基于深度學(xué)習(xí)的工業(yè)裝備PHM研究綜述*

李彥夫，韓特

（清華大學(xué)工業(yè)工程系 北京，100084）

引言

隨著現(xiàn)代工業(yè)裝備復(fù)雜性、精密性、自動(dòng)化以及智能化程度的不斷提高，為了有效保障工業(yè)裝備的安全可靠運(yùn)行和經(jīng)濟(jì)性維護(hù)，PHM技術(shù)應(yīng)運(yùn)而生［1］。PHM旨在綜合利用裝備傳感信息、專家知識(shí)和維修保障資源信息，借助人工智能方法和推理模型實(shí)現(xiàn)裝備運(yùn)行狀態(tài)監(jiān)測(cè)、故障識(shí)別診斷、健康狀態(tài)評(píng)估及預(yù)測(cè)，并最終提供維修保障等健康管理措施。在此之前，工業(yè)裝備維護(hù)策略已先后經(jīng)歷了事后維護(hù)、周期預(yù)防性維護(hù)、狀態(tài)維護(hù)以及預(yù)測(cè)性維護(hù)4個(gè)階段。PHM技術(shù)融合狀態(tài)維護(hù)與預(yù)測(cè)性維護(hù)的思想，成功實(shí)現(xiàn)了裝備故障的有效診斷與早期預(yù)防。

現(xiàn)在裝備PHM方法的性能很大程度上取決于所提取的特征質(zhì)量，即反映設(shè)備特性變化、趨勢(shì)變化以及故障模型演化的能力，即如何有效學(xué)習(xí)并表征裝備健康狀態(tài)特征是PHM技術(shù)的核心。目前，傳統(tǒng)特征提取方法受到以下問(wèn)題的約束：

1）特征提取過(guò)程嚴(yán)重依賴先驗(yàn)知識(shí)和專家經(jīng)驗(yàn)，特征設(shè)計(jì)過(guò)程需要深厚的數(shù)學(xué)基礎(chǔ)和豐富的診斷對(duì)象專業(yè)知識(shí)；

2）無(wú)法從大工業(yè)大數(shù)據(jù)中獲得統(tǒng)計(jì)意義上的健康特征表示，人工設(shè)計(jì)的特征難免以偏概全，無(wú)法準(zhǔn)確表征裝備健康；

3）所提取的特征通常為對(duì)信息的淺層次表達(dá)，在處理復(fù)雜裝備信號(hào)時(shí)，其泛化能力有限；

4）所設(shè)計(jì)的特征普適性較差，往往需要根據(jù)裝備系統(tǒng)特性、運(yùn)行工況條件進(jìn)行量身定制，當(dāng)對(duì)象的系統(tǒng)物理特性發(fā)生改變時(shí)，所設(shè)計(jì)的特征需要相應(yīng)調(diào)整更換。

隨著計(jì)算能力的提高和出現(xiàn)高效的深層結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法，深度學(xué)習(xí)逐漸興起。Hinton等［2-3］推動(dòng)深度學(xué)習(xí)取得突破性進(jìn)展，使得神經(jīng)網(wǎng)絡(luò)模型逐漸由淺入深，深度學(xué)習(xí)也成為機(jī)器學(xué)習(xí)方向的一個(gè)重要分支。深度學(xué)習(xí)理論旨在疊加多層次、多結(jié)構(gòu)的信息表示層，以期在數(shù)據(jù)建模處理過(guò)程中獲得層次化信息表征能力，最終取得更優(yōu)的分類及預(yù)測(cè)能力。經(jīng)典的深度學(xué)習(xí)模型，如受限玻爾茲曼機(jī)（restricted Boltzmann machine，簡(jiǎn)稱RBM）、深層置信網(wǎng)絡(luò)（deep belief network，簡(jiǎn)稱DBN）、自編碼器（autoencoder，簡(jiǎn)稱AE）、卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，簡(jiǎn)稱CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，簡(jiǎn)稱RNN）以及生成對(duì)抗網(wǎng)絡(luò)（generative adversarial network，簡(jiǎn)稱GAN）等，已經(jīng)在計(jì)算機(jī)視覺(jué)、圖像處理、自然語(yǔ)言處理、醫(yī)療診斷及推薦系統(tǒng)等領(lǐng)域得到廣泛研究與應(yīng)用［4-8］。鑒于深度學(xué)習(xí)模型所具備的從原始數(shù)據(jù)中獲取多層次非線性特征學(xué)習(xí)的能力，深度學(xué)習(xí)為工業(yè)裝備PHM提供了一套完整的理論方法和有效便捷的工具。

筆者系統(tǒng)梳理了工業(yè)裝備PHM中常見(jiàn)的深度學(xué)習(xí)模型，綜述了國(guó)內(nèi)外基于深度學(xué)習(xí)的PHM研究現(xiàn)狀及研究熱點(diǎn)，探討了現(xiàn)存的主要問(wèn)題，并展望了深度學(xué)習(xí)在PHM領(lǐng)域的未來(lái)研究方向及可能的解決方案。

1 PHM框架

PHM技術(shù)是用于改善并提高設(shè)備安全性和可靠性、保障執(zhí)行任務(wù)成功率的重要手段，也是提高維修效率和節(jié)約維修成本的重要工具。PHM內(nèi)涵極為豐富，主要包括傳感器網(wǎng)絡(luò)的數(shù)據(jù)采集和傳輸、裝備狀態(tài)監(jiān)測(cè)、故障診斷、故障預(yù)測(cè)、健康管理和決策等。國(guó)際上眾多標(biāo)準(zhǔn)組織，如IEEE和ISO等，已經(jīng)圍繞PHM發(fā)布一系列標(biāo)準(zhǔn)［9］。圖1所示為PHM基本框架。

圖1 工業(yè)裝備PHM框架示意圖Fig.1 Illustration of PHM framework of industrial equipment

首先，PHM技術(shù)通過(guò)部署在裝備上的傳感器網(wǎng)絡(luò)收集反映裝備健康狀態(tài)的相關(guān)數(shù)據(jù)，如振動(dòng)、轉(zhuǎn)速、溫度、電流及聲發(fā)射等。由于復(fù)雜運(yùn)行環(huán)境以及傳感器故障等因素，獲取的數(shù)據(jù)往往質(zhì)量較差，因此需要有效的信號(hào)預(yù)處理方法來(lái)保障數(shù)據(jù)質(zhì)量。常見(jiàn)的數(shù)據(jù)質(zhì)量保障方法包括數(shù)據(jù)規(guī)整、數(shù)據(jù)清洗及數(shù)據(jù)恢復(fù)。其次，對(duì)于獲取的數(shù)據(jù)，需要進(jìn)一步從中提取故障敏感特征信息，其中常見(jiàn)的方法包括基于信號(hào)處理技術(shù)的人工特征提取、特征選擇、降維以及深度學(xué)習(xí)方法。機(jī)器學(xué)習(xí)算法通過(guò)提取到的特征進(jìn)行異常檢測(cè)、故障診斷及預(yù)測(cè)。最后，PHM技術(shù)根據(jù)故障診斷及預(yù)測(cè)狀態(tài)制定維修決策，形成維修建議?？傊?，PHM技術(shù)通盤(pán)考慮了裝備的狀態(tài)監(jiān)測(cè)、故障診斷、預(yù)測(cè)及維修決策等裝備運(yùn)維的關(guān)鍵過(guò)程，對(duì)于裝備安全可靠運(yùn)行意義重大［10］。

