Press "Enter" to skip to content

工业人工智能的关键技术及其在预测性维护中的应用现状

工业人工智能的关键技术及其在预测性维护中的应用现状

 

​ ​ ​人工智能技术与咨询​ ​ ​

 

 

来源:《自动化学报 》,作者袁 烨等

 

摘 要 随着人工智能技术的快速发展及其在工业系统中卓有成效的应用,工业智能化成为当前工业生产转型的一个重要趋势.论文提炼了工业人工智能(Industrial artificial intelligence,IAI)的建模、诊断、预测、优化、决策以及智能芯片等共性关键技术,总结了生产过程监控与产品质量检测等4 个主要应用场景.同时,论文选择预测性维护作为工业人工智能的典型应用场景,以工业设备的闭环智能维护形式,分别从模型方法、数据方法以及融合方法出发,系统的总结和分析了设备的寿命预测技术和维护决策理论,展示了人工智能技术在促进工业生产安全、降本、增效、提质等方面的重要作用.最后,探讨了工业人工智能研究所面临的问题以及未来的研究方向.

 

关键词 工业人工智能,预测性维护,机器学习,寿命预测,维修决策

 

工业人工智能是指利用快速发展的人工智能技术改造工业的生产方式和决策模式,达到降本、增效、提质的目的,是当前工业发展的一个重要趋势.目前,世界各国纷纷出台相应政策,比如《中国制造2025》、美国的“先进制造业伙伴计划”、德国的“工业4.0 战略计划”、英国的“英国工业2050 战略”以及日本的“超智能社会5.0 战略”等,大力支持工业智能化,提高本国制造业的竞争优势.

 

基于工业人工智能的工业智能化是新科技的集成,主要包含人工智能、工业物联网、大数据分析、云计算和信息物理系统等技术,它将使得工业运行更加灵活、高效和节能,因此工业人工智能具有广阔的应用前景.文献[1]认为工业人工智能是一门严谨的系统科学,把分析技术、大数据技术、云或网络技术、专业领域知识、证据理论等作为工业人工智能的5 个关键要素,提出了工业人工智能生态系统概念,并以机床主轴的实时监控与性能预测为例,展示工业人工智能可以提供完整的解决方案,实现降低维护成本的同时也能优化产品质量.作为工业智能化的载体,阿里云的“工业大脑”集成设备数据、产品生命周期类数据以及周边数据 [2] ,利用人工智能技术将行业知识机理与海量产业数据相融合,形成以数据、算力和算法三者融合为核心的智能制造技术体系,实现工业生产的降本、增效、提质和安全.

 

智能制造作为工业人工智能的主要应用场景,人工智能的应用贯穿于产品设计、制造、服务等各个环节,表现为人工智能技术与先进制造技术的深度融合 [3] ,不断提升企业的产品质量、效益、服务水平,减少资源能耗.机床是制造业的“工业母机”,在工业生产中占据重要地位,文献[4]展示了新一代人工智能技术在数控机床应用上的显着优势.

 

鉴于工业人工智能的研究和应用都处于起步阶段,探究影响工业智能化效果的关键技术及其研究现状,明确目前存在的问题,对促进工业人工智能的快速发展具有重要意义.因此,在分析工业人工智能关键技术的基础上,针对典型的应用场景—预测性维护,系统地总结了智能预测性维护(主要包括寿命预测和维修决策)的研究现状.最后,也探讨了工业人工智能所面临的问题以及可能的解决方案.

 

1 工业人工智能的发展现状

 

一方面,完整的工业过程是一个复杂的系统工程,涉及产品类(包括设计、生产、工艺、装配、仓储物流、销售等)、设备类(包括传感器、制造设备、产线、车间、工厂等)、相关类(包括运维、售后、市场、排放、能耗、环境等)等方面的生产、决策和服务.另一方面,人工智能基于数据,利用机器学习、深度学习等算法,研究计算机视觉、语音工程、自然语言处理以及规划决策等问题.工业人工智能综合工业大数据和工业运行中的知识经验,利用人工智能技术,通过自感知、自比较、自预测、自优化和自适应,实现工业生产过程的优质、高效、安全、可靠和低耗的多目标优化运行.围绕上述的目标,工业人工智能需要大力发展以下6 个关键技术.

