Research on Key Technology of Industrial Artificial Intelligence and Its Application in Predictive Maintenance
-
摘要: 随着人工智能技术的快速发展及其在工业系统中卓有成效的应用, 工业智能化成为当前工业生产转型的一个重要趋势. 论文提炼了工业人工智能(Industrial artificial intelligence, IAI)的建模、诊断、预测、优化、决策以及智能芯片等共性关键技术, 总结了生产过程监控与产品质量检测等4个主要应用场景. 同时, 论文选择预测性维护作为工业人工智能的典型应用场景, 以工业设备的闭环智能维护形式, 分别从模型方法、数据方法以及融合方法出发, 系统的总结和分析了设备的寿命预测技术和维护决策理论, 展示了人工智能技术在促进工业生产安全、降本、增效、提质等方面的重要作用. 最后, 探讨了工业人工智能研究所面临的问题以及未来的研究方向.Abstract: With the rapid development of artificial intelligence technology and its effective application in industrial system, industrial intelligentization has become an important trend of current industrial production transformation. In this paper, the general key technologies of industrial artificial intelligence (IAI) such as modeling, diagnosis, prediction, optimization, decision and intelligent chip are extracted, and four main application scenarios including production process monitoring and product quality detection are summarized. Then, predictive maintenance of industrial equipment in this paper is selected as a typical application scenario. Starting from model, data and fusion method, respectively, both remaining useful life prediction and maintenance decision are systematically analyzed and summarized with the form of closed-loop intelligent maintenance. Especially, the important role of artificial intelligence technology in promoting industrial production safety, cost reduction, efficiency enhancement and quality improvement has been verified. Finally, both existing problems and future research direction of IAI is also discussed.
-
智能制造已成为公认的提升制造业整体竞争力的国家战略. 以德国工业4.0为代表的智能制造的技术基础是信息物理融合系统(CPS). CPS是美国基金会在2008年提出的, CPS是指将计算资源与物理资源紧密融合与协同, 使得系统的适应性、自治力、效率、功能、可靠性、安全性和可用性远超过今天的系统[1].
近年来, 人工智能的发展为智能制造提供了新的技术基础. 美国国家技术委员会的《国家人工智能研究与发展战略计划》 (2016.10)提出, AI改进制造过程调度, 增强制造过程的柔性, 改进产品质量、降低成本[2]. 2018年5月, 美国白宫举行“美国工业人工智能峰会”, 发表声明: 重点发展具有高影响、面向特定领域的AI, 应用于美国工业来增强美国劳动力素质, 提高他们的工作效率, 更好地服务客户[3]. 美国科学基金会关于“美国工业人工智能”发表声明: 人工智能可能使美国工业的各个环节产生变革, 为先进制造创造新的希望[4]. 美国2020和2021财务预算优先支持的研发领域指出: 支持智能和数字化制造, 特别是结合工业物联网、机器学习和AI的制造系统[5-6]. 德国继“工业4.0”平台之后, 2017年9月启动开发和应用“学习系统”计划, 使未来的工作和生产更加灵活和节省资源. 德国联邦政府人工智能战略提出, 促进AI的开发与应用面向经济, 经济是下一步AI研究的推动力[7]. 中国工程院制造强国战略研究(三期)的“新一代人工智能引领下的智能制造研究报告”提出: 新一代智能制造作为我国智能制造的第二阶段(2025-2035)的战略目标是使我国智能制造技术和应用水平走在世界前列[8].
虽然Science文章[9]指出, AI系统开发者普遍认识到, 机器学习将对工业产生广泛影响, 但是, “人工智能发展到深度学习没有考虑如何应用于制造过程”, “多尺度、多源信息获取、预报模型和资源计划决策与控制过程集成是智能制造中的挑战难题”[10]. 为了使工业人工智能在智能制造中发挥不可取代的作用, 加快我国制造业向数字化、网络化、智能化发展进程, 本文以制造与生产全流程智能化为应用场景, 提出了工业人工智能的涵义、研究方向和研究思路与方法.
1. 工业自动化与信息技术在工业革命中的作用
工业自动化与信息技术在工业革命中的作用如图1所示. 在第一次工业革命时, 出现了以蒸汽机为动力的机械生产设备. 例如, 1784年, 出现了机器织布机. 蒸汽代替了人的体力, 实现了生产动力的变革. 为了使织布机和其他机器保持恒定转速, 1788年, 吉姆斯·瓦特成功地改造了离心调速器. 离心调速器是一个比例控制器, 反馈控制实现了蒸汽机调速的自动化, 但是比例控制会产生稳态误差, 后来的调速器加入了积分作用[11-12]. 从此, 调速器成了蒸汽机不可分割的一部分. 蒸汽机与调速器的广泛应用推动了第一次工业革命. 工业革命往往伴随着动力的变革和使能技术的变革. 在第二次工业革命时, 电力代替了蒸汽成为工业生产的动力. PID 控制与逻辑控制应用于电力工业, 实现了传送带的自动化. 使传送带于1870年开始在辛辛那提屠宰场使用, 推动了基于劳动分工和以电为动力的大规模生产, 形成了第二次工业革命. 工业过程往往是由多个回路组成的复杂被控对象, 难以用精确数学模型描述. 大规模工业生产的需求、计算机和通讯技术的发展并与工业自动化技术相结合, 催生了一种专门的计算机控制系统—逻辑程序控制器(PLC). 1969年, 美国Modicon公司推出了084 PLC[13]. 该PLC控制系统可以将多个回路的传感器和执行机构通过设备网与控制系统连接起来, 可以方便地进行多个回路的控制、设备的顺序控制和监控. 1975年, Honeywell和Yokogawa公司研制了可以应用于大型工业过程的分布式控制系统(DCS)[14]. 以组态软件为基础的控制软件、过程监控软件的广泛应用使得生产线的自动化程度更高, 推动了第三次工业革命.
图 1 工业自动化与信息技术在工业革命中的作用Fig. 1 The role of industrial automation and information technology in the industrial revolution工业过程的运行优化需求使得实时优化(RTO)和模型预测控制(MPC)技术形成的工业过程运行优化软件广泛应用于可以建立数学模型的石化工业过程. 针对具体的难以建立数学模型的工业过程, 高技术公司开发的基于工艺模型的开环设定控制软件和基于数据驱动的智能运行优化控制技术的运行优化控制软件越来越多地应用于难以建立数学模型的冶金工业过程, 取得了显著的效果[15-16].
大规模的工业生产迫切需要生产企业的管理高效化. PLC和DCS与管理计算机、实时数据库和关系数据库相结合的计算机管控系统开始应用于工业生产中. 自动化技术与信息技术开始应用于企业管理. 20世纪60年代初, 计算机财务系统问世, 从此人工的管理方式开始逐渐被计算机管理系统代替. 20世纪60年代末70年代初, 财务系统扩充了物料计划功能, 发展成为物料需求计划系统(Material requirements planning, MRP). 20世纪70年代末80年代初, MRP系统中增加了车间报表管理系统、采购系统等, 于是发展成为MRPⅡ. 但是MRPⅡ不能配置资源, 因此配置资源计划系统(Distribution resource planning, DRP)出现了, 单一功能的制造过程管理系统(如质量管理系统)也相继出现. 到20世纪80年代末90年代初, MRPⅡ逐渐演变为企业资源计划(Enterprise resource planning, ERP), DRP演变为供应链管理(Supply chain management, SCM), 而车间层应用的专业化制造管理系统演变成集成的制造执行系统(Manufacturing execution system, MES)[17-18]. ERP和MES广泛应用于生产企业, 显著提高了企业的竞争力[19]. 三次工业革命实现了操作工作自动化、企业管理与决策的信息化.
随着5G为代表的移动互联网、边缘计算与云计算的发展, 催生了工业互联网. 工业互联网为获得工业大数据创造了条件. 大数据驱动的人工智能技术的发展以及科学研究模式与方法的变化, 如CPS和汇聚研究[20]的出现, 促进了制造业向数字化、网络化和智能化发展. 第四次工业革命将实现制造业知识工作的自动化与智能化.