PHM技術(shù)能否實(shí)現(xiàn)可靠的故障診斷、預(yù)測(cè)以及合理的維修策略制定，取決于其核心的數(shù)據(jù)分析方法。傳統(tǒng)的基于人工特征提取的數(shù)據(jù)分析方法需要依賴專家經(jīng)驗(yàn)，且難以避免繁瑣的人工參數(shù)設(shè)計(jì)，無(wú)法充分契合工業(yè)大數(shù)據(jù)的特性。淺層機(jī)器學(xué)習(xí)模型對(duì)裝備非線性監(jiān)測(cè)數(shù)據(jù)的學(xué)習(xí)表征能力有限。為了克服PHM的局限，研究人員需要開(kāi)發(fā)新的解決方案，深度學(xué)習(xí)為此提供了一套深具潛力的理論方法體系。

2 工業(yè)裝備PHM中的深度學(xué)習(xí)模型

近年來(lái)，深度學(xué)習(xí)（deep learning，簡(jiǎn)稱DL）或深度神經(jīng)網(wǎng)絡(luò)（deep neural networks，簡(jiǎn)稱DNN）越來(lái)越受到各個(gè)領(lǐng)域研究人員的關(guān)注。通過(guò)利用多層神經(jīng)網(wǎng)絡(luò)的層次結(jié)構(gòu)，以逐層處理的方式從數(shù)據(jù)中提取有效信息。深層結(jié)構(gòu)保證了DNN對(duì)原始數(shù)據(jù)的多層次抽象表達(dá)，可以自動(dòng)捕獲海量數(shù)據(jù)中的復(fù)雜結(jié)構(gòu)特征。鑒于其在特征學(xué)習(xí)方面的顯著優(yōu)勢(shì)，DNN有效彌補(bǔ)了人工特征提取方法無(wú)法自適應(yīng)特征學(xué)習(xí)的劣勢(shì)，在處理工業(yè)裝備監(jiān)測(cè)大數(shù)據(jù)中顯現(xiàn)出巨大潛力和迫切需求?；谏疃葘W(xué)習(xí)的裝備PHM已經(jīng)成為領(lǐng)域的研究熱點(diǎn)［11-13］。

PHM研究領(lǐng)域中主流的深度學(xué)習(xí)基本模型包括DBN，AE，CNN，RNN和GAN。圖2為上述典型深度學(xué)習(xí)模型的基本單元示意圖。本節(jié)將重點(diǎn)介紹這些模型的原理及其在PHM領(lǐng)域中的典型應(yīng)用，以闡明深度學(xué)習(xí)在工業(yè)裝備PHM的研究現(xiàn)狀。

圖2 典型深度學(xué)習(xí)模型基本單元示意圖Fig.2 Illustration of the units in typical deep neural networks

2.1 深度置信網(wǎng)絡(luò)

DBN是第1個(gè)成功應(yīng)用于PHM領(lǐng)域的深度學(xué)習(xí)模型，它由多個(gè)RBM堆疊形成。DBN的頂層是無(wú)方向性的，其他層自上而下連接。DBN的訓(xùn)練分為2個(gè)步驟：預(yù)訓(xùn)練和微調(diào)。預(yù)訓(xùn)練通過(guò)貪婪學(xué)習(xí)算法以自下而上的方式進(jìn)行無(wú)監(jiān)督學(xué)習(xí)。當(dāng)網(wǎng)絡(luò)通過(guò)預(yù)訓(xùn)練完成初始化，就可以通過(guò)有監(jiān)督的方法利用標(biāo)記數(shù)據(jù)對(duì)參數(shù)進(jìn)行微調(diào)。DBN中無(wú)監(jiān)督逐層預(yù)訓(xùn)練可以構(gòu)造一系列高度非線性的映射關(guān)系，這是從裝備監(jiān)測(cè)信號(hào)中提取健康狀態(tài)信息的關(guān)鍵。

Tamilselvan等［14］將DBN成功應(yīng)用于航空發(fā)動(dòng)機(jī)和電力變壓器的健康狀態(tài)分類任務(wù)中。Tran等［15］利用Teager-Kaiser能量算子與小波變換對(duì)往復(fù)式壓縮機(jī)閥門(mén)監(jiān)測(cè)信號(hào)進(jìn)行預(yù)處理，利用DBN對(duì)提取的統(tǒng)計(jì)特征進(jìn)行機(jī)械狀態(tài)診斷。Shao等［16］利用粒子群算法（particle swarm optimization，簡(jiǎn)稱PSO）對(duì)DBN模型結(jié)構(gòu)進(jìn)行參數(shù)優(yōu)化，并成功應(yīng)用到滾動(dòng)軸承故障診斷中。Guan等［17］通過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解和樣本熵提取原始信號(hào)中的故障特征分量，構(gòu)建DBN模型準(zhǔn)確識(shí)別了旋轉(zhuǎn)機(jī)械轉(zhuǎn)子系統(tǒng)中的不同健康狀態(tài)。

2.2 自編碼器

AE是一種包含兩階段訓(xùn)練過(guò)程的無(wú)監(jiān)督網(wǎng)絡(luò)，在輸出層實(shí)現(xiàn)對(duì)輸入信號(hào)的重構(gòu)。編碼通過(guò)特征提取函數(shù)獲得數(shù)據(jù)的隱狀態(tài)，解碼將隱狀態(tài)映射回輸入空間，獲得數(shù)據(jù)的重建。與RBM類似，自動(dòng)編碼器可以通過(guò)堆疊形成深度模型，稱之為堆疊自動(dòng)編碼器（stacked autoencoder，簡(jiǎn)稱SAE），其通過(guò)將上一層的隱狀態(tài)作為下一層的輸入，并以一種貪婪學(xué)習(xí)的方式逐層訓(xùn)練。在隱藏層維度大于輸入層的超完備情況下，標(biāo)準(zhǔn)的AE常常面臨無(wú)法從原始數(shù)據(jù)中學(xué)習(xí)到有用信息的困擾。因此，需要通過(guò)引入正則化或其他生成式建模方法對(duì)標(biāo)準(zhǔn)AE進(jìn)行改進(jìn)。常見(jiàn)的變種AE包括稀疏自編碼器、降噪自編碼器和變分自編碼器等。

Verma等［18］在空氣壓縮機(jī)故障診斷問(wèn)題中提出了基于稀疏AE的特征學(xué)習(xí)方法，有效解決了傳統(tǒng)SVM無(wú)法選擇最優(yōu)故障特征的難題。Lu等［19］研究了堆疊降噪AE模型在滾動(dòng)軸承故障診斷中的表現(xiàn)，認(rèn)為該方法具有良好的抗噪聲干擾能力。Oliaee等［20］構(gòu)建深度AE用于自適應(yīng)的特征提取，成功診斷了燃?xì)廨啓C(jī)故障。雷亞國(guó)等［21］構(gòu)建深度降噪AE，完成了多級(jí)齒輪傳動(dòng)系統(tǒng)中不同故障類型的識(shí)別。

2.3 卷積神經(jīng)網(wǎng)絡(luò)

作為在PHM領(lǐng)域應(yīng)用最為廣泛的深度學(xué)習(xí)模型，CNN在處理具有網(wǎng)格狀拓?fù)浣Y(jié)構(gòu)的數(shù)據(jù)方面顯示出良好的效果。CNN與標(biāo)準(zhǔn)DNN的關(guān)鍵區(qū)別在于參數(shù)共享，這使得模型可以在信號(hào)中不同的位置捕捉特定的特征。

