梁偉閣，張 鋼，王 健，佘 博，田福慶

(1.海軍工程大學(xué) 兵器工程學(xué)院， 武漢 430033； 2.海軍大連艦艇學(xué)院 導(dǎo)彈與艦炮系， 遼寧 大連 116000;3.中國人民解放軍91614部隊(duì),遼寧 大連 116000)

1 引言

隨著科技發(fā)展，軍事裝備、航空航天系統(tǒng)、現(xiàn)代工業(yè)過程、生產(chǎn)制造系統(tǒng)等領(lǐng)域的集成化、綜合化、自動化水平不斷提高，重大機(jī)械設(shè)備的復(fù)雜性和運(yùn)行不確定性隨之增加，如何對關(guān)鍵機(jī)械設(shè)備健康狀態(tài)進(jìn)行科學(xué)評價(jià)，已經(jīng)成為各領(lǐng)域復(fù)雜裝備的重大問題，對于保障其安全可靠運(yùn)行、隨時(shí)處于良好工作狀態(tài)具有重要意義。

機(jī)械設(shè)備健康狀態(tài)評估是指利用各類先進(jìn)傳感器實(shí)時(shí)監(jiān)測裝備運(yùn)行的各類狀態(tài)參數(shù)及特征信號，借助各種智能算法和模型(如物理模型、專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、模糊邏輯等)來評估裝備的健康狀態(tài)，預(yù)測剩余壽命。因此，如何評估復(fù)雜機(jī)械設(shè)備的健康狀態(tài)、如何預(yù)測復(fù)雜機(jī)械設(shè)備的剩余壽命是該技術(shù)領(lǐng)域的關(guān)鍵科學(xué)問題。

數(shù)據(jù)驅(qū)動的機(jī)械設(shè)備健康狀態(tài)評估方法，不需要提前構(gòu)建機(jī)械設(shè)備精確的性能退化機(jī)理模型，只需要通過各類傳感器監(jiān)測數(shù)據(jù)的分析與處理，得到表征機(jī)械設(shè)備狀態(tài)的特征集，并基于特征集的融合，推理出機(jī)械設(shè)備的健康狀態(tài)。因此，該方法是一個(gè)有重要理論意義和工程應(yīng)用價(jià)值的科學(xué)問題，而解決此類問題的關(guān)鍵在于如何運(yùn)用監(jiān)測數(shù)據(jù)有效評估機(jī)械設(shè)備的健康狀態(tài)、如何根據(jù)其健康狀態(tài)科學(xué)預(yù)測剩余壽命。

本文內(nèi)容的組織結(jié)構(gòu)如下：首先，根據(jù)時(shí)間發(fā)展關(guān)系將機(jī)械設(shè)備健康狀態(tài)評估劃分為3部分研究內(nèi)容；然后，分別梳理總結(jié)各研究內(nèi)容目前的研究現(xiàn)狀及存在的問題，重點(diǎn)介紹了數(shù)據(jù)驅(qū)動的方法；最后，探討了智能制造背景下，機(jī)械設(shè)備健康狀態(tài)評估及剩余壽命預(yù)測領(lǐng)域存在的挑戰(zhàn)以及未來可能的發(fā)展趨勢。

2 監(jiān)測數(shù)據(jù)采集方法

機(jī)械設(shè)備狀態(tài)監(jiān)測數(shù)據(jù)是開展機(jī)械設(shè)備健康狀態(tài)評估的基礎(chǔ)。

狀態(tài)監(jiān)測試驗(yàn)是利用各類傳感器采集和存儲機(jī)械設(shè)備運(yùn)行數(shù)據(jù)，為評估其運(yùn)行狀態(tài)及預(yù)測剩余壽命提供基礎(chǔ)信息。常用的傳感器類型包括：振動加速度傳感器、聲傳感器、慣性傳感器、壓力傳感器、沖擊傳感器、溫度傳感器等，多類傳感器采集到的信號包含豐富的機(jī)械設(shè)備運(yùn)行狀態(tài)信息。隨著機(jī)械設(shè)備健康狀態(tài)評估技術(shù)的不斷發(fā)展，國內(nèi)外開展了一系列機(jī)械設(shè)備狀態(tài)監(jiān)測試驗(yàn)。凱斯西儲大學(xué)軸承數(shù)據(jù)中心使用電火花加工技術(shù)在軸承上布置了三類單點(diǎn)故障，利用振動加速度傳感器采集滾動軸承在不同故障狀態(tài)下的運(yùn)行數(shù)據(jù)，被廣泛應(yīng)用于故障診斷領(lǐng)域。文獻(xiàn)搭建了一套自吸式離心泵數(shù)據(jù)采集系統(tǒng)，加速度傳感器安裝在電機(jī)外殼上方，試驗(yàn)工況恒定。試驗(yàn)采集了5種不同的離心泵運(yùn)行狀態(tài)，包括：正常狀態(tài)、軸承內(nèi)圈磨損、軸承外圈磨損、軸承滾動體磨損和葉輪磨損。以上數(shù)據(jù)集均為人工設(shè)定機(jī)械磨損或故障狀態(tài)，研究重點(diǎn)為機(jī)械設(shè)備不同運(yùn)行狀態(tài)的識別。。