2. 制造与生产全流程智能化
2.1 制造与生产全流程决策、控制与运行管理现状分析
制造与生产全流程的决策、控制与运行管理的现状如图2所示. 由企业管理者通过ERP系统获得的企业资源信息, 凭经验和知识决策企业的包括产品质量、产量、能耗、物耗、成本在内的综合生产指标的目标值范围; 生产管理者通过MES系统获得的生产信息, 凭经验和知识决策制造与生产全流程的生产指标的目标值范围; 运行管理与工艺工程师通过管控系统获得的生产工况信息和感觉、视觉、听觉、触觉获得的生产信息, 凭经验和知识决策反映制造装备或工业过程产品加工的质量、效率、消耗的运行指标目标值范围; 操作者根据运行指标目标值范围和生产实际情况凭经验和知识决策控制系统指令; 控制系统控制制造与生产全流程的加工装备(过程), 使被控装备(过程)的输出跟踪控制指令, 从而将加工产品的质量、效率、消耗的运行指标和制造与生产全流程的生产指标控制在目标值范围内.
图 2 制造与生产全流程的决策、控制与运行管理的现状Fig. 2 Current situation of decision-making, control and operation management manufacturing and production process因此, 制造与生产全流程的决策、控制与运行管理是图3所示的人参与的信息物理系统. 操作者与知识工作者根据信息系统获得的生产信息和通过感觉、视觉、听觉、触觉获得的多源异构生产信息, 利用大脑的学习认知和分析决策能力, 依靠经验和知识决策企业综合生产指标、制造与生产全流程的生产指标、运行指标和控制系统指令. 由于人难以及时准确地感知动态变化的运行工况, 难以及时准确地处理异构信息, 人的决策行为制约发展[21]. 因此, 难以实现制造与生产全流程的全局优化.
2.2 制造与生产全流程智能化
制造与生产全流程智能化的涵义是以企业高效化与绿色化为目标, 以实现制造与生产全流程的管理与决策智能优化与加工装备(过程)智能自主控制为特征的制造模式. 如图4所示, 将操作者的知识工作实现自动化, 将控制系统和加工装备(过程)变革为智能自主控制系统; 将企业管理者和生产管理者的知识工作智能化; 将ERP和MES变革为人机合作的管理与决策智能化系统; 将企业资源计划系统、制造执行系统、装备(过程)控制系统组成企业三层结构变革为如图5所示的由人机合作的管理与决策智能化系统和智能自主控制系统组成的两层结构. 制造与生产全流程的决策、控制与运行管理将变革为如图6所示的CPS系统. 由图6可以看出, 制造与生产全流程的智能化将图3中的操作者与知识工作者的知识工作实现自动化和智能化. 因此, CPS系统中的知识工作者是规划者、管理者和决策者[22].
图 5 制造流程由三层结构变革为智能化两层结构Fig. 5 The manufacturing process changed from three-layer structure to intelligent two-layer structure人机合作的管理与决策智能化系统实时感知市场信息、生产条件和制造流程生产状况; 以企业高效化和绿色化为目标, 实现企业综合生产指标、制造与生产全流程生产指标、运行指标、生产指令与控制指令集成优化决策; 计划与调度一体化决策, 远程与移动可视化监控决策过程动态性能, 自学习与自优化决策; 人与智能优化决策系统合作, 使决策者在动态变化环境下精准优化决策[23-24]. 智能自主控制系统使装备(过程)运行的决策与控制模式发生颠覆性改变: 决策模式由开环决策、事后校正转变为闭环反馈决策、实时预测自优化校正; 控制模式由开环设定、反馈控制转变为自适应闭环优化、自主协同控制. 智能自主控制系统感知生产条件的变化, 相互协同, 以管理与决策智能化系统的优化决策为目标, 实现制造与生产全流程全局优化.
3. 工业人工智能
制造与生产全流程智能化对以数学模型或因果关系数据驱动的建模、控制和优化的自动化科学与技术提出了挑战. 大数据驱动的人工智能技术为实现制造与生产全流程智能化提供了新的方法和技术. 为此, 本文简述人工智能技术的涵义、发展简史与发展方向.
3.1 人工智能的涵义、发展简史与发展方向
人工智能没有一个统一的明确定义, 但是可以分为强人工智能和弱人工智能. 强人工智能指具有与人一样的智慧和全面的智能. 一些人认为强人工智能无法真正实现. 当前的人工智能是弱人工智能或窄人工智能. 它可以下棋或者开车, 但是不能两者兼备, 缺乏通用性[25]. 强人工智能有两个特点: 1)针对人类能完成的任务; 2)具有与人一样的智慧、具有与人类一样的感知、认识、学习和推理的全面智能. 弱人工智能有两个特点: 1) 针对一个特定任务; 2) 要求比人做的好. 美国总统行政办公室《人工智能、自动化及经济报告》 (2016.12)指出, AI 是单一技术, 而是应用于特定任务的技术集合[26]; 斯坦福大学人工智能百年研究《人工智能和2030的生活》(2016.9)指出, 广义定义: 人工智能是一种致力于使机器智能化的活动, 而智能是指系统在其所处环境中具有预见和合适功能的品质; 学术研究角度的定义: 人工智能最初作为计算机科学中的一个分支, 研究人工合成智能的智能特性[27]. 德国人工智能战略概述(2018.7)指出, 作为一门科学学科, 人工智能指的是一个研发训练计算机(或机器)来执行以前只有人类才有能力的智能行为的方法的研究领域[28]. 无论是作为国家战略的人工智能定义还是学术定义, AI的研究和应用多年来始终秉持一个核心目标, 即, 使人的智能行为实现自动化或复制[29].
“人工智能”一词在1956年John McCarth组织的达特茅斯暑期研究项目的讨论会上提出, 探究机器可以在哪些方面模仿人的智能. 但是, 具有人工智能特征的技术想法早已存在: 18世纪, 托马斯·贝叶斯(Thomas Bayes)—推理事件的概率提供计算框架; 19世纪, 乔治·布尔(George Boole)提出逻辑推理可以像求解方程组那样被系统地执行; 20 世纪之交, 第一台电子计算机与感知和自主行动的第一代机器人的问世掀起了第一次人工智能的高潮. 阿兰·图灵(Alan Turning) 1950年发表“计算机和智能”设想, 提出建造计算机模拟人类智能的可能性, 怎样测试人工智能、机器怎样自主学习. 日本等国开始研发具有模拟人类智能的计算机. 随后几十年, 人工智能的研究几经起伏, 研究出现难题远超预期, 因此, 人工智能的研究处于低潮.
在20世纪90年代后期, 人们的研究开始转向弱人工智能, 即关注人工智能在特定领域的应用研究, 人工智能的研究进入加速阶段. 其中, 最重要的两个领域分别是图像识别和医疗诊断. 在1997年, IBM开发的计算机“深蓝”战胜了国际象棋世界冠军Gamy Kasparov. 苹果Siri、IBM回答计算机Waston回答游戏节目获胜. 在本世纪, 美国国防高级研究计划局成功举办了无人驾驶汽车大赛.
2010年以后, 三大因素促使人工智能发展浪潮. 第一个因素来自政府、电子商务、商业、社交媒体、科学和政府提供可用的大数据; 第二个因素是强大的计算能力使大数据的应用成为可能; 第三个因素是高科技产业, 特别是互联网公司, 增加在人工智能领域的投资, 将机器学习应用到公司所有产品中, 如搜索、广告、油管或是谷歌应用商店等取得了明显的效果. 特别是, 深度学习技术快速发展. 深度学习应用于图像识别领域, 使图像的识别结果的错误率从模式识别技术的最好结果—错误率26 % (2011年)降低到3.5 % (2015年), 低于人类识别图像的最好结果—错误率5 %; 基于深度学习的博弈游戏技术阿尔法狗打败人类围棋冠军表明, 在博弈游戏领域, 人工智能技术超过人[2, 27].
目前, 大数据驱动的人工智能技术通过训练大数据、学习过程和学习函数获得准确度很高的结果, 但无法解释结果为什么准确. 人工智能技术的发展方向为可解释的AI (XAI), 通过训练大数据、新的学习过程和可解释的模型获得可解释的准确结果[30]. 基于统计的、无模型的机器学习方法存在严重的理论局限, 难以用于推理和回溯, 难以作为强人工智能的基础[31]. 实现类人智能和强人工智能需要在机器学习系统中加入“实际模型的导引”[32]. 人工智能技术领域的另一个发展方向是建立智能系统[27]. 美国国际战略研究所 《美国机器智能国家战略报告》 (2018.3)指出, 很难估计计算机控制系统在不久的将来可以实现哪些功能. 机器智能系统在企业、政府、和全球居民的日常生活中占据越来越重要的角色[33].
