來獲得刀具的后刀面磨損量從而判斷刀具的狀態(tài)，包括光學圖像法，接觸式電阻測量法和放射性元素法等，缺點是使用場景受限或者只能在刀具非工作狀態(tài)下進行；間接法是測量與刀具相關的信號并通過映射關系來間接獲得刀具的狀態(tài)，包括力學信號，振動信號，聲發(fā)射信號等，缺點是傳感器數(shù)目過多直接導致成本增加，且會有大量冗余信息干擾[7]。

基于加工質量判斷的RUL，是通過已加工工件表面質量來判斷刀具狀態(tài)是否達到失效的標準。刀具與工件在加工過程中直接相關，刀具狀態(tài)是影響工件質量的直接因素，一旦出現(xiàn)就說明加工過程出現(xiàn)了異常，工件質量異常的來源可以認為是刀具失效。例如袁廣超[8]等人通過比較周期抽取的樣本點位置與控制圖中質量中心線和下控制限的位置關系，提出以控制圖理論為基礎的基于加工質量判斷的RUL。

2 基于物理方法的剩余壽命預測

一般來說，剩余使用壽命預測方法可分為兩類，物理方法和基于數(shù)據(jù)驅動方法，物理方法主要通過描述損壞行為的物理模型，并將該物理模型與測量數(shù)據(jù)結合起來以識別模型參數(shù)并預測未來的行為，數(shù)據(jù)驅動的方法則是使用先前收集的數(shù)據(jù)（訓練數(shù)據(jù)）中的信息來識別當前測量的損壞狀態(tài)的特征并預測未來的趨勢。

基于物理仿真的方法側重于通過實驗驗證的磨損設計計算模型來描述刀具壽命的退化過程。常見的有刀具耐用度經驗公式為基礎的Taylor 公式及 Hasting 公式，以磨損計算經驗公式為基礎的Archard 模型：

（1）1907年，泰勒在刀具壽命試驗的基礎上，提出了泰勒公式來表征刀具壽命。

在（2）式中，T 為刀具耐用度，V 為切削速度，f 為進給量，a 為切削深度，C、x、y、z 均為常數(shù)。Taylor 公式簡單描述了刀具壽命與切削速度之間的指數(shù)關系，所以這個刀具耐用度公式的應用范圍有限[9]。

（2）以英國John F.Archard 教授為代表的Archard 模型

刀具剩余壽命的預測可以在刀具磨損值估計的基礎上進行的，通過估計未來磨損值的演化，并在此基礎上預測刀具的剩余壽命：

在（3）式中：W 為磨損深度；P 為界面壓力； V 為相對滑動速度；H 為刀具材料的硬度； t 為時間；a，b，c，K 為修正系數(shù)。但是Archard 模型并未直接描述刀具的壽命，而是預測了隨時間變化的磨損漸變速度。

但是在實際加工過程中，對于刀具來說，加工的過程可能是非穩(wěn)定的，此時刀具就會承受多種損壞機理的共同作用，如在斷續(xù)切削淬火鋼時，刀具不但會受到沖擊切削力和熱應力的作用而產生疲勞破損，還可能因切削時的摩擦和熱，化學作用而產生前后刀面的磨損[10]，在大多數(shù)情況下刀具會因為不同的損壞形式同時產生各種各樣的磨損和破損的疊加，當多損壞模式發(fā)生耦合情況的時候，難以找出一種主要的損壞模式，由于傳統(tǒng)的物理方法將刀具壽命看作是切削參數(shù)和時間的函數(shù)，會導致擬合出的經驗公式預測磨損值誤差非常大。

3 數(shù)據(jù)驅動的刀具剩余壽命預測

由于在制造加工的過程中刀具與被加工工件交互作用的非線性和隨機性，目前還無法建立一個顯性的數(shù)學方程以獲取特征與刀具狀態(tài)之間的解析模型。所以，目前都將這個過程看作一個黑箱問題或者一個數(shù)據(jù)特征空間的分割問題，通過機器學習的方法建立一個從所監(jiān)測的特征到刀具磨損狀態(tài)或者直接到刀具使用壽命之間的映射，。數(shù)據(jù)驅動的方法主要可以分為兩大類：基于傳統(tǒng)機器學習的剩余壽命預測模型和基于神經網(wǎng)絡的剩余壽命預測模型。

