基于机器学习的设备预测性维护方法综述

李杰其 ，胡良兵

1.中国科学院 合肥物质科学研究院 等离子体物理研究所，合肥 230031

2.中国科学技术大学，合肥 230026

1 引言

在工业中，设备维护是很重要的环节，直接影响到设备的运行时间和设备的工作效率。然而，设备剩余寿命需要被准确预测，故障需要被及时识别和处理，才能避免在生产过程中停机。根据文献[1]所述，可将维护策略分为如下三类。

（1）故障维护：一种简单的维护策略，设备发生故障时停止生产并更换零件。单一零件的突然失效会导致相关零件的故障率上升，增加生产成本。

（2）预防性维护：一种定期执行的维护策略，通过计划时间表或生产经验，以预测过程、设备故障。但是由于可能会采取不必要的维护措施，导致成本增加。

（3）预测性维护：使用预测工具对设备的剩余寿命进行预测，这种方法要求对机器状态或运行过程进行持续监控，需要历史数据处理（例如机器学习技术）、完整性因素分析（例如视觉方面、磨损、不同于原始颜色等）、统计推断方法和工程方法的推理，所以这种方法可以预测设备早期的故障并提供解决方案。

每种维护方式各有特色，选择故障维护策略会使得维护行为具有滞后性，设备发生风险性很高；选择预防性维护策略，这种预见性维护的干预会导致设备的使用时间下降。高效的维护策略可以改善设备的状况，降低设备故障率，降低维护成本，同时延长设备寿命。预测性维护是通过对设备状态实施周期性监视、预测剩余寿命、评价设备状况和产生相应逻辑的一套技术。传统的预测性维护方法主要是基于物理模型，基本思想是基于物理性质的固定的物理公式去拟合设备、零部件的健康状态或寿命。这种方法要求研究人员有很深的工程物理背景知识，通常采用复杂的物理公式，借助于过多的物理模型而忽略了数据本身的规律，预测准确度较低。

目前，伴随着5G 技术的工业4.0 时代到来，工业系统可以采集大量的数据，包括工业生产线的运行过程、发生的事件和报警信息等。预测性维护系统可对设备数据进行系统分析和处理，建立和训练预测模型，制定维护策略并及时调整，可以有效地降低维修成本、减少机器故障、减少维修停机、减少备件库存、增加备件寿命、增加产量、提高操作员的安全性、提升维修验证可靠性、提升整体利润等。人工智能中的机器学习已经成为许多应用中开发智能预测算法的有力工具。

2 机器学习简介

机器学习，通过自主学习大量数据中存在的规律，获得新经验和知识从而提高计算机智能，使得计算机拥有类似人类的决策能力。基于学习形式的不同通常可将机器学习算法分为监督学习、无监督学习以及强化学习三类。

（1）监督学习：给学习算法提供标记的数据和所需的输出，对于每一个输入，学习者都被提供了一个回应的目标。监督学习被用于解决分类和回归的问题。常见的算法有：决策树、人工神经网络算法、支持向量机、朴素贝叶斯、随机森林等。

（2）无监督学习：给学习算法提供的数据是未标记的，并且要求算法识别输入数据中的模式，主要是建立一个模型，对输入的数据进行解释，并用于下次输入。主要用于解决聚类和降维问题，常见的算法有：聚类算法、降维算法。

（3）强化学习：该算法与动态环境相互作用，把环境的反馈作为输入，通过学习选择能达到其目标的最优动作。强化学习这一方法背后的数学原理与监督、非监督学习略有差异。监督、非监督学习更多地应用了统计学，而强化学习更多地结合了离散数学、随机过程这些数学方法[2]。常见的算法有：马尔可夫决策过程等。

作为人工智能的核心，机器学习的主要功能是使得计算机模拟或实现人类的学习行为，通过获取新的信息，不断对模型进行训练以提高模型的泛化能力[3]。由于机器学习具有强大的数据处理能力，该方法广泛应用于数据挖掘、语音识别、计算机视觉、故障诊断与寿命预测等领域。基于机器学习的剩余寿命预测方法是预测性维护方法的一个重要分支，能够较为准确地对剩余寿命进行预测，成为维护策略评估的重要指标。