 

1.1 工业人工智能的关键技术

 

1)建模

 

建模在工业生产中具有重要意义,模型包含的工业机理与工业知识,揭示了设备或部件的退化机理、工艺参数和产品质量间的映射关系、产线运行状况和部件工序之间的耦合关系等,反映了制造业的核心工艺和生产运行过程,体现了企业的生产能力和竞争力.文献[5]从数据驱动的智能学习角度,通过设计机器学习算法对信息物理系统(Cyberphysical systems,CPS)所感知的信息流进行建模分析,辨识了CPS 中多子系统非线性耦合动力学,挖掘了子系统之间的切换逻辑,揭示了CPS的演化趋势规律.该建模方法具有较好的普适性,已成功应用在机器人、智能制造、智能电网等多个领域.

 

2)诊断

 

安全是工业生产的基本条件,对工业生产来说,设备、生产过程的异常运行将导致产品的质量下降、严重时甚至造成安全事故以及人员伤亡.因此,利用传感器广泛采集关键设备、生产线运行以及产品质量检测获得的图像、视频以及时序等多元异构数据,利用大数据分析、机器学习、深度学习等方法进行有监督或无监督的分类和聚类,实现工业生产过程的智能在线异常检测、诊断以及溯源.文献[6]提出一种深度学习框架,能够对加工过程中高噪声的振动、电压、电流、温度、声音、力等传感器信号进行自动特征提取,获得了具有较好鲁棒性的诊断结果.该框架具有较好的通用性,在多种制造系统(轴承、刀具、齿轮箱、锂电池等)中均实现了高精度的诊断.

 

3)预测

 

预测对工业生产具有重要的促进作用,大数据技术、云服务技术和人工智能技术的快速发展促进了预测效果的不断提高.结果,基于数据驱动的预测技术在预测性维护、需求预测、质量预测等方面获得了广泛的应用.对预测性维护来说,利用工业设备运行数据和退化机理经验知识,预测设备的剩余有效使用时间并制定维修策略,实现高效的预测性维护,进而降本、增效、提质和安全.对需求预测来说,制造商基于历史订单数据、流程以及生产线的运行状况,进行需求预测,从而指导生产链,进行风险管理并减少生产浪费.对质量预测来说,通过产线状态及相关生产数据分析预测出产品质量,并将生产流程调整为最佳产出状态以避免残次品,孪生数字技术的发展大大促进了质量预测技术.

 

4)优化

 

优化是提高工业生产效率的重要手段,主要分为设备级和系统级的优化.机床等工业设备的参数对产品的质量具有重要影响,因此常用监督式特征筛选(如Fisher score、Lasso等)和非监督式特征筛选(Principal component analysis、Laplacian score、Auto-encoder等)方法,提取影响加工精度的关键工艺参数,运用智能优化算法实时优化,实现工业提质增效.复杂工业生产通常由一系列工业设备组成生产工序,进而由多个生产工序构成生产线,利用监测设备和产线运行状态的数据,借助智能优化算法,协同各个生产工序共同实现生产全流程的产品质量、产量、消耗、成本等综合生产指标,保证生产全流程的整体优化运行 [7] .

 

5)决策

 

决策是形成工业生产闭环的关键,主要包括工业过程智能优化决策和设备的维护决策.工业过程智能优化决策 [7] 由生产指标优化决策系统、生产全流程智能协同优化控制系统和智能自主运行优化控制系统组成,能够实时感知市场信息、生产条件以及运行工况,实现企业目标、计划调度、运行指标、生产指令与控制指令一体化优化决策.工业设备的维护决策主要分为修复性维护、预防性维护以及预测性维护等决策,其中预测性维护被预言为工业互联网的“杀手级”应用之一,可以有效地降低维护成本、消除生产宕机、降低设备或流程的停机以及提高生产率等优点.