CNN模型起源于計(jì)算機(jī)視覺(jué)領(lǐng)域，用于處理2維圖像數(shù)據(jù)。工業(yè)裝備監(jiān)測(cè)數(shù)據(jù)通常為1維時(shí)序數(shù)據(jù)。早期研究多數(shù)利用時(shí)頻分析等技術(shù)將1維時(shí)序數(shù)據(jù)，如振動(dòng)、溫度、噪聲等信號(hào)，轉(zhuǎn)化為2維格式數(shù)據(jù)。Hoang等［22］將1維軸承振動(dòng)信號(hào)轉(zhuǎn)化為2維格式，隨后構(gòu)建2維CNN模型進(jìn)行故障診斷。Verstraete等［23］利用時(shí)頻分析方法獲取軸承振動(dòng)信號(hào)的2維時(shí)頻圖像，進(jìn)而利用2維CNN模型進(jìn)行分類。Yoo等［24］采用連續(xù)小波變換提取原始信號(hào)中的時(shí)頻圖像，通過(guò)CNN模型學(xué)習(xí)圖像中的健康指標(biāo)，有效預(yù)測(cè)了軸承的剩余使用壽命。Aghazadeh等［25］構(gòu)建CNN模型，從小波時(shí)頻圖譜中學(xué)習(xí)故障特征，完成了刀具磨損狀態(tài)評(píng)估。

盡管從1維時(shí)序數(shù)據(jù)到2維格式數(shù)據(jù)的轉(zhuǎn)換可以有效利用CNN模型，但信號(hào)處理環(huán)節(jié)增加了算法的復(fù)雜度，且信號(hào)處理參數(shù)設(shè)置也需要依靠專家經(jīng)驗(yàn)。因此，更多的研究采用包含1維卷積核的CNN模型，建立端對(duì)端的PHM方法。Mo等［26］提出了一種基于1維變分卷積核的CNN模型，以增強(qiáng)更加重要的故障特征學(xué)習(xí)能力，在有限的機(jī)械故障數(shù)據(jù)下表現(xiàn)出更佳的性能。Wu等［27］提出了一種基于1維CNN的轉(zhuǎn)子碰摩故障診斷方法，從轉(zhuǎn)子系統(tǒng)的原始振動(dòng)信號(hào)中主動(dòng)學(xué)習(xí)有用的特征。Zhang等［28］基于1維CNN提出了一種Dense-Squeeze Network，用于列車轉(zhuǎn)向架故障診斷。Kao等［29］提出一種小波包分解和1維CNN的永磁同步電機(jī)故障診斷方法，有效提取電流信號(hào)中的故障特征。

2.4 循環(huán)神經(jīng)網(wǎng)絡(luò)

RNN是一類包含反饋回路的深度學(xué)習(xí)模型，該類模型的優(yōu)勢(shì)在于可以保持之前單元的信息，因此能夠從時(shí)間序列中捕捉長(zhǎng)期的時(shí)間依賴關(guān)系，非常適用于時(shí)序數(shù)據(jù)，如自然語(yǔ)言和時(shí)間序列的處理。在訓(xùn)練過(guò)程中，隱藏單元根據(jù)當(dāng)前輸入在該時(shí)刻的激活和之前的隱藏狀態(tài)依次更新。RNN仍然存在梯度消失或爆炸的問(wèn)題，即在梯度傳播回初始層的過(guò)程中，梯度會(huì)逐漸縮小并最終消失。另一方面，如果梯度大于1，它們會(huì)通過(guò)無(wú)數(shù)次的矩陣乘法累積起來(lái)，導(dǎo)致模型崩潰。長(zhǎng)短時(shí)記憶（long short term memory，簡(jiǎn)稱LSTM）網(wǎng)絡(luò)和門(mén)控遞歸單元（gated recurrent unit，簡(jiǎn)稱GRU）是RNN的變體，有助于緩解上述問(wèn)題。

目前，RNN及其變體在工業(yè)裝備故障診斷，尤其是故障預(yù)測(cè)方面已經(jīng)存在諸多研究。Lei等［30］提出了一種基于LSTM的風(fēng)力機(jī)多源時(shí)序數(shù)據(jù)特征學(xué)習(xí)方法，取得了理想的故障診斷精度。Zhao等［31］設(shè)計(jì)了一種增強(qiáng)雙向GRU網(wǎng)絡(luò)，并將其應(yīng)用于機(jī)械裝備健康狀態(tài)監(jiān)測(cè)。Zhao等［32］提出了基于膠囊神經(jīng)網(wǎng)絡(luò)和LSTM的雙通道混合故障預(yù)測(cè)模型，有效避免了局部特征的空間關(guān)系丟失，提高了LSTM的預(yù) 測(cè) 精 度。Huang等［33］利 用 雙 向LSTM網(wǎng) 絡(luò) 同 時(shí)處理發(fā)動(dòng)機(jī)多傳感器與多工況數(shù)據(jù)，取得了較為先進(jìn)的預(yù)測(cè)精度。針對(duì)LSTM算法復(fù)雜度高、無(wú)法部署到邊緣計(jì)算設(shè)備上的問(wèn)題，Xu等［34］提出了一種基于知識(shí)蒸餾和LSTM的機(jī)械裝備故障預(yù)測(cè)方法。

2.5 生成對(duì)抗神經(jīng)網(wǎng)絡(luò)

GAN通常由判別器和生成器組成。作為模型的生成部分，生成器主要學(xué)習(xí)輸入的分布并創(chuàng)建假數(shù)據(jù)。判別器的作用在于同時(shí)接受真實(shí)數(shù)據(jù)與生成器創(chuàng)建的假數(shù)據(jù)，并識(shí)別數(shù)據(jù)的真實(shí)性。GAN中的對(duì)抗部分主要由生成器與判別器以博弈的方式開(kāi)展，訓(xùn)練過(guò)程類似于博弈論中判別器與生成器之間的最小最大雙人博弈。原始GAN模型在生成器與判別器中完全使用全連接層，最近的研究開(kāi)發(fā)了諸多基于AE，CNN以及RNN架構(gòu)的變種GAN模型。工業(yè)裝備PHM領(lǐng)域也涌現(xiàn)出大量基于GAN的研究［35-40］。

2.6 其他深度學(xué)習(xí)模型

除了上述代表性深度學(xué)習(xí)模型之外，工業(yè)裝備PHM領(lǐng)域也用到了其他類型的深度學(xué)習(xí)模型，這類研究通常基于典型深度學(xué)習(xí)單元進(jìn)行改進(jìn)，使之適用于特定的PHM任務(wù)。

