论文学习｜第2篇-综述：机器学习在机器故障诊断中的应用: 回顾和路线图 - 前言部分

论文题目：Applications of machine learning to machine fault diagnosis: A review and roadmap

期刊、年份：Mechanical Systems and Signal Processing，2019

作者：Yaguo Lei(a*), Bin Yang(a), Xinwei Jiang(a), Feng Jia(a), Naipeng Li(a), Asoke K. Nandi(b)

机构：(a): Key Laboratory of Education Ministry for Modern Design and Rotor-Bearing System, Xi’an Jiaotong University, Xi’an 710049, China

(b): Department of Electronic and Computer Engineering, Brunel University London, Uxbridge UB8 3PH, United Kingdom

1.  引言

2.  过去：用传统机器学习理论进行智能故障诊断

   2.1 概述

   2.2 第1步：数据收集

   2.3 第2步：人工特征提取

      2.3.1  特征提取

      2.3.2  特征选择

   2.4 第3步：健康状态识别

      2.4.1  基于专家系统的方法

      2.4.2  基于ANN的方法

      2.4.3  基于SVM的方法

      2.4.4  其他方法

   2.5 结语

3.  现在：用深度学习理论进行智能故障诊断

   3.1 概述

   3.2 第1步：大数据收集

   3.3 第2步：基于深度学习的故障诊断

      3.3.1 基于堆叠自编码器(Stacked AE)的方法

      3.3.2 基于深度置信网络(DBN)的方法

      3.3.3 基于卷积神经网络(CNN)的方法

      3.3.4 基于ResNet的方法

   3.4 结语

4.  未来：用迁移学习进行智能故障诊断

   4.1 在工程应用场景用迁移学习进行智能故障诊断的动机

   4.2 智能故障诊断中迁移学习的定义

      4.2.1  智能故障诊断中迁移难点

      4.2.2  智能故障诊断中的迁移场景

   4.3 智能故障诊断中基于迁移学习的方法种类

       4.3.1  基于特征的方法

       4.3.2  基于生成对抗网络(GAN)的方法

       4.3.3  基于实例方法

       4.3.4  基于参数的方法

   4.4 结语

5.  讨论：智能故障诊断的未来挑战和路线图

   5.1 如何未基于机器学习的故障诊断模型训练提供大量高质量的数据

   5.2 如何在大数据革命中针对特殊问题构建基于深度学习的故障诊断模型

   5.3 如何保护迁移学习在实际工程应用中不受负迁移的影响

   5.4 如何提高基于深度学习的故障诊断模型可解释性

6.  总结

故障诊断在寻找监测数据与机器健康状态之间的关系中起着重要的作用[1,2]，这是机器健康管理中广泛关注的问题。传统上，这种关系是由工程师丰富的经验和渊博的专业知识来把握的。例如，一个有经验的工程师可以根据异常声音诊断发动机的故障，或者利用先进的信号处理方法分析振动信号来定位轴承故障。然而，在工程场景中，机器使用者希望有一种自动的方法来缩短维护周期，提高诊断的准确性。特别是在人工智能的帮助下，期望故障诊断过程智能化到能够自动检测和识别机器的健康状态[2-5]。

智能故障诊断(Intelligent Fault Diagnosis, IFD)是指将人工神经网络(Artificial Neural Networks, ANN)、支持向量机(Support Vector Machine, SVM)、深度神经网络(Deep Neural Networks, DNN)等机器学习理论应用于机器故障诊断[6,7]，在实现上述目的方面前景广阔。这种方法是利用机器学习理论从采集的数据中自适应学习机器的诊断知识，而不是利用工程师的经验和知识。具体来说，IFD旨在构建能够将收集的数据和机器健康状态之间关系自动连接起来的诊断模型。

近年来，IFD受到了学术界研究人员和工业工程师的广泛关注，这与机器学习的发展有着深刻的关系[6-9]。我们根据Web of Science的搜索结果统计关于IFD的出版物数量，如图1所示。基于机器学习的机器故障诊断的研究结果表明，自2010年代以来，研究领域的出版物数量迅速增加。因此，我们将IFD的研究大致分为以下三个阶段。

在过去，传统的机器学习理论在IFD中从首次出现到2010年代一直很流行。机器学习的早期研究起源于20世纪50年代，并在20世纪80年代成为人工智能的一个重要研究方向[10]。在此期间出现了许多传统机器学习的理论，如 人工神经网络(Artificial Neural Networks, ANN)[11]，支持向量机(Support Vector Machine, SVM)[12]， k-最近邻(k-Nearest Neighbor, kNN)[13]，概率图形模型(Probabilistic Ggraphical Model, PGM)[14]。这些理论推动了IFD的出现，包括基于专家系统的方法[15]、基于ANN的方法[16]、基于SVM的方法[17]和其他智能方法[7]。在这些方法中，人为地从采集的数据中提取故障特征。然后选取敏感特征训练能自动识别机器健康状态的诊断模型。在传统机器学习的帮助下，诊断模型开始建立所选特征与机器健康状态之间的关系，削弱了人工劳动对机器故障诊断的贡献，将其推入人工智能时代。