 

6)AI 芯片

 

人工智能的快速发展得益于数据、算法、算力的大力发展.人工智能(AI)芯片作为人工智能应用的底层硬件,为其提供算力支撑.AI 芯片 [8] 按架构体系分为通用芯片CPU (Central processing unit)和GPU (Graphics processing unit)、半定制芯片FPGA(Field-programmable gatearray)、全定制芯片ASIC(Application specific integrated circuits)和模拟人脑的新型类脑芯片;按使用的场景分为云端训练芯片、云端推断芯片、终端计算芯片.人工智能的功能实现包括训练和推断,即先采用云端训练芯片训练数据得出核心模型,接着利用云端推断芯片对新数据进行判断推理得出结论,终端计算芯片主要提供简单的、或者需要实时性能的边缘计算的能力.目前,在云侧主要利用CPU、GPU、FPGA 等芯片进行训练获得模型;端侧主要以推理的任务为主,无需承担巨大的运算量.

 

1.2 工业人工智能应用的典型场景

 

工业人工智能将促进工业的快速发展,并且开始应用到工业生产的各个领域.目前,工业人工智能应用的典型场景包括生产过程监控与产品质量检测、能源管理与能效优化、供应链与智能物流、设备预测性维护等.

 

1.2.1 生产过程监控与产品质量检测

 

产品质量是企业竞争力的一个重要指标,现代的高精尖企业对产品的次品率有着极其苛刻的要求.因此,在长链条加工产线的制造业中,利用工业人工智能技术,建立长链条工艺参数与加工精度之间的映射关系,通过监测工艺参数的异常,及时溯源,检查生产设备或主动优化工艺参数,尽量避免次品出现.对完成的产品,利用视频、图像、红外、超声等技术进行产品的尺寸或表面缺陷检测,获取产品二维/三维图像信息.基于人工智能的机器视觉技术,实现快速的产品批量检测与分类,具有自动、客观、非接触和高精度的特点,有效提升工作效率降低劳动强度.目前,美国Ametek 公司的SmartView 系统 [9] 和德国ISRA Parsytec 公司的Parsytec 5i 系统[10−11]等,都是基于机器视觉的产品表面质量检测系统.

 

1.2.2 能源管理与能效优化

 

工业生产中的能耗节省与能效优化是企业成本控制的一个重要方面.在智能电网和工厂设备节能管理中利用人工智能优化算法对能源的智能管理与优化,可有效降低企业成本.人工智能在智能电网的发电、输电、变电、配电、用电及电力调动等环节发挥了重要作用.利用人工智能技术,在变电环节可有效减少变电站的数量提高变电效率,使变电站在占地少的同时达到安全高效 [12] ;从能耗指标PUE 智能优化和能量智能管理调度角度,提供智慧能源管理解决方案 [13] ;设计中央空调能源管理智能优化系统,通过系统参数在线监测和非线性动态预测分析,预测并判断下一时段系统的冷负荷工况、系统能耗及能效优化控制参量,对系统载冷剂实施调节控制,实现系统能耗的实时调节,达到节能减排的目的 [14] .

 

1.2.3 供应链与智能物流

 

随着中国物流行业的快速发展,智能物流取得了显着的成绩,以顺丰为代表的企业基于如仓库的位置、成本、库存、运输工具、车辆和人员等信息,利用人工智能技术制定调度策略,取得了显着的效果.在人工智能技术的驱动下,供应链与物流的智能化体现在如下三个方面 [15] :1)实时决策:在承担大量复杂的运输任务时,借助人工智能优化算法,供应链专业人员可在车辆、路线和时间等选择中进行自动分析并做出最优决策.2)流程优化:通过人工智能计算对物流运作流程进行重新构建,在快速计算和诸多物流数据和信息基础上做出诸如货物是否装卸、车辆是否检修等决策,实现物流运行流程自动化,提升作业的效率和精准性.3)自动分类:通过智能机器人使用摄像头对货物、包裹和快件分类,通过拍摄货物照片进行损坏检测并进行必要的修正.

 

1.2.4 设备预测性维护

 

工业设备在长期运行中,其性能和健康状态不可避免的下降.同时,随着大型设备的组成部件增多、运行的环境更加复杂多样,设备发生退化的概率逐渐增大.不能及时发现其退化或异常,轻则造成设备失效或故障,重则造成财产损失和人员伤亡甚至环境破坏.根据设备运行的监测数据和退化机理模型的先验知识,利用人工智能技术,及时检测到异常并预测设备剩余使用寿命(Remaining useful life,RUL),接着设计合理的最优维修方案,将有效地保障设备运行的安全性和可靠性.基于寿命预测和维修决策的预测性维护技术(Predictive maintenance,PdM)技术 [16] 是实现以上功能的一项关键技术,它不仅能够保障设备的可靠性和安全性,而且能够有效降低维修成本、减少停机时间以及提高任务的完成率.因此,PdM技术广泛应用到航空航天、武器装备、石油化工装备、船舶、高铁、电力设备、数控机床以及道路桥梁隧道等领域 [17] .

