42、故障诊断中机器学习技术的定性评估

故障诊断中机器学习技术的定性评估

在当今数据丰富且计算能力强大的背景下，机器学习（ML）技术在基于状态的维护（CBM）的故障诊断领域得到了广泛应用。这些技术能够从数据中智能学习，构建合适的分类模型，基于观察到的模式对未知数据进行标记。然而，对于特定的故障诊断问题，如何选择最合适的ML技术仍是一个有待解决的问题。

1. 引言与研究现状

预防性的CBM策略基于机器的实际维护需求来规划和执行维护行动，它通过传感器持续监测机器状态。CBM主要有两项任务：故障类型识别（故障诊断）和剩余使用寿命估计（预测）。

目前，为特定故障诊断任务选择最合适的ML技术往往难以捉摸，常基于直觉。每种技术的性能高度依赖于具体问题，特别是数据特征和外部输入。不过，个别ML技术具有一些通用特征，这些特征在一定程度上使其适用于特定问题。通过评估和权衡这些特定特征，能够为选择合适的算法提供支持。

2. 技术概述

2.1 基于状态的维护（CBM）

CBM从简单的维护技术（如纠正性和预防性维护）发展而来，旨在通过避免意外停机并降低维护成本来最大化机器的正常运行时间。它通过评估机器的运行数据来检测、预测和应对机器故障。不过，CBM分析面临诸多困难，例如需要处理大量连续观测的过程变量，以及应对因传感器故障或不完整标记导致的不充分、不可靠或不完整的数据。

CBM主要包括诊断和预测两个要素。诊断用于检测和诊断故障，而预测则用于预测故障和部件的恶化。诊断过程包括故障检测、隔离和识别，其最终目标是准确的故障检测和诊断（FDD）。故障诊断方法可分为三类：基于模型的方法、基于信号的方法和基于知识的方法。

2.2 人工智能背景下的