基于深度學(xué)習(xí)的工業(yè)裝備PHM研究綜述

DOI:

作者:

中圖分類(lèi)號(hào):

TH17

基金項(xiàng)目:

國(guó)家自然科學(xué)基金重點(diǎn)資助項(xiàng)目（71731008）

Deep Learning Based Industrial Equipment Prognostics and Health Management: a Review

Author:

LI Yanfu，HAN Te

（Department of Industrial Engineering， Tsinghua University Beijing， 100084， China）
在期刊界中查找
在百度中查找
在本站中查找

摘要:

隨著物聯(lián)網(wǎng)和通信技術(shù)的快速發(fā)展，現(xiàn)代工業(yè)裝備海量運(yùn)行數(shù)據(jù)被實(shí)時(shí)監(jiān)測(cè)傳輸，推動(dòng)裝備服役階段的故障預(yù)測(cè)與健康管理進(jìn)入大數(shù)據(jù)時(shí)代。面對(duì)具有不確定性強(qiáng)、價(jià)值密度低及多源異構(gòu)特點(diǎn)的裝備運(yùn)行大數(shù)據(jù)，傳統(tǒng)淺層模型算法存在難以自主挖掘數(shù)據(jù)蘊(yùn)含特征、對(duì)裝備健康狀態(tài)表征能力弱的先天不足。近年來(lái)，作為機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)，深度學(xué)習(xí)理論得到了學(xué)術(shù)界與工業(yè)界的廣泛關(guān)注，相關(guān)的工業(yè)裝備故障預(yù)測(cè)與健康管理（prognostics and health management， 簡(jiǎn)稱(chēng)PHM）研究與應(yīng)用層出不窮，為解決大數(shù)據(jù)背景下的故障預(yù)測(cè)與健康管理難題提供了新的思路和技術(shù)手段。為此，筆者回顧了工業(yè)裝備故障預(yù)測(cè)與健康管理技術(shù)發(fā)展歷程；從異常檢測(cè)、故障診斷以及故障預(yù)測(cè)3個(gè)方面綜述了深度學(xué)習(xí)已取得的研究成果；討論了深度學(xué)習(xí)在當(dāng)下工業(yè)裝備故障預(yù)測(cè)與健康管理中的熱點(diǎn)話(huà)題；分析了該研究方向在工程實(shí)際中面臨的挑戰(zhàn)，并探討應(yīng)對(duì)這些挑戰(zhàn)的有效措施和未來(lái)發(fā)展趨勢(shì)。

Abstract:

With the rapid development of the internet of things and communication technology， a large amount of real-time operation data in modern industrial equipment are monitored， promoting the equipment prognostics and health management into the era of big data. Facing the challenge of the uncertainty， low value density， multi-source heterogeneous characteristics of the monitoring data， it is difficult to adaptively capture the weak fault characteristics contained in the data. In recent years， as a research hotspot in the field of machine learning， deep learning theory has received widespread attention from academia and industry， and the related researches and applications on industrial equipment prognostics and health management （PHM） have emerged， injecting fresh blood to this field. To this end， this paper reviews the development of industrial equipment prognostics and health management technology； and reviews the research results achieved by deep learning from three aspects： anomaly detection， fault diagnosis and fault prediction； discusses the hot topics of deep learning in the current industrial equipment prognostics and health management； analyses the challenges faced in engineering practice， and discusses the effective measures to cope with these challenges.Finally， the future development trends to address these challenges are discussed.

相關(guān)知識(shí)

裝備故障預(yù)測(cè)和健康管理（PHM）行業(yè)報(bào)告
[學(xué)術(shù)報(bào)告] PHM健康管理工業(yè)軟件開(kāi)發(fā)與應(yīng)用
大模型時(shí)代下智能故障診斷如何發(fā)展，清華綜述《大規(guī)?；A(chǔ)模型在預(yù)測(cè)和健康管理(PHM)中的應(yīng)用》
故障預(yù)測(cè)與健康管理——PHM技術(shù)簡(jiǎn)介
基于深度學(xué)習(xí)的旋轉(zhuǎn)機(jī)械健康預(yù)測(cè)研究.docx
故障預(yù)測(cè)與健康管理（PHM）：引領(lǐng)工業(yè)4.0的預(yù)防性革命，市場(chǎng)潛力無(wú)限
基于深度學(xué)習(xí)的醫(yī)學(xué)影像識(shí)別與定位方法研究.pptx
伊梟劍博士：裝甲裝備健康管理系統(tǒng)研制現(xiàn)狀、總體架構(gòu)及關(guān)鍵技術(shù)
基于深度學(xué)習(xí)的醫(yī)學(xué)影像器官病變區(qū)域自動(dòng)分割關(guān)鍵技術(shù)研究
汽車(chē)制造廠設(shè)備故障預(yù)測(cè)與健康管理PHM

網(wǎng)址: 基于深度學(xué)習(xí)的工業(yè)裝備PHM研究綜述 http://m.gysdgmq.cn/newsview1747417.html