随着《中国制造2025》战略计划的开展和智能制造的时代到来，设备数据的大量产生，这些条件利于深度学习并促使深度学习获得长足的发展。深度学习作为实现预测性维护的重要支撑技术。符合高效益的预测性维护将成为设备维护方式的主流，也将成为研究的重点。因此，本文总结了预测性维护中使用深度学习方法的发展历程。分析现有研究的不足之处。探讨预测性维护与其他产业结合的可能，并展望了预测性维护的重点应用与发展趋势。

1 深度学习简介

机器学习指的是通过学习样本数据的内在规律和表示层次，使机器能够完成一些人类才能完成的复杂任务，其最终目标是让机器能够像人一样具有分析学习能力。根据学习形式的不同通常可将机器学习分为监督学习、无监督学习和强化学习三类。

1）监督学习：对于每一个输入，都有一个明确的标记，常见的算法有线性回归与决策树。

2）无监督学习：输入没有明确的标记，常见的算法有聚类与降维。

3）强化学习：输入与环境动态相互作用与改变，根据环境的变化，输入会获得某种激励。强化学习的目的是让输入在环境的反馈下，通过最优化决策来获得更好的激励。与监督、非监督学习采用的统计学数学原理不同的是，强化学习背后的原理与状态的改变相关，更多的结合了随机过程，离散数学等。常见的算法有：马尔科夫决策过程、Q学习（Q-learning）、深度Q网络（DeepQNetwork，DQN）。

深度学习方法属于机器学习的一个子类。其主要原理为神经网络及神经网络间的连接机制与学习算法等。深度学习在非结构化数据与海量数据为特点的语音识别领域，图像识别，翻译领域取得了巨大的成功。近年来也将深度学习应用在预测性维护领域，建立适合预测性维护的深度学习模型的流程如图1所示。

图1 深度学习方法实现设备预测性维护过程

图1中，使用深度学习解决预测性维护任务时，会将收集到的设备特征参数数据进行预处理（去除噪声、归一化、标准化等），然后根据任务选择合适的深度学习模型。再将处理完的数据用于深度学习模型的训练，最后将当前设备的特征参数输入到训练好的深度学习模型中。深度学习模型会根据这些输入，将其映射到输出。在上述过程中，故障诊断与剩余寿命预测是预测性维护的主要任务，也是设备优化维护策略的重要前提和基础。

根据任务特点，选择合适的深度学习模型完成预测性维护过程是至关重要的。鉴于深度学习在不断更新，本文将从这两个任务角度出发，分析深度学习背景下的设备预测性维护技术变迁与发展。

2 故障诊断

故障诊断是状态监测与故障诊断的统称。其中状态监测倾向于当前设备运行信息与特征参数的监测，而故障诊断则是设备部件已发生故障后，进一步分析故障发生的部位、故障产生的原因、故障的性质和严重程度等。深度学习方法实现设备故障的基本原理为：通过神经元连接与运算，替代了传统方法中的复杂动力学分析，将设备不同时刻特征参数非线性映射到多种设备状态。目前深度学习算法中在故障诊断应用较多的方法是基于人工神经网络的方法，其诊断过程则如图2所示。

图2 预测性维护中深度学习实现故障诊断过程

在深度学习实现故障诊断的过程中，关注点与解决的设备诊断难点是不一致的，不同方法所应对的设备数据也有所区别。BISWAL等在实验台上搭建模拟风力涡轮机运行实验。得到正常时刻运行时的振动数据，将缺陷部件替换健康部件后得到故障状态下振动数据。利用人工神经网络对不同工况下的数据进行分类识别，进行风力涡轮机故障的诊断。人工神经网络取得了较高识别准确率。HESSER等针对刀具的磨损监测，使用人工神经网络实现刀具状态分类，也实现了前置的数据采集工作，得到了一个一体化的刀具故障诊断系统。ALI等在研究轴承故障时，在使用人工神经网络前先对轴承振动信号使用模态分解，该方法比单一使用人工神经网络效果要好。LUO等针对机床早期故障检测的问题，提出一种时变条件下的深度学习模型，该方法采用自编码器与BP神经网络（人工神经网络基础上使用误差逆向传播算法优化权重和偏置，即得到BP神经网络）结合，先用自编码器处理振动信号中的脉冲与非脉冲部分，通过脉冲响应随时间的变化来识别机床的动态特性。在事先建立好的健康指标上利用BP神经网络对其分类，不受时变条件的影响，具有较好的早期检测能力。

但BP神经网络的初始权重和偏置是随机赋值的，在其调节权重值时，使用梯度下降法等算法优化权重值使误差交叉熵损失值最小，容易陷入局部最优解。故使用BP神经网络时会配合其他算法，如粒子群优化算法、遗传算法、模拟退火算法等使其收敛。对于误差逆向传播时设置权重参数和偏置效率低下，极限学习机在神经网络的基础上，改善了此问题。如裘日辉等在故障诊断中使用极限学习机，提升了设置神经网络的权重参数和偏置的效率。

