7、实时预测性维护：模型、模拟与机器学习诊断方法解析

实时预测性维护：模型、模拟与机器学习诊断方法解析

1. 机器学习基础方法

在机器学习领域，有几种基础方法在故障诊断和预测性维护中发挥着重要作用。
- 无监督学习 ：无监督学习主要用于处理未标记的数据，旨在理解数据的分布情况。这类算法常用于特征生成、降维、提取隐藏模式、数据点聚类以及探索性分析。例如，在分析大量未分类的工业传感器数据时，无监督学习可以帮助发现数据中的潜在模式，为后续的分析提供基础。
- 半监督学习 ：在现实世界中，数据点往往很少被标记。以欺诈检测问题为例，欺诈交易的发生次数相对较少，而大量的是非欺诈检测数据。半监督学习通过从较少出现的（危险输出）情况中生成新的实例，即合成数据生成，来解决这个问题。它是“监督”和“无监督”学习的混合，目标是在数据高度未标记的情况下进行更好的预测建模。
- 强化学习 ：强化学习是机器学习的一个领域，其中一个智能体被训练以学习在给定环境中的最优行为。其目标是找到最佳的可能行动，使奖励最大化，风险最小化。强化学习在自动化领域非常有用，如自动驾驶。

在复杂系统的故障诊断中，可以根据应用、数据性质和学习结果选择各种机器学习算法。在本文的案例研究中，我们使用了一种名为自助聚合（Bagging）的监督机器学习算法来建模故障诊断问题。

2. 用于诊断的人工神经网络

机器学习和深度学习技术在工程师的工作中非常流行，尤其是在机器的预测性维护领域，人工智能方法与技术诊断的结合是一个非常实际的问题，直接涉及到物联网和工业4.0主题。

常用的标准机器学习方法包括统计算法，如支