3.2 自动化与人工智能的相互关系
虽然深度学习和游戏博弈技术适用于完备的信息空间, 但是人工智能技术的发展方向—可解释人工智能和智能系统为研究制造业知识工作自动化与智能化提供了新的方法和技术. 将人工智能技术、工业自动化技术、工业互联网与制造业的领域知识工作相结合, 以研发补充和增强知识工作者能力的AI算法和AI系统为目标, 发展工业人工智能技术, 使实现制造业智能化成为可能.
虽然对自动化和人工智能的界定并不明确, 且随时间推移不断变化, 但自动化的研究和应用始终秉持一个核心目标—减少和减轻人的体力和脑力劳动, 提高工作效率、效益和效果. 人工智能的研究和应用秉持的核心目标—使人的智能行为实现自动化或复制. 自动化与人工智能的实现手段都是通过算法和系统, 它们的共同点是通过机器延伸和增加人类的感知、认知、决策、执行的功能, 增加人类认识世界和改造世界的能力, 完成人类无法完成的特定任务或比人类更有效地完成特定任务. 它们的不同点在于研究对象和研究方法不同. 自动化是针对通过机理分析、采用微分方程或代数方程可以建立数学模型的研究对象, 利用输入输出表示的因果关系小数据, 建立建模、控制与优化的理论和技术. 人工智能是针对机理不清、难以建立数学模型但对象的输入输出是处于完备信息空间的大数据的研究对象, 采用基于统计的、无模型的机器学习方法, 建立建模、控制与优化的理论和技术. 人工智能在短期内的核心经济成效是将以前无法实现自动化的任务实现自动化[34].
3.3 工业人工智能的涵义、研究方向和研究思路与方法
目前, 制造与生产全流程的决策、控制与运行管理中仍然依靠人凭经验和知识来完成的工作涉及到工业自动化和人工智能技术难以应用的复杂系统, 即机理不清, 难以建立数学模型, 输入与输出相关信息处于开放环境、不确定的变化中, 信息难以获取及感知, 决策目标多尺度多冲突. 当前, 学术界与产业界开始了工业人工智能的研究[22, 35-40]. 虽然对工业人工智能的界定并不明确且随时间的推移不断变化, 工业人工智能研究与应用的核心目标是: 针对产品与工艺设计、经营管理与决策、制造流程运行管理与控制等工业生产活动中目前只能依靠人的感知、认知、分析与决策能力和经验与知识来完成的影响经济效益的知识工作, 实现知识工作的自动化与智能化, 来显著提高社会经济效益. 工业人工智能的实质是将人工智能技术与具体的工业场景相结合, 实现设计模式创新、生产智能决策、资源优化配置等创新应用. 使工业系统具备自感知、自学习、自执行、自决策、自适应的能力, 以适应变幻不定的工业环境, 并完成多样化的工业任务, 最终达到提升企业洞察力, 提高生产效率或设备产品性能[41].
工业自动化与工业人工智能在工业生产活动中的发展目标对比分析如下: 针对制造与生产流程中的装备或工业过程, 工业自动化的研究目标是实现装备和工业过程的自动控制和控制系统设定值的优化, 研发控制技术及软件和运行优化技术及软件. 针对产品与工艺设计、生产管理与决策, 工业自动化的研究目标是实现设计、生产管理与决策的信息化, 研发设计软件、ERP、MES等工业软件. 针对仍然依靠人来控制和管理的装备与工业过程, 工业人工智能的研究目标是实现装备和工业过程控制与运行的集成优化, 研发补充和增加人能力的AI算法和AI系统、制造与生产全流程的运行管理与控制一体化软件. 针对依靠知识工作者来完成的产品与工艺设计、生产管理与决策, 工业人工智能的研究目标是实现知识工作自动化与智能化, 研制大数据驱动的运行工况的识别、预测与决策的AI算法和AI系统、人机合作的管理与决策智能化软件、产品与工艺设计过程中补充和增强知识工作者能力的AI系统.
结合制造业的发展现状和实现智能化的需求和工业人工智能的发展目标, 工业人工智能的研究方向为: 1) 复杂工业环境下运行工况的多尺度多源信息的智能感知与识别; 2) 复杂工业环境下基于5G的多源信息快速可靠的传输技术; 3) 系统辨识与深度学习相结合的复杂工业系统智能建模、数字孪生与可视化技术; 4) 关键工艺参数与生产指标的预测与追溯; 5) 复杂工业系统的智能自主控制技术; 6) 人机合作的智能优化决策; 7) 智能优化决策与控制一体化技术; 8) “端-边-云”协同实现工业人工智能算法的实现技术.
为了取得工业人工智能的研究成果, 需要我们借鉴人工智能取得重大进展的研究经验以及数据驱动的人工智能、移动互联网、边缘计算和云计算驱动的工业互联网时代改变科研的进行方式和研究思维方式, 例如信息物理融合系统CPS[1]、会聚研究[20]. 汇聚研究是一种新的研究范式和研究思维方式, 其特点是: 问题驱动—具有挑战性的科学研究难题或社会需求中的重大挑战难题; 跨学科合作研究—整合来自不同学科的知识、方法和专业知识, 形成新的框架来促进科学发现和创新. 学科方法和技术的结合是解决复杂问题的唯一或最佳方案, 团队科学正在成为一种更典型的研究模式[42]. 为此提出如下研究思路与方法:
1) 需求驱动, 找准问题, 即知识工作者通过感知、认知、决策、执行来完成的影响效益的知识工作, 选好应用场景; 2) 确定研究目标, 即以最优秀的知识工作者为参考目标, 达到与超越最优秀的知识工作者的工作效果; 3) 采用CPS思想, 研制面向特定应用领域的工业人工智能系统, 使系统的适应性、自主性、效率、功能、可靠性、安全性和感知与认知的准确性、决策与控制的精准优化远超今天的系统; 4) 基础研究、研发、实验与工业应用相结合. 5) 采用汇聚研究的思想, 将基于机理分析的模型与工业大数据紧密融合与协同, 模型驱动的自动化与数据驱动的人工智能技术紧密融合与协同, 移动互联网、边缘计算、云计算等与计算机管控系统紧密融合与协同, 工业互联网的研究与面向各种制造流程的AI算法和AI系统研究紧密融合与协同, 汇聚各学科研究力量, 长期持续开展学科交叉和跨学科合作研究.
4. 结论
通过对工业自动化和信息技术在工业革命中的作用以及制造与生产全流程智能化的分析, 可以看到三次工业革命实现了操作工作自动化、企业管理与决策信息化. 第四次工业革命将实现知识工作的自动化与智能化. 为此, 需要将人工智能技术、工业自动化技术、工业互联网与制造业的领域知识工作紧密融合与协同, 以实现制造业智能化为目标, 研发补充和增强知识工作者能力的AI算法和AI系统, 发展工业人工智能技术. 本文通过对工业自动化和工业人工智能的相互关系的对比分析, 提出了工业人工智能的涵义、研究方向和研究思路与方法.
为了使我国在工业人工智能和工业互联网的研究与应用走在世界前列, 需要一大批具有跨学科研究能力的创新型工程科技人才. 这就需要重新审视和考虑现行的专业人才培养模式、研究经费资助机制、评价机制、产学研合作机制等, 并进行必要的改革.
-
图 1 工业人工智能的整体研究框架.
Fig. 1 Overall research framework of industrial artificial intelligence in this paper
图 2 基于工业人工智能的设备预测性维护闭环框架图
Fig. 2 Closed loop framework of predictive maintenance of equipment based on industrial artificial intelligence
表 1 基于模型和数据方法的寿命预测研究总结
Table 1 Research summary of RUL prediction with model and data method
类型 方法 优点 缺点 应用对象 模型 物理
模型1) 刻画了设备退化的实际物理意义.
2) 设备结构简单时预测结果比较精确.1) 建立退化机理模型涉及到多个学科的专业知识, 难以建立准确的物理模型获.