Zhu等［41］受動(dòng)態(tài)路由膠囊網(wǎng)的啟發(fā)，提出了一個(gè)具有Inception block和回歸分支的新型膠囊網(wǎng)絡(luò)，在軸承故障診斷案例中，所提模型相較于傳統(tǒng)方法和最先進(jìn)的CNN模型具有更強(qiáng)的泛化能力。Zhao等［42］開(kāi)發(fā)一個(gè)變體深度殘差網(wǎng)絡(luò)（deep residual networks，簡(jiǎn)稱DRN）模型，在DRN前融合動(dòng)態(tài)加權(quán)小波系數(shù)層，提高對(duì)行星齒輪箱故障本質(zhì)信息的挖掘。Liu等［43］針對(duì)電機(jī)故障信號(hào)的非平穩(wěn)特性，設(shè)計(jì)了一種基于多尺度核的殘差CNN模型，以獲取電機(jī)軸承故障深層及分層的多模式故障特征，在5種典型電機(jī)故障中取得了優(yōu)越的診斷結(jié)果。He等［44］為了捕捉風(fēng)力發(fā)電機(jī)SCADA數(shù)據(jù)中每個(gè)傳感器變量?jī)?nèi)部復(fù)雜的時(shí)間相關(guān)性和不同傳感器變量之間的空間相關(guān)性，提出了一種時(shí)空多尺度深度學(xué)習(xí)模型，首先基于回聲狀態(tài)網(wǎng)絡(luò)（echo state network，簡(jiǎn)稱ESN）提取多尺度時(shí)間信息，再利用多尺度殘差模型提取多尺度空間特征，所提模型有效性在實(shí)際風(fēng)電場(chǎng)SCADA數(shù)據(jù)中得到驗(yàn)證。Li等［45］研究了基于拓?fù)浣Y(jié)構(gòu)數(shù)據(jù)的圖卷積神經(jīng)網(wǎng)絡(luò)（graph convolutional networks，簡(jiǎn)稱GCN）的機(jī)械裝備故障診斷方法，借助于GCN在非歐幾里得空間的圖數(shù)據(jù)處理中的特征表示能力，驗(yàn)證了所提方法在機(jī)械故障診斷中的有效性。Zhao等［46］開(kāi)發(fā)了一種基于新型半監(jiān)督圖卷積深度信念網(wǎng)絡(luò)模型的機(jī)電系統(tǒng)智能故障診斷方法，采用標(biāo)記和無(wú)標(biāo)記的樣本來(lái)設(shè)計(jì)自適應(yīng)局部圖學(xué)習(xí)方法，在電機(jī)軸承系統(tǒng)診斷案例中，僅用10%的標(biāo)記訓(xùn)練數(shù)據(jù)達(dá)到98.66%的診斷精度。

3 深度學(xué)習(xí)在工業(yè)裝備PHM的應(yīng)用

3.1 深度學(xué)習(xí)在異常檢測(cè)方面的應(yīng)用

工業(yè)裝備異常檢測(cè)重點(diǎn)關(guān)注如何利用在線監(jiān)測(cè)數(shù)據(jù)，準(zhǔn)確、穩(wěn)定地檢測(cè)異常及早期故障。在線異常檢測(cè)有助于避免停機(jī)檢修而造成的損失。不同于故障診斷的故障歸類與原因分析，異常監(jiān)測(cè)側(cè)重于健康狀態(tài)之外的裝備異常狀態(tài)報(bào)警。因此，異常檢測(cè)模型訓(xùn)練無(wú)需大量典型標(biāo)定的各類故障模式數(shù)據(jù)，可以僅通過(guò)正常數(shù)據(jù)進(jìn)行無(wú)監(jiān)督訓(xùn)練，異常監(jiān)測(cè)在工業(yè)裝備PHM中具有較強(qiáng)的工程環(huán)境適用性和明確的應(yīng)用需求。

戴俊等［47］針對(duì)機(jī)械裝備故障樣本獲取困難的問(wèn)題，提出了一種基于GAN和SAE的異常檢測(cè)方法，僅利用正常數(shù)據(jù)進(jìn)行模型訓(xùn)練，有效監(jiān)測(cè)裝備未知異常狀態(tài)。毛文濤等［48］從時(shí)域數(shù)據(jù)異常檢測(cè)的角度，利用深度遷移自編碼器提取軸承早期故障特征，基于正常數(shù)據(jù)排列熵確定報(bào)警閾值，有效識(shí)別軸承異常狀態(tài)。向玲等［49］提出一種融合CNN和LSTM的級(jí)聯(lián)深度學(xué)習(xí)模型，分析華北某風(fēng)電場(chǎng)SCADA系統(tǒng)數(shù)據(jù)，監(jiān)測(cè)了風(fēng)力機(jī)齒輪箱的溫度異常。許勇等［50］綜合了DBN，CNN和RNN等深度學(xué)習(xí)模型在核電設(shè)備狀態(tài)監(jiān)測(cè)與異常監(jiān)測(cè)中的應(yīng)用，檢測(cè)了給水管道、泵以及穩(wěn)壓器安全閥等設(shè)備的異常狀態(tài)。Miele等［51］提出 一 種新型風(fēng)力 發(fā)電機(jī)SCADA數(shù)據(jù)的無(wú)監(jiān)督異常檢測(cè)框架，利用圖卷積SAE處理多源時(shí)域序列，有效捕獲多變量信號(hào)之間的非線性關(guān)系，提升了SAE無(wú)監(jiān)督特征學(xué)習(xí)能力和對(duì)異常狀態(tài)的敏 感 程 度。Xiang等［52］提 出 了 一 種 基 于CNN和 雙向門(mén)控循環(huán)單元的深度學(xué)習(xí)模型，用于風(fēng)力機(jī)時(shí)空特征提取和早期異常狀態(tài)檢測(cè)。Wang等［53］提出了一種基于變分模態(tài)分解和SAE的異常檢測(cè)方法，通過(guò)觀測(cè)深度SAE重構(gòu)誤差，有效檢測(cè)了水輪發(fā)電機(jī)組異常狀態(tài)。Yang等［54］將深度學(xué)習(xí)用于航天器遙測(cè)數(shù)據(jù)異常檢測(cè)中，將LSTM非線性模型與多尺度異常檢測(cè)策略相結(jié)合，在NASA基準(zhǔn)航天器數(shù)據(jù)和北斗導(dǎo)航衛(wèi)星時(shí)鐘數(shù)據(jù)中驗(yàn)證了方法的有效性。

3.2 深度學(xué)習(xí)在故障診斷方面的應(yīng)用

故障診斷是保障工業(yè)裝備安全可靠運(yùn)行的關(guān)鍵環(huán)節(jié)。基于深度學(xué)習(xí)的故障診斷方法通過(guò)引入更深、更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)捕捉監(jiān)測(cè)數(shù)據(jù)中的高階、抽象特征信息，從而準(zhǔn)確識(shí)別裝備的健康狀態(tài)，實(shí)現(xiàn)裝備故障監(jiān)測(cè)數(shù)據(jù)的在線診斷。

考慮工業(yè)裝備現(xiàn)場(chǎng)運(yùn)行環(huán)境特點(diǎn)及裝備故障診斷本身的復(fù)雜特性，以數(shù)據(jù)為核心的深度學(xué)習(xí)方法需要考慮以下問(wèn)題：①裝備監(jiān)測(cè)數(shù)據(jù)通常來(lái)自于多源傳感器，不同測(cè)點(diǎn)、不同類型的監(jiān)測(cè)數(shù)據(jù)可以從不同維度反映裝備健康狀態(tài)；②由于高可靠性要求，工業(yè)裝備通常在健康狀態(tài)條件下運(yùn)行，監(jiān)測(cè)數(shù)據(jù)表現(xiàn)出非平衡特點(diǎn)，典型故障數(shù)據(jù)往往極其有限；③深度學(xué)習(xí)模型通常假設(shè)訓(xùn)練數(shù)據(jù)和部署場(chǎng)景中的測(cè)試數(shù)據(jù)遵從獨(dú)立同分布，然而工業(yè)裝備運(yùn)行工況，如轉(zhuǎn)速和載荷等復(fù)雜多變，往往造成訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)間的分布漂移，制約了深度學(xué)習(xí)模型的診斷精度；④以旋轉(zhuǎn)機(jī)械為代表的裝備機(jī)械結(jié)構(gòu)復(fù)雜，故障部件距離傳感器安裝位置具有較長(zhǎng)的傳遞路徑，故障信號(hào)往往表現(xiàn)出故障模式復(fù)雜、低信噪比及非平穩(wěn)等特點(diǎn)，單一深度學(xué)習(xí)模型面臨結(jié)構(gòu)單一、特征提取能力不足的問(wèn)題。