近年來，隨著物聯(lián)網(wǎng)技術(shù)、信息技術(shù)和人工智能的快速發(fā)展，預(yù)測性維護(hù)(predictive maintenance,PdM)逐漸成為研究熱點(diǎn)。預(yù)測性維護(hù)主要利用剩余使用壽命(remaining useful life,RUL)的預(yù)測信息，在維護(hù)機(jī)會窗口內(nèi)選擇成本最低的維護(hù)策略和生產(chǎn)調(diào)度計(jì)劃，達(dá)到降低成本、提高效率、最大化生產(chǎn)利潤的目的。在預(yù)測性維護(hù)背景下，研究者們開展了一系列機(jī)械設(shè)備全壽命周期運(yùn)行試驗(yàn)。法國FEMTO-ST研究院搭建了PROGNOSTIA平臺，該試驗(yàn)平臺能夠提供球軸承從投入使用直到失效過程的全壽命周期運(yùn)行振動加速度數(shù)據(jù)和溫度監(jiān)測數(shù)據(jù)，共測試了3種不同工況下的17個(gè)滾動軸承。研究者們利用該數(shù)據(jù)集開展了一系列關(guān)于滾動軸承健康狀態(tài)評估和剩余壽命預(yù)測的研究。辛辛那提大學(xué)的智能維護(hù)系統(tǒng)中心設(shè)計(jì)了3組滾動軸承全壽命周期加速疲勞試驗(yàn)，通過監(jiān)測油液中的磨損碎屑確定軸承失效時(shí)刻。與FEMTO提供的數(shù)據(jù)集相比，該數(shù)據(jù)集明確標(biāo)明了每個(gè)軸承失效后的故障形式，因此不僅可用于剩余壽命預(yù)測研究，也常被用于故障診斷研究。國內(nèi)西安交通大學(xué)雷亞國團(tuán)隊(duì)與浙江長興昇陽科技有限公司合作，開展?jié)L動軸承加速壽命試驗(yàn)研究，采集得到3種工況下15個(gè)滾動軸承的全壽命周期振動信號，且明確標(biāo)注了每個(gè)軸承的失效部位，為健康狀態(tài)評估領(lǐng)域的研究提供了數(shù)據(jù)支撐。以上是公開的全壽命周期數(shù)據(jù)集，還有不同領(lǐng)域的研究者設(shè)計(jì)實(shí)施了機(jī)械設(shè)備全壽命周期試驗(yàn)，但試驗(yàn)數(shù)據(jù)并未公開。

目前，各行業(yè)的機(jī)械設(shè)備全壽命周期數(shù)據(jù)仍然較少，無法滿足大數(shù)據(jù)下智能制造的要求。尤其在軍事領(lǐng)域，由于各類武器系統(tǒng)使用工況惡劣，數(shù)據(jù)保密要求高，尚未發(fā)現(xiàn)公開發(fā)表的壽命周期數(shù)據(jù)。因此，針對軍事領(lǐng)域的各種復(fù)雜機(jī)械設(shè)備，設(shè)計(jì)相關(guān)試驗(yàn)，采集監(jiān)測數(shù)據(jù)是各國競相發(fā)展的重要課題。

3 健康因子構(gòu)建方法

復(fù)雜機(jī)械設(shè)備性能退化過程中的損傷程度難以直觀測量，為了揭示監(jiān)測信號中包含的性能退化信息，需要提取相應(yīng)的特征，即健康因子(Health Indicator,HI)。健康因子能夠定量表征機(jī)械設(shè)備健康狀態(tài)，將不同運(yùn)行時(shí)刻的健康因子按時(shí)間順序連接即得到性能退化曲線，為剩余壽命預(yù)測提供基礎(chǔ)數(shù)據(jù)。健康因子構(gòu)建過程中主要存在兩方面的問題：① 如何利用監(jiān)測數(shù)據(jù)構(gòu)建健康因子；② 如何評估健康因子組成的性能退化曲線對剩余壽命預(yù)測的影響。

不同于機(jī)械設(shè)備故障診斷領(lǐng)域提取的特征(主要評估指標(biāo)為類內(nèi)間距與類間間距)主要用于識別分類，健康因子作為一類評估機(jī)械設(shè)備健康狀態(tài)的特征，其主要作用有兩點(diǎn)：① 定量評估機(jī)械設(shè)備運(yùn)行狀態(tài)；② 不同時(shí)刻的健康因子組成性能退化曲線，為剩余壽命預(yù)測提供基礎(chǔ)數(shù)據(jù)。因此，評估健康因子性能的指標(biāo)不僅包括評估精度，還包括對健康因子性能退化曲線的評估指標(biāo)，如單調(diào)性、趨勢性、魯棒性等。為了對健康因子評估指標(biāo)有一個(gè)直觀認(rèn)識，首先定性介紹各類指標(biāo)，如圖1所示。單調(diào)性主要表征性能退化曲線隨時(shí)間變化過程一致性，對比圖1(a)和圖1(b)可知，圖1(a)健康因子組成的性能退化曲線隨時(shí)間變化一直單調(diào)遞增，因此其單調(diào)性較好；而圖1(b)健康因子組成的性能退化曲線先是單調(diào)遞增，在運(yùn)行后期有一小段單調(diào)遞減，而后又單調(diào)遞增，因此其單調(diào)性較差。趨勢性表征性能退化曲線隨時(shí)間的變化趨勢，對比圖1(c)和圖1(d)可知，圖1(c)中健康因子組成的性能退化曲線隨時(shí)間變化而不斷變化，因此其趨勢性較好；而圖1(d)中的健康因子值的變化情況與時(shí)間相關(guān)性較弱，因此其趨勢性較差。魯棒性表征性能退化曲線的波動性，對比圖1(e)和圖1(f)可知，圖1(e)性能退化曲線波動性較小，因此其魯棒性較好；而圖1(f)性能退化曲線波動較大，其魯棒性較差。

