，

(西南交通大學(xué) 數(shù)學(xué)學(xué)院統(tǒng)計(jì)系，成都 611756)

0 引言

壽命預(yù)測與故障診斷是可靠性分析中的兩大基本問題。壽命預(yù)測，也被稱為剩余服役壽命預(yù)測或剩余使用壽命預(yù)測，指在規(guī)定的運(yùn)行工況下，能夠保證機(jī)器安全、經(jīng)濟(jì)運(yùn)行的剩余時間，而在可靠性工程中的壽命預(yù)測是進(jìn)行預(yù)測與健康管理的關(guān)鍵技術(shù)，是減少生產(chǎn)損失的方法，可以節(jié)省維護(hù)成本。故障診斷則是指故障檢測和故障隔離這兩個過程，其中利用各種檢查和測試方法，發(fā)現(xiàn)系統(tǒng)和設(shè)備是否存在故障的過程是故障檢測；故障隔離則是要求把故障定位到實(shí)施修理時可更換的產(chǎn)品層次(可更換單位)，因此故障診斷可以判定出設(shè)備故障類型與故障部位，從而對設(shè)備進(jìn)行維修，減少由于設(shè)備停運(yùn)時間過長而造成的損失。

針對不同的時期,壽命預(yù)測分為早期預(yù)測和中晚期預(yù)測[1]。在可靠性工程領(lǐng)域中，早期壽命預(yù)測能確定設(shè)備的設(shè)計(jì)(計(jì)算)壽命，中期預(yù)測則是通過實(shí)況監(jiān)測還處于設(shè)計(jì)壽命中的設(shè)備從而實(shí)現(xiàn)對剩余壽命的預(yù)測，從而到達(dá)避免設(shè)備在使用期間出現(xiàn)意外情況的目的；采用晚期預(yù)測是因?yàn)樵O(shè)計(jì)壽命往往都會比較保守，設(shè)備還沒有得到充分利用就會被認(rèn)為已經(jīng)到達(dá)使用壽命，這樣一來就會造成很大的經(jīng)濟(jì)浪費(fèi)，因此需要利用晚期預(yù)測對累計(jì)使用時間已經(jīng)超過設(shè)計(jì)壽命的設(shè)備進(jìn)行剩余壽命預(yù)測。目前壽命預(yù)測的方法大體可以劃分為三類：基于力學(xué)的壽命預(yù)測方法、基于概率統(tǒng)計(jì)的壽命預(yù)測方法、基于信息新技術(shù)的壽命預(yù)測方法[2]。從本質(zhì)上來看，基于力學(xué)的壽命預(yù)測方法是從動力學(xué)特性(失效和破壞機(jī)制)上來進(jìn)行壽命預(yù)測，可是當(dāng)多失效模式發(fā)生耦合情況的時候，該方法運(yùn)用起來就得稍顯吃力；根據(jù)積累的數(shù)據(jù)(試驗(yàn)數(shù)據(jù)與現(xiàn)場數(shù)據(jù))來建立統(tǒng)計(jì)模型，通過確定壽命分布的特征值以及失效概率，在指定可靠度下預(yù)測壽命是基于概率統(tǒng)計(jì)的壽命預(yù)測方法，但此方法的前提是大量的試驗(yàn)和數(shù)據(jù)的積累。而如今的數(shù)據(jù)都來源于試驗(yàn)技術(shù)：真實(shí)的現(xiàn)場試驗(yàn)以及在實(shí)驗(yàn)室進(jìn)行模擬或加速試驗(yàn)，這兩種獲取數(shù)據(jù)的方法都是使用產(chǎn)品原型進(jìn)行試驗(yàn)，普通類型的機(jī)械產(chǎn)品適合這兩種常規(guī)方法，而對于小批量生產(chǎn)的重大機(jī)械裝備，其造價(jià)昂貴，供貨時間也長，因而常規(guī)的大樣本試驗(yàn)方法是非常不合適的，這個時候就需要采用基于信息新技術(shù)的壽命預(yù)測方法，做到同時兼顧大/小樣本數(shù)據(jù)達(dá)到壽命預(yù)測的目的。