目前，相關(guān)研究充分考慮上述實(shí)際應(yīng)用問(wèn)題，主要聚焦信息融合下的深度學(xué)習(xí)故障診斷、考慮數(shù)據(jù)非平衡的深度學(xué)習(xí)故障診斷、基于小樣本學(xué)習(xí)的深度學(xué)習(xí)故障診斷、復(fù)雜變工況下的深度學(xué)習(xí)故障診斷、基于領(lǐng)域自適應(yīng)的深度學(xué)習(xí)故障診斷以及基于深度集成學(xué)習(xí)故障診斷等方面。

3.2.1 信息融合下的深度學(xué)習(xí)故障診斷

信息融合下的故障診斷旨在融合并利用多源傳感器數(shù)據(jù)，在數(shù)據(jù)層、特征層以及決策層不同層級(jí)上對(duì)數(shù)據(jù)和信息進(jìn)行關(guān)聯(lián)、相關(guān)和綜合，從而提高了模型算法的故障診斷能力。Zhang等［55］提出了一種考慮數(shù)據(jù)層融合和特征層融合的多層次深度信息融合診斷框架，成功應(yīng)用于實(shí)際離心式鼓風(fēng)機(jī)故障診斷中。Zhang等［56］提出了一種基于信息融合和深度學(xué)習(xí)的質(zhì)子交換膜燃料電池故障診斷方法，通過(guò)反向傳播神經(jīng)網(wǎng)絡(luò)將原始測(cè)量信號(hào)轉(zhuǎn)換為特征映射，進(jìn)行特征層信息融合，然后輸入基于InceptionNet的CNN實(shí)現(xiàn)故障分類。Gültekin等［57］利用自動(dòng)轉(zhuǎn)運(yùn)車電機(jī)上的多源聲音和振動(dòng)監(jiān)測(cè)信號(hào)，構(gòu)建了一種基于LeNet5的多源信息融合深度模型，用于車輛故障的識(shí)別診斷。Shao等［58］基 于Morlet小 波函數(shù)的SAE模型，提出了一種靈活加權(quán)融合策略的多源傳感數(shù)據(jù)信息融合方法，在行星齒輪箱故障診斷案例中進(jìn)行了驗(yàn)證。

3.2.2 考慮數(shù)據(jù)非平衡的深度學(xué)習(xí)故障診斷

在模型層面，考慮數(shù)據(jù)非平衡的深度學(xué)習(xí)故障診斷研究通過(guò)設(shè)計(jì)新的損失函數(shù)和模型結(jié)構(gòu)來(lái)關(guān)注數(shù)據(jù)中的少數(shù)類別。Jia等［59］通過(guò)改進(jìn)損失函數(shù)，設(shè)計(jì)了一種深度歸一化CNN模型，解決了不平衡數(shù)據(jù)的機(jī)械故障診斷問(wèn)題。Geng等［60］在深度殘差學(xué)習(xí)模型中，提出一種不平衡加權(quán)交叉熵的損失函數(shù)，通過(guò)增加少數(shù)群體的權(quán)重來(lái)解決列車轉(zhuǎn)向架故障數(shù)據(jù)不平衡的問(wèn)題。Zhao等［61］構(gòu)建了一種基于拉普拉斯正則化的SAE模型，可從非平衡數(shù)據(jù)中少量故障樣本獲取故障特征信息，增強(qiáng)模型對(duì)旋轉(zhuǎn)機(jī)械故障診斷的能力。Zhao等［62］提出了一種基于批量歸一化和指數(shù)移動(dòng)平均的歸一化CNN模型，可以有效地改善數(shù)據(jù)不平衡情況下的故障分類精度。在數(shù)據(jù)層面，數(shù)據(jù)增強(qiáng)是解決非平衡故障診斷的一類主要方法。Zhang等［63］構(gòu) 建了 一 種 融合DBN模 型 和 合成少數(shù)類過(guò)采樣技術(shù)（synthetic minority oversampling technique，簡(jiǎn)稱SMOTE）的故障診斷框架，對(duì)混合動(dòng)力電車燃料電池系統(tǒng)4種健康狀態(tài)識(shí)別準(zhǔn)確率達(dá)到100%。Jiang等［64］通過(guò)融合GAN、馬氏距離和歐幾里得距離，提出了一種數(shù)據(jù)增強(qiáng)策略以生成高質(zhì)量 故障樣本。Zhang等［65］利 用Wasserstein GAN擴(kuò)充少數(shù)類樣本，提升機(jī)械故障診斷模型性能。

3.2.3 基于小樣本學(xué)習(xí)的深度學(xué)習(xí)故障診斷

在實(shí)際工業(yè)故障診斷任務(wù)中，裝備故障數(shù)據(jù)極其有限，基于小樣本學(xué)習(xí)的深度故障診斷方法在此情況下顯現(xiàn)出優(yōu)勢(shì)。深度學(xué)習(xí)框架下的小樣本學(xué)習(xí)方法通常基于原型網(wǎng)絡(luò)［66］、匹配網(wǎng)絡(luò)［67］、孿生網(wǎng)絡(luò)［68］以及關(guān)系網(wǎng)絡(luò)［69］開(kāi)展。Zhang等［70］基于孿生網(wǎng)絡(luò)模型，討論了小樣本學(xué)習(xí)下的軸承故障診斷方法，通過(guò)度量輸入樣本對(duì)之間的距離來(lái)確定它們的相似性，進(jìn)而識(shí)別樣本故障類型。Wu等［71］利用關(guān)系網(wǎng)絡(luò)開(kāi)發(fā)了一種小樣本遷移學(xué)習(xí)方法，以解決設(shè)備在不同工況下的故障樣本匱乏的問(wèn)題。Ding等［72］設(shè)計(jì)了一種元學(xué)習(xí)模型，通過(guò)元CNN和元門(mén)控循環(huán)單元來(lái)解決小樣本的機(jī)械裝備故障診斷問(wèn)題。