还有一类基于受限玻尔兹曼机的深度信念网络。学者们将此种网络方法也较多的应用于故障诊断。如LIU等针对模拟滤波电路的诊断问题，提出一种基于高斯-伯努利深度信念网络的方法。该方法能更有效地捕捉原始输出信号中的高阶语义特征，诊断精度高于其他方法。

后续伴随着深度学习的发展，出现了特征提取能力较强的卷积神经网络，并且对于故障诊断问题，也从原先的单一网络逐渐变成多网络方法集成。例如INCE等和LIANG等采用卷积神经网络分别对电机、轴承进行状态监测与早期故障诊断，卷积神经网络方法可以直接适用原始信号，而不需要对信号做预先的特征提取。SHAO等针对电力机车轴承的故障诊断问题，提出了一种基于卷积深度置信网络的轴承故障诊断方法。

首先，采用自编码器对采集到的轴承实验信号数据进行压缩，降低维数。其次利用高斯可见单元构造了一种新的卷积深度信念网络（CDBN）来学习代表性特征，此方法可以有效的改善深度学习模型的性能。LIU等对于电机的故障诊断，基于工业振动信号的特点，提出了一种新的诊断框架，即错位时间序列CNN（DTS-CNN）。DTS-CNN体系结构在普通卷积神经网络的基础上加入前置位错层。增加位错层可以提取周期机械信号中不同区间信号之间的关系，克服了传统CNN算法的不足，该方法更适用于现代电机，特别是非平稳条件下的电机。

对于机械设备故障诊断，存在着不同工况下或者是机械设备型号不同而导致收集到的数据分布不一致，从而导致深度学习方法诊断精度低。以往的深度学习方法方法不能较好的适应，因此，对于此类问题的故障诊断，会采用一种迁移学习与深度学习结合的深度迁移学习方法。

ZHANG等针对轴承的故障问题，提出了一种基于神经网络的故障诊断迁移学习方法将部分参数从源任务传递给目标任务。最后，用另一种工作条件下的少量目标数据对新模型进行训练。其所提出的迁移学习方法可以提高分类准确率，缩短训练时间，该方法可以充分利用不同工况下的数据，提高故障诊断性能。WEN等对于电机轴承故障诊断时数据分布不同而到导致诊断精度低的问题，提出一种新的迁移学习方法。算法采用三层稀疏自编码器提取原始数据的特征，并应用最大平均差异项来减小训练数据与测试数据特征之间的差异惩罚。迁移学习比深度信念网络、稀疏滤波、人工神经网络等深度学习方法有着更好的任务效果。更多基于深度学习方法的机械设备故障诊断的最新应用详见表1。

表 1 预测性维护中故障诊断方法的最新发展

深度学习预测性维护中故障诊断的实现中，可以看出，方法是以人工神经网络为基础，辅以特征信号物理解析方法。如，小波变换，模态分解，傅里叶变换，高斯过程等。然后，根据深度学习方法的组成要素，配合使用其他的一些算法，再对深度学习方法中的网络层内部神经元的权重、参数、向量、以及网络内部结构以及总体结构等进行调节，以提高故障诊断精度等。深度学习方法在解决故障诊断的问题时，其神经网络模型的生成是基于历史数据的训练结果，需要很少的特征工程，专家知识。然而神经网络也具有一定的缺点，当训练样本的容量较小时。生成的神经网络也会有较大的性能差距，鲁棒性较差，即神经网络需要大量的数据才能训练成功。此外，神经网络的可解释性较差，特征的连续映射与变换的过程中，并不清楚其变换的标准和变换程度。

3 剩余寿命预测

剩余寿命预测是深度学习方法对设备连续性状态的诊断。但是这种连续性状态在最初划分的开始时，存在着很大的缺陷，因为不同工况叠加的情况下，设备状态变化应该是不一致的。进行寿命预测时，其基本原理为：深度学习使用神经元连接将设备参数信息映射到一个剩余寿命数值，多个连续时刻的设备信息则会得到一条关于设备的剩余寿命曲线。

在解决剩余寿命预测问题时，现有的深度学习方法集中于特征表征过程，挖掘特征与寿命的隐含关系，使用深度学习进行剩余寿命预测，根据剩余寿命预测结果而对设备进行合理的工期维护。根据这一目标，现有的剩余寿命预测集中在预测精度的提高。从多个角度的优化，如优化网络本身的权重和偏置，维修期的划分个数最佳选取，基于这些目标，解决方法通常是基于RNN方法及其变种，其框架如图3所示。