在可靠性工程中進(jìn)行故障診斷的步驟：首先判定設(shè)備有無故障，接著分析原因，確定故障類型，最后劃分故障類別，診斷出設(shè)備具體的故障部位以及故障原因，為恢復(fù)故障設(shè)備做準(zhǔn)備。目前，故障診斷的方法也大致分成三類：基于解析模型的故障診斷方法、基于信號處理的故障診斷方法以及基于人工智能的故障診斷方法[3]。發(fā)展最早、研究最系統(tǒng)的故障診斷方法是基于解析模型的故障診斷方法,它能夠深入系統(tǒng)本質(zhì)的動態(tài)性質(zhì)和實(shí)時診斷,但是很難獲得一個系統(tǒng)模型,同時由于建模中有誤差、擾動和噪聲,使得魯棒性問題漸漸凸顯；基于信號處理的方法盡管易于實(shí)現(xiàn)、實(shí)時性也比較好，但在對潛在的故障進(jìn)行診斷的時候就會凸顯其不足之處,因此往往將其用于故障檢測。而基于人工智能的故障診斷方法能夠克服對于模型的過分依賴性，也能對潛在的故障進(jìn)行診斷，從而提高故障診斷的精度。

當(dāng)前處于大數(shù)據(jù)時代，基于信息新技術(shù)的壽命預(yù)測方法與基于人工智能的故障診斷方法幾乎都是利用機(jī)器學(xué)習(xí)算法來進(jìn)行，但隨著技術(shù)的不斷進(jìn)步，機(jī)器學(xué)習(xí)算法的種類也在不斷增加，因此本文總結(jié)了目前在壽命預(yù)測與故障診斷中最常用的幾種機(jī)器學(xué)習(xí)算法，分析了現(xiàn)有研究的不足，展望未來的研究重點(diǎn)和發(fā)展趨勢。

1 機(jī)器學(xué)習(xí)算法簡介

機(jī)器學(xué)習(xí)，即是通過自主學(xué)習(xí)大量數(shù)據(jù)中存在的規(guī)律，獲得新經(jīng)驗(yàn)和知識從而提高計(jì)算機(jī)智能，使得計(jì)算機(jī)擁有類似人類的決策能力。

基于學(xué)習(xí)形式的不同通常可將機(jī)器學(xué)習(xí)算法分為監(jiān)督學(xué)習(xí)(Supervised Learning)、無監(jiān)督學(xué)習(xí)(Unsupervised Learning)以及強(qiáng)化學(xué)習(xí)(Reinforcement Learning)三類：

(1)監(jiān)督學(xué)習(xí)(Supervised Learning)：給學(xué)習(xí)算法提供標(biāo)記的數(shù)據(jù)和所需的輸出，對于每一個輸入，學(xué)習(xí)者都被提供了一個回應(yīng)的目標(biāo)。監(jiān)督學(xué)習(xí)主要被應(yīng)用于快速高效地教熟AI(Artificial Intelligence)現(xiàn)有的知識，被用于解決分類和回歸的問題。常見的算法有：決策樹、Adaboost算法、人工神經(jīng)網(wǎng)絡(luò)算法(Artificial Neural Networks, ANN)、支持向量機(jī)(Support Vector Machine, SVM)、樸素貝葉斯、K近鄰、邏輯回歸、隨機(jī)森林。

(2)無監(jiān)督學(xué)習(xí)(Unsupervised Learning)：給學(xué)習(xí)算法提供的數(shù)據(jù)是未標(biāo)記的，并且要求算法識別輸入數(shù)據(jù)中的模式，主要是建立一個模型，用其試著對輸入的數(shù)據(jù)進(jìn)行解釋，并用于下次輸入?，F(xiàn)實(shí)情況下往往很多數(shù)據(jù)集都有大量的未標(biāo)記樣本，有標(biāo)記的樣本反而比較少。如果直接棄用，很大程度上會導(dǎo)致模型精度低。這種情況解決的思路往往是結(jié)合有標(biāo)記的樣本，通過估計(jì)的方法把未標(biāo)記樣本變?yōu)閭蔚挠袠?biāo)記樣本，所以無監(jiān)督學(xué)習(xí)比監(jiān)督學(xué)習(xí)更難掌握。主要用于解決聚類和降維問題，常見的算法有：聚類算法(K均值、Expectation Maximization算法、Affinity Propagation聚類、層次聚類)、降維算法(主成分分析、局部線性嵌入降維算法)。