 

图1 工业人工智能的整体研究框架.

 

Fig.1 Overall research framework of industrial artificial intelligence in this paper

 

PdM 技术主要由数据采集与处理、状态监测、健康评估与RUL 预测及维修决策等模块组成[18−20],它是故障诊断思想和内涵的进一步发展,其核心功能是根据监测数据预测设备的RUL,然后利用获得的预测信息和可用的维修资源,设计合理的维修方案,实现降低保障费用、增加使用时间、提高设备安全性和可靠性等功能.RUL 预测对维修决策具有指导性价值,是PdM 技术的基础:维修决策是设备RUL预测的目的,是实现PdM 功能、节约维修成本和保证设备安全性的主要途径.

 

1)RUL 预测

 

工业设备RUL 预测的核心思想是根据设备退化机理模型,或利用监测数据和人工智能方法建立设备的退化映射关系,通过与失效阈值比较而确定的有效剩余使用时间 [21] ,或者剩余使用时间的概率分布以及数学期望 [22] .文献[23]把设备RUL 预测方法分为三类:a)退化模型方法:b)数据驱动方法;c)模型和数据融合的方法.融合方法可以综合模型和数据方法的优势,同时可以获得较高的预测精度和设备的退化机理,因此逐渐获得了研究者的重点关注 [24] .

 

2)维修决策

 

维修是为保持或恢复设备处于能执行规定功能的状态所进行的所有技术和管理,它是维护和修理的简称 [25] .经过半个世纪的发展,维修理论经历了修复性维修、预防性维修以及视情维修等历程[26−27].基于视情维修发展起来的预测性维修策略,利用设备运行信息预测RUL,进而安排人员在设备失效前的某个合适时机进行维修,可以显着提高运行的安全性和大大降低运维费用,成为当前首选的维修策略 [17, 23].根据所采用的RUL 预测方法,把预测性维修决策分为退化模型驱动的预测性维修决策和数据驱动的预测性维修决策.

 

PdM 技术综合利用人工智能、大数据、工业互联网、云边计算等技术,其主要流程包括:基于设备监测的传感器数据,利用人工智能方法训练分类和预测模型,一旦设备异常,及时检测其异常并进行溯源,识别设备的健康等级并预测剩余使用寿命,根据工厂的人、财、物等资源、供应链情况以及工厂的实际情况,利用智能优化算法最优的维修决策.为了实现PdM 的功能需要数据采集装置和数据处理芯片等硬件.因此,相对于别的应用场景,PdM技术用到了建模、诊断、预测、优化、决策及AI 芯片以及众多的高新技术和人工智能新理论,体现了当前科技的发展水平,反映了工业人工智能的显着优势.

 

目前,国内外一些公司已经做出了一些落地项目.比如,西门子推出基于工业大数据分析的预测性维护软件SiePA,亦称EPA (Equipment predictive analytics),在对工厂的历史运行数据进行深入分析的基础上,以人工智能算法为工具,建立了预测性维护系统.通过利用设备运行状态预测预警模块与智能排查诊断模块,不仅能及时预测预警运营中的故障风险,还能帮助企业高效诊断故障背后的原因,并指导维修维护,帮助企业有效控制风险、实现降本增效.知名物联网分析机构IoT Analytics发布的2019—2024 年预测维护市场报告显示:ABB Ability 船舶远程诊断系统能实现对电气系统的预防性连续监测,提供包括故障排除、预防性和预测性服务三个级别的服务,能够通过更大范围的预测性监测使服务工程师数量减少70%,将维护工作量减少50%.