2) 设备复杂时, 预测的实用性较差.1) 累积损伤[29]和裂纹扩展[30]模型等(轴承[34]、IGBT[35]等).
2) 电化学反应机理模型(锂电池[36] 等).
3) 电路元件等效电路模型(锂电池[37]等).经验
模型
(随机)1) 描述设备退化过程中的随机时变性.
2) 获得剩余寿命的解析表达形式.1) 需要利用高深的随机过程理论进行数学推导, 不利于工程应用和推广.
2) 模型参数辨识难, 预测精度有待提高.1) 逆高斯模型(激光设备[38]、励磁绕组[39]等).
2) 维纳过程模型(轴承[42]、高炉炉墙[44]等).
3) 伽马过程模型(半导体制造设备[45]、二极管[46]等).经验
模型
(非随机)1) 利用回归模型(如多项式、指数模型等)来描述设备的退化趋势.
2) 通过外推预测设备的剩余寿命.1) 忽略了设备退化的内部机理.
2) 依靠经验构建退化趋势模型具有随意性和不确定性.
3) 预测结果不准时难以解释退化原理.1) 指数模型(锂电池[47]、轴承[48]等).
2) 威布尔模型(轴承[49] 等).
3) 比例风险模型(电子元件[53]等).数据 深度
学习1) 将数据直接输入到深度网络, 训练预测
模型.
2) 获得较精确的预测结果.1) 需要GPU/CPU、SSD存储、快速和大容量的RAM对数据进行训练.
2) 缺乏严格的理论基础, 超参数和网络设计困难.1) 卷积神经网络(轴承[73—74]等).
2) 深度置信网络(涡轮发动机[75—76]等).
3) 循环神经网络(锂电池[77]、涡轮发动
机[78]等).其他
机器
学习1) 利用特征工程结合机器学习, 获得较好的预测性能.
2) 算法易解释和理解, 调整超参数和更改模型较方便.1) 构建高性能机器学习模型需要特定领域和特定应用的机器学习技术和特征工程.
2) 预测精度不太高, 且通用性不强.1) 支持/相关向量机(锂电池[85]、轴承[87]等).
2) 高斯过程回归(刀具[91]、锂电池[92]等).
3) 隐马尔科夫(刀具[97—98] 等).
下载: 导出CSV
表 2 基于融合方法的寿命预测和维修决策研究总结
Table 2 Research summary of remaining useful life and maintenance decision based on fusion method
融合对象 融合方式 融合方法 融合效果 寿命预测 数模融合(随机滤波) Exponential model+ GA-SVR+AUKF (锂电池[105]) 基于Rt, Rp, ERUL, ERMSE, EMAE, R2, ERA 等性能标准, 获得比Exponential model加上UKF/AUKF, RVR+UKF, SVR+UKF, GA-SVR+ AEKF等更好的结果. 刀具磨损模型+ BLSTM+PF+SVR (刀具[124]) 基于RMSE, MAE等性能指标, 获得比KNN, RNN, MLP, AE, LR, LSTM, SAE-DNN等方法更好的结果. 机器学习融合 FNN+CNN+LSTM (锂电池[120]) 基于EM性能标准, 获得比UKF+CEEMD, UKF+RVM, SVR+PF, BCT+RVM等方法更好的结果. RNN+CNN (轴承和铣刀[122]) 基于CRA和CPE等性能标准, 获得比SVM, FNN, DBN, CNN, CBL STM等方法更好的结果. 模型融合 PHM+Wiener (汽车发动机[118]) 基于MAE和Bias性能标准, 获得比BPNN, NN更好的预测结果. Inverse Gaussian + Wiener (风力发电机轴承[119]) 基于相对误差和误差时间性能标准, 分别从轴承退化初始阶段、中间阶段、最后阶段展示较好的预测效果. 数模融合(非随机滤波) Dual-Task Deep LSTM+ Weibull (涡轮发动机[125]) 基于RMSE性能标准, 获得比SVR, RVR, CNN, Deep LSTM 等方法更好的结果. SVR+WPHM (轴承[126]) 基于MSE, MAE, MAPE等性能标准, 获得比NAR-NN, BPNN, LSTM, GM, ARMA等方法更好的结果. 维修决策 维修决策 PM+SM (并行系统[132]) 针对具有不确定非周期变化的未来使用应力系统, 基于两阶段随机规划模型, 利用SPM和最小维修策略解决不完全维修和紧急故障时的维修问题. 预测性维修 (退化模型) Wiener+PHM (铅酸电池[146]) 利用PHM 对退化数据和故障时间数据进行联合建模, 采用维纳过程描述退化过程的随机性, 然后通过最小化系统维护成本得到最优的维护计划. 预测性维修 (机器学习) LSTM+DPM (涡轮发动机[151]) 利用LSTM 实现寿命预测, 以平均成本率为目标函数得到动态维护方案, 性能比周期性和理想预测维护策略更好.
下载: 导出CSV
-
[1] Lee J, Davari H, Singh J, Pandhare V. Industrial artificial intelligence for industry 4.0-based manufacturing systems. Manufacturing Letters, 2018, 18: 20−23 [2] 孟岱. 工业大脑2.0: 直击制造业痛点. 中国工业和信息化, 2019, (9): 18−25 doi: 10.3969/j.issn.1674-9138.2019.09.003Meng Dai. Industrial Brain 2.0: Hit the manufacturing pain point. China Industry & Information Technology, 2019, (9): 18−25 doi: 10.3969/j.issn.1674-9138.2019.09.003 [3] Zhou J, Li P G, Zhou Y H, Wang B C, Zang J Y, Meng L. Toward new-generation intelligent manufacturing. Engineering, 2018, 4(1): 11−20 [4] Chen J H, Hu P C, Zhou H C, Yang J Z, Xie J J, Jiang Y K, et al. Toward intelligent machine tool. Engineering, 2019, 5(4): 679−690 [5] Yuan Y, Tang X C, Zhou W, Pan W, Li X T, Zhang H T, et al. Data driven discovery of cyber physical systems. Nature Communications, 2019, 10: 4894 [6] Yuan Y, Ma G J, Cheng C, Zhou B T, Zhao H, Zhang H T, et al. A general end-to-end diagnosis framework for manufacturing systems. National Science Review, 2020, 7(2): 418−429 [7] 丁进良, 杨翠娥, 陈远东, 柴天佑. 复杂工业过程智能优化决策系统的现状与展望. 自动化学报, 2018, 44(11): 1931−1943Ding Jin-Liang, Yang Cui-E, Chen Yuan-Dong, Chai Tian-You. Research progress and prospects of intelligent optimization decision making in complex industrial process. Acta Automatica Sinica, 2018, 44(11): 1931−1943 [8] 韩栋, 周聖元, 支天, 陈云霁, 陈天石. 智能芯片的评述和展望. 计算机研究与发展, 2019, 56(1): 7−22 doi: 10.7544/issn1000-1239.2019.20180693Han Dong, Zhou Sheng-Yuan, Zhi Tian, Chen Yun-Ji, Chen Tian-Shi. A survey of artificial intelligence chip. Journal of Computer Research and Development, 2019, 56(1): 7−22 doi: 10.7544/issn1000-1239.2019.20180693 [9] Zhang Y, Huang Y, Shao W J, Ming W Y. Research on MCVE piston machining and process parameter optimization. The International Journal of Advanced Manufacturing Technology, 2017, 93(9-12): 3955−3966 [10] Suzuki S. How to detect defects on coating paper-SmartView inspection system technology. Japan Tappi Journal, 2007, 61(2): 151−152 [11] Jeong J H, Kalowitsch M. State-of-the-art surface inspection technology with parsytec 5i. SEAISI Quarterly (South East Asia Iron and Steel Institute), 2007, 36(1): 10−15 [12] 李博, 高志远. 人工智能技术在智能电网中的应用分析和展望. 中国电力, 2017, 50(12): 136−140Li Bo, Gao Zhi-Yuan. Analysis and prospect on the application of artificial intelligence technologies in smart grid. Electric Power, 2017, 50(12): 136−140 [13] 张秀梅, 王海东, 罗永强, 赵涵, 胡翰智. 人工智能在智慧能源管理中的应用研究. 电信工程技术与标准化, 2020, 33(2): 21−24 doi: 10.3969/j.issn.1008-5599.2020.02.005Zhang Xiu-Mei, Wang Hai-Dong, Luo Yong-Qiang, Zhao Han, Hu Han-Zhi. An application research of artificial intelligence in intelligent energy management. Telecom Engineering Technics and Standardization, 2020, 33(2): 21−24 doi: 10.3969/j.issn.1008-5599.2020.02.005 [14] 叶水国, 彭彦卿, 杨永通, 陈李清. 基于人工智能的中央空调能源管理优化控制系统的设计. 化工与医药工程, 2017, 38(1): 48−53Ye Shui-Guo, Peng Yan-Qing, Yang Yong-Tong, Chen Li-Qing. Design of optimum control system based on artificial intelligence for managing central air conditioning system. Chemical and Pharmaceutical Engineering, 2017, 38(1): 48−53 [15] Long N T. Artificial intelligent (AI) and the future of supply chain. Opulence, 2018, 2(1): 1−42 [16] Vachtsevanos G, Lewis F L, Roemer M, Hess A, Wu B Q. Intelligent Fault Diagnosis and Prognosis for Engineering Systems. Hoboken, N.J.: John Wiley & Sons, Inc., 2006. [17] 陈雪峰. 智能运维与健康管理. 北京: 机械工业出版社, 2018.Chen Xue-Feng. Intelligent Maintenance and Health Management. Beijing: Machinery Industry Press, 2018. [18] Jardine A K S, Lin D M, Banjevic D. A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mechanical Systems and Signal Processing, 2006, 20(7): 1483−510 [19] 王庆锋, 高金吉. 过程工业动态的以可靠性为中心的维修研究及应用. 机械工程学报, 2012, 48(8): 135−143Wang Qing-Feng, Gao Jin-Ji. Research and application of dynamic reliability centered maintenance for process industry. Journal of Mechanical Engineering, 2012, 48(8): 135−143 [20] 周东华, 魏慕恒, 司小胜. 工业过程异常检测、寿命预测与维修决策的研究进展. 自动化学报, 2013, 39(6): 711−722Zhou Dong-Hua, Wei Mu-Heng, Si Xiao-Sheng. A survey on anomaly detection, life prediction and maintenance decision for industrial processes. Acta Automatica Sinica, 2013, 39(6): 711−722 [21] Kordestani M, Saif M, Orchard M E, Razavi-Far R, Khorasani K. Failure prognosis and applications-a survey of recent literature. IEEE Transactions on Reliability, to be published [22] 司小胜, 胡昌华. 数据驱动的设备剩余寿命预测理论及应用. 