(3)強(qiáng)化學(xué)習(xí)(Reinforcement Learning)該算法與動態(tài)環(huán)境相互作用，把環(huán)境的反饋?zhàn)鳛檩斎?，通過學(xué)習(xí)選擇能達(dá)到其目標(biāo)的最優(yōu)動作。強(qiáng)化學(xué)習(xí)這一方法背后的數(shù)學(xué)原理與監(jiān)督/非監(jiān)督學(xué)習(xí)略有差異。監(jiān)督/非監(jiān)督學(xué)習(xí)更多地應(yīng)用了統(tǒng)計(jì)學(xué)，而強(qiáng)化學(xué)習(xí)更多地結(jié)合了離散數(shù)學(xué)、隨機(jī)過程這些數(shù)學(xué)方法。常見的算法有：TD(λ)算法、Q_learning算法。

監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)三類方法的主要區(qū)別點(diǎn)見表1。

表1 三類機(jī)器學(xué)習(xí)算法的比較

2 機(jī)器學(xué)習(xí)算法在壽命預(yù)測中的應(yīng)用與發(fā)展

目前，機(jī)器學(xué)習(xí)算法在壽命預(yù)測中應(yīng)用最多是基于人工神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)，并在這些算法的基礎(chǔ)上靈活運(yùn)用其他算法或模型進(jìn)行優(yōu)化改進(jìn)，從而提高壽命預(yù)測的精度。

自20世紀(jì)80年代以來，人工神經(jīng)網(wǎng)絡(luò)(又被稱為神經(jīng)網(wǎng)絡(luò)或類神經(jīng)網(wǎng)絡(luò))逐漸成為了人工智能領(lǐng)域興起的研究熱點(diǎn)，是從信息處理的角度出發(fā)，對人腦的神經(jīng)元網(wǎng)絡(luò)進(jìn)行抽象，從而建立起某種簡單的模型，根據(jù)不同的連接方式組成不同的網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)屬于一類運(yùn)算模型，是由大量的節(jié)點(diǎn)(神經(jīng)元)相互聯(lián)接構(gòu)成的，這里每一個節(jié)點(diǎn)都代表一種特定的輸出函數(shù)，稱其為激勵函數(shù)；而每兩個節(jié)點(diǎn)間的連接被稱為權(quán)重，即對通過該連接信號的加權(quán)值。網(wǎng)絡(luò)的輸出則隨著網(wǎng)絡(luò)的連接方式、權(quán)重值以及激勵函數(shù)而改變。而網(wǎng)絡(luò)自身往往是對自然界的某種算法、函數(shù)的逼近，或者是對一種邏輯策略的表達(dá)。由于現(xiàn)在已知的人工神經(jīng)網(wǎng)絡(luò)種類較多，因此目前在壽命預(yù)測中通常使用BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)以及結(jié)合灰色模型與人工神經(jīng)網(wǎng)絡(luò)模型的灰色神經(jīng)網(wǎng)絡(luò)，也有少量采用其他人工神經(jīng)網(wǎng)絡(luò)如極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)、遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)等。在工程中的應(yīng)用與研究，僅采用BP神經(jīng)網(wǎng)絡(luò)有：文獻(xiàn)[4-7]通過BP神經(jīng)網(wǎng)絡(luò)分別建立起了繼電器剩余壽命的關(guān)系模型、油浸式變壓器固體絕緣老化模型，機(jī)械密封壽命預(yù)測模型、AISI1045鋼材疲勞壽命預(yù)測模型,都得到了較好的壽命預(yù)測結(jié)果；Elforjani Mohamed[8]等則通對比實(shí)驗(yàn)發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測聲射技術(shù)機(jī)器的慢速軸承的剩余壽命的結(jié)果優(yōu)于支持向量機(jī)與高斯回歸過程。