圖1 不同健康因子性能退化指標(biāo)曲線Fig.1 Comparison of characteristics of different health indicator performance degradation curves

目前，構(gòu)建健康因子的思路主要包括兩大類：物理健康因子和虛擬健康因子。隨著傳感器技術(shù)和深度學(xué)習(xí)方法的不斷發(fā)展，基于深度學(xué)習(xí)的機(jī)械設(shè)備健康因子構(gòu)建方法也逐漸成為研究熱點(diǎn)，但其本質(zhì)屬于虛擬健康因子。為了重點(diǎn)綜述基于深度學(xué)習(xí)的健康因子構(gòu)建方法，本節(jié)將其作為獨(dú)立的一部分進(jìn)行闡述。

3.1 物理健康因子

物理健康因子(physics health indicator,PHI)，是指從傳感器采集到的監(jiān)測信號中，利用統(tǒng)計(jì)學(xué)方法或信號處理方法提取得到的一類指標(biāo)，如：時(shí)域信號的均方根值(root mean square,RMS)、譜峭度(spectral kurtosis)、信息熵(information entropy,IE)等。

時(shí)域信號的均方根值描述的是信號強(qiáng)度，能夠反映機(jī)械設(shè)備整體損傷，對于機(jī)械部件的故障發(fā)展程度較為敏感，可以表征機(jī)械設(shè)備性能退化過程，是一種常用的物理健康因子。西安交通大學(xué)的雷亞國團(tuán)隊(duì)、浙江大學(xué)的Huang團(tuán)隊(duì)提取滾動軸承均方根值作為物理健康因子，并在此基礎(chǔ)上預(yù)測滾動軸承剩余壽命。譜峭度表示利用特定頻帶對信號濾波后的幅值分布情況，能夠有效反映非平穩(wěn)監(jiān)測信號中的性能退化信息，是一種被廣泛應(yīng)用的物理健康因子。當(dāng)滾動軸承外圈或內(nèi)圈出現(xiàn)故障時(shí)，滾珠不斷撞擊故障點(diǎn)，產(chǎn)生共振頻帶。因此，譜峭度值越大的頻段信息越豐富，表明其與共振頻帶相關(guān)度越高，據(jù)此特性即可評估滾動軸承健康狀態(tài)。信息熵也是一類被廣泛應(yīng)用于評估機(jī)械設(shè)備性能狀態(tài)的物理健康因子。機(jī)械設(shè)備在運(yùn)行過程中性能不斷退化，監(jiān)測信號中包含的系統(tǒng)復(fù)雜度信息也隨性能退化而不斷變化，因此，信息熵作為度量系統(tǒng)復(fù)雜度的有效指標(biāo)能夠表征設(shè)備的健康狀態(tài)和退化趨勢，受到廣泛關(guān)注。以上物理健康因子能夠有效反映機(jī)械設(shè)備性能退化狀態(tài)，被廣泛應(yīng)用于健康狀態(tài)評估、故障診斷、剩余壽命預(yù)測等領(lǐng)域，取得優(yōu)異的應(yīng)用成果，但是仍存在一定不足。例如：均方根值作為物理健康因子雖然能夠反映機(jī)械設(shè)備性能退化過程，但是仍存在對早期故障不夠敏感，容易受到噪聲干擾等缺陷。譜峭度對早期故障特征較為敏感，但是對故障發(fā)展過程表征存在較大誤差。信息熵可以有效刻畫機(jī)械設(shè)備性能退化過程，但是計(jì)算效率較低、不同信息熵的性能退化表征能力存在較大差異。

3.2 虛擬健康因子

虛擬健康因子是指將多個(gè)物理健康因子或傳感器數(shù)據(jù)融合得到的一類表征機(jī)械設(shè)備運(yùn)行狀態(tài)的指標(biāo)。目前，虛擬健康因子構(gòu)建方法主要有兩大類思路：基于數(shù)據(jù)融合的思想和基于相似性的思想。