建立用于预测性维护应用的机器学习模型包括以下几个步骤：历史数据选择；数据预处理；模型选择、模型训练和模型验证；模型维护[4]。历史数据选择，即收集和存储设备运行过程中产生的数据集，以便为机器学习模型设计选择有价值的数据，其目的是获取与系统状况相关的信息[5]。通过数据预处理步骤，对数据进行处理和分析收集的数据，可以使系统更好地解释数据。数据预处理步骤包括数据转换（标准化）、数据清理（缺失数据处理和异常值去除）和数据缩减（维度缩减和数量缩减），以保证数据能够被机器学习模型有效地处理。模型的开发步骤包括：选择模型、训练模型、验证模型。模型维护可以随着时间的推移保持模型性能，因为工业生产可能会随着时间的推移而发生变化，导致模型性能下降。

机器学习算法在寿命预测中应用最多是基于神经网络、支持向量机、聚类算法和随机森林，并在这些算法的基础上灵活运用其他算法或模型进行优化改进，从而提高寿命预测的精度。

3 机器学习算法介绍

3.1 人工神经网络

人工神经网络是受生物神经元启发的智能计算技术[6]，是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的，具有自动学习和总结的能力。其主要包含输入层、隐含层及输出层，常用于解决分类、回归等问题。人工神经网络模型以原始测量数据或基于原始测量数据所提取的特征为输入，通过一定的训练算法不断调整网络的结构和参数，利用优化后的网络在线预测设备的剩余寿命，并根据预测结果判断设备的维护策略。

Biswal等人[7]采用人工神经网络提出一种用于模拟风力涡轮机的模型，该模型能够模拟风力涡轮机关键部件的故障工况，也可以用缺陷的部件替换健康的部件，从而收集健康和故障工况下的涡轮机的振动数据，再通过人工神经网络模型预测，对设备健康状态进行预测识并别决定维护策略，实验结果准确性为92.6%。Gebraeel 等人[8]基于BP 神经网络建立单个轴承和批量轴承的寿命预测模型，利用寿命周期内的振动监测信息，以一定权重融合各轴承指数回归模型参数，同时进行参数在线更新，有效保证寿命预测的准确性。Bezazi等人[9]采用基于多层感知器的人工神经网络对复合材料结构监测数据进行建模，通过极大似然估计和贝叶斯推理对神经网络模型进行训练，结果表明该模型具有较好的泛化能力。Wang 等人[10]提出一种极限学习机模型，避免隐含层神经元的数目选择问题，实现了非平稳序列的在线预测。Kolokas等人[11]使用运行期间的过程传感器数据，实时检测某工业阳极生产设备的实时故障，并将人工神经网络与其他机器学习进行了比较。Sheng等人[12]针对齿轮寿命预测问题，提出一种基于权值放大的长短时记忆神经网络，并加入一种将隐含层的输入权值和递归权值进行不同程度放大的注意机制，结果表明预测方法具有更高的精度。更多基于人工神经网络的预测性维护研究的最新论文见表1。

基于人工神经网络的预测性维护技术的主要优势包括：训练模型基于历史数据，不需要专家知识决策；人工神经网络的稳定性较强，数据的少量波动不会影响模型。

然而，人工神经网络有一些缺点：训练模型有概率获得有悖于维护策略的结论；为获得最合适的人工神经网络模型，可能会花费很多时间；人工神经网络是一种“黑箱”算法，无法对神经网络模型输出的预测结果进行解释；人工神经网络需要大量的数据集才能正确学习。

3.2 支持向量机

支持向量机是执行分类和回归任务的另一种广泛使用的机器学习方法，具有高精度[19]。它是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面，具有稀疏性和稳健性。支持向量机可以通过核方法进行非线性分类，是常见的核学习方法之一。支持向量机根据用途可分为支持向量回归机SVR和支持向量分类机SVC。

Susto 等人[20]提出基于支持向量机的多类分类器，可以识别由于累积效应和违规使用而在机器上发生的故障。Nieto等人[21]提出一种基于混合粒子群优化算法和支持向量机算法的模型，用于预测航天器发动机的工况，解决了支持向量机训练过程中超参数的优化问题，提高了设备工况预测精度。Maior等人[22]提出一种将经验模态分解与支持向量机相结合的方法，可以实现退化数据分析和剩余寿命预测，结果表明该方法能够改善电动机的剩余寿命预测性能。Mathew等人[23]使用改进回归核的支持回归向量的支持向量机来预测剩余寿命，通过一组模拟时间序列对算法进行测试，其结果表明所提出的支持向量回归模型优于标准支持向量回归模型。Song等人[24]采用支持向量机对电池容量进行预测，利用卡尔曼滤波对输出信号进行优化，该方法减少了系统噪声和测量不确定性因素的影响，实现了对电池剩余寿命的长期预测。Lasisi 等人[25]比较了支持向量机、随机森林和三层贝叶斯概率模型来检测铁路轨道的缺陷。戴邵武等人[26]提出基于时域特征和支持向量机的滚动轴承退化趋势预测方法，准确地预测了滚动轴承全寿命故障周期。王瀛洲等人[27]提出一种基于蚁狮优化和支持向量回归的方法，利用蚁狮优化算法优化核参数，有效提高锂离子电池剩余使用寿命预测的准确性和鲁棒性。Liu等人[28]利用支持向量机建立了橡胶材料疲劳寿命预测模型，提出一种重力搜索算法来优化支持向量机的参数，提升了预测精度和预测效率。更多基于支持向量机的预测性维护研究的最新论文见表2。