但由于BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值是隨機(jī)獲取的，容易導(dǎo)致訓(xùn)練陷入局部最優(yōu)以及延長收斂時間，因此往往需要用其他算法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化改進(jìn)。在應(yīng)用與研究中常常與BP神經(jīng)網(wǎng)絡(luò)結(jié)合的算法有遺傳算法、粒子群算法(Particle Swarm Optimization, PSO)，文獻(xiàn)[9-12]都是用遺傳算法去優(yōu)化BP神經(jīng)網(wǎng)絡(luò)分別預(yù)測了LED、刀具、除濕機(jī)、液壓支架的壽命，發(fā)現(xiàn)其預(yù)測誤差小，普適度高；文獻(xiàn)[13-15]則是用粒子群算法優(yōu)化網(wǎng)絡(luò)權(quán)值及閾值，分別對刀具壽命、電動機(jī)絕緣剩余壽命、電鍍金剛石套鉆使用壽命進(jìn)行預(yù)測，并證明了PSO-BP模型的預(yù)測精度較BP神經(jīng)網(wǎng)絡(luò)模型有一定的提高。也有采用其他算法進(jìn)行改進(jìn)的，文獻(xiàn)[16-18]都運(yùn)用了L-M(Levenberg-Marquardt)算法去訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，但很少有關(guān)注到對算法本身進(jìn)行改進(jìn)之后再去訓(xùn)練神經(jīng)網(wǎng)絡(luò)，而文獻(xiàn)[19]則首先對L-M算法進(jìn)行改進(jìn)，提出了一種采用了動態(tài)動量和阻尼L-M算法的混合優(yōu)化算法，再結(jié)合BP神經(jīng)網(wǎng)絡(luò)對軸承的剩余壽命進(jìn)行了預(yù)測。當(dāng)然，除了BP神經(jīng)網(wǎng)絡(luò)以外，工程中還存在其他種類的神經(jīng)網(wǎng)絡(luò)的應(yīng)用與研究，如Zhang[20]等發(fā)現(xiàn)在預(yù)測刀具剩余壽命預(yù)測中，模糊神經(jīng)網(wǎng)絡(luò)(Neuro-Fuzzy Network, NFN)的預(yù)測效果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)網(wǎng)絡(luò)(Radial Basis Function Network, RBFN)；杜占龍[21]等則針對多分類極限學(xué)習(xí)機(jī)缺乏概率輸出能力的問題,提出一種基于由Platt[22]提出的sigmoig后驗(yàn)概率映射和Lagrange成對耦合法的多分類ELM(Multi-class Probabilistic ELM, MPELM)，并將其用于剩余壽命預(yù)測，實(shí)驗(yàn)結(jié)果表明,相比于多分類概率支持向量機(jī)(Multi-class Probabilistic Support Vector Machine, MPSVM),MPELM耗時高于MPSVM,但MPELM所需優(yōu)化參數(shù)少,預(yù)測精度高于MPSVM；與基于Hastie[23]成對耦合法的MPELM相比,兩者預(yù)測精度相近；Guo[24]等提出了一種基于遞歸神經(jīng)網(wǎng)絡(luò)的健康指標(biāo)用于軸承的剩余壽命預(yù)測，并從實(shí)驗(yàn)和工業(yè)領(lǐng)域收集的兩個軸承數(shù)據(jù)集進(jìn)行驗(yàn)證，其結(jié)果表明，改進(jìn)后的模型具有較高的單調(diào)性和相關(guān)性，提高了剩余壽命的預(yù)測精度。表2則詳細(xì)梳理了以上文獻(xiàn)中對于神經(jīng)網(wǎng)絡(luò)算法改進(jìn)的具體創(chuàng)新點(diǎn)。