 

基于以上分析,本文将以预测性维护作为工业人工智能的典型应用场景,展示人工智能在工业上的研究现状.工业设备的预测性维护包括RUL 预测和维修决策,具有三个典型特点:1)对设备的RUL预测以退化模型或数据驱动方法为主,融合方法研究较少:2)维修决策常直接研究各种维修方案对企业的成本造成的影响,基于优化算法,获得最优的维修策略,或者在设备的退化模型已知的基础上,结合目标函数获得最优的维护策略,忽略了实时预测结果对决策的影响:3)设备的退化过程、健康信息、库存备件、维护调度以及多设备系统维修中的依赖关系等都对维修决策产生影响,综合考虑多因素影响的最优维护决策研究较少.基于以上的三个研究现状,综述以融合的思路对设备的寿命预测和维修决策展开总结(总体思路如图2 所示).

 

2 工业设备寿命预测的研究现状

 

寿命预测研究主要分为模型方法和数据驱动方法,具体描述为:1)模型方法分为物理退化模型和经验退化模型,其中物理退化模型运用设备退化的物理意义和专业理论建立的退化模型,经验退化模型是技术人员长期使用过程中总结出来的退化机理模型,不一定具有物理意义.2)数据驱动方法主要利用统计理论或机器学习理论,基于设备退化数据建立起来的退化映射关系.通过外推退化模型或映射曲线,判断其超过退化失效阈值的时间来确定设备的剩余使用时间,从而完成预测目标.表1 对模型方法和数据驱动方法的优缺点及其应用进展进行总结,具体研究情况如下:

 

2.1 基于退化模型的预测方法

 

退化模型采用微分方程或差分方程表征设备退化过程和影响退化的诸多因素之间的映射关系,常见的影响因素包括设计缺陷、制造及工艺中的差异、内部的化学反应、外部的力学过程、使用环境、运行模式动态变化和不确定性等.根据退化指标是否采用实际意义的物理量,可以把退化模型分为物理退化模型和经验退化模型(包括随机退化模型和非随机退化模型).

 

2.1.1 基于物理退化模型的预测方法

 

经典的物理退化模型常用应力、应变、累积疲劳损伤、断裂力学、损伤力学以及能量等具有实际意义的物理量表征设备的退化过程 [28] .其中,疲劳裂纹扩展模型采用疲劳裂纹扩展速率描述疲劳载荷作用下裂纹长度a随着循环周次N (或循环载荷作用时间t)的变化率,这种物理退化模型可以把实际中的多种影响因素和疲劳寿命直接联系起来,获得了广泛的关注[29−31],常用的裂纹扩展模型有Paris 模型等 [32] 和Forman模型 [33] 及其改进版.基于物理退化模型的寿命预测方法是从设备退化机理的动力学来预测其剩余寿命,当设备比较简单且退化是由单一退化因素造成时,物理退化模型的RUL 预测精度较高[34−37].在目前科技高度发达的时代,新材料不断开发应用,设备内部材质的差异和外部工作环境的复杂多样以及复杂设备的各个组成部分的相互影响,精准的物理退化模型已很难获得,导致高精度的预测结果很难实现.

 

图2 基于工业人工智能的设备预测性维护闭环框架图

 

Fig.2 Closed loop framework of predictive maintenance of equipment based on industrial artificial intelligence

 

2.1.2 随机退化经验模型的预测方法

 

为了描述设备退化过程的时变和不确定特征,基于概率论框架的随机退化模型被引入到寿命预测研究中,主要包括伽马过程、逆高斯过程[38−39]、维纳过程、累计损伤模型(混合泊松过程模型)等 [40] .这类预测方法的主要思想是把剩余寿命定义为随机过程达到失效阈值的首达时间,通过求解首达时间的概率分布实现寿命预测,所得结果能解析地描述预测结果的不确定性.下面主要概述维纳退化模型以及伽马退化模型的寿命预测方法.

 

1)维纳过程退化模型

 

该模型适用于刻画由大量微小损失而导致设备表现出增加或减小趋势的非单调退化过程.早期研究成果[41−42]假设平均退化过程为时间的线性或者可线性化(如对数变换、时间尺度变换等)函数.考虑到设备在设计、生产以及使用过程中的个体差异,量测数据中包含随机测量误差以及随机过程固有的时变不确定性,符合实际工况的非线性、不确定以及自适应特征的维纳过程退化模型成为研究的热点和难点 [43] .此外,经典维纳过程模型无法有效地刻画设备的随机退化建模中的两个显着特征:一是长期依赖性,反映了退化过程的非马尔科夫性:另一个是多模式的存在,反映了系统在整个生命周期中运行条件和外部环境的变化.基于分数阶布朗运动的维纳过程退化模型 [44] 可以刻画设备退化的长期依赖性和多模态,成为当前维纳退化过程寿命预测理论的新热点.