支持向量机算法的优势在于：学习过程简单、训练速度快；在预测性维护中可以解决设备工况识别问题，简单分类问题处理较为精确；在参数优化方面可以结合先进的算法进行优化，提高分类准确率。

但支持向量机也存在一些问题：选择合适的核函数较为困难；在进行大规模数据训练时间时间较长；最终模型不容易理解和解释；将实际应用与仿真模型相适应比较困难[34]；无法解决多分类问题；理论上只能提供次优解。

3.3 聚类算法

聚类是一种无监督的学习算法，可以对大量未知标注的数据集，按数据的内在相似性将数据集划分为多个类别，主要目的是找到数据集的聚类，以便彼此接近的样本与同一个聚类相关联，而彼此远离的样本与不同的聚类相关联[29]。传统的聚类算法可以分为五类：基于划分的聚类、基于网格的聚类、基于层次的聚类、基于密度的聚类、基于模型的聚类。近年来产生了多种新的聚类算法：基于粒度的聚类算法、基于熵的聚类算法、不确定聚类算法、谱聚类算法、核聚类算法等[35]。

表1 人工神经网络在预测性维护中的最新应用

表2 支持向量机在预测性维护中的最新应用

Durbhaka 等人[36]通过对振动信号使用聚类来分析风力涡轮机的工况，预测涡轮机的工况并对故障类型进行分类，通过对零部件的替换和校正，进而避免突然故障，通过加入CRA方法，使得聚类算法预测准确性达到93%。Eke等人[37]提出聚类算法可以用于自动提取变压器绝缘油中溶解气体数据中的簇，识别导致故障的每个集群的特征，使用聚类算法识别出四个聚类：高能电弧放电、油温变化、生成气体速率、油液循环周期，结果表明该模型可以较好预测设备工况。Mathew等人[38]比较多种机器学习（聚类算法、支持向量机等）来预测涡轮风扇发动机的故障，并给出各种方法的优缺点。Uhlmann等人[39]提出一种聚类算法来识别机床数据（平台温度、处理室中氧气百分比和处理室压力）的簇，识别数据中的四个聚类：操作条件、气体保护系统的故障条件、压力系统的故障条件以及使机床保持待机状态的故障条件。Amruthnath等人[40]比较大量聚类算法，用于从排气风扇的振动数据中进行故障预测，获得较为准确的结果。张旺等人[41]提出了首先对双通道信号分别进行Hilbert 包络解调去除噪声，对处理后的信号进行全矢融合提取主振矢，再采用聚类方法对主振矢信号进行分析，解决了轴承突发故障特征并不明显的问题，其预测精度达到90.64%。李媛媛等人[42]提出采用模糊C均值算法，并以待测状态隶属于正常状态的程度作为性能评判指标的方法，解决了转盘轴承剩余寿命预测过程中的提取能够反映转盘轴承寿命状态的特征向量和建立合理的预测模型问题，为转盘轴承的故障诊断和剩余寿命预测的研究提供了一种新思路。更多基于聚类算法的预测性维护研究的最新论文见表3。

聚类算法可以通过新样本再训练来改变簇的中心，在处理大数据集上表现出良好的性能；聚类问题的研究趋势将会向更快、更有理论保证的方向发展，随着新的分析技术的发展，新的理论结果依然在不断出现，有良好的发展前景[47]。

但其也存在一些问题：训练数据中的噪声会对最终结果造成重大影响；无法自动确定簇的数量；数据输入顺序对最终结果有影响；无法处理可分离非线性数据集；初始点选取会极大地影响聚类的结果。