在工程中常用的機(jī)器學(xué)習(xí)算法除了人工神經(jīng)網(wǎng)絡(luò)之外，還有支持向量機(jī)。支持向量機(jī)是1995年由Vapnik依據(jù)統(tǒng)計(jì)學(xué)習(xí)理論提出的一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的二分類器。這里的結(jié)構(gòu)風(fēng)險(xiǎn)最小化是指在保證經(jīng)驗(yàn)風(fēng)險(xiǎn)(即自檢正確率)的基礎(chǔ)上，優(yōu)化分類函數(shù)的置信范圍(即分類函數(shù)的可推廣性)，取得實(shí)際風(fēng)險(xiǎn)的最小。二分類器(Binary Classifier)：采用兩類樣本XA、XB訓(xùn)練得到二分類器SVMA-B，給定測試樣本XT，SVMA-B能夠判定XT更可能屬于類別A或是類別B。介于只使用支持向量機(jī)所建壽命預(yù)測模型精度較低，一般在工程運(yùn)用中會將支持向量機(jī)與其他壽命預(yù)測模型或算法相結(jié)合，從而提高預(yù)測精度：Chen[25]等提出了基于相似理論與SVM的航空發(fā)動機(jī)的剩余壽命預(yù)測模型，并用數(shù)據(jù)驗(yàn)證了該模型的有效性；Gao和Huang[26]提出了一種基于多項(xiàng)式核和徑向基核函數(shù)的新型多核SVM,并運(yùn)用粒子群優(yōu)化算法搜索模型的核參數(shù)，懲罰因子和權(quán)重系數(shù),運(yùn)用該模型去預(yù)測鋰電池的剩余使用壽命，并通過驗(yàn)證得到改進(jìn)后的算法不僅具有更好的預(yù)測精度和更強(qiáng)的泛化能力，而且還減少了訓(xùn)練時間和計(jì)算復(fù)雜度；于震梁[27]等針對現(xiàn)有機(jī)械零件剩余壽命預(yù)測模型在建模過程中無法同時采用已有數(shù)據(jù)庫數(shù)據(jù)及被預(yù)測產(chǎn)品實(shí)時退化數(shù)據(jù),提出了一種基于SVM和非線性卡爾曼濾波相結(jié)合的機(jī)械零件剩余壽命預(yù)測模型，并以某型號滾動軸承為例,驗(yàn)證了所提出剩余壽命預(yù)測模型的精度、穩(wěn)定性及工程應(yīng)用價(jià)值；王莉[28]等則提出了一種新的電池壽命預(yù)測模型,即基于最小二乘SVM的電池壽命預(yù)測，并利用此預(yù)測模型對實(shí)驗(yàn)數(shù)據(jù)進(jìn)行了比較驗(yàn)證，驗(yàn)證結(jié)果表明,該模型在閥控式鉛酸蓄電池壽命預(yù)測中具有很好的實(shí)用性,預(yù)測值與實(shí)測值能夠保持很好的一致性，因此,基于最小二乘SVM的閥控式鉛酸蓄電池壽命預(yù)測方法是切實(shí)可行的。表3詳細(xì)梳理了以上應(yīng)用與研究對SVM算法進(jìn)行改進(jìn)的具體創(chuàng)新點(diǎn)。

除了采用人工神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)這兩種機(jī)器學(xué)習(xí)算法，也有采用樸素貝葉斯與隨機(jī)森林去進(jìn)行壽命預(yù)測，如Wu[29]等采用了基于隨機(jī)森林的工具磨損壽命預(yù)測的方法，并與前饋反向神經(jīng)網(wǎng)絡(luò)、支持向量回歸作比較，隨機(jī)森林壽命預(yù)測模型更準(zhǔn)確；Ng Selina[30]考慮在恒定工作條件下在不同環(huán)境溫度和放電電流值下的鋰離子電池剩余壽命預(yù)測，提出了一種樸素貝葉斯(Native Bayes, NB)模型，用于在不同操作條件下對電池進(jìn)行剩余壽命預(yù)測。在該分析中顯示，在恒定放電環(huán)境下，可以使用NB方法預(yù)測，且不用管操作條件的確切值。并且通過實(shí)例表明，NB比SVM產(chǎn)生穩(wěn)定且有競爭力的預(yù)測性能。

從上述應(yīng)用與研究可以看出，機(jī)器學(xué)習(xí)算法在壽命預(yù)測中的發(fā)展是由單一算法(BP神經(jīng)網(wǎng)絡(luò)、SVM)的應(yīng)用作為起點(diǎn)，為了提高預(yù)測精度以及改進(jìn)算法在不同零件、設(shè)備壽命預(yù)測中的不足之處，從而將其他種類算法與之結(jié)合。而隨著人工智能領(lǐng)域的不斷發(fā)展，又引入了其他種類的機(jī)器學(xué)習(xí)算法，如隨機(jī)森林、樸素貝葉斯等。