基于第一類思路的研究主要包括主成分分析法(principal component analysis,PCA)、局部線性嵌入法(locally linear embedding)、局部保留投影法(locally preserving projections)、受限玻爾茲曼機(jī)法(restricted boltzmann machine,RBM)等，將多種物理健康因子或傳感器數(shù)據(jù)融合、降維后得到新的虛擬健康因子。主成分分析是一種經(jīng)典的無監(jiān)督特征提取技術(shù)，通過提取原始變量中的少數(shù)包含主要結(jié)構(gòu)信息的主成分，表征多個(gè)變量的原始結(jié)構(gòu)。Widodo等提取了滾動軸承振動加速度信號的時(shí)域峰值、峭度、信息熵等物理健康因子，利用主成分分析法對物理健康因子降維，得到虛擬健康因子，提高了后續(xù)計(jì)算性能退化狀態(tài)的效率。Benkedjouh等利用小波包變換提取刀具振動信號的多個(gè)時(shí)頻特征作為物理健康因子，利用最大似然主成分分析法對提取的物理健康因子降維，得到虛擬健康因子，有效提高了刀具剩余壽命預(yù)測精度。Ahmed等從機(jī)械設(shè)備監(jiān)測信號中提取了11個(gè)時(shí)域特征作為物理健康因子，利用PCA對時(shí)域特征降維處理，試驗(yàn)結(jié)果表明，降維后的虛擬健康因子能夠有效反映機(jī)械設(shè)備性能退化狀態(tài)。基于PCA的虛擬健康因子構(gòu)建方法屬于典型的降維方法，即將多個(gè)物理健康因子或多個(gè)傳感器監(jiān)測數(shù)據(jù)融合降維，從而較少冗余信息，提高性能狀態(tài)評估精度和計(jì)算效率。PCA雖然是常見的降維方法，但存在一些缺陷：PCA將原始數(shù)據(jù)作為一個(gè)整體，通過建立均方誤差最小意義下的最優(yōu)線性映射投影提取主成分，在此過程中忽略了類別屬性。受限玻爾茲曼機(jī)(restricted boltzmann machine,RBM)是一類特殊的馬爾科夫隨機(jī)場，具有可見層與隱藏層兩層組成的網(wǎng)絡(luò)結(jié)構(gòu)。RBM利用訓(xùn)練數(shù)據(jù)調(diào)整節(jié)點(diǎn)連接權(quán)重和偏置參數(shù)，使得在該參數(shù)下由相應(yīng)受限玻爾茲曼機(jī)表示的概率分布盡可能與訓(xùn)練數(shù)據(jù)相符，從而達(dá)到特征融合及降維的目的?；谑芟薏柶澛鼨C(jī)的健康因子構(gòu)建方法通過融合機(jī)械設(shè)備監(jiān)測數(shù)據(jù)不同特征，能夠表征機(jī)械設(shè)備性能退化狀態(tài)和故障狀態(tài)，進(jìn)而實(shí)現(xiàn)性能趨勢預(yù)測及故障預(yù)測。文獻(xiàn)[58]將滾動軸承振動加速度信號的時(shí)域均方根值輸入受限玻爾茲曼機(jī)模型構(gòu)建健康因子，然后將線性回歸層添加到受限玻爾茲曼機(jī)模型，預(yù)測性能退化發(fā)展趨勢，進(jìn)而得到滾動軸承剩余壽命。文獻(xiàn)[59]提取齒輪箱振動加速度信號的多模態(tài)特征，將時(shí)域、頻域和時(shí)頻域的多模態(tài)特征輸入到三層高斯-伯努利深度受限玻爾茲曼機(jī)中構(gòu)建健康因子，最后將構(gòu)建好的健康因子輸入到支持向量分類模型診斷齒輪箱故障。文獻(xiàn)[60-62]表明，基于PCA和RBM的健康因子構(gòu)建方法研究主要集中于特征融合、降維，而對構(gòu)建的健康因子性能，如單調(diào)性、趨勢性、魯棒性等關(guān)注較少，且構(gòu)建的虛擬健康因子組成的性能退化曲線仍存在較大的隨機(jī)波動。同時(shí)，基于融合思想的健康因子構(gòu)建模型無法利用相同型號設(shè)備產(chǎn)生海量歷史監(jiān)測數(shù)據(jù)，僅局限于構(gòu)建單個(gè)設(shè)備的健康因子性能退化曲線。

基于第二類思路的方法包括自組織映射網(wǎng)絡(luò)(self organizing map,SOM)、馬氏距離(Mahalanobis distance)、支持向量數(shù)據(jù)描述等方法，利用歷史監(jiān)測數(shù)據(jù)訓(xùn)練模型，再將測試數(shù)據(jù)輸入到已訓(xùn)練的模型，得到測試數(shù)據(jù)的虛擬健康因子。該思路的基本假設(shè)為機(jī)械設(shè)備性能退化階段的監(jiān)測特征與正常狀態(tài)監(jiān)測特征的偏離程度和性能退化程度呈正相關(guān)關(guān)系。但是，該方法要求擁有大量的歷史監(jiān)測數(shù)據(jù)，監(jiān)測數(shù)據(jù)樣本量較小的情況難以應(yīng)用。