3.1 基于傳統(tǒng)機器學習方法的剩余壽命預測模型

基于傳統(tǒng)的機器學習模型主要通過對退化數(shù)據(jù)進行訓練，這些模型確定了在已知運行條件下單個機器組件的壽命，該壽命是與該運行條件的劣化風險有關的。回歸統(tǒng)計模型一般是通過機器學習（例如曲線擬合或參數(shù)估計）的方法，將未來的狀態(tài)值視為過去的狀態(tài)值和隨機誤差的線性函數(shù)，根據(jù)有限長度的運行記錄(觀察數(shù)據(jù))，建立能較精確地反映數(shù)據(jù)中所包含的動態(tài)依存關系的數(shù)學模型，并借以對系統(tǒng)的未來進行預報[11]。根據(jù)不同機器學習方法，主要可以分為基于隨機過程回歸，貝葉斯估計，時間序列建模，支持向量機等。

3.1.1 隨機過程回歸

基于隨機過程回歸模型的方法，利用刀具的歷史運行數(shù)據(jù)，建立刀具的性能退化軌跡模型，刀具的退化狀態(tài)從當前時刻到達預先設定的失效閾值的時間即為設備的剩余壽命，這類方法也被稱作基于退化軌跡的方法。將刀具狀態(tài)的演化看做一個隨機過程，根據(jù)刀具歷史變化來預測刀具的未來狀態(tài)，然后采用回歸等方式對歷史退化軌跡進行擬合來預測刀具壽命的變化趨勢。

1993年，Lu 和Meeker[12]首次提出一種線性隨機系數(shù)回歸模型，通過對同一批刀具的退化監(jiān)測數(shù)據(jù)進行特征識別、選擇和融合，獲取表征對象系統(tǒng)退化程度的健康因子（(health index）對于不同的數(shù)據(jù)類型(數(shù)值數(shù)據(jù)，波形數(shù)據(jù)等)需要有不同的處理手段[13]，基于健康因子建立刀具關于時間的退化軌跡，根據(jù)當前的監(jiān)測數(shù)據(jù)進行擬合或者回歸從而得到壽命的預測。Wang[14]總結了刀具隨機狀態(tài)回歸模型時常用的一些假設并提出一種確定失效閾值的方法。

隱馬爾科夫(Hidden Markov Model，HMM)由Baum 等人提出，它通過兩重隨機過程，HMM 可有效解決辨識具有不同參數(shù)的短時平穩(wěn)信號段，跟蹤它們之間的轉化問題[15]。呂俊杰[16]等人把刀具磨損的過程看做一個隱馬爾科夫過程，然后通過觀測特征的變化規(guī)律來推算未來刀具磨損值可能的演化序列，使用小波包理論對刀具信號進行分析和消噪處理，使用Viterbi 算法進行計算，提出了基于連續(xù)高斯密度混合HMM 的刀具磨損狀態(tài)監(jiān)測系統(tǒng)。Akhilesh Kumar[17]等人使用HMM 進行連續(xù)聚類，用于估計切削刀具的健康狀況，通過多項式回歸來構建預測模塊，建立了基于隱藏馬爾科夫模型和多項式回歸的刀具自主診斷和預測模型。但是HMM 在迭代訓練過程中，Baum-Welch 的收斂性受初值B 的影響較大，易陷入局部極小值[18]。除了隱馬爾科夫過程，也有學者基于Gamma 過程，Wiener 過程等其他隨機過程建模[19]。