3 機(jī)器學(xué)習(xí)算法在故障診斷中的應(yīng)用與發(fā)展

在數(shù)學(xué)問題中，故障診斷屬于分類問題，故而可以選用機(jī)器學(xué)習(xí)算法中的分類算法進(jìn)行故障診斷。一般情況下，智能故障診斷系統(tǒng)主要包含以下幾個功能模塊：數(shù)據(jù)庫模塊、知識獲取機(jī)構(gòu)、診斷推理模塊、學(xué)習(xí)機(jī)構(gòu)、解釋機(jī)構(gòu)以及人機(jī)接口。不同的系統(tǒng)與診斷方法會建立的不同功能的故障診斷系統(tǒng)，但前提是必須保證設(shè)計(jì)的診斷系統(tǒng)符合需求，如可靠性、實(shí)用性、可維護(hù)性等等；并且要達(dá)到指定的診斷準(zhǔn)確率和診斷速度。故障信息的不間斷更新會影響診斷性能，得到更多的故障知識，實(shí)時更新故障內(nèi)容，并將故障知識用恰當(dāng)?shù)脑\斷系統(tǒng)表達(dá)出來，這樣能使得故障診斷系統(tǒng)的性能更好。在故障診斷中使用機(jī)器學(xué)習(xí)算法的整體框架見下圖，在實(shí)際情況下，會根據(jù)不同的診斷對象對應(yīng)建立不同的故障診斷模型，并在診斷中不斷地對模型進(jìn)行修改、更新、完善。一般用于故障診斷的機(jī)器學(xué)習(xí)算法是SVM、灰色神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)。

圖1 機(jī)器學(xué)習(xí)算法的兩種應(yīng)用

運(yùn)用SVM時，往往跟其用于壽命預(yù)測中一樣,會用其他算法去進(jìn)行優(yōu)化改進(jìn)。SVM算法在工程中的應(yīng)用與研究常常出現(xiàn)在滾動軸承的故障診斷，如Li[31]等提出一種基于分層符號動態(tài)熵(Hierarchical Symbol Dynamic Entropy, HSDE)和二叉樹支持向量機(jī)(Binary Tree Support Vector Machine, BT-SVM)的滾動軸承故障診斷方法；Zhou[32]等提出了在少量訓(xùn)練樣本可用時保持較高的故障識別準(zhǔn)確率的新方法，即基于集合經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition, EEMD)、加權(quán)置換熵(Weighted Permutation Entropy, WPE)和改進(jìn)支持向量機(jī)集成分類器相結(jié)合的故障診斷方法,結(jié)果表明，該方法能夠有效地檢測軸承故障；阮婉瑩[33]等則是針對滾動軸承故障振動信號的非平穩(wěn)性和低信噪比的特點(diǎn),提出基于變分模態(tài)分解(Varianational Mode Decomposition, VMD)排列熵和粒子群優(yōu)化支持向量機(jī)(Particle Swarm Optimization-Support Vector Machine, PSO-SVM)的故障診斷方法，在滾動軸承故障診斷實(shí)例中,通過與VMD結(jié)合SVM和集成經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)合PSO-SVM進(jìn)行對比。結(jié)果表明,新提出的方法故障診斷的準(zhǔn)確率更高。當(dāng)然，SVM算法的應(yīng)用不僅僅局限在滾動軸承的故障診斷，例如在感應(yīng)電動機(jī)的故障診斷中，Gangsar和Tiwar[34]用小波包變換與SVM相結(jié)合的故障診斷方法，并且考慮了不同小波的影響，其結(jié)果表明即使在某些電機(jī)工作條件下數(shù)據(jù)或信息有限，所提出的故障診斷方法也可用于成功檢測和隔離各種故障；Liu和Zio[35]針對數(shù)據(jù)來源不同提出了基于KNN的模糊SVM方法，文中分別用反向KNN檢測異常值以及KNN識別邊界點(diǎn)用于定義支持向量機(jī)中的分類超平面，最后對高速列車的制動系統(tǒng)中進(jìn)行故障診斷，驗(yàn)證了新方法的可行性；何慶飛[36]等針對單方法所建液壓泵壽命預(yù)測模型精度較低的缺陷，提出基于灰色理論和支持向量機(jī)的組合預(yù)測模型的液壓泵壽命預(yù)測方法，采用該模型對液壓泵進(jìn)行壽命預(yù)測，并與灰色模型、單一支持向量機(jī)模型進(jìn)行預(yù)測性能對比。結(jié)果表明，灰色支持向量機(jī)預(yù)測性能最優(yōu)。在表4中，對SVM算法在故障診斷中的應(yīng)用與研究的創(chuàng)新點(diǎn)進(jìn)行了梳理。

