文献类型：期刊文章

作　　者：沈保明[1,2] 陈保家[1,3] 赵春华[1] 陈法法[1,3] 肖文荣[1] 肖能齐[1]

SHEN Baoming;CHEN Baojia;ZHAO Chunhua;CHEN Fafa;XIAO Wenrong;XIAO Nengqi(Hubei Key Laboratory of Hydroelectric Machinery Design & Maintenance,China Three Gorges University,Yichang Hubei 443002,China;Three Gorges Navigation Administration Bureau,Yichang Hubei 443001,China;The State Key Laboratory of Mechanical Transmission,Chongqing University,Chongqing 400030,China)

机构地区：[1]三峡大学水电机械设备设计与维护湖北省重点实验室,湖北宜昌443002 [2]长江三峡通航管理局,湖北宜昌443001 [3]重庆大学机械传动国家重点实验室,重庆400030

出　　处：《机床与液压》

基　　金：国家自然科学基金项目(51975324,52075292);机械传动国家重点实验室开放基金资助项目(SKLMT-MSKFKT-202020);三峡大学学位论文培优基金资助项目(2021SSPY042)。

年　　份：2021

卷　　号：49

期　　号：19

起止页码：162-171

语　　种：中文

收录情况：BDHX、BDHX2020、ZGKJHX、核心刊

摘　　要：随着机械装备不断朝高速化、大型化、智能化方向发展,为了保障机械设备高效、安全、可靠运行,故障预测与健康管理(PHM)一直是工业领域研究的热点问题。机械装备的工作环境恶劣,工况复杂,多系统相互耦合,在长期服役过程中,其状态监测信息呈现出典型的“体量浩大、多源异构、生成快速、价值稀疏”的大数据4V特征。因此,“大数据”背景下的机械装备健康管理呈现出“三高”特点:(1)需要高容量的大数据存贮能力;(2)需要高效实时的数据处理能力;(3)需要高强的多源异构适应性。针对上述特点,亟需一种能够从海量数据中自适应提取故障特征并进行有效诊断、评估和预测的数据处理方法。深度学习理论作为机器学习的进一步发展,以强大的建模与数据处理能力,在图像处理、语音识别、自然语言处理等领域取得了巨大的成功,国内外诸多学者也将深度学习理论逐步引入到设备PHM当中,做了一些开拓性的工作。从深度学习在机械装备故障预测与健康管理应用中的基本流程入手,分析PHM深度神经网络的输入特征及其主要类型和特点,对比了PHM应用中常见的4类神经网络模型与其对应的模型训练算法,对深度学习在PHM应用的国内外研究进展进行了归纳总结,并展望了深度学习在PHM应用中的发展方向。

关 键 词：深度学习  故障诊断 健康评估  预测与健康管理

分 类 号：TH17]