隨機過程回歸模型一般只適用于描述一批同類刀具的退化過程，該方法假定所有的模型參數(shù)是確定的，因此退化軌跡也是確定的，只能表征同類設備的共性退化特點，不能反映個體差異[20]。對不同類的刀具而言，其退化軌跡并不是很清楚，如果通過假定其退化規(guī)律來進行壽命預測，即使在原方法基礎上采用改進措施也難以保證預測結果的準確性[21]。

3.1.2 貝葉斯估計

貝葉斯方法將先驗和后驗知識相結合來模擬時間序列數(shù)據(jù)。一部分學者認為，設備狀態(tài)劣化的發(fā)展過程通常不是嚴格按照統(tǒng)計出來的性能曲線的過程發(fā)展，而是劣化程度存在偏差的情況[22]。李建蘭[23]等人提出了一種利用貝葉斯理論對設備所處狀態(tài)進行修正的決策模型，利用設備狀態(tài)的性能曲線得到設備狀態(tài)的先驗概率，設置抽樣事件增加信息量，根據(jù)貝葉斯理論得出設備狀態(tài)的后驗概率，使其更符合設備的實際劣化程度，這種方式就是將刀具的退化過程看做一個隨時間變化的狀態(tài)方程，狀態(tài)方程的參數(shù)是根據(jù)在線獲得的觀測值進行貝葉斯估計更新的。聶鵬[24]等人在此基礎上，采用非負最小二乘正則參數(shù)的貝葉斯學習方法，從含噪的數(shù)據(jù)中精確地獲得稀疏解，使刀具預測模型有著良好的稀疏性，可避免過學習現(xiàn)象，同時具有概率預測能力。

3.1.3 時間序列建模

這種方法要依賴于刀具的歷史退化數(shù)據(jù)或先驗知識，將退化數(shù)據(jù)視作離散的時間序列，使用時間序列分析模型進行預測[25]。時間序列數(shù)據(jù)的模型可以有多種形式，并表示不同的隨機過程。當對過程水平進行建模時，三大重要模型分別是自回歸（Auto Regressive，AR）模型，集成（Integrated，I）模型和移動平均（Moving Average，MA）模型，這三個類別依賴于以前的數(shù)據(jù)值。而由這些模型的組合產生了自回歸移動平均（Autoregressive Moving Average Model，ARMA）和自回歸綜合移動平均（Autoregressive Integrated Moving Average Model，ARIMA）模型[26]。

徐峰[27]等人提出一個基于振動信號的趨勢預測模型，將采集到的非平穩(wěn)振動序列通過ARIMA 模型和標準化處理，對于不滿足平穩(wěn)性要求的序列需進行差分轉化成標準正態(tài)平穩(wěn)時間序列，然后進行模型參數(shù)估計，基于ARIMA 剩余壽命預測模型就是將刀具壽命的演化看做一個差分平穩(wěn)隨機過程，根據(jù)刀具壽命的歷史變化來預測磨損值的未來狀態(tài)。廖雯竹[28]等人提出了一種基于統(tǒng)計模式識別( Statistical Pat tern Recognition,SPR) 和自回歸滑動平均模型的剩余壽命預測模型。先通過采用 SPR 統(tǒng)計模式識別方法建立刀具性能評估模型，獲取刀具當前健康狀態(tài)的指標值，然后運用ARMA自回歸滑動平均模型對刀具未來的性能趨勢進行預測，從而估計其剩余壽命，并較好擬合了實際運行情況。ARMA 模型中數(shù)據(jù)之間不再只是獨立的關系，而且是存在一定的關聯(lián)性，會更依賴于數(shù)據(jù)趨勢，而數(shù)據(jù)趨勢通常在壽命即將結束時顯示出鮮明的特征，因此它們在預測短期行為（尤其是壽命快結束）時表現(xiàn)較好。但是ARIMA 這類模型有個缺點，本質上只能捕捉線性關系，不能捕捉非線性關系。

3.1.4 支持向量機

支持向量機（Support Vector Machine，SVM）是一種基于統(tǒng)計學習理論的機器學習方法，由Cortes 和Vapnik 于1995年首次提出的，主要用于解決分類和回歸問題，特別適用于分析小樣本和多維化數(shù)據(jù)[29]。