 

2)伽马过程退化模型

 

该模型是一种典型的随机退化模型[45−46],与维纳过程退化模型比较,它具有两个显着的特点:1)伽马过程退化模型用来描述设备严格单调的退化过程,而维纳过程退化模型用来描述非单调退化过程:2)伽马过程退化模型可描述连续的微小冲击导致的缓慢退化,也可以描述大的冲击造成的损伤,而维纳过程退化模型无法描述冲击造成损伤的不连续性.因此,伽马过程退化模型更符合一些设备的实际退化机理.此外,由于伽马过程的增量为伽马分布,分布的数学形式复杂,难以实时参数估计,导致伽马过程退化模型主要用来分析同类设备的共性寿命特征,难以实现高精度的个体设备寿命预测 [22] .

 

2.1.3 非随机退化经验模型的预测方法

 

确定性经验退化模型(非随机经验退化模型)采用典型的分布曲线(指数模型[47−48]、威布尔模型 [49] 、比例风险模型 [50] 等)来拟合设备的退化过程,并通过外推获得RUL 预测结果.其中,考虑复杂工况下各种因素共同对设备的退化过程造成影响,这些影响退化的多因素称为协变量 [51] .文献[52]提出的比例风险模型是代表性的协变量模型,该模型可以评估不同协变量状态对系统失效时间的影响.目前,多数的协变量模型都是基于比例风险模型发展演变而来.根据设备运行环境中协变量的不同变化规律,协变量模型包括:固定协变量模型 [52] 、时变协变量模型 [53] 以及随机协变量模型 [54] 等.这类方法可以描述同类设备的共性特征和具体设备的个性差异,预测精度较高.但是,协变量模型容易混淆协变量和失效率的因果关系,对随机协变量模型的研究也不太贴近实际.

 

设备的退化模型体现了科研工作者和工程技术人员长期积累的专业知识和经验,可以很好解释设备退化过程中的状态演变规律,为设备的设计制造和系统维护提供了必备的基础.在设备单一、工况简单的情况下,此类方法能够比较准确预测RUL.随着科技发展,设备复杂性不断提高,运行工况复杂多变,影响退化因素的相互耦合干扰,一般很难获得设备准确的退化模型,或者获得退化模型的成本过高,导致退化模型方法在实际使用中预测精度不高和适用性不强等缺点.数据驱动方法具有优良的数据处理能力,并且无需设备确切的退化机理模型和专家先验知识,因而在RUL 预测研究领域中引起了广泛的关注[55−56].

 

2.2 数据驱动的预测方法

 

随着传感器、存储、网络传输等新技术的快速发展,对关键设备运行过程进行监测产生了大量的数据.因此,利用设备的监测数据,挖掘隐藏在数据中的退化信息,发展有效的寿命预测算法,最终实现精确的RUL 预测.数据驱动的故障诊断与预测研究已经获得了一些优秀的成果 [5,6, 57−60],RUL 预测方法主要分为两类:1)统计方法 [61] ,这种方法基于数理统计理论,常用主成分分析或偏最小二乘法处理设备退化数据,建立统计量并进行设备健康状态评估,此类方法受到数据量和统计理论的约束,适用性不强;2)机器学习方法 [62] ,这类方法可以利用机器学习理论最新的优秀成果,且方法多样实用,促进了设备RUL预测研究的快速发展.

 

本部分主要综述机器学习方法的寿命预测进展,根据机器学习模型结构的深度,将机器学习方法分为浅层机器学习方法和深度学习方法.其中,浅层机器学习方法主要涵盖神经网络方法、支持向量机方法 [63] 、高斯过程回归、隐马尔科夫过程等.神经网络方法主要包括多层感知器方法、径向基函数方法、极限学习机方法[64−65]以及集成学习 [66] 等.如图2所示,基于机器学习的寿命预测主要由特征提取、特征选择、健康指标建立以及剩余使用时间获得等步骤.下面将对成果比较集中的深度学习、支持向量机、高斯过程回归、隐马尔科夫过程等专题进行总结.