表4 SVM算法在故障診斷中的改進(jìn)

在實(shí)際中，僅采用SVM算法進(jìn)行故障診斷解決問題具有一定局限性的，故而會采用其他機(jī)器學(xué)習(xí)算法，如人工神經(jīng)網(wǎng)絡(luò)。與SVM算法類似，為了提高預(yù)測準(zhǔn)確率，會將其他算法與人工神經(jīng)網(wǎng)絡(luò)算法相結(jié)合，灰色神經(jīng)網(wǎng)絡(luò)就是由灰色模型與人工神經(jīng)網(wǎng)絡(luò)結(jié)合而成的。在故障診斷中，會因?yàn)閷δ承┰O(shè)備的故障信息掌握得不夠全面而使得設(shè)備故障具有一定程度的灰色性，因此可以采用灰色系統(tǒng)理論來對應(yīng)解決這類故障診斷問題。灰色理論的一個重要分支是灰色關(guān)聯(lián)度分析，它的作用是確定系統(tǒng)的邊界、判別主次要因子、模式識別、灰關(guān)聯(lián)聚類分析等。李婧與王娜[37]將BP神經(jīng)網(wǎng)絡(luò)與灰色關(guān)聯(lián)度分析結(jié)合，對典型灰色系統(tǒng)變頻調(diào)速系統(tǒng)進(jìn)行故障診斷，并通過實(shí)例證明該灰色神經(jīng)網(wǎng)絡(luò)容易實(shí)現(xiàn)，診斷準(zhǔn)確率也有所提高；程加堂[38]等針對油中溶解多種氣體含量會影響變壓器故障類型，為了提高故障診斷的精度，利用灰色神經(jīng)網(wǎng)絡(luò)建立了變壓器的故障診斷模型，擬合輸入、輸出之間復(fù)雜的非線性函數(shù)關(guān)系，并證明了該方法的可行性；Elman神經(jīng)網(wǎng)絡(luò)是由J.L.Elman在1990年針對語音處理問題而提出的，它屬于一種典型的局部回歸網(wǎng)絡(luò)，可以被看作是具有局部記憶單元和局部反饋連接的遞歸神經(jīng)網(wǎng)絡(luò)。通過對已有應(yīng)用與研究的整理，發(fā)現(xiàn)Elmn網(wǎng)絡(luò)多用于滾動軸承的故障診斷，比如Fu[39]等為實(shí)現(xiàn)隨機(jī)噪聲下滾動軸承的精確故障診斷，提出了一種基于集合經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition, EEMD)和優(yōu)化Elman-AdaBoost的故障診斷方法；楊紅葉與高偉軍[40]針對提取滾動軸承故障特征向量信號和識別故障類型的問題,為了提高故障診斷的精度,提出了一種新方法：結(jié)合小波包分析和BP算法權(quán)值修正的Elman神經(jīng)網(wǎng)絡(luò)。表5則詳細(xì)梳理了以上應(yīng)用與研究對神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改進(jìn)的具體創(chuàng)新點(diǎn)。

表5 神經(jīng)網(wǎng)絡(luò)算法在故障診斷中的改進(jìn)

在故障診斷中還存在其他機(jī)器學(xué)習(xí)算法。比如溫江濤和周熙楠[41]針對在旋轉(zhuǎn)機(jī)械的智能故障診斷中,復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)的非監(jiān)督學(xué)習(xí)方法調(diào)節(jié)參數(shù)多,訓(xùn)練時間長,而結(jié)構(gòu)簡單的網(wǎng)絡(luò)診斷準(zhǔn)確率不夠理想這些問題，采用模糊信息?；拖∈枳跃幋a器搭建并行結(jié)構(gòu)的學(xué)習(xí)網(wǎng)絡(luò),并行結(jié)構(gòu)的稀疏自編碼器同時對?；笾匦聵?gòu)成的多個有效參量信息自適應(yīng)的進(jìn)行特征提取,隨后使用隨機(jī)森林方法對提取的特征進(jìn)行融合分類，實(shí)驗(yàn)結(jié)果表明該方法可以有效實(shí)現(xiàn)高精度故障診斷，且與常用的串行多網(wǎng)絡(luò)處理結(jié)構(gòu)相比,降低了網(wǎng)絡(luò)參數(shù)調(diào)節(jié)的復(fù)雜度和多層網(wǎng)絡(luò)的前后影響,并且提高了診斷精度,減少了訓(xùn)練時間；Liu[42]等提出了基于固有時間尺度分解和多級Adaboost相關(guān)向量機(jī)的故障診斷方法對柴油機(jī)故障診斷;Yao[43]等提出了一種利用局部特征尺度分解多尺度置換熵和ELM-AdaBoost算法進(jìn)行軸承故障診斷的新方法，并用結(jié)果表明該方法可以有效地準(zhǔn)確診斷鐵路軸箱軸承故障。