目前，自2010年代[18]以来，深度学习理论已经开始对IFD进行改革。虽然过去IFD能够识别机器的健康状态，而不是由人来检查故障，但人工特征提取仍然主要依靠人工劳动。此外，传统的机器学习理论由于泛化性能较低，不适用于日益增长的数据，从而降低了诊断准确率。深度学习是机器学习领域的一个新课题，可以追溯到20世纪80年代对神经网络的研究[19,20]，如自编码器(Autoencoders, AE)[21]和受限玻尔兹曼机(Restricted Boltzmann Machine, RBM)[22]。自2006年Hinton[23]使用贪婪分层预训练策略训练深度信念网络(Deep Belief Network, DBN)以来，这个问题就受到了广泛的关注。此外，卷积神经网络(Convolutional Neural Network, CNN)也取得了一系列突破，如AlexNet[24]和ResNet[25]。这些理论进一步启发了IFD的发展，并导致了一系列的成果[4,6-9]，包括基于堆叠自编码器(Stacked Autoencoders, SAE)的方法、基于DBN的方法、基于CNN的方法和基于Resnet的方法。在该方法中，深度学习帮助从采集的数据中自动学习故障特征，而不是过去IFD时期的人工特征提取。他们试图在处理日益增长的数据时提供端到端诊断模型。这些模型将直接将原始监测数据连接到它们相应的机器健康状态，从而进一步解放IFD中的人力劳动。

未来，迁移学习理论将推动工程应用背景下IFD的研究。虽然目前深度学习在机器故障诊断中取得了显著的成功，但这些成功都是基于一个普遍的假设，即有足够的标记数据来训练诊断模型。然而，由于两个主要原因，这样的假设在实际工程场景中是不现实的。首先，机器通常在健康状态下工作，很少发生故障。因此，收集了大量健康数据，而故障数据却不足。其次，获取收集数据的机器健康状态(即数据标签)需要花费巨大的成本。因此，大多数收集的数据在工程场景中都没有标记。由于上述原因，收集的数据不足以训练出可靠的诊断模型。幸运的是，迁移学习是通过将从一个或多个任务中学到的知识应用到其他相关但新颖的任务中来克服这些缺点的。该理论起源于1995年的“学习到学习”[28]，自2010年代以来取得了一些成果，如转移成分分析(Transfer Component Analysis, TCA)[29]、联合分布适应(Joint Distribution Adaption, JDA)[30]和TrAdaboost[31]。之后，2015年开始在深度学习理论的帮助下进行开发，在计算机视觉(Computer Visio, CV)[32]领域取得了一些成果，如转移去噪自编码(Transfer Denoise Analysis, TDA)[33]和联合自适应网络(JAN)[34]。在IFD领域，一些研究者已经开始开展一些研究，一般包括基于特征的方法[26]、基于生成对抗网络(GAN)的方法[35]、基于实例的方法[36]和基于参数的方法[37]。这些方法有望提供诊断模型，将从一个或多个诊断任务中学习到的诊断知识转移到其他相关但不同的任务中。因此，迁移学习理论有望克服有标签样本缺乏的问题，最终扩大IFD在工程情景中的应用。

在总结IFD研究的基础上，Liu et al.[7]简要回顾了人工智能在旋转机械故障诊断中的应用，重点介绍了传统机器学习的应用。Khan等人[8]提出了基于人工智能的系统健康管理方法的分类，并进一步综述了深度学习的应用。Duan et al.[6]和Zhao et al.[9]综述了常用的深度学习理论及其在机器故障诊断中的应用。Hoang et al.[4]综述了深度学习在轴承故障诊断中的应用。这些综述有三个缺点。

1)之前的综述仅仅是关于IFD在一定时期内的使用，比如使用传统的机器学习或者使用深度学习。例如，文献[7]主要关注传统机器学习的应用。文献[4,6,8,9]只是回顾了深度学习在机器故障诊断中的应用。因此，系统地回顾IFD从过去到未来的发展仍然是空白。

2)这些综述尚未阐述IFD路线图来预测未来趋势。但对于综述论文，读者更倾向于对IFD未来5年或10年的潜在趋势感兴趣。

3)这些综述仅涵盖IFD 2017年之前的出版物。然而，近年来，出版物的数量每年都在迅速增加。如图1所示，2017 - 2019年的发文量与2017年前的发文总量基本持平。

因此，需要对IFD的研究进展进行新的综述。

图 1 IFD使用机器学习的发展历程和里程碑

为了克服上述缺点，本文系统地回顾了IFD的发展，并绘制了该领域的路线图。本综述的贡献细化如下。

1)将IFD的发展概括为三个时期。在过去，期望传统机器学习把机器故障诊断带入人工智能时代。目前，深度学习的重点是进一步增强IFD的效益。在未来，迁移学习被认为是推动IFD应用在实际工程中的一个未来方向，我们试图从为什么迁移、什么是迁移、如何迁移等问题来详细阐述。

2) 阐述了IFD的发展蓝图。该路线图包括了迁移学习潜在的研究趋势，并为研究人员未来的工作提供了有价值的指导。

本综述的其余部分组织如下。

在第2节中，我们关注IFD过去的发展，包括传统机器学习理论的应用。

第三部分回顾了深度学习理论的应用，也是IFD发展的当前阶段。

第四部分讨论迁移学习在IFD中的应用，包括迁移学习的动机、定义和一些探索性工作。

在第5节中，我们将结合IFD的挑战进一步展示发展路线图。

结论见第6节。

1、由于本文翻译篇幅过大，本篇到此结束，下一篇将介绍机器学习在故障诊断的过去阶段发展历程。

作者：小平

如需转载，请后台联系作者

说明：部分图片来源网络，若有侵权，烦请联系处理