【综述 寿命预测】基于机器学习的设备剩余寿命预测方法综述

论文题目:基于机器学习的设备剩余寿命预测方法综述 论文年份:2019 论文作者:裴洪/胡昌华/司小胜/张建勋/庞哲楠/张鹏 论文单位:火箭军工程大学导弹工程学院 DOI:10.3901/JME.2019.08.001

本文主要阐述基于机器学习的设备剩余寿命预测方法，根据机器学习模型结构的深度，将其分为基于浅层机器学习的方法和基于深度学习的方法，同时梳理了每类方法的发展分支与研究现状，并且总结了相应的优势和缺点，最后探讨了基于机器学习的剩余寿命预测方法的未来研究方向。

预测与健康管理(PHM)主要包括:剩余寿命(RUL)和健康管理。RUL通常用于描述当前时刻与失效时刻之间的时间间隔，RUL定义为T-t|T>t ,其中,T表示设备的失效时刻，t表示当前时刻。实现RUL的主要思想在于根据设备的失效机理、状态监测数据以及失效数据等有效信息，确定出RUL的分布或期望。

基于神经网络的寿命预测方法旨在以原始测量数据或基于原始测量数据所提取的特征作为神经网络的输入,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，预测过程中无需任何先验信息，完全基于监测数据得到的预测结果。当前基于神经网络的方法主要包含基于MLP神经网络的方法、基于RBF神经网络的方法以及ELMs的方法。

基于SVM的剩余寿命预测方法研究主要思路是利用实际工程中获得的状态监测数据训练支持向量机模型，确定出模型参数(不敏感系数、惩罚因子、核函数参数等),基于训练后的SVM模型对系统未来的状态进行预测，通过与预先设定的失效阈值对比得到设备的剩余寿命。

基于DNN的方法，基于DBN的方法，基于CNN的方法以及基于**RNN(LSTM)**的方法。

主要对基于ML 的设备剩余寿命预测方法进行系统的综述和总结。根据ML 模型结构的深度，将其分为基于浅层ML 的方法和基于深度学习的方法。同时疏理了每类方法的发展分支与研究现状，并且总结了相应的优势和缺点，最后探讨了基于ML 的剩余寿命预测方法的未来研究方向。