3.3 基于深度學(xué)習(xí)的健康因子構(gòu)建方法

智能制造背景下，各類傳感器采集得到機(jī)械設(shè)備大量監(jiān)測數(shù)據(jù)，這些數(shù)據(jù)包含豐富的設(shè)備運(yùn)行狀態(tài)信息。近年來，深度學(xué)習(xí)以其自適應(yīng)特征提取能力、非線性函數(shù)表征能力獲得越來越多的關(guān)注，為構(gòu)建健康因子提供了一種新的思路。深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的一類特殊算法，根據(jù)有無學(xué)習(xí)標(biāo)簽，可分為無監(jiān)督和有監(jiān)督學(xué)習(xí)兩大類。無監(jiān)督學(xué)習(xí)主要用于網(wǎng)絡(luò)預(yù)訓(xùn)練、降維等。有監(jiān)督學(xué)習(xí)利用數(shù)據(jù)標(biāo)簽，深度挖掘數(shù)據(jù)內(nèi)部蘊(yùn)含的特征信息。有監(jiān)督深度學(xué)習(xí)算法主要包括卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)由LeCun于1990年提出用于圖像處理，該算法有2個(gè)重要組成部分：空間共享權(quán)值(卷積層)和空間池化。卷積神經(jīng)網(wǎng)絡(luò)成功應(yīng)用于計(jì)算機(jī)圖像處理領(lǐng)域，其網(wǎng)絡(luò)輸入大都為二維圖像數(shù)據(jù)。Babu等利用2個(gè)卷積層和2個(gè)池化層提取原始信號的特征構(gòu)建健康因子，然后將健康因子輸入到多層感知器中預(yù)測機(jī)械設(shè)備剩余壽命。Ren等將頻譜主能量向量組合成特征圖，將特征圖作為深度卷積神經(jīng)網(wǎng)絡(luò)的輸入構(gòu)建滾動軸承健康因子，軸承試驗(yàn)表明所提方法優(yōu)于傳統(tǒng)的健康因子構(gòu)建方法。Li等提取滾動軸承振動加速度信號的時(shí)頻圖，然后將時(shí)頻圖輸入到多尺度卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建健康因子，實(shí)現(xiàn)一種健康因子自適應(yīng)構(gòu)建模型，提高了健康因子構(gòu)建效率。She等提出一種多通道深度卷積神經(jīng)網(wǎng)絡(luò)模型，充分利用多個(gè)傳感器測得的監(jiān)測數(shù)據(jù)構(gòu)建健康因子。在網(wǎng)絡(luò)訓(xùn)練時(shí)，采用指數(shù)衰減式學(xué)習(xí)率，有效提高了計(jì)算效率。Sun等利用雙樹復(fù)小波變換將原始一維時(shí)間序列信號轉(zhuǎn)換為二維圖像信息，然后將圖像信息輸入到深度卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建健康因子。Li等利用多個(gè)傳感器振動信號頻域的均方根值作為輸入，分別訓(xùn)練多個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建軸承健康因子，最后利用D-S證據(jù)理論將不同網(wǎng)絡(luò)構(gòu)建的健康因子融合，得到最終的健康因子。深度卷積網(wǎng)絡(luò)超參數(shù)較多，網(wǎng)絡(luò)結(jié)構(gòu)對最終的學(xué)習(xí)效果影響較大，優(yōu)化過程較為復(fù)雜。以上基于深度卷積網(wǎng)絡(luò)的健康因子構(gòu)建方法大都建立構(gòu)建模型，沒有進(jìn)一步探討網(wǎng)絡(luò)結(jié)構(gòu)、超參數(shù)對健康因子的影響。循環(huán)神經(jīng)網(wǎng)絡(luò)是一類包含前饋連接和內(nèi)部反饋連接的前饋神經(jīng)網(wǎng)絡(luò)，原則上能夠從之前輸入的整個(gè)歷史映射到目標(biāo)向量，并允許之前輸入的內(nèi)存保持在網(wǎng)絡(luò)的內(nèi)部狀態(tài)，因此能夠保留隱藏層上一時(shí)刻的狀態(tài)信息，被廣泛應(yīng)用于復(fù)雜動態(tài)系統(tǒng)建模領(lǐng)域?；谘h(huán)神經(jīng)網(wǎng)絡(luò)的健康因子構(gòu)建方法基本思路是：將工程中的監(jiān)測數(shù)據(jù)輸入到循環(huán)神經(jīng)網(wǎng)絡(luò)，采用時(shí)間反向傳播算法對模型進(jìn)行訓(xùn)練，進(jìn)而構(gòu)建機(jī)械設(shè)備健康因子。李峰等提出一種基于雙隱層量子線路循環(huán)神經(jīng)網(wǎng)絡(luò)，構(gòu)建基于量綱一化排列熵誤差的物理健康因子集，然后將物理健康因子集輸入到循環(huán)神經(jīng)網(wǎng)絡(luò)得到反映機(jī)械設(shè)備性能退化狀態(tài)的健康因子。試驗(yàn)結(jié)果表明，基于該新方法構(gòu)建的健康因子有效提高了預(yù)測精確度和計(jì)算效率。Zhang等提出一種基于長短時(shí)記憶網(wǎng)絡(luò)的健康因子構(gòu)建模型，利用粒子群優(yōu)化算法優(yōu)化網(wǎng)絡(luò)參數(shù)。Ren等提出一種多尺度門循環(huán)神經(jīng)網(wǎng)絡(luò)，將不同方位的傳感器測得振動加速度信號輸入網(wǎng)絡(luò)構(gòu)建健康因子。試驗(yàn)結(jié)果表明，多尺度門循環(huán)神經(jīng)網(wǎng)絡(luò)能夠有效提取時(shí)間序列特征，集合不同時(shí)間尺度的信息。循環(huán)神經(jīng)網(wǎng)絡(luò)雖然能夠有效處理時(shí)間序列數(shù)據(jù)，但是存在“記憶衰退”問題，不利于進(jìn)行長期預(yù)測。以上基于監(jiān)督深度學(xué)習(xí)的方法本質(zhì)上屬于相似性思路的虛擬健康因子構(gòu)建思想，因此，其優(yōu)勢是能夠充分挖掘同類型設(shè)備歷史監(jiān)測數(shù)據(jù)，且其評估機(jī)械設(shè)備健康狀態(tài)的精度隨著訓(xùn)練數(shù)據(jù)的增加而不斷提高。其缺點(diǎn)是當(dāng)數(shù)據(jù)量較小時(shí)的評估精度不高，因此不適用于樣本量較小的監(jiān)測數(shù)據(jù)。