北京: 国防工业出版社, 2016.Si Xiao-Sheng, Hu Chang-Hua. Data-Driven Remaining Useful Life Prediction Theory and Applications for Equipment. Beijing: National Defense Industry Press, 2016. [23] Pecht M G. Prognostics and Health Management of Electronics. Hoboken, NJ, USA: John Wiley & Sons, Inc., 2008. [24] Liao L X, Kottig F. Review of hybrid prognostics approaches for remaining useful life prediction of engineered systems, and an application to battery life prediction. IEEE Transactions on Reliability, 2014, 63: 191−207 [25] 国家技术监督局. 可靠性、维修性术语, GB/T 3187-94, 1994.The State Bureau of Quality and Technical Supervision. Reliability and maintainability terms, GB/T 3187-94, 1994. [26] 陈学楚. 现代维修理论. 北京: 国防工业出版社, 2003.Chen Xue-Chu. Modern Maintenance Theory. Beijing: National Defense Industry Press, 2003. [27] Ahmad R, Kamaruddin S. An overview of time-based and condition-based maintenance in industrial application. Computers and Industrial Engineering, 2012, 63(1): 135−149 [28] 张小丽, 陈雪峰, 李兵, 何正嘉. 机械重大装备寿命预测综述. 机械工程学报, 2011, 47(11): 100−116Zhang Xiao-Li, Chen Xue-Feng, Li Bing, He Zheng-Jia. Review of life prediction for mechanical major equipments. Journal of Mechanical Engineering, 2011, 47(11): 100−116 [29] Fatemi A, Yang L. Cumulative fatigue damage and life prediction theories: A survey of the state of the art for homogeneous materials. International Journal of Fatigue, 1998, 20(1): 9−34 [30] Machniewicz T. Fatigue crack growth prediction models for metallic materials. Part I: Overview of prediction concepts. Fatigue & Fracture of Engineering Materials & Structures, 2013, 36(4): 293−307 [31] 袁熙, 李舜酩. 疲劳寿命预测方法的研究现状与发展. 航空制造技术, 2005, (12): 80−84 doi: 10.3969/j.issn.1671-833X.2005.12.016Yuan Xi, Li Shun-Ming. Research status and development of forecast method of fatigue life. Aeronautical Manufacturing Technology, 2005, (12): 80−84 doi: 10.3969/j.issn.1671-833X.2005.12.016 [32] Paris P, Erdogan F. A critical analysis of crack propagation laws. Journal of Basic Engineering, 1963, 85: 528−533 [33] Forman R G. Study of fatigue crack initiation from flaws using fracture mechanics theory. Engineering Fracture Mechanics, 1972, 4(2): 333−345 [34] Qian Y N, Yan R Q, Gao R X. A multi-time scale approach to remaining useful life prediction in rolling bearing. Mechanical Systems and Signal Processing, 2017, 83: 549−567 [35] Lu Y Z, Christou A. Prognostics of IGBT modules based on the approach of particle filtering. Microelectronics Reliability, 2019, 92: 96−105 [36] Panchal S, Mathew M, Fraser R, Fowler M. Electrochemical thermal modeling and experimental measurements of 18650 cylindrical lithium-ion battery during discharge cycle for an EV. Applied Thermal Engineering, 2018, 135: 123−132 [37] Liu G M, Ouyang M G, Lu L G, Li J Q, Hu J F. A highly accurate predictive-adaptive method for lithium-ion battery remaining discharge energy prediction in electric vehicle applications. Applied Energy, 2015, 149: 297−314 [38] Ye Z S, Chen N. The inverse Gaussian process as a degradation model. Technometrics, 2014, 56(3): 302−311 [39] Wen X L, Wang Z H, Fu H M, Wu Q, Liu C R. Blues and reliability analysis for general censored data subject to inverse Gaussian distribution. IEEE Transactions on Reliability, 2019, 68(4): 1257−1271 [40] 金光. 基于退化的可靠性技术——模型、方法及应用. 北京: 国防工业出版社, 2014.Jin Guang. Reliability Techniques based on Degradation-Models, Methods and Applications. Beijing: National Defense Industry Press, 2014. [41] Wang X L, Guo B, Cheng Z J. Residual life estimation based on bivariate wiener degradation process with time-scale transformations. Journal of Statistical Computation and Simulation, 2014, 84(3): 545−563 [42] Li N P, Lei Y G, Lin J, Ding S X. An improved exponential model for predicting remaining useful life of rolling element bearings. IEEE Transactions on Industrial Electronics, 2015, 62(12): 7762−7773 [43] Si X S, Wang W B, Hu C H, Zhou D H. Estimating remaining useful life with three-source variability in degradation modeling. IEEE Transactions on Reliability, 2014, 63(1): 167−190 [44] Zhang H W, Zhou D H, Chen M Y, Shang J. FBM-based remaining useful life prediction for degradation processes with long-range dependence and multiple modes. IEEE Transactions on Reliability, 2019, 68(3): 1021−1033 [45] Nguyen T B L, Djeziri M, Ananou B, Ouladsine M, Pinaton J. Fault prognosis for batch production based on percentile measure and gamma process: Application to semiconductor manufacturing. Journal of Process Control, 2016, 48: 72−80 [46] Ling M H, Ng H K T, Tsui K L. Bayesian and likelihood inferences on remaining useful life in two-phase degradation models under gamma process. Reliability Engineering & System Safety, 2019, 184: 77−85 [47] Xing Y J, Ma E W M, Tsui K L, Pecht M. An ensemble model for predicting the remaining useful performance of lithium-ion batteries. Microelectronics Reliability, 2013, 53(6): 811−820 [48] Ahmad W, Khan S A, Islam M M M, Kim J M. A reliable technique for remaining useful life estimation of rolling element bearings using dynamic regression models. Reliability Engineering & System Safety, 2019, 184: 67−76 [49] Ali J B, Chebel-Morello B, Saidi L, Malinowski S, Fnaiech F. Accurate bearing remaining useful life prediction based on Weibull distribution and artificial neural network. Mechanical Systems and Signal Processing, 2015, 56-57: 150−172 [50] Kumar D, Klefsjo B. Proportional hazards model: A review. Reliability Engineering & System Safety, 1994, 44(2): 177−188 [51] 喻勇, 司小胜, 胡昌华, 崔忠马, 李洪鹏. 数据驱动的可靠性评估与寿命预测研究进展: 基于协变量的方法. 自动化学报, 2018, 44(2): 216−227Yu Yong, Si Xiao-Sheng, Hu Chang-Hua, Cui Zhong-Ma, Li Hong-Peng. Data driven reliability assessment and life-time prognostics: A review on covariate models. Acta Automatica Sinica, 2018, 44(2): 216−227 [52] Cox D R. Regression models and life-tables. Journal of the Royal Statistical Society: Series B (Methodological), 1972, 34(2): 187−202 [53] Zhao S A, Makis V, Chen S W, Li Y. Health assessment method for electronic components subject to condition monitoring and hard failure. IEEE Transactions on Instrumentation and Measurement, 2019, 68: 138−150 [54] Sun Y, Ma L, Mathew J, Wang W Y, Zhang S. Mechanical systems hazard estimation using condition monitoring. Mechanical Systems and Signal Processing, 2006, 20(5): 1189−1201 [55] Ding H, Gao R X, Isaksson A J, Landers R G, Parisini T, Yuan Y. State of AI-based monitoring in smart manufacturing and introduction to focused section. IEEE/ASME Transactions on Mechatronics, 2020, 25(5): 2143—2154 [56] Lei Y G, Li N P, Guo L, Li N B, Yan T, Lin J. Machinery health prognostics: A systematic review from data acquisition to RUL prediction. Mechanical Systems and Signal Processing, 2018, 104: 799−834 [57] Zheng Y, Mao S M, Liu S J, Wong D S H, Wang Y W. Normalized relative RBC-based minimum risk Bayesian decision approach for fault diagnosis of industrial process. IEEE Transactions on Industrial Electronics, 2016, 63(12): 7723−7732 [58] Yan L, Zhang H T, Goncalves J, Xiao Y, Wang M L, Guo Y Q, et al. An interpretable mortality prediction model for COVID-19 patients. Nature Machine Intelligence, 2020, 2: 283−288 [59] Yuan Y, Zhang H T, Wu Y, Zhu T, Ding H. Bayesian learning-based model-predictive vibration control for thin-walled workpiece machining processes. IEEE/ASME Transactions on Mechatronics, 2017, 22(1): 509−520 [60] Zhu J L, Ge Z Q, Song Z H, Gao F R. Review and big data perspectives on robust data mining approaches for industrial process modeling with outliers and missing data. Annual Reviews in Control, 2018, 46: 107−133 [61] Yu J B. Local and nonlocal preserving projection for bearing defect classification and performance assessment. IEEE Transactions on Industrial Electronics, 2012, 59(5): 2363−2376 [62] 裴洪, 胡昌华, 司小胜, 张建勋, 庞哲楠, 张鹏. 