侍紅巖[30]等人分析了影響刀具壽命預測主要因素，建立了基于支持向量回歸機的刀具壽命預測模型，通過確定出模型的參數(shù)（懲罰因子、核函數(shù)參數(shù)、不敏感系數(shù)），從對刀具未來的狀態(tài)進行預測，然后對比預先設定的失效閾值從而得到刀具的剩余壽命。楊路[31]結合支持向量機與遺傳算法，利用遺傳算法隱含的并行性和全局搜索能力，反復優(yōu)化SVM 中的訓練參數(shù)，以實現(xiàn)刀具的準確預測。關山[32]等人利用經驗模態(tài)分解算法對聲發(fā)射信號進行平穩(wěn)化處理得到若干個固有模態(tài)函數(shù)的自回歸模型，并提取模型系數(shù)構造特征向量，最后采用最小二乘支持向量機回歸算法實現(xiàn)了刀具磨損量的預測。

盡管采用SVM 能夠有效解決一些工程設備的剩余壽命問題，但同樣會存在諸多缺陷。如：

（1）隨著樣本集的增大，線性將增加，進而造成過擬合和計算時間的增加；

（2）難以得到概率式的預測，即無法評估剩余壽命預測的不確定性；

（3）核函數(shù)必須滿足Mercer 條件等[33]。

3.2 基于神經網(wǎng)絡的剩余壽命預測模型

在刀具預測中，需要建立性能好的、穩(wěn)定的模型對刀具狀態(tài)進行準確地辨識和預測。對于非線性系統(tǒng)，神經網(wǎng)絡顯示了明顯的優(yōu)越性。因為神經網(wǎng)絡可以通過學習逼近任意非線性映射，將神經網(wǎng)絡應用于刀具壽命的預測，可以不受非線性模型的限制，提高壽命預測的準確性與適應性。

神經網(wǎng)絡作為一種模擬生物神經系統(tǒng)的結構和功能的數(shù)學處理方式，具有自動學習和總結的能力，常用于解決分類、回歸等問題[34]。經過了多年來的研究和探索，在剩余壽命預測領域展現(xiàn)出了強大的優(yōu)勢?；谏窠浘W(wǎng)絡的剩余壽命預測方法旨在以原始測量數(shù)據(jù)或基于原始測量數(shù)據(jù)所提取的特征作為神經網(wǎng)絡的輸入，通過一定的訓練算法不斷調整網(wǎng)絡的結構和參數(shù)，利用優(yōu)化后的網(wǎng)絡在線預測設備的剩余壽命，預測過程中無需任何先驗信息，完全基于監(jiān)測數(shù)據(jù)得到的預測結果[35]。

當前基于神經網(wǎng)絡的方法從不同的網(wǎng)絡結構可以為三類：基于前饋神經網(wǎng)絡的方法、基于反饋神經網(wǎng)絡的方法、其他神經網(wǎng)絡的方法。

3.2.1 前饋神經網(wǎng)絡

多層感知器（Multilayer Perceptron，MLP）神經網(wǎng)絡是常見的前饋神經網(wǎng)絡，許多學者研究已經證明，當隱藏層激活函數(shù)是Sigmoidal 或者高斯等函數(shù)時，通過增加隱藏層或隱藏單元，MLP神經網(wǎng)絡具有逼近任意形式非線性函數(shù)的能力[36]，所以在剩余壽命預測領域受到了學者們的廣泛關注。

MLP 大多采用網(wǎng)絡權值調整的規(guī)則是后向傳播(Back Propagation，BP)的學習方法。據(jù)統(tǒng)計，80%～90%的神經網(wǎng)絡模型采用了BP 神經網(wǎng)絡或者它的變化形式[37]。學術界常稱呼的BP神經網(wǎng)絡的模型即采用BP 算法訓練MLP 神經網(wǎng)絡的模型。文獻[38]較早開展了基于BP 神經網(wǎng)絡的剩余壽命預測方法的研究，并且與自回歸移動平均 (ARMA) 方法進行了對比分析，試驗結果驗證了基于BP 神經網(wǎng)絡的剩余壽命預測方法具有更優(yōu)的長期預測能力。

