深度学习在设备故障预测与健康管理中的应用

被引：78

作者：

陈志强 ^{[1
,2
]}

陈旭东 ^{[2
]}

Jos Valente de Olivira ^{[3
]}

李川 ^{[4
,3
]}

机构：

[1] 重庆工商大学检测控制集成系统工程实验室

[2] 重庆工商大学人工智能学院

[3] 葡萄牙阿尔加维大学CEOT中心

[4] 重庆工商大学国家智能制造服务国际科技合作基地

来源：

仪器仪表学报 | 2019年 / 40卷 / 09期

基金：

国家重点研发计划;

关键词：

深度学习; 故障预测与健康管理(PHM); 故障诊断; 剩余寿命预测;

D O I：

10.19650/j.cnki.cjsi.J1905122

中图分类号：

TH17 [机械运行与维修]; TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

在智能制造背景下,大数据驱动的设备故障预测与健康管理日益受到各界重视。深度学习能够在层次结构的特征提取过程中发现更多的隐藏知识,在领域自适应方面具有良好的数据适应性,近年来逐渐成为设备故障预测与健康管理的研究热点,并在设备故障诊断和预测中得到了广泛的应用。通过系统回顾近年来深度学习在设备故障预测与健康管理中应用,总结、分类和解释关于这一热点主题的主要文献,讨论了各种体系结构和相关理论。在此基础上,阐述了深度学习在设备故障诊断和预测方面所取得的主要成果、面临的挑战、以及未来的发展趋势,为设备故障预测与健康管理领域选择、设计或实现深度学习架构,提供明确的方向。

引用

页码：206 / 226

页数：21

共 66 条

[61]

Remaining useful life estimation of engineered systems using vanilla LSTM neural networks.[J].Yuting Wu;Mei Yuan;Shaopeng Dong;Li Lin;Yingqi Liu.Neurocomputing.2018,

[62] Intelligent fault diagnosis of rolling bearing using deep wavelet auto-encoder with extreme learning machine [J].

Shao Haidong ;

Jiang Hongkai ;

Li Xingqiu ;

Wu Shuaipeng .

KNOWLEDGE-BASED SYSTEMS, 2018, 140 :1-14

[63]

Intelligent condition monitoring method for bearing faults from highly compressed measurements using sparse over-complete features.[J].H.O.A. Ahmed;M.L.D. Wong;A.K. Nandi.Mechanical Systems and Signal Processing.2018,

[64] 基于不确定性的故障预测方法综述 [J].

孙强 ;

岳继光 .

控制与决策 , 2014, (05) :769-778

[65] 大型飞机机载系统预测与健康管理关键技术 [J].

王少萍 .

航空学报, 2014, 35 (06) :1459-1472

[66] 故障预测与健康管理标准体系研究 [J].

蒋觉义 ;

李璠 ;

曾照洋 .

测控技术, 2013, 32 (11) :1-5+9

← 1 2 3 4 5 6 7 →