基于机器学习的设备剩余寿命预测方法综述. 机械工程学报, 2019, 55(8): 1−13Pei Hong, Hu Chang-Hua, Si Xiao-Sheng, Zhang Jian-Xun, Pang Zhe-Nan, Zhang Peng. Review of machine learning based remaining useful life prediction methods for equipment. Journal of Mechanical Engineering, 2019, 55(8): 1−13 [63] Patil M A, Tagade P, Hariharan K S, Kolake S M, Dong T, Yeo T, et al. A novel multistage support vector machine based approach for Li ion battery remaining useful life estimation. Applied Energy, 2015, 159: 285−297 [64] Javed K, Gouriveau R, Zerhouni N. A new multivariate approach for prognostics based on extreme learning machine and fuzzy clustering. IEEE Transactions on Cybernetics, 2015, 45(2): 2626−2639 [65] Liu Z, Cheng Y H, Wang P, Yu Y L, Long Y W. A method for remaining useful life prediction of crystal oscillators using the Bayesian approach and extreme learning machine under uncertainty. Neurocomputing, 2018, 305: 27−38 [66] Li Z X, Wu D Z, Hu C, Terpenny J. An ensemble learning-based prognostic approach with degradation-dependent weights for remaining useful life prediction. Reliability Engineering & System Safety, 2019, 184: 110−122 [67] Guo L, Lei Y G, Li N P, Yan T, Li N B. Machinery health indicator construction based on convolutional neural networks considering trend burr. Neurocomputing, 2018, 292: 142−150 [68] Javed K, Gouriveau R, Zerhouni N, Nectoux P. Enabling health monitoring approach based on vibration data for accurate prognostics. IEEE Transactions on Industrial Electronics, 2015, 62(1): 647−656 [69] Zhao S, Zhang Y, Wang S, Zhou B T, Cheng C. A recurrent neural network approach for remaining useful life prediction utilizing a novel trend features construction method. Measurement, 2019, 146: 279−288 [70] Shao H D, Jiang H K, Li X Q, Wu S P. Intelligent fault diagnosis of rolling bearing using deep wavelet auto-encoder with extreme learning machine. Knowledge-Based Systems, 2018, 140: 1−14 [71] Hong S, Zhou Z, Zio E, Hong K. Condition assessment for the performance degradation of bearing based on a combinatorial feature extraction method. Digital Signal Processing, 2014, 27: 159−166 [72] Zhu J, Chen N, Peng W W. Estimation of bearing remaining useful life based on multiscale convolutional neural network. IEEE Transactions on Industrial Electronics, 2019, 66(4): 3208−3216 [73] Cheng C, Ma G J, Zhang Y, Sun M Y, Teng F, Ding H, et al. A deep learning-based remaining useful life prediction approach for bearings. IEEE/ASME Transactions on Mechatronics, 2020, 25(3): 1243−1254 [74] Yang B Y, Liu R N, Zio E. Remaining useful life prediction based on a double-convolutional neural network architecture. IEEE Transactions on Industrial Electronics, 2019, 66(12): 9521−9530 [75] Zhang C, Lim P, Qin A K, Tan K C. Multiobjective deep belief networks ensemble for remaining useful life estimation in prognostics. IEEE Transactions on Neural Networks and Learning Systems, 2017, 28: 2306−2318 [76] Peng K X, Jiao R H, Dong J, Pi Y T. A deep belief network based health indicator construction and remaining useful life prediction using improved particle filter. Neurocomputing, 2019, 361: 19−28 [77] Zhang Y Z, Xiong R, He H W, Pecht M G. Long short-term memory recurrent neural network for remaining useful life prediction of Lithium-Ion batteries. IEEE Transactions on Vehicular Technology, 2018, 67(7): 5695−5705 [78] Chen J L, Jing H J, Chang Y H, Liu Q. Gated recurrent unit based recurrent neural network for remaining useful life prediction of nonlinear deterioration process. Reliability Engineering & System Safety, 2019, 185: 372−382 [79] Cheng Y W, Zhu H P, Wu J, Shao X Y. Machine health monitoring using adaptive kernel spectral clustering and deep long short-term memory recurrent neural networks. IEEE Transactions on Industrial Informatics, 2019, 15(2): 987−997 [80] Sun C, Ma M, Zhao Z B, Tian S H, Yan R Q, Chen X F. Deep transfer learning based on sparse autoencoder for remaining useful life prediction of tool in manufacturing. IEEE Transactions on Industrial Informatics, 2019, 15(4): 2416−2425 [81] Mao W T, He J L, Zuo M J. Predicting remaining useful life of rolling bearings based on deep feature representation and transfer learning. IEEE Transactions on Instrumentation and Measurement, 2020, 69(4): 1594−1608 [82] 林景栋, 吴欣怡, 柴毅, 尹宏鹏. 卷积神经网络结构优化综述. 自动化学报, 2020, 46(1): 24−37Lin Jing-Dong, Wu Xin-Yi, Chai Yi, Yin Hong-Peng. Structure optimization of convolutional neural networks: A survey. Acta Automatica Sinica, 2020, 46(1): 24−37 [83] Xiao L, Liu Z X, Zhang Y, Zheng Y, Cheng C. Degradation assessment of bearings with trend-reconstruct-based features selection and gated recurrent unit network. Measurement, 2020, 165: 108064 [84] Wei J W, Dong G Z, Chen Z H. Remaining useful life prediction and state of health diagnosis for lithium-ion batteries using particle filter and support vector regression. IEEE Transactions on Industrial Electronics, 2018, 65(7): 5634−5643 [85] 雷亚国, 陈吴, 李乃鹏, 林京. 自适应多核组合相关向量机预测方法及其在机械设备剩余寿命预测中的应用. 机械工程学报, 2016, 52(1): 87−93Lei Ya-Guo, Chen Wu, Li Nai-Peng, Lin Jing. A relevance vector machine prediction method based on adaptive multi-kernel combination and its application to remaining useful life prediction of machinery. Journal of Mechanical Engineering, 2016, 52(1): 87−93 [86] 刘月峰, 赵光权, 彭喜元. 多核相关向量机优化模型的锂电池剩余寿命预测方法. 