何衛(wèi)平[39]提出以切削深度，進給量，切削速度，工件材料等4個影響刀具壽命的指標，建立的BP 神經網(wǎng)絡預測模型。并且測試證明，該模型計算得到刀具的使用壽命值與刀具期望壽命值基本吻合。但是，輸入層的部分指標并非實時指標信息，在實際應用方面會有一定的局限性。

相比傳統(tǒng)的刀具壽命預測方法，BP 神經網(wǎng)絡算法的預測效果要好很多，但是由于BP 神經網(wǎng)絡存在權值和閾值的隨機性[40]，會影響預測結果的準確性。文獻[41]的研究表明：傳統(tǒng)BP 神經網(wǎng)絡算法預測刀具壽命的相對誤差最高可達17.37%，平均相對誤差為10.24%。

針對這個問題，許多學者對BP 神經網(wǎng)絡模型進行了改進，黃媛等[42]針對反向傳播算法存在收斂速度慢、容易陷入局部極小值、全局搜索能力弱等缺陷，采用蟻群算法對網(wǎng)絡權值、閾值進行初選，再通過BP 神經網(wǎng)絡進行精確尋優(yōu)。王虎等[43]也針對上述缺陷采用粒子群算法優(yōu)化網(wǎng)絡權值及閾值，循環(huán)直到適應度值達到要求或者達到最大迭代次數(shù)結束算法，提高了預測精度和收斂速度。于青等[44]嘗試在BP 神經網(wǎng)絡預測模型中引入差異演化算法，通過初始化種群、變異、交叉和選擇，使得搜索是在整個解空間進行的，提高了算法的表現(xiàn)。

3.2.2 循環(huán)神經網(wǎng)絡

循環(huán)神經網(wǎng)絡(Recurrent neural network，RNN)，它的特點是能夠保留隱含層上一時刻的狀態(tài)信息，因而在對復雜動態(tài)系統(tǒng)建模領域表現(xiàn)出了強大的優(yōu)勢[45]。但是RNN 當處理長時間監(jiān)測序列時，將會產生較大的預測偏差。鑒于此，長短期記憶 (Long Short-Term Memory，LSTM) 模型在RNN 基礎上提出，通過引入遺忘門，能夠在最優(yōu)條件下確定出所通過信息特征[46]。

王強[47]等人以LSTM 為基礎，添加額外回歸層結構，它通過全連接的形式擬合函數(shù)完成刀具磨損量和刀具剩余壽命預測值輸出，并在此基礎增加一個額外在線學習模塊，模塊輸出補充向量通過一個權值矩陣連接到基礎模型并與LSTM 共同作用到回歸層，實現(xiàn)跟隨工況變化不斷調整輸出的壽命預測值。王明微[48]等人提出技術方案是采用希爾伯特黃變換從過程監(jiān)測信號中提取出磨損特征，并對多工況因素加工工況場景進行定義，通過長短期記憶網(wǎng)絡學習加工中工況場景與刀具磨損特征變化之間的關聯(lián)關系，預測刀具剩余壽命，并取得了很高的準確率。

3.2.3 其他神經網(wǎng)絡

除了以上研究與應用較多的神經網(wǎng)絡模型外，也有學者在其他模型上進行了研究與探索。卷積神經網(wǎng)絡由LeCun 首次提出并主要用于解決圖像處理問題，主要由若干卷積層和池化層組成[49]。Babu 等人[50]首次提出專門用于解決RUL 估計問題的卷積神經網(wǎng)絡（Convolutional Neural Networks，CNN）模型，詳細闡述了CNN 模型應用于RUL 估計的構建過程。多層疊波爾茲曼機組成的深度信念網(wǎng)絡（Deep Belief Nets，DBN），Deutsch 等人[51]基于此提出深度置信網(wǎng)絡與前饋神經網(wǎng)絡組合的 （DBN-FNN）算法，它利用DBN 自學功能學習和FNN 預測能力的優(yōu)勢，用于使用振動傳感器預測旋轉元件的RUL。盡管這些模型在其他領域取得了優(yōu)異的成績，但其在RUL 預測中應用的研究較少。