3.2.4 復(fù)雜變工況下的深度學(xué)習(xí)故障診斷

由于工業(yè)裝備在實(shí)際運(yùn)行環(huán)境中工況多變，外部環(huán)境，如溫度、壓力和背景噪聲等難以預(yù)測(cè)，從而引入不確定性因素。數(shù)據(jù)驅(qū)動(dòng)下的深度學(xué)習(xí)故障診斷模型通常假設(shè)訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)獨(dú)立同分布，因此在特定工況數(shù)據(jù)下的訓(xùn)練得到的模型難以準(zhǔn)確診斷不同工況下的監(jiān)測(cè)數(shù)據(jù)。復(fù)雜變工況致使的數(shù)據(jù)分布漂移是制約深度學(xué)習(xí)故障診斷模型的一個(gè)關(guān)鍵因素。國(guó)內(nèi)外學(xué)者對(duì)此展開(kāi)了深入研究，主要方法概括如下：①通過(guò)信號(hào)預(yù)處理降低工況變化致使的數(shù)據(jù)分布漂移；②利用遷移學(xué)習(xí)方法，主要包括領(lǐng)域自適應(yīng)與預(yù)訓(xùn)練-微調(diào)策略，將已知工況下的診斷知識(shí)遷移到目標(biāo)工況，降低工況變化對(duì)模型的干擾；③研究對(duì)工況變化魯棒且泛化的深度學(xué)習(xí)故障診斷模型。Ji等［73］提出了一種融合階次跟蹤和1維CNN模型，處理變轉(zhuǎn)速工況下故障診斷問(wèn)題，通過(guò)階次跟蹤預(yù)處理，可以將不同轉(zhuǎn)速下的監(jiān)測(cè)數(shù)據(jù)進(jìn)行重采樣，避免了轉(zhuǎn)速變化引起的數(shù)據(jù)分布漂移。Wen等［74］設(shè)計(jì)了一種基于SAE的深度遷移學(xué)習(xí)模型，通過(guò)最小化最大均值差異（maximum mean discrepancy，簡(jiǎn)稱MMD）降低深度學(xué)習(xí)模型對(duì)不同工況下監(jiān)測(cè)數(shù)據(jù)的表示差異，提高了不同工況下的滾動(dòng)軸承診斷精度。Chen等［75］提出了一種對(duì)抗遷移網(wǎng)絡(luò)模型，利用對(duì)抗訓(xùn)練最小化不同轉(zhuǎn)速條件下的數(shù)據(jù)分布差異，用于旋轉(zhuǎn)機(jī)械不同轉(zhuǎn)速下的遷移診斷。Shao等［76］采用從預(yù)訓(xùn)練到模型微調(diào)的遷移學(xué)習(xí)方法，提出一種融合改進(jìn)CNN模型和熱力圖的轉(zhuǎn)子軸承系統(tǒng)跨工況故障診斷方法。Han等［77］基于對(duì)抗訓(xùn)練與度量學(xué)習(xí)，在深度學(xué)習(xí)框架下提出了一種泛化網(wǎng)絡(luò)，處理未知工況下的旋轉(zhuǎn)機(jī)械故障診斷問(wèn)題，所提模型對(duì)未知工況表現(xiàn)出良好的泛化性能。

3.2.5 基于領(lǐng)域自適應(yīng)的深度學(xué)習(xí)故障診斷

作為遷移學(xué)習(xí)理論方法的一個(gè)重要分支，領(lǐng)域自適應(yīng)方法不僅可以解決深度學(xué)習(xí)模型在不同工況下的故障診斷問(wèn)題，在處理其他故障診斷難題時(shí)也表現(xiàn)出潛在優(yōu)勢(shì)，例如不同傳感器測(cè)點(diǎn)間的遷移診斷問(wèn)題和不同裝備間的遷移診斷問(wèn)題。深度學(xué)習(xí)下的領(lǐng)域自適應(yīng)故障診斷方法核心思想為不同域下的數(shù)據(jù)、特征等層面的分布適配，減小領(lǐng)域差異。目前，主流的領(lǐng)域自適應(yīng)深度學(xué)習(xí)故障診斷方法可以劃 分 為MMD最 小 化 和 對(duì) 抗 訓(xùn) 練。Lu等［78］在深度學(xué)習(xí)模型中考慮樣本特征分布的MMD優(yōu)化問(wèn)題，并在軸承與齒輪箱不同工況下的診斷試驗(yàn)中進(jìn)行了方法驗(yàn)證。Li等［79］在深度CNN模型基礎(chǔ)上提出了一種多層領(lǐng)域自適應(yīng)方法，通過(guò)在模型多層結(jié)構(gòu)上最小化不同域特征分布MMD，進(jìn)一步提高了軸承振動(dòng)信號(hào)在不同工況下的分布適配準(zhǔn)確性。Li等［80］通過(guò)對(duì)抗訓(xùn)練的方式對(duì)旋轉(zhuǎn)機(jī)械不同傳感器的數(shù)據(jù)進(jìn)行領(lǐng)域自適應(yīng)，解決了不同數(shù)據(jù)采集部位條件下的遷移故障診斷。Wang等［81］在不同工況下軸承故障診斷案例中對(duì)比研究了3種典型的領(lǐng)域自適應(yīng)方法，即MMD最小化、對(duì)抗訓(xùn)練和自適應(yīng)批處理歸一化，驗(yàn)證了領(lǐng)域自適應(yīng)方法在故障診斷中的應(yīng)用價(jià)值。

3.2.6 基于深度集成學(xué)習(xí)的故障診斷

集成學(xué)習(xí)通過(guò)構(gòu)建并以一定策略集成多個(gè)學(xué)習(xí)單元來(lái)完成學(xué)習(xí)任務(wù)，達(dá)到“博采眾長(zhǎng)”的目的。集成學(xué)習(xí)有望改善模型故障診斷能力，提高模型泛化性能。Shao等［82］提出了一種集成深度AE的智能故障診斷方法，相比于單體深度AE具有更高的診斷精度。Xu等［83］提出了一種基于CNN和隨機(jī)森林集成學(xué)習(xí)的軸承故障診斷方法。Liang等［84］提出了一種基于DBN的改進(jìn)深度集成方法用于滾動(dòng)軸承故障診斷，通過(guò)使用權(quán)重矩陣對(duì)每個(gè)DBN進(jìn)行投票，得到最終的診斷結(jié)果。Chen等［85］融合SAE與DBN得到集成學(xué)習(xí)模型，并將其應(yīng)用到多源傳感數(shù)據(jù)特征學(xué)習(xí)與故障診斷中。Ma等［86］提出了一種融合CNN，DBN和SAE的深度集成學(xué)習(xí)故障診斷方法，將多目標(biāo)優(yōu)化作為集成策略，實(shí)現(xiàn)了轉(zhuǎn)子和軸承故障的有效診斷。

3.3 深度學(xué)習(xí)在故障預(yù)測(cè)方面的應(yīng)用

故障診斷強(qiáng)調(diào)故障報(bào)警和故障類型及其原因的歸類分析，而故障預(yù)測(cè)更加關(guān)注對(duì)工業(yè)裝備潛在故障的早期預(yù)警，對(duì)裝備未來(lái)狀態(tài)退化趨勢(shì)以及剩余使用壽命（remaining useful life，簡(jiǎn)稱RUL）做出預(yù)測(cè)。裝備當(dāng)前運(yùn)行健康狀態(tài)數(shù)據(jù)和歷史數(shù)據(jù)是故障預(yù)測(cè)的基礎(chǔ)。故障預(yù)測(cè)的核心內(nèi)容通常包括：①評(píng)估裝備當(dāng)前的健康狀態(tài)，構(gòu)建健康指標(biāo)（health indicator，簡(jiǎn)稱HI），分析裝備可能出現(xiàn)的退化趨勢(shì)；②估計(jì)未來(lái)故障發(fā)生的時(shí)間以及預(yù)測(cè)裝備RUL。