3.4 随机森林

随机森林法最初是由Leo[48]提出的。随机森林在以决策树为基学习器构建bagging 集成的基础上，进一步在决策树的训练过程中引入了随机属性选择进行预测。它用随机的方式建立一个森林，森林由许多决策树组成，每一棵决策树之间没有关联，利用多棵树对样本进行训练并预测。当变量的数量大于样本的数量时，随机森林表现出良好的性能[49]。决策树算法有ID3、C4.5、CRAT、SLIQ等。

表3 聚类算法在预测性维护中的最新应用

随机森林被用于生成动态预测模型。Kusiak 等人[50]使用状态数据和运行数据来设计随机森林模型，为风力涡轮机工况监测提出了改进方案。Santos等人[51]提出随机森林来预测鼠笼式感应电动机的定子绕组短路故障。Su等人[52]的研究提出一种硬盘故障检测系统，用于实时预测故障硬盘和驱动器故障，其系统过程包括两个阶段：批量训练，其中使用历史数据生成和训练随机森林模型；实时预测，它使用从终端用户设备收集的数据来进行预测。实时预测的准确性达到85%。Kulkarni等人[53]应用随机森林模型来预测制冷和冷藏系统故障，其方法正确性能够达到89%。Paolanti等人[54]提出一个利用来自各种传感器、可编程逻辑控制器和通信协议的数据来预测设备工况的随机森林模型，虽然决策树可能会过度拟合，但在大多数情况下可以避免，因为决策树可以处理随机特征子集并从这些子集构建更小的树[48-49，55]。更多基于随机森林的预测性维护研究的最新论文见表4。

随机森林的优势在于：随机森林是一类判别模型，支持分类问题、回归问题和多分类问题；随机森林结合其他算法，得到更优的预测结果，可以将新的理论引入随机森林，结合不同的算法提升模型预测的性能[60]；决策树越多，可以提供越多的观察结果作为预测的依据[38]；在某些情况下，决策树可以减少波动，增强随机森林模型泛化能力[61]。

随机森林方法也有缺点：少量的决策树的分类能力有限，只有产生大量的决策树才有可能得到有效的分类效果[60]，与其他机器学习相比需要更多的计算时间；不能很好地处理非平衡数据，随机选取的训练集加剧了数据的非平衡性；对连续性变量的处理需要进行离散化，分析计算节点分裂标准花费大量时间；通过剪枝的方法避免决策树的过拟合问题会提高算法的复杂性，性能提升有局限性[62]。

4 未来展望

4.1 系统架构

预测性维护是工业大数据和人工智能方向的一个重要的应用场景，针对设备的故障和失效问题，从被动的故障维护到主动的预测和综合规划管理，研究人员不断提供新思路和新方法。

应用预测性维护的设备或系统，其产生的故障是由于渐进式的功能衰退超过临界值导致的。对设备进行性能退化评估和剩余寿命预测具有很好的前景，其预测模型具有较高的准确率，是预测性维护策略决策的可靠依据。本文提出一种面向本地设备的预测性维护系统架构（如图1所示），为后续研究提供思路。

图1 面向本地设备的预测性维护系统框架

本系统架构主要是基于对设备运行时产生的大量历史、实时数据进行收集、处理、分析、建模来实现的，对模型预测的设备剩余寿命进行分级，通过模拟仿真构造专家策略库，根据分级对应的策略对设备进行维护，它所遵循的预测性运维流程主要包括以下步骤。

（1）数据获取：通过模拟仿真和传感器测量获得目标设备或系统的全寿命数据。

表4 随机森林在预测性维护中的最新应用

（2）数据处理：包括数据预处理和特征提取，对数据进行过滤和整理，识别数据中工况信息，剔除非重要变量，通过特征提取的方法得到衰退特征，供模型训练使用。

（3）模型训练：选择适当机器学习模型，利用经处理后的全寿命数据进行训练，获得在不同工况下可以对设备或系统剩余寿命进行准确预测的模型。

（4）工况检测：通过传感器收集当前设备或系统数据，并通过模型提供的工况识别库判断设备或系统是否失效，并作出反馈。

（5）寿命预测：在设备或系统未失效情况下，用预测模型对其剩余寿命进行预测，并作出反馈。

（6）策略制定：根据系统故障预测的仿真，可以验证维护和维修策略的可行性，并将论证结果导入专家策略库中作为方案。

（7）策略执行：当系统失效时，根据工况识别库的反馈信息进行故障诊断，决定设备或系统的维修策略；当系统未失效时，根据剩余寿命预测结果进行故障预测，决定设备或系统的维护和保养策略。

