高柯柯,于重重,晏 臻

(北京工商大学 人工智能学院，北京 100048)

0 引 言

随着工业4.0和智能制造技术的兴起,智能工厂的建设逐渐被各国企业所重视[1，2]。在这种趋势下,工业设备日益向复杂化和智能化的方向发展,设备的安全问题越来越受到企业的重视。同时,由于工业设备系统运行工况繁杂多变、运行环境相对恶劣,更增加了系统性能退化失效的速率和发生故障的概率。更为重要的是,工厂生产线上的设备一旦由于失效引发故障,将会对工厂经济造成重大的损失。因此,在大数据背景的时代下,利用工厂实时采集的海量数据,在设备性能退化的早期,及时且有效地对设备进行健康状态评估,合理制定维护计划和维修方案变得极为重要。

健康评估是一种通过对系统的状态信息进行收集和学习,分析健康状态,洞悉系统故障,提取规避风险,从而保证系统运行可靠性的一项技术。GASPERIN M等[3]从包络谱中提取出了齿轮啮合频率的功率密度,并且据此对齿轮的健康状态进行了评估。JAVED K等[4]利用模糊聚类的方法,对系统的健康状态进行了自动评估。YAN J等[5]利用logistic回归函数,对电梯门运动系统的健康状态进行了评估。WANG C等[6]提出了一种结合有效特征提取方法和模糊c均值聚类算法的深度森林算法,实现了对轨道航天器当前健康状态的评估。余道明等[7]提出了一种集新型深度自编码和最小量化误差相结合的,应用于滚动轴承全寿命周期的健康评估方法。王村松等[8]采用一种多变量深度森林分类器,实现了设备健康状态的离线训练和在线评估。……