4 剩余壽命預(yù)測方法

機(jī)械設(shè)備剩余壽命預(yù)測定義為“機(jī)械設(shè)備從當(dāng)前時(shí)刻運(yùn)行至失效狀態(tài)時(shí)刻的時(shí)間間隔”，可表示為=-，其中表示機(jī)械設(shè)備失效時(shí)刻，表示當(dāng)前運(yùn)行時(shí)刻，表示當(dāng)前時(shí)刻的剩余壽命。剩余壽命預(yù)測是在健康因子組成的性能退化曲線的基礎(chǔ)上，預(yù)測機(jī)械設(shè)備從當(dāng)前時(shí)刻運(yùn)行至失效時(shí)刻的時(shí)間間隔。目前，剩余壽命預(yù)測模型可以分為三大類：基于物理模型的方法、數(shù)據(jù)驅(qū)動的方法和基于混合模型的方法。

4.1 基于物理模型的剩余壽命預(yù)測方法

基于物理模型的剩余壽命預(yù)測方法主要使用機(jī)械設(shè)備失效機(jī)理建立數(shù)學(xué)模型，描述性能退化過程，開展剩余壽命預(yù)測研究。其中，物理模型的參數(shù)與材料特性、壓力水平有關(guān)，通常是利用試驗(yàn)、有限元分析等技術(shù)手段來確定。Paris-Erdogan(PE)模型是機(jī)械設(shè)備剩余壽命預(yù)測領(lǐng)域應(yīng)用最為廣泛的一類物理模型。文獻(xiàn)[83]首先提出PE模型，用來描述裂縫發(fā)展過程。Wang等將PE模型轉(zhuǎn)換為經(jīng)驗(yàn)?zāi)Ｐ烷_展機(jī)械設(shè)備剩余壽命預(yù)測研究。

基于物理模型的剩余壽命預(yù)測方法深入分析機(jī)械設(shè)備失效機(jī)理，構(gòu)建性能退化過程物理模型，因此預(yù)測結(jié)果較為準(zhǔn)確。但是隨著機(jī)械設(shè)備結(jié)構(gòu)愈加復(fù)雜，難以建立準(zhǔn)確的失效機(jī)理模型，因此難以得到廣泛推廣。

4.2 數(shù)據(jù)驅(qū)動的剩余壽命預(yù)測方法

數(shù)據(jù)驅(qū)動的剩余壽命預(yù)測方法分為兩類：基于統(tǒng)計(jì)模型的剩余壽命預(yù)測方法和基于智能模型的剩余壽命預(yù)測方法。

基于統(tǒng)計(jì)模型的剩余壽命預(yù)測方法也稱為基于經(jīng)驗(yàn)?zāi)Ｐ偷姆椒ǎ饕抢媒?jīng)驗(yàn)知識建立統(tǒng)計(jì)模型，然后利用歷史觀測數(shù)據(jù)確定模型參數(shù)，進(jìn)而得到機(jī)械設(shè)備剩余壽命的概率分布函數(shù)。剩余壽命預(yù)測的統(tǒng)計(jì)模型在參數(shù)估計(jì)的過程中考慮了各種隨機(jī)變量，如時(shí)間變化性、單元-單元變化性、測量變化性等。因此，基于統(tǒng)計(jì)模型的剩余壽命預(yù)測方法能夠有效地描述性能退化過程中的不確定性。目前，基于統(tǒng)計(jì)模型的剩余壽命預(yù)測方法主要包括：基于隨機(jī)系數(shù)回歸模型的方法、基于Wiener過程的方法、基于Gamma過程的方法、基于逆高斯過程的方法、基于馬爾科夫鏈的方法。

研究表明：基于統(tǒng)計(jì)模型的剩余壽命預(yù)測方法雖能夠有效預(yù)測機(jī)械設(shè)備剩余壽命，且提供預(yù)測結(jié)果的不確定性置信區(qū)間，但是大部分方法均假定退化模型是已知的，然后通過狀態(tài)監(jiān)測數(shù)據(jù)或環(huán)境數(shù)據(jù)對模型的參數(shù)進(jìn)行估計(jì)，最后利用模型預(yù)測剩余壽命。但是實(shí)際工程應(yīng)用時(shí)，機(jī)械設(shè)備性能退化模型往往是未知的，不同類型機(jī)械設(shè)備的退化模型也存在差異，如果退化模型選擇不當(dāng)，將嚴(yán)重影響剩余壽命預(yù)測的精度。