4 數(shù)據(jù)驅動的刀具壽命預測研究方向

刀具RUL 預測方法為維修決策提供可靠的理論依據(jù)，隨著工業(yè)4.0 的提出和工業(yè)信息化的發(fā)展，基于數(shù)據(jù)驅動的剩余壽命預測方法受到了學者們和工程技術人員們的重點關注。然而根據(jù)現(xiàn)有研究成果，理論上與工程中仍存在大量的挑戰(zhàn)與問題有待進一步研究。下面主要對未來可能的研究方向進行詳細說明。

（1）多種失效模式下刀具剩余壽命預測研究。目前的研究大都側重于某一種失效模式下刀具的剩余壽命預測，忽略了很多失效是由于多種失效模式耦合作用所引起的，除了漸變的磨損失效外，刀具也可能會遇到很多突發(fā)失效。伴隨著多變的工況，基于單一失效模式的預測將難以適應，因而多種失效模式下刀具剩余壽命預測研究值得進一步研究。

（2）離線預測向著實時在線預測發(fā)展?；陔S機過程的預測方法可以通過現(xiàn)場監(jiān)測數(shù)據(jù)更新隱含狀態(tài)的后驗分布，并且隨著信息物理系統(tǒng)(CPS-cyber-physical system，CPS) 的使用和邊緣計算的發(fā)展，監(jiān)測數(shù)據(jù)不僅能夠為刀具目前的狀態(tài)判斷提供支持，同時也為在線壽命預測提供了數(shù)據(jù)支持。

（3）刀具數(shù)據(jù)的智能化特征提取。想要進行準確的剩余壽命預測，前提是從海量的數(shù)據(jù)中盡可能多的提取出有效信息，這就需要依靠大量信號處理技術和專家經驗知識，手動提取出特征信息。由于不同種類的傳感器采集到數(shù)據(jù)結構不同，對于處理復雜的海量異構數(shù)據(jù)而言，上述方法受到了極大的限制。深度學習能夠在一定程度上進行智能化特征提取，例如Linxia Liao 等[52]通過建立一種新的正則化項以增強受限玻爾茲曼機來自動生成適用于剩余壽命預測的特征，但有關智能化特征提取與剩余壽命預測研究仍較為匱乏，需要進行深入的研究。

（4）多種機器學習方法融合的研究，可以側重于將神經網(wǎng)絡方法與其他數(shù)據(jù)驅動方法或基于物理的方法相結合。以神經網(wǎng)絡為代表的深度學習方法雖然能夠較為準確的識別出刀具數(shù)據(jù)中的有效信息，刻畫出特征信息與剩余壽命之間的非線性關系，但卻無法獲得剩余壽命的解析概率分布，這樣就難以安排和制定維修策略；以隨機過程為代表的回歸方法雖然可根據(jù)退化軌跡來估計退化模型的參數(shù)，但剩余壽命預測精度會受到所假設退化模型的影響較大。因而在后續(xù)研究中，需要考慮如何融合多種方法的優(yōu)勢，基于多種方法融合的模型結合了兩個甚至多個方法的優(yōu)點，這些混合方法具有巨大的潛力和機會，可以提供更有效、更精確的RUL 預測。

5 結束語

本文根據(jù)不同出發(fā)原理，對基于數(shù)據(jù)驅動的刀具剩余壽命預測方法進了疏理，將其分為傳統(tǒng)機器學習方法和基于神經網(wǎng)絡的RUL 預測模型，然后展示了它們的發(fā)展分支與研究現(xiàn)狀，并且總結了相應的優(yōu)勢和劣勢，最后探討了數(shù)據(jù)驅動的刀具剩余壽命預測方法的未來研究方向。