4 發(fā)展趨勢

從上述應(yīng)用與研究中可以發(fā)現(xiàn)，機(jī)器學(xué)習(xí)算法在壽命預(yù)測與故障診斷中還需要解決的問題主要有以下3個：

第一，機(jī)器學(xué)習(xí)算法的運(yùn)用現(xiàn)狀還僅僅局限于材料試件與局部構(gòu)件，距離實(shí)現(xiàn)重大裝備整體的壽命預(yù)測與故障診斷還有較大的差距，這未來機(jī)器學(xué)習(xí)算法需要突破的一個重大難點(diǎn)；

第二，目前還只是運(yùn)用了極少數(shù)的機(jī)器學(xué)習(xí)算法，其中應(yīng)用與研究最為廣泛的是人工神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)，還有大量機(jī)器學(xué)習(xí)算法有待發(fā)掘；

第三，已經(jīng)應(yīng)用的算法更適用于擁有大樣本試驗(yàn)數(shù)據(jù)的設(shè)備，而實(shí)際中獲得的小樣本試驗(yàn)數(shù)據(jù)的情況居多，因此如何利用機(jī)器學(xué)習(xí)算法對小樣本數(shù)據(jù)的設(shè)備進(jìn)行壽命預(yù)測與故障診斷也是需要攻堅(jiān)的一個難點(diǎn)。

以上難點(diǎn)都需要對其他種類的機(jī)器學(xué)習(xí)算法進(jìn)行深入學(xué)習(xí)與研究，才可能最大化地挖掘機(jī)器學(xué)習(xí)算法在壽命預(yù)測與故障診斷中的作用。

5 結(jié)束語

人工智能下的機(jī)器學(xué)習(xí)算法為可靠性分析中的壽命估計(jì)與故障診斷提供了一種高效手段，并且已逐漸運(yùn)用于工程領(lǐng)域中。本文梳理了機(jī)器學(xué)習(xí)算法的具體應(yīng)用與研究現(xiàn)狀，從現(xiàn)有數(shù)據(jù)來源來看，都是通過試驗(yàn)技術(shù)得到，而試驗(yàn)技術(shù)的方法都是采用產(chǎn)品原型試驗(yàn)進(jìn)行確定，適用于普通機(jī)械產(chǎn)品，而對于小批量生產(chǎn)的機(jī)械重大裝備，由于價(jià)格昂貴，供貨時間長，采用常規(guī)的大樣本試驗(yàn)方法是非常不適宜的，甚至是不可能的，因此需要機(jī)器學(xué)習(xí)算法對小樣本數(shù)據(jù)進(jìn)行壽命預(yù)測與故障診斷；從研究對象來看，當(dāng)前絕大多數(shù)運(yùn)用機(jī)器學(xué)習(xí)算法進(jìn)行壽命預(yù)測的研究還是停留在各種材料試件或者機(jī)械裝備的各種零部件，距離實(shí)現(xiàn)機(jī)械重大裝備整體壽命預(yù)測還需要不斷深入研究；從對機(jī)器學(xué)習(xí)算法的運(yùn)用來看，盡管現(xiàn)如今存在眾多機(jī)器學(xué)習(xí)算法，但目前運(yùn)用最為廣泛的是人工神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)，距離實(shí)現(xiàn)機(jī)器學(xué)習(xí)算法的全面應(yīng)用還需要不斷深入發(fā)展。