深度學(xué)習(xí)是一類最先進(jìn)的數(shù)據(jù)驅(qū)動(dòng)故障預(yù)測(cè)方法。在HI構(gòu)建方面，趙光權(quán)等［87］針對(duì)傳統(tǒng)軸承RUL預(yù)測(cè)中健康指標(biāo)構(gòu)建依賴專家經(jīng)驗(yàn)的問(wèn)題，設(shè)計(jì)了一種基于降噪SAE的無(wú)監(jiān)督自適應(yīng)HI構(gòu)建方法。Fan等［88］利 用 門(mén) 遞歸單元CNN分析 鋰 離 子電池恒流-恒壓充電數(shù)據(jù)，實(shí)現(xiàn)了電池健康狀態(tài)的準(zhǔn)確評(píng)估。Gong等［89］提出一種融合深度神經(jīng)網(wǎng)絡(luò)，包含2維卷積模塊、輕量子空間注意機(jī)制模塊和循環(huán)單元模塊，提取鋰離子電池循環(huán)充電數(shù)據(jù)中的退化特征，有效評(píng)估電池健康狀態(tài)。Peng等［90］基于DBN建立系統(tǒng)故障特征表示，將退化狀態(tài)與故障狀態(tài)之間的距離作為HI，利用粒子濾波算法進(jìn)行RUL預(yù)測(cè)，該方法在發(fā)動(dòng)機(jī)故障預(yù)測(cè)中表現(xiàn)出卓越性能。Pan等［91］提 出 一 種 基 于DBN和自組織映射的性能退化評(píng)估方法，能有效實(shí)現(xiàn)多源振動(dòng)信號(hào)的自適應(yīng)降噪與融合，并將最小量化誤差作為HI來(lái)預(yù)測(cè)風(fēng)力機(jī)變速箱早期故障。She等［92］設(shè)計(jì)了一種指數(shù)衰減學(xué)習(xí)率的多通道CNN模型，提取滾動(dòng)軸承的磨損特征作為HI。Chen等［93］提出了一種深度卷積自編碼器模型自適應(yīng)構(gòu)建滾動(dòng)軸承HI。Huang等［94］利用雙向LSTM網(wǎng)絡(luò)自適應(yīng)提取、旋轉(zhuǎn)、融合原始監(jiān)測(cè)信號(hào)中的磨損特征，構(gòu)建計(jì)算機(jī)數(shù)控銑床HI。

工業(yè)裝備HI構(gòu)建是RUL預(yù)測(cè)的基礎(chǔ)，合適的HI構(gòu)建方法可以有效保障后續(xù)故障預(yù)測(cè)精度。研究表明，深度學(xué)習(xí)在工業(yè)裝備HI構(gòu)建方面的優(yōu)越性能，既能有效避免HI構(gòu)建過(guò)分依賴專家經(jīng)驗(yàn)和人工特征提取的弊端，也能保證提取的HI可以有效反映裝備退化趨勢(shì)。

準(zhǔn)確地進(jìn)行RUL預(yù)測(cè)為確定裝備最佳維護(hù)時(shí)間提供依據(jù)，以實(shí)現(xiàn)經(jīng)濟(jì)性運(yùn)維的目的。傳統(tǒng)的基于物理退化模型的RUL預(yù)測(cè)方法需要考慮裝備內(nèi)部失效機(jī)理，在實(shí)際復(fù)雜工業(yè)裝備中的應(yīng)用局限性較大。數(shù)據(jù)驅(qū)動(dòng)方法可以直接從狀態(tài)監(jiān)測(cè)數(shù)據(jù)中挖掘健康狀態(tài)特征變化規(guī)律，從而實(shí)現(xiàn)RUL預(yù)測(cè)。深度學(xué)習(xí)框架下的數(shù)據(jù)驅(qū)動(dòng)RUL預(yù)測(cè)方法具有良好的應(yīng)用前景。

Listou-Ellefsen等［95］綜合考慮監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)的優(yōu)勢(shì)，提出了一種半監(jiān)督的深度學(xué)習(xí)RUL預(yù)測(cè)方法，其有效性在C-MAPSS推進(jìn)系統(tǒng)退化數(shù)據(jù)中得到驗(yàn)證。Chen等［96］提出了一種基于門(mén)控循環(huán)單元的RNN模型，能夠有效預(yù)測(cè)發(fā)動(dòng)機(jī)推進(jìn)系統(tǒng)RUL。Li等［97］設(shè)計(jì)了一種多尺度特征CNN模型，用于C-MAPSS推進(jìn)系統(tǒng)退化數(shù)據(jù)RUL預(yù)測(cè)。Al-Dulaimi等［98］設(shè)計(jì)了一種混合深度神經(jīng)網(wǎng)絡(luò)RUL預(yù)測(cè)模型，通過(guò)并行計(jì)算的方式集成CNN和LSTM，以獲取不同預(yù)測(cè)場(chǎng)景下更優(yōu)的泛化性能。Wang等［99］提出一種多尺度卷積注意力網(wǎng)絡(luò)（multiscale convolutional attention network，簡(jiǎn) 稱MSCAN）來(lái)預(yù)測(cè)機(jī)械裝備RUL，其中注意力模塊可以有效融合多源傳感器數(shù)據(jù)，多尺度學(xué)習(xí)策略可以捕獲信號(hào)中不同尺度的退化特征，所提方法有效性在刀具退化數(shù)據(jù)中得到驗(yàn)證。針對(duì)現(xiàn)有深度學(xué)習(xí)模型在RUL預(yù)測(cè)中只能提供點(diǎn)估計(jì)的問(wèn)題，Lin等［100］研究了貝葉斯深度學(xué)習(xí)（Bayesian deep learning，簡(jiǎn)稱BDL）框架下的RUL預(yù)測(cè)方法，有效量化不確定性并進(jìn)行校準(zhǔn)，成功應(yīng)用于C-MAPSS推進(jìn)系統(tǒng)和鋰離子電池退化數(shù)據(jù)RUL預(yù)測(cè)。

除了上述研究廣泛采用的開(kāi)源數(shù)據(jù)集，如商用模塊化航空推進(jìn)系統(tǒng)仿真數(shù)據(jù)（C-MAPSS-Data）［101］、美國(guó)國(guó)家航空航天局鋰離子電池循環(huán)老化數(shù)據(jù)（NASA Ames Prognostics Data）［102］等，西 安 交通大學(xué)現(xiàn)代設(shè)計(jì)及轉(zhuǎn)子軸承系統(tǒng)教育部重點(diǎn)實(shí)驗(yàn)室開(kāi)源了軸承加速退化試驗(yàn)數(shù)據(jù)，該數(shù)據(jù)集包含15個(gè)滾動(dòng)軸承從健康到失效的全生命周期監(jiān)測(cè)數(shù)據(jù)，已經(jīng)被國(guó)內(nèi)外學(xué)者廣泛用于算法測(cè)試［103］。

4 深度學(xué)習(xí)在工業(yè)裝備PHM的挑戰(zhàn)與展望

隨著工業(yè)裝備PHM領(lǐng)域步入大數(shù)據(jù)時(shí)代，對(duì)模型算法的智能化程度與自適應(yīng)性的要求日益提高，基于數(shù)據(jù)驅(qū)動(dòng)的PHM理論方法研究也在不斷發(fā)展完善。然而，鑒于工業(yè)裝備PHM應(yīng)用環(huán)境的復(fù)雜性與特殊性，將深度學(xué)習(xí)理論方法靈活應(yīng)用于工程實(shí)際問(wèn)題仍然面臨許多新的挑戰(zhàn)。