电子学报, 2019, 47(6): 1285−1292 doi: 10.3969/j.issn.0372-2112.2019.06.015Liu Yue-Feng, Zhao Guang-Quan, Peng Xi-Yuan. A lithium-ion battery remaining using life prediction method based on multi-kernel relevance vector machine optimized model. Acta Electronica Sinica, 2019, 47(6): 1285−1292 doi: 10.3969/j.issn.0372-2112.2019.06.015 [87] Yan M M, Wang X G, Wang B X, Chang M X, Muhammad I. Bearing remaining useful life prediction using support vector machine and hybrid degradation tracking model. ISA Transactions, 2020, 98: 471−482 [88] Boskoski P, Gasperin M, Petelin D, Juricic D. Bearing fault prognostics using Renyi entropy based features and Gaussian process models. Mechanical Systems and Signal Processing, 2015, 52-53: 327−337 [89] Wang Z P, Ma J, Zhang L. State-of-health estimation for Lithium-ion batteries based on the multi-island genetic algorithm and the Gaussian process regression. IEEE Access, 2017, 5: 21286−21295 [90] Yu J B. State of health prediction of lithium-ion batteries: Multiscale logic regression and Gaussian process regression ensemble. Reliability Engineering & System Safety, 2018, 174: 82−95 [91] Kong D D, Chen Y J, Li N. Gaussian process regression for tool wear prediction. Mechanical Systems and Signal Processing, 2018, 104: 556−574 [92] Li X Y, Wang Z P, Yan J Y. Prognostic health condition for lithium battery using the partial incremental capacity and Gaussian process regression. Journal of Power Sources, 2019, 421: 56−67 [93] Geramifard O, Xu J X, Zhou J H, Li X. A physically segmented hidden Markov model approach for continuous tool condition monitoring: Diagnostics and prognostics. IEEE Transactions on Industrial Informatics, 2012, 8(4): 964−973 [94] Yu J S, Liang S, Tang D Y, Liu H. A weighted hidden Markov model approach for continuous-state tool wear monitoring and tool life prediction. The International Journal of Advanced Manufacturing Technology, 2017, 91(1): 201−211 [95] Liu Q M, Dong M, Lv W Y, Geng X L, Li Y P. A novel method using adaptive hidden semi-Markov model for multi-sensor monitoring equipment health prognosis. Mechanical Systems and Signal Processing, 2015, 64-65: 217−232 [96] Zhu K P, Liu T S. Online tool wear monitoring via hidden semi-Markov model with dependent durations. IEEE Transactions on Industrial Informatics, 2018, 14(1): 69−78 [97] Li W J, Liu T S. Time varying and condition adaptive hidden Markov model for tool wear state estimation and remaining useful life prediction in micro-milling. Mechanical Systems and Signal Processing, 2019, 131: 689−702 [98] Liu T S, Zhu K P, Zeng L C. Diagnosis and prognosis of degradation process via hidden semi-Markov model. IEEE/ASME Transactions on Mechatronics, 2018, 23(3): 1456−1466 [99] Singleton R K, Strangas E G, Aviyente S. Extended kalman filtering for remaining-useful-life estimation of bearings. IEEE Transactions on Industrial Electronics, 2015, 62(3): 1781−1790 [100] Zheng X J, Fang H J. An integrated unscented kalman filter and relevance vector regression approach for lithium-ion battery remaining useful life and short-term capacity prediction. Reliability Engineering & System Safety, 2015, 144: 74−82 [101] Jin X H, Sun Y, Que Z J, Wang Y, Chow T W S. Anomaly detection and fault prognosis for bearings. IEEE Transactions on Instrumentation and Measurement, 2016, 65(9): 2046−2054 [102] Chang Y, Fang H J, Zhang Y. A new hybrid method for the prediction of the remaining useful life of a lithium-ion battery. Applied Energy, 2017, 206: 1564−1578 [103] Jin X H, Que Z J, Sun Y, Guo Y J, Qiao W. A data-driven approach for bearing fault prognostics. IEEE Transactions on Industry Applications, 2019, 55(4): 3394−3401 [104] Cui L L, Wang X, Wang H Q, Ma J F. Research on remaining useful life prediction of rolling element bearings based on time-varying kalman filter. IEEE Transactions on Instrumentation and Measurement, 2020, 69(6): 2858−2867 [105] Xue Z W, Zhang Y, Cheng C, Ma G J. Remaining useful life prediction of lithium-ion batteries with adaptive unscented kalman filter and optimized support vector regression. Neurocomputing, 2020, 376: 95−102 [106] Jouin M, Gouriveau R, Hissel D, Pera M C, Zerhouni N. Particle filter-based prognostics: Review, discussion and perspectives. Mechanical Systems and Signal Processing, 2016, 72-73: 2−31 [107] Li T, Sun S, Sattar T P. Adapting sample size in particle filters through KLD-resampling. Electronics Letters, 2013, 49(12): 740−742 [108] Zhang H, Miao Q, Zhang X, Liu Z W. An improved unscented particle filter approach for lithium-ion battery remaining useful life prediction. Microelectronics Reliability, 2018, 81: 288−289 [109] Duong P L T, Raghavan N. Heuristic Kalman optimized particle filter for remaining useful life prediction of lithium-ion battery. Microelectronics Reliability, 2018, 81: 232−243 [110] Jiao R H, Peng K X, Dong J. Remaining useful life prediction of lithium-ion batteries based on conditional variational autoencoders-particle filter. IEEE Transactions on Instrumentation and Measurement, to be published [111] Chang Y, Fang H J. A hybrid prognostic method for system degradation based on particle filter and relevance vector machine. Reliability Engineering & System Safety, 2019, 186: 51−63 [112] Huang C G, Yin X H, Huang H Z, Li Y F. An enhanced deep learning-based fusion prognostic method for RUL prediction. IEEE Transactions on Reliability, 2020, 69(3): 1097−1109 [113] Cheng F Z, Qu L Y, Qiao W. Fault prognosis and remaining useful life prediction of wind turbine gearboxes using current signal analysis. IEEE Transactions on Sustainable Energy, 2018, 9(1): 157−167 [114] Cheng F Z, Qu L Y, Qiao W, Hao L W. Enhanced particle filtering for bearing remaining useful life prediction of wind turbine drivetrain gearboxes. IEEE Transactions on Industrial Electronics, 2019, 66(6): 4738−4748 [115] Yin S, Zhu X P. Intelligent particle filter and its application to fault detection of nonlinear system. IEEE Transactions on Industrial Electronics, 2015, 62(6): 3852−3861 [116] 张英波, 贾云献, 冯添乐, 邱国栋. 基于Gamma退化过程的直升机主减速器行星架剩余寿命预测模型. 振动与冲击, 2012, 31(14): 47−51 doi: 10.3969/j.issn.1000-3835.2012.14.010Zhang Ying-Bo, Jia Yun-Xian, Feng Tian-Le, Qiu Guo-Dong. Remaining useful life prediction model of planetary carrier in helicopter main gear-box based on Gamma degradation process. Journal of Vibration and Shock, 2012, 31(14): 47−51 doi: 10.3969/j.issn.1000-3835.2012.14.010 [117] 郑建飞, 胡昌华, 司小胜, 张正新, 张鑫. 考虑不确定测量和个体差异的非线性随机退化系统剩余寿命估计. 