 

表1 基于模型和数据方法的寿命预测研究总结

 

Table 1 Research summary of RUL prediction with model and data method

 

2.2.1 特征提取与特征选择

 

为了获得精确可靠的寿命预测结果,有效的特征提取和选择起到重要作用.寿命预测的特征提取方法主要分为时域、频域和时频域 [67] .其中,时域特征提取方法直接计算数据的统计特征如均值、方差、均方根、偏度、峰度、波峰因子、熵等;频域方法利用傅立叶变换将时序数据变换到频域中,进而使用变换后的幅频谱和相频谱进行频谱分析,得到频域的统计特征;时频方法利用希尔伯特-黄变换、小波变化 [68] 、经验模态分解(Empirical modal decomposition,EMD) [69] 以及小波融合EMD [70] 等将时序数据拓展到二维空间,得到任意时刻的瞬时频率和幅值,最终获得时频域的特征.

 

提取的特征在应用到寿命预测算法之前需要进行特征选择,以缓解维数灾难同时加快学习任务的速度.特征选择方法可分为监督式和无监督式方式,监督式特征筛选方法包含随机森林、分布式梯度增强库、线性判别分析、Lasso、费歇尔评分、相关系数法等;无监督特征筛选方法包含主成分分析、自编码器、t 分布随机邻居嵌入、局部线性嵌入、拉普拉斯评分等.上述特征选择方法从不同的角度对提取的大量特征进行层层选拔,最终得到更加具有代表性的关键特征,然后进行寿命预测.比如,文献[71]融合小波包分解、样本熵序列以及EMD方法,提取轴承退化的趋势特征然后输入到自组织映射网络中,最终实现寿命预测;文献[72]采用短时傅里叶变换提取了信号的时频域特征,通过计算峰度的均值和标准差的距离来确定第一次预测时间,并把时频域特征输入改进结构的多尺度卷积神经网络获得稳定性较高的预测结果.

 

2.2.2 深度学习的预测方法

 

深度学习本质上是一种具有多隐含层的深度神经网络,它与传统的多层感知器的神经网络主要区别在于网络更加复杂和庞大,且预测效果可以明显提高.基于深度学习的寿命预测已经引起了广泛的关注 [62] ,其代表性方法包括:卷积神经网络(Convolutional neural networks,CNN)[73−74]、深度置信网络[75−76]、循环神经网络(Recurrent neural network,RNN)[77−78]以及迁移学习[79−80]等预测方法.与基于模型的健康指标构造方法比较,神经网络方法在趋势性、单调性以及尺度相似性方面能取得较好的效果 [67] .此类方法常利用信号处理方法提取设备退化特征,再利用深度学习方法学习健康指标和退化关键特征之间的映射关系,进而实现设备的RUL 预测.

 

CNN 具有良好的特征提取能力和泛化能力成为应用最广泛的深度学习方法,它的整体架构包括输入层、卷积层(激励层、池化层以及全连接层)以及输出层.网络的堆叠卷积层以及池化层组成特征提取器,全连接层作为分类器或预测器,构成一个端到端的网络模型.模型的准确性和鲁棒性取决于网络层的类型、网络的深度、网络中各种类型的层排列、每层选择的功能以及训练数据等.近年对深度卷积神经网络的研究经久不衰,典型的网络结构包括AlexNet 网络、ZFNet 网络、GoogLeNet 网络、VGG 网络、残差网络以及网络结构优化 [81] 等专题.

 

相对于CNN是对人类视觉的仿真,RNN可以看作是对人类记忆能力的模拟,它具有短期记忆能力.门控循环神经网络在简单循环神经网络的基础上加入门控机制,用来控制记忆单元中的信息的保留、丢弃以及保存等问题,可以学习跨度相对较长的依赖关系,而不会出现梯度消失和梯度爆炸的问题.典型的门控循环神经网络包括长短期记忆网络(Long short-term memory,LSTM) [82] 和门控制循环单元(Gated recurrent unit,GRU)网络 [83] .LSTM 含有输入门、输出门和遗忘门三个门控单元,通过选择性的记忆和遗忘状态信息,使得LSTM 要比一般的循环神经网络能够学习更长时间间隔的依赖关系.GRU 网络是另一种典型的基于门控制的循环神经网络,它由更新门和重置门组成,更新门是由LSTM 中的输入门和遗忘门合并而成.因此,相对于LSTM,GRU 参数更少,训练速度更快,需要的数据量更少;在具有足够数据的情况下,LSTM的预测效果好于GRU.