相對于基于統(tǒng)計(jì)模型的剩余壽命預(yù)測方法要求退化模型已知，智能學(xué)習(xí)模型能夠通過智能算法從監(jiān)測數(shù)據(jù)中自主學(xué)習(xí)機(jī)械設(shè)備性能退化模式，預(yù)測剩余壽命，不需要事先構(gòu)建物理模型或者統(tǒng)計(jì)模型，使其逐漸成為研究熱點(diǎn)。目前，在剩余壽命預(yù)測領(lǐng)域，常用的智能模型主要包括：人工神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)模型、相關(guān)向量機(jī)模型。

人工神經(jīng)網(wǎng)絡(luò)通過復(fù)雜層次結(jié)構(gòu)中的大量連接節(jié)點(diǎn)模擬人腦的工作過程，能夠自動從監(jiān)測數(shù)據(jù)中提取特征，預(yù)測機(jī)械設(shè)備剩余壽命。應(yīng)用于剩余壽命預(yù)測的神經(jīng)網(wǎng)絡(luò)主要包括：前饋神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)。大量文獻(xiàn)利用前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)健康因子和剩余壽命之間的關(guān)系。在文獻(xiàn)[94]中，Sbarufatti等將前饋神經(jīng)網(wǎng)絡(luò)與蒙特卡洛法采樣法相結(jié)合，預(yù)測機(jī)械設(shè)備剩余壽命。在文獻(xiàn)[95]中，Pan等利用前饋神經(jīng)網(wǎng)絡(luò)對滾動軸承健康狀態(tài)進(jìn)行多步前向預(yù)測。循環(huán)神經(jīng)網(wǎng)絡(luò)是一種能夠有效處理時(shí)間序列的網(wǎng)絡(luò)，也被廣泛應(yīng)用于剩余壽命預(yù)測。以上基于人工神經(jīng)網(wǎng)絡(luò)的機(jī)械設(shè)備剩余壽命預(yù)測方法在有效提高剩余壽命預(yù)測效率和精確度的同時(shí)，也有不足之處。例如當(dāng)訓(xùn)練數(shù)據(jù)不足時(shí)，容易出現(xiàn)過擬合等現(xiàn)象，造成模型泛化性能差。另外，以上模型也無法提供預(yù)測結(jié)果的不確定性置信區(qū)間，不利于開展后續(xù)的維修保障工作。

支持向量機(jī)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的智能模型，能夠有效處理小樣本數(shù)據(jù)的剩余壽命預(yù)測問題。Widodo等利用正常狀態(tài)數(shù)據(jù)和失效狀態(tài)數(shù)據(jù)訓(xùn)練支持向量機(jī)，并用訓(xùn)練好的模型預(yù)測機(jī)械設(shè)備剩余壽命。支持向量回歸機(jī)也是一種常見的應(yīng)用于剩余壽命預(yù)測領(lǐng)域的支持向量機(jī)模型。Liu等提出一種改進(jìn)的概率支持向量回歸模型，基于該模型開展核電站機(jī)械部件的剩余壽命預(yù)測研究。目前，已有部分文獻(xiàn)將相關(guān)向量機(jī)應(yīng)用于剩余壽命預(yù)測領(lǐng)域。但是相關(guān)向量機(jī)的預(yù)測性能很大程度上依賴于核函數(shù)的選擇，同時(shí)，模型參數(shù)的優(yōu)化也是仍待解決的問題。

4.3 基于混合模型的剩余壽命預(yù)測方法

如前所述，基于物理模型和數(shù)據(jù)驅(qū)動的剩余壽命預(yù)測方法均存在一定的局限性。為了充分發(fā)揮兩者的優(yōu)勢，人們嘗試將兩種方法相結(jié)合，建立基于混合模型的剩余壽命預(yù)測方法。傳感器采集到的機(jī)械設(shè)備狀態(tài)監(jiān)測數(shù)據(jù)無法直接反映其性能退化狀態(tài)，因此，基于混合模型的RUL預(yù)測方法一般先利用數(shù)據(jù)驅(qū)動模型根據(jù)監(jiān)測數(shù)據(jù)構(gòu)建反映性能退化過程的健康因子性能退化曲線，然后再利用失效物理模型對機(jī)械設(shè)備性能退化曲線建模并預(yù)測其剩余壽命。文獻(xiàn)[103]提出一種融合粒子濾波技術(shù)和深度學(xué)習(xí)模型的混合剩余壽命預(yù)測方法。該方法分為2個(gè)階段：第一階段，采用深度學(xué)習(xí)模型提取機(jī)械設(shè)備性能退化特征；第二階段，將性能退化特征輸入到測量方程中，根據(jù)領(lǐng)域內(nèi)的物理知識所構(gòu)建的性能退化模型建立系統(tǒng)方程，利用粒子濾波技術(shù)實(shí)時(shí)更新模型參數(shù)從而實(shí)現(xiàn)剩余壽命預(yù)測。基于混合模型的剩余壽命預(yù)測方法能夠同時(shí)融合不同方法得優(yōu)勢，因此受到越來越多的關(guān)注。