自动化学报, 2017, 43(2): 259−270Zheng Jian-Fei, Hu Chang-Hua, Si Xiao-Sheng, Zhang Zheng-Xin, Zhang Xin. Remaining useful life estimation for nonlinear stochastic degrading systems with uncertain measurement and unit-to-unit variability. Acta Automatica Sinica, 2017, 43(2): 259−270 [118] Man J N, Zhou Q. Prediction of hard failures with stochastic degradation signals using wiener process and proportional hazards model. Computers & Industrial Engineering, 2018, 125: 480−489 [119] Hu Y G, Li H, Shi P P, Chai Z S, Wang K, Xie X J, et al. A prediction method for the real-time remaining useful life of wind turbine bearings based on the wiener process. Renewable Energy, 2018, 127: 452−460 [120] Ma G J, Zhang Y, Cheng C, Zhou B T, Hu P C, Yuan Y. Remaining useful life prediction of lithium-ion batteries based on false nearest neighbors and a hybrid neural network. Applied Energy, 2019, 253: 113626 [121] Loutas T, Eleftheroglou N, Georgoulas G, Loukopoulos P, Mba D, Bennett I. Valve failure prognostics in reciprocating compressors utilizing temperature measurements, PCA-based data fusion, and probabilistic algorithms. IEEE Transactions on Industrial Electronics, 2020, 67(6): 5022−5029 [122] Wang B, Lei Y G, Yan T, Li N P, Guo L. Recurrent convolutional neural network: A new framework for remaining useful life prediction of machinery. Neurocomputing, 2020, 379: 117−129 [123] Ali J B, Chebel-Morello B, Saidi L, Malinowski S, Fnaiech F. Accurate bearing remaining useful life prediction based on Weibull distribution and artificial neural network. Mechanical Systems and Signal Processing, 2015, 56—57: 150−172 [124] Guo L, Li N P, Jia F, Lei Y G, Lin J. A recurrent neural network based health indicator for remaining useful life prediction of bearings. Neurocomputing, 2017, 240: 98−109 [125] Miao H H, Li B, Sun C, Liu J. Joint learning of degradation assessment and RUL prediction for aeroengines via dual-task deep LSTM networks. IEEE Transactions on Industrial Informatics, 2019, 15(9): 5023−5032 [126] Qiu G Q, Gu Y K, Chen J J. Selective health indicator for bearings ensemble remaining useful life prediction with genetic algorithm and Weibull proportional hazards model. Measurement, 2020, 150: 107097 [127] Barlow R, Hunter L. Optimum preventive maintenance policies. Operations Research, 1960, 8(1): 90−100 [128] Pham H, Wang H Z. Imperfect maintenance. European Journal of Operational Research, 1996, 94(3): 425−438 [129] Mercier S, Castro I T. Stochastic comparisons of imperfect maintenance models for a gamma deteriorating system. European Journal of Operational Research, 2019, 273(1): 237−248 [130] Scarf P A, Cavalcante C A V, Dwight R A, Gordon P. An age-based inspection and replacement policy for heterogeneous components. IEEE Transactions on Reliability, 2009, 58(4): 641−648 [131] Dong W J, Liu S F, Du Y Y. Optimal periodic maintenance policies for a parallel redundant system with component dependencies. Computers & Industrial Engineering, 2019, 138: 106133 [132] Zhu X Y, Bei X Q, Chatwattanasiri N, Coit D W. Optimal system design and sequential preventive maintenance under uncertain aperiodic-changing stresses. IEEE Transactions on Reliability, 2018, 67(3): 907−919 [133] Yeh R H, Kao K C, Chang W L. Optimal preventive maintenance policy for leased equipment using failure rate reduction. Computers & Industrial Engineering, 2009, 57(1): 304−309 [134] Lin J, Pulido J, Asplund M. Reliability analysis for preventive maintenance based on classical and Bayesian semi-parametric degradation approaches using locomotive wheel-sets as a case study. Reliability Engineering & System Safety, 2015, 134: 143−156 [135] Carvalho T P, Soares F A A M N, Vita R, Francisco R P, Basto J P, Alcala S G S. A systematic literature review of machine learning methods applied to predictive maintenance. Computers & Industrial Engineering, 2019, 137: 106024 [136] Van Horenbeek A, Pintelon L. A dynamic predictive maintenance policy for complex multi-component systems. Reliability Engineering & System Safety, 2013, 120: 39−50 [137] Martinod R M, Bistorin O, Castaneda L F, Rezg N. Maintenance policy optimisation for multi-component systems considering degradation of components and imperfect maintenance actions. Computers & Industrial Engineering, 2018, 124: 100−112 [138] Tsai Y T, Wang K S, Tsai L C. A study of availability-centered preventive maintenance for multi-component systems. Reliability Engineering & System Safety, 2004, 84(3): 261−270 [139] You M Y. Predictive component availability optimization with degradation correlated maintainability. Proceedings of the Institution of Mechanical Engineers, Part E: Journal of Process Mechanical Engineering, 2013, 227(4): 243−253 [140] 杨建华, 韩梦莹. 基于延迟时间理论的备件维修多目标优化模型. 系统工程与电子技术, 2019, 41(8): 1903−1912 doi: 10.3969/j.issn.1001-506X.2019.08.31Yang Jian-Hua, Han Meng-Ying. Multi-objective optimization model for spare parts maintenance based on delay-time theory. Systems Engineering and Electronics, 2019, 41(8): 1903−1912 doi: 10.3969/j.issn.1001-506X.2019.08.31 [141] 王金贺, 张晓红, 曾建潮. 非完美维修模型下的风电机组最优维修决策. 计算机集成制造系统, 2019, 25(5): 1151−1160Wang Jin-He, Zhang Xiao-Hong, Zeng Jian-Chao. Optimal maintenance decision for wind turbines based on imperfect maintenance model. Computer Integrated Manufacturing Systems, 2019, 25(5): 1151−1160 [142] De Smidt-Destombes K S, Van der Heijden M C, Van Harten A. Joint optimisation of spare part inventory, maintenance frequency and repair capacity for k-out-of-N systems. International Journal of Production Economics, 2009, 118(1): 260−268 [143] Wang W B. A joint spare part and maintenance inspection optimisation model using the delay-time concept. Reliability Engineering & System Safety, 2011, 96(11): 1535−1541 [144] Poppe J, Boute R N, Lambrecht M R. A hybrid condition-based maintenance policy for continuously monitored components with two degradation thresholds. European Journal of Operational Research, 2018, 268(2): 515−532 [145] Huynh K T, Grall A, Berenguer C. A parametric predictive maintenance decision-making framework considering improved system health prognosis precision. IEEE Transactions on Reliability, 2019, 68(1): 375−396 [146] Hu J W, Chen P. Predictive maintenance of systems subject to hard failure based on proportional hazards model. Reliability Engineering & System Safety, 2020, 196: 106707 [147] Liu B, Do P, Iung B, Xie M. Stochastic filtering approach for condition-based maintenance considering sensor degradation. IEEE Transactions on Automation Science and Engineering, 2020, 17(1): 177−190 [148] Susto G A, Schirru A, Pampuri S, McLoone S, Beghi A. Machine learning for predictive maintenance: A multiple classifier approach. IEEE Transactions on Industrial Informatics, 2015, 11(3): 812−820 [149] Yildirim M, Gebraeel N Z, Sun X A. Integrated predictive analytics and optimization for opportunistic maintenance and operations in wind farms. IEEE Transactions on Power Systems, 2017, 32(6): 4319−4328 [150] Carvalho T P, Soares F A A M N, Vita R, Francisco R P, Basto J P, Alcala S G S. A systematic literature review of machine learning methods applied to predictive maintenance. Computers & Industrial Engineering, 2019, 137: 106024 [151] Nguyen K T P, Medjaher K. A new dynamic predictive maintenance framework using deep learning for failure prognostics. Reliability Engineering & System Safety, 2019, 188: 251−262 -
下载:
计量
- 文章访问数: 4258
- HTML全文浏览量: 1884
- PDF下载量: 1420
- 被引次数: 0