此外，根据实际情况还可以加入剩余寿命可视化、数据存储再训练、数据检查等步骤。

4.2 预测模型

由于预测性维护面向不同的目标设备时，选取的预测模型不唯一，故对模型选择提出了比较高的要求。机器学习，包括人工神经网络、支持向量机、聚类算法和随机森林等，已经成功地应用于预测性维护应用中。随着工业设备维护要求的不断提高，预测模型也需要不断发展出新的理论和方法来适应日趋复杂的生产环境。

（1）将新的理论引入机器学习算法。以随机森林为例，由于随机森林算法本身就是Bagging算法与Random Subaspace 算法结合而得到的新的算法，因此在随机森林的基础上再增加新的算法一直是许多专家学者研究的重点[60]。新算法与预测性维护技术进行正确结合，可以提升预测准确性。

（2）将新的数据预处理方法与机器学习算法结合。训练数据集的质量决定了模型训练的准确度，因此将数据进行有效数据处理之后进行模型训练，将提高模型的质量。同时，机器学习模型训练需要大量的训练数据，而实际中获得的小样本数据的情况居多，因此如何利用机器学习算法对小样本数据的设备进行寿命预测与故障诊断也是需要攻坚的一个难点[2]。

4.3 物联网技术

由于5G技术和工业4.0时代的到来，面对大规模生产的工业设备，通过工业物联网将设备的工况数据上传至服务器，生产厂家可以将获得的大量设备数据进行分析处理、训练建模、制定维护策略、实时更新、专家会诊，进而优化服务。基于物联网技术的预测性维护策略相比于面向本地设备的预测性维护策略不同，其效率更高、适配性更强、准确率更高。本文提出一种基于物联网技术的预测性维护系统架构（如图2所示），为后续研究提供思路。

图2 基于物联网技术的预测性维护系统框架

本系统架构主要是基于物联网技术，通过对设备维护策略分别提供线上线下服务，现场收集设备数据和控制数据，经过现场决策系统判断和反馈，并上传数据至集团大数据平台进行智能分析和数据挖掘，最新成果下载至现场决策系统并应用于之后的预测性维护策略。它所遵循的预测性运维流程主要包括以下步骤。

（1）信息感知：通过各类传感器收集现场设备数据，由无线终端上传至数据采集系统，同时上传控制器等设备数据，经数据整理后进入现场决策系统。通过为设备开发传感技术，提高数据数量和质量，当有更多高质量训练数据可用时，预测性维护策略将更具可靠性[63]。

（2）现场决策：边缘计算网关主要完成感知信息处理、在线诊断分析和实时反馈控制三个方面的工作[64]。感知信息处理和前文中数据处理相同，为设备状态数据分析和挖掘提供数据基础；在线诊断分析通过不同工况下的预测模型，对设备运行数据的实时分析和状态的在线识别；实时反馈控制，根据状态判断结果，通过本地专家策略库，自动生成相应控制逻辑。

（3）智能分析：现场设备数据、决策数据和维护结果等通过网络上传至设备生产集团的大数据平台进行智能分析和数据挖掘，产生新的预测模型和维护策略，通过网络下载至现场决策系统进行更新。智能分析系统还可根据数据反馈调整设备运行参数，以达到增加设备寿命、提升生产效率、提升生产安全性等目的。集团大数据平台利用智能分析解决的问题和解决方案如表5所示。

物联网技术为预测性维护策略提供了高效的解决方案，同时也提出了更高的要求，需要相关技术的不断革新。目标系统越复杂，现场采集的信息越多，传输效率越低，而复杂的数据也考验现场设备的计算力。5G技术的出现，为数据传输问题提供了解决方案，同时也为现场决策系统提升计算能力提供了更多选择，但由于5G 技术与工业生产结合经验较少，还需专家学者进一步研究。

表5 问题与解决方案

5 总结

预测性维护技术作为工业生产领域的一个重要研究方向，近年来受到了越来越多的关注。鉴于机器学习领域不断进行创新，本文系统地介绍了基于机器学习的预测性维护技术相关研究现状，从机器学习算法入手，重点介绍了四种常见的算法，分析了面向特定设备的剩余寿命预测方法和特性，列举了近些年来最新的研究成果和优势，并从系统架构、预测模型和物联网技术的角度对未来研究进行展望。随着工业4.0 时代的到来，预测性维护技术将会为工业生产带来革新，极大提高设备的安全性、提升保养效率、降低生产成本、提升生产效率。预测性维护技术在5G技术和人工智能技术的背景下，具有广阔的应用前景和研究价值。