5 機(jī)械設(shè)備健康狀態(tài)評估發(fā)展趨勢

通過以上綜述可知，眾多學(xué)者對機(jī)械設(shè)備健康狀態(tài)評估及剩余壽命預(yù)測方法展開了深入廣泛的研究，并取得了大量研究成果。通過對研究現(xiàn)狀的深入分析，結(jié)合大數(shù)據(jù)背景下機(jī)械設(shè)備健康狀態(tài)評估及剩余壽命預(yù)測所呈現(xiàn)出的顯著特點(diǎn)，具體梳理出3點(diǎn)發(fā)展趨勢：① 基于深度學(xué)習(xí)的機(jī)械設(shè)備健康因子構(gòu)建方法；② 考慮不確定性的剩余壽命智能預(yù)測方法；③ 小樣本條件下剩余壽命預(yù)測方法。

5.1 基于深度學(xué)習(xí)的機(jī)械設(shè)備健康因子構(gòu)建方法

傳統(tǒng)的機(jī)械設(shè)備健康因子存在單調(diào)性、趨勢性不高、失效閾值難以確定等問題。隨著傳感器技術(shù)和深度學(xué)習(xí)算法的快速發(fā)展，基于深度學(xué)習(xí)的健康因子構(gòu)建方法逐漸成為研究熱點(diǎn)。一方面，基于深度學(xué)習(xí)的健康因子構(gòu)建模型大多將其作為剩余壽命預(yù)測模型的一部分，沒有對構(gòu)建的健康因子及其組成的性能退化曲線進(jìn)行更深入的研究。健康因子性能將影響剩余壽命預(yù)測精度及其預(yù)測結(jié)果的置信區(qū)間大小，進(jìn)一步影響維修決策的制定。因此，構(gòu)建能夠有效表征機(jī)械設(shè)備性能退化趨勢的高性能健康因子是下一步的發(fā)展趨勢。另一方面，傳感器采集到的機(jī)械設(shè)備監(jiān)測數(shù)據(jù)類型豐富多樣，包含一維時(shí)間序列數(shù)據(jù)、二維圖像數(shù)據(jù)、有標(biāo)簽數(shù)據(jù)、無標(biāo)簽數(shù)據(jù)等。針對不同的數(shù)據(jù)類型，如何搭建深度學(xué)習(xí)網(wǎng)絡(luò)，深入挖掘不同類型數(shù)據(jù)中蘊(yùn)含的性能退化信息是機(jī)械設(shè)備健康狀態(tài)智能評估方法的另一個(gè)發(fā)展趨勢。

5.2 考慮不確定性的剩余壽命智能預(yù)測方法

RUL預(yù)測的準(zhǔn)確性是由預(yù)測值和實(shí)際值之間的偏差來衡量的，預(yù)測的精確性是由一定置信度下的區(qū)間大小來衡量的。RUL預(yù)測偏差在一定范圍內(nèi)是允許的，偏差過大的預(yù)測無法指導(dǎo)預(yù)測性維修活動，甚至具有危害性。對于安全關(guān)鍵的設(shè)備，我們更傾向于得到較為保守的預(yù)測值，即預(yù)測的剩余壽命比實(shí)際值稍短。RUL預(yù)測具有不確定性，在一定置信度下，輸出RUL的預(yù)測區(qū)間，對維修決策有更重要的意義。在相同置信度下，預(yù)測區(qū)間越小，表明預(yù)測的精確性越高。對于智能方法預(yù)測RUL而言，提高預(yù)測的準(zhǔn)確性需要從2個(gè)方面著手，一方面要提高數(shù)據(jù)的質(zhì)量和數(shù)量，另一方面要提高預(yù)測方法和算法的性能。因此，在監(jiān)測數(shù)據(jù)已知的情況下，提高剩余壽命精度、減小預(yù)測區(qū)間是剩余壽命預(yù)測領(lǐng)域的發(fā)展趨勢。

.

目前雖然已經(jīng)存在一些全壽命周期數(shù)據(jù)集，但是針對各個(gè)不同領(lǐng)域內(nèi)的測試數(shù)據(jù)仍然較少。例如，在艦炮裝備狀態(tài)監(jiān)測領(lǐng)域，一方面，艦炮運(yùn)行次數(shù)少、時(shí)間短，可采集的數(shù)據(jù)樣本少；另一方面，在部隊(duì)實(shí)際應(yīng)用過程中，為了保證作戰(zhàn)使用和安全，艦炮長期處于正常運(yùn)行狀態(tài)，很少進(jìn)入性能退化階段中后期，從而導(dǎo)致性能退化階段數(shù)據(jù)缺失。此外，常用于反映機(jī)械設(shè)備運(yùn)行狀態(tài)的監(jiān)測數(shù)據(jù)具有非線性、非平穩(wěn)性和強(qiáng)噪聲等特點(diǎn)，受信號傳播途徑、傳感器位置等因素影響，性能退化特征容易被淹沒，獲取的數(shù)據(jù)信號與裝備性能退化狀態(tài)的映射關(guān)系也不明確。以上因素均導(dǎo)致復(fù)雜機(jī)械設(shè)備狀態(tài)監(jiān)測數(shù)據(jù)具有數(shù)量少、質(zhì)量不高等特點(diǎn)。因此，探索提高小樣本數(shù)據(jù)下健康狀態(tài)評估及剩余壽命預(yù)測精度問題是復(fù)雜機(jī)械設(shè)備健康狀態(tài)評估和剩余壽命預(yù)測領(lǐng)域的一個(gè)發(fā)展趨勢。