图3 预测性维护中深度学习实现剩余寿命预测过程

随着对设备寿命认识的的深入以及深度学习自身的发展，设备使用深度学习实现剩余寿命预测的过程逐渐完整并具有更多倾向性与不同的侧重点。GUO等对健康阈值进行了划分，其原因为，不同机器设备的健康指标没有统一的标准，并且不同机器特征值没有明确的划定范围。因此难确定其发生故障时的阈值，故采用了一种基于RNN方法并用于轴承的剩余寿命预测，RNN方法可较好的适应无明显阈值的情况；LI等针对涡扇涡轮发动机的剩余寿命预测问题，根据涡轮涡扇的寿命退化曲线的特点，将退化阶段分为两阶段，采用分段函数来模拟寿命曲线。利用深度学习中的长短期记忆（LSTM）与卷积神经网络（CNN）所组成的有向无环图（DAG）预测模型。该模型可以很好应对设备寿命退化状态曲线没有明显规律的情况，得到更精确的分级退化状态；ZHANG等对于锂离子电池的寿命预测问题，利用自编码器先对特征进行处理，再结合深度学习方法，得到自编码深度网络预测模型。该模型能够降低噪声的干扰，提升剩余寿命预测的精度。DEUTSCH在研究旋转部件的剩余寿命预测问题时，为了获得该部件的状态参数的退化状态，利用实验台将旋转部件轴承从健康运行到失效，并记录下该过程的实验数据，提出一种基于深度信念网络（DBN）的深度学习算法，该方法对于旋转机械设备有较好的寿命预测能力。更多基于深度学习方法的机械设备剩余寿命预测的最新应用详见表2。

表 2 预测性维护中剩余寿命预测方法的最新发展

在剩余寿命预测时较多选用自编码器-解码器结构的原因是，自编码器能去除掉信号里的噪声、降低数据维度以去除冗余的特征、添加限制项来获得更良好的样本特征。从前人的工作可以看出，对于使用深度学习方法来提升剩余寿命预测的拟合精度，采用的方式有多尺度、多通道、多分段，去噪、降噪、降维、多方法集成，提取更一般通用的特征，以及分类区分对待，即对敏感时刻以及个别的特征能够充分应对。还有一些针对模型的优化，如提升效率，降低深度学习方法运算成本等。

4 未来展望

4.1 数字孪生

数字孪生的引入，为预测性维护应用提供了场景，数字孪生体可以施加多种工况，弥补实验不足的特点，也为多种设备，不同工况下全生命周期提供了数据。现提出一种预测性维护与数字孪生结合的应用框架，其结构如图4所示。该框架由五个层次组成。

图4 数字孪生与预测性维护结合框架

1）感知层：由各类传感器组成，用于感知预需要测性维护的设备的物理信号的数据，收集能表征该设备状态的相关信息。

2）数据操作层：对感知层收集到的数据进行操作。包括数据清洗、噪声去除、数据升维、降维等操作。

3）数字孪生层：用数据操作层得到的数据构建数字孪生体，在孪生体上做实验，从而生成更多的数据返回到数据层、操作层，数据再经过处理后继续作用于设备的数字孪生体。最终得到设备全生命周期数据，包括传感器采集部分与孪生体数据部分。

4）模型层：根据任务类型与数据类型来选择合适的深度学习方法，如上层数据是不同工况下的，可采用迁移学习，连续变工况下可采用强化学习等方法。

5）应用层：预测性维护的核心应用，采集可应用的信息，包括识别设备的状态，设备核心部件的剩余使用寿命，若设备已失效，则诊断设备的故障类型。这些应用为设备的维护策略提供支撑。

4.2 工业物联网

预测性维护仍然是在涉及机器随时间磨损的各种环境中提高效率的重要方法。随着物联网的兴起，制造和安装廉价连接传感器的增多，应用深度学习算法进行预测性维护的可能性也随之增加。

1）产生更多效益：以往工业互联网注重的是信息传递与共享。然而传递的这些信息属于基本信息，缺乏价值。实施预测性维护策略后会生成除基本信息以外的预测性维护信息，企业通过以上信息及时的配置所有的设备资源，能让企业更好的安排维护与生产，从而产生更多效益。

2）模型训练与更新：工业互联网收集到的信息与工业互联网结合后，在模型部署后可以更新深度学习模型，保证模型精度不会降低。

3）数据整合与计算：数据的时效性要求对数据信息的传输提出了更高的要求。工业互联网与预测性维护的结合有助于数据的储存与整合。有助于提升预测性维护的应用以及更好的辐射到工业领域。

5 结论

本文详细的论述了预测性维护中的两个重要应用，故障诊断和剩余寿命预测中深度学习算法的发展，并且探讨了预测性维护与数字孪生和工业物联网的结合。从相关工作可以看出，预测性维护所使用的深度学习方法从组织结构逐渐复杂化，其使用的神经网络由单一网络变为多类网络，并且网络结构也从串行结构衍生出并行结构等。

这些变化是为了应对设备种类的多样性与工况的复杂性而带来的故障诊断与剩余寿命预测精度下降。但是以上预测性维护方法的实践应用集中在轴承，齿轮等基础的单一构件，距离实现整个机械系统的预测性维护，仍然有较大的差距。

为了适配预测性维护任务，未来预测性维护研究中深度学习方法的发展趋势为：深度学习模型将逐渐轻量化，灵活化，与工程和物理知识融合。以上的发展趋势分别对应三种现实需求：模型易更新部署与较低的计算成本、在工况复杂情况下模型仍有高精度、模型具有良好的可解释性。

原文刊载于《制造业自动化》2025年2月 作者：金立杰 许旭 吴盛威 贾桂红 王进峰