1）深度學(xué)習(xí)通常立足數(shù)據(jù)為王，工業(yè)裝備監(jiān)測(cè)數(shù)據(jù)質(zhì)量普遍較差，具體表現(xiàn)為數(shù)據(jù)噪聲、缺失、異常以及延遲等特點(diǎn)，深度學(xué)習(xí)方法難以從低質(zhì)量數(shù)據(jù)中有效挖掘裝備健康狀態(tài)特征信息。此外，工業(yè)裝備監(jiān)測(cè)數(shù)據(jù)具有多源異構(gòu)的特點(diǎn)，信號(hào)測(cè)點(diǎn)采樣形式多樣，一致性差，隨機(jī)因素干擾嚴(yán)重，這些均大大增加了深度學(xué)習(xí)PHM方法的應(yīng)用難度。

2）現(xiàn)有基于深度學(xué)習(xí)的工業(yè)裝備PHM決策模型通常以純數(shù)據(jù)驅(qū)動(dòng)的方式執(zhí)行，其訓(xùn)練學(xué)習(xí)方式無(wú)法考慮目標(biāo)對(duì)象的物理知識(shí)，因此訓(xùn)練所得模型非常脆弱，其普適性與魯棒性能難以保證。

3）深度學(xué)習(xí)的工業(yè)裝備PHM方法通常基于閉環(huán)假設(shè)，即僅能保證模型在已知可見(jiàn)數(shù)據(jù)中的效果。對(duì) 于 已 知 分 布 外（out-of-distribution，簡(jiǎn) 稱OOD）數(shù)據(jù)，模型通常表現(xiàn)出較差的泛化性能。盡管遷移學(xué)習(xí)可以有效解決領(lǐng)域分布漂移的問(wèn)題，但其仍然需要獲取特定的目標(biāo)域數(shù)據(jù)，在工程實(shí)際應(yīng)用中存在一定局限性。

4）深度學(xué)習(xí)的工業(yè)裝備PHM方法目前仍處于“黑箱模型”階段，模型的可解釋性一直是制約深度學(xué)習(xí)方法安全可靠性應(yīng)用的關(guān)鍵問(wèn)題?！笆占瘮?shù)據(jù)-模型調(diào)參”的訓(xùn)練模式無(wú)法清晰解釋模型參數(shù)物理含義，無(wú)法由模型輸出診斷結(jié)果準(zhǔn)確溯源到故障原始特征及故障原因。

5）在工程實(shí)際中，無(wú)論是故障診斷還是故障預(yù)測(cè)，不確定性問(wèn)題始終存在。利用深度學(xué)習(xí)的工業(yè)裝備PHM方法大多為確定性表達(dá)。在確定性表達(dá)的深度學(xué)習(xí)模型中，模型輸出的準(zhǔn)確性與可靠性難以評(píng)價(jià)，高維數(shù)據(jù)、噪聲、不確定的輸入數(shù)據(jù)以及有限的模型知識(shí)往往造成誤診斷，模型智能診斷及預(yù)測(cè)結(jié)果的不確定性難以評(píng)估。

針對(duì)上述深度學(xué)習(xí)的工業(yè)裝備PHM研究難點(diǎn)與挑戰(zhàn)，未來(lái)的研究方向總結(jié)如下。

1）工業(yè)裝備監(jiān)測(cè)數(shù)據(jù)質(zhì)量保障方法研究與數(shù)據(jù)標(biāo)準(zhǔn)化。建立監(jiān)測(cè)數(shù)據(jù)質(zhì)量保障方法體系可以有效提高以深度學(xué)習(xí)為代表的PHM方法在工程實(shí)際問(wèn)題中的適應(yīng)性，成為本領(lǐng)域的首要問(wèn)題。監(jiān)測(cè)數(shù)據(jù)質(zhì)量保障需要綜合考慮數(shù)據(jù)規(guī)整、數(shù)據(jù)清洗以及數(shù)據(jù)恢復(fù)方法。針對(duì)特定裝備和特定監(jiān)測(cè)物理量，制定數(shù)據(jù)監(jiān)測(cè)、傳輸及存儲(chǔ)相關(guān)標(biāo)準(zhǔn)，為工業(yè)裝備PHM技術(shù)高效可靠應(yīng)用夯實(shí)數(shù)據(jù)基礎(chǔ)。

2）知識(shí)驅(qū)動(dòng)與數(shù)據(jù)驅(qū)動(dòng)融合的深度學(xué)習(xí)PHM理論方法研究。將領(lǐng)域知識(shí)以及物理模型形成約束融入深度學(xué)習(xí)之中，有助于提高模型的普適性與魯棒性。近年來(lái)，內(nèi)嵌物理知識(shí)的神經(jīng)網(wǎng)絡(luò)（physics-informed neural networks，簡(jiǎn)稱PINN）將物理偏微分方程嵌入神經(jīng)網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí)求解，有效提高了模型的泛化能力，保證了模型所學(xué)特征符合物理規(guī)律，彌補(bǔ)了純數(shù)據(jù)驅(qū)動(dòng)方法的劣勢(shì)。以PINN為代表的知識(shí)驅(qū)動(dòng)與數(shù)據(jù)驅(qū)動(dòng)的融合方法給工業(yè)裝備PHM帶來(lái)了新的思路。

3）高可信深度學(xué)習(xí)PHM框架構(gòu)建。高可信PHM框架旨在通過(guò)結(jié)合統(tǒng)計(jì)學(xué)、不確定性量化和概率建模等方法，緩解深度學(xué)習(xí)不可解釋的弊端，提高PHM模型的安全性和可靠性，最終實(shí)現(xiàn)高可信智能決策。圖3給出了高可信深度學(xué)習(xí)PHM框架示意圖。開(kāi)展深度學(xué)習(xí)模型不確定性評(píng)估，通過(guò)不確定性度量模型智能決策結(jié)果的可信程度；開(kāi)展OOD數(shù)據(jù)檢測(cè)，及時(shí)預(yù)警并剔除OOD數(shù)據(jù)，避免深度學(xué)習(xí)PHM模型做出錯(cuò)誤的決策；基于統(tǒng)計(jì)和概率建模，評(píng)估深度學(xué)習(xí)模型的可靠性，避免在特定PHM任務(wù)中過(guò)分信任深度學(xué)習(xí)模型帶來(lái)的風(fēng)險(xiǎn)。

圖3 高可信深度學(xué)習(xí)PHM框架示意圖Fig.3 Illustration of the deep learning-based trustworthy PHM framework

5 結(jié)束語(yǔ)

圍繞深度學(xué)習(xí)開(kāi)展了工業(yè)裝備PHM研究綜述，對(duì)工業(yè)裝備PHM中的典型深度學(xué)習(xí)模型進(jìn)行介紹和總結(jié)。圍繞工業(yè)裝備PHM中的3個(gè)核心問(wèn)題，即異常檢測(cè)、故障診斷與故障預(yù)測(cè)，總結(jié)了深度學(xué)習(xí)相關(guān)的國(guó)內(nèi)外研究現(xiàn)狀和代表性工作。探討了現(xiàn)有深度學(xué)習(xí)PHM研究中存在的問(wèn)題與挑戰(zhàn)，并從夯實(shí)數(shù)據(jù)基礎(chǔ)、知識(shí)驅(qū)動(dòng)與數(shù)據(jù)驅(qū)動(dòng)融合和高可信PHM框架構(gòu)建等方面進(jìn)行展望，推動(dòng)深度學(xué)習(xí)的工業(yè)裝備PHM理論方法研究進(jìn)一步向工程實(shí)際應(yīng)用轉(zhuǎn)化。