曹新城，姚 斌，贺王鹏，陈彬强，卿 涛

(1.厦门大学 航空航天学院，福建 厦门 361005；2.西安电子科技大学 空间科学与技术学院，陕西 西安 710071)

智能制造作为制造业的高阶发展形态，已成为我国制造业转型升级的重要突破口[1-2]。在数字化制造装备中，传感网络逐渐完备，信息采集的维度和密度不断提升，作为智能制造系统的核心板块，装备运维进入大数据时代[3]。由于环境开放、工艺多变、机理复杂等技术瓶颈，装备运维很大程度上仍然依靠从业者的主观决策。从工业大数据中挖掘隐含知识，建立监测数据向运维决策的映射模型，实现装备智能运维，成为智能制造实践推广的研究热点[4]。

人工智能的快速发展为数据驱动的装备智能运维提供了技术支撑。支持向量机[5]、随机森林[6]等机器学习算法能够基于数据样本对装备退化过程进行建模，相比于阈值判定更具预先性和非线性。随着监测信息的维度不断增加，深度学习技术提取隐含特征的优势更加凸显。自动编码机以及卷积编码机以其无需标签监督的优势在深度特征工程中得到广泛认可，结合浅层的模式识别网络实现了成功应用[7]。深度卷积网络以其稀疏的网络链接大幅度降低了深度模型对计算资源的需求，在处理振动、噪声等高采样频率的数据时表现出特别的优势[8]。深度学习技术与先进信号处理技术的融合实现了更高的时效性，能够在噪声环境下实现可靠的设备健康评估[9]。深度学习技术在设备智能运维的应用层出不穷[10-12]，但大都基于充足的实验数据，样本集需要覆盖监测对象各种可能的故障模式。……