 

2.2.3 其他机器学习的预测方法

 

1)支持/相关向量机方法

 

支持向量机(Support vector machine,SVM)在处理小样本和不确定问题上具有明显的优势,如文献[84]结合SVM 和粒子滤波(Particle filter,PF)以及阻抗状态空间模型,研究锂离子电池的剩余寿命预测问题.但是,SVM存在惩罚系数难以确定、核函数必须满足Mercer定理等问题.相关向量机(Relevance vector machine,RVM)是一种基于贝叶斯训练框架的稀疏概率模型,可以克服SVM 的缺点[85−87].同时,RVM 能处理高维、非线性、小样本等问题,具有良好的稀疏性、泛化能力以及较高的预测精度等优点.核函数是影响RVM 预测效果的主要因素之一,不同的核函数对不同趋势数据的预测精度不同,单一核函数建立的RVM 预测精度低、鲁棒性弱.为了解决单核方法的不足,文献[85]提出一种自适应多核组合RVM 方法预测机械设备的RUL;文献[86]利用果蝇算法优化多个核函数组合的RVM,获得较高精度的锂离子电池RUL 预测结果.

 

2)高斯过程回归方法

 

高斯过程回归(Gaussian process regression,GPR)方法[88−92]具有两个显着的特点:a)GPR 是一种非参数方法,不需要预先假设候选模型结构,因此比使用参数模型更简单;b)模型输出不是实数向量而是包含均值和方差的正态分布,能同时获得寿命预测结果和置信区间.此外,GPR 方法在数据不可靠、有噪声或缺失的情况寿命预测也具有优势.基于GPR 方法的预测,一方面是直接预测型,如文献[88]利用瑞利熵提取轴承的退化特征,输入GPR 模型,预测了轴承的剩余寿命:文献[90]首先对电池容量曲线进行EMD 分解,然后对分解后的固有模态函数和残差部分分别采用不同高斯回归和逻辑回归,最后将两部分的结果相加,较准确地预测了电池剩余寿命.另一方面,通过对GPR 方法进行改进,如文献[89]提取了锂离子电池的容量增量曲线,并通过小波变换进行降噪处理,然后选择峰值和峰值位置特征作为GPR 的输入,选择了共轭梯度法对高斯回归的超参数进行优化,最终有效地预测了电池的剩余寿命.

 

3)隐马尔科夫方法

 

隐马尔科夫模型(Hidden Markov model,HMM)是一种双重随机过程,即一个随机过程是马尔科夫链描述状态的转移,另一个随机过程描述状态和观察值之间的对应关系.HMM 因其良好的非平稳和复杂物理过程建模能力而成为设备寿命预测的热点[93−94].随着设备使用时间的增加,不同健康状态持续时间存在相关性且不再服从几何分布,而HMM 固定的自转移概率和持续时间服从几何分布特征,结果导致HMM不能较好地描述这种设备的退化过程.隐半马尔可夫模型(Hidden semi-markov model,HSMM)通过显式的时间分布来代替自转移概率,且不同形式的持续时间分布与自迁移概率的不同条件相对应,因而更符合相应设备实际退化特征[95−98].目前,为了提高设备的RUL 预测精度,许多学者对HSMM 算法进行了改进,如文献[96]利用改进的HSMM 模型来描述相邻刀具磨损状态依赖项的持续时间和刀具磨损的识别率,获得了较高的预测精度.

 

2.3 融合思想的工业设备剩余寿命预测

 

一方面,设备的退化建模已经积累了大量的经验和丰富的成果,比如物理原理的退化模型、多因素影响的协变量模型、确定性退化的指数系列模型以及随机退化的维纳过程和伽马过程等.另一方面,随着大数据技术和机器学习理论的快速发展,数据驱动的寿命预测成果不断涌现.完全利用机理模型不能准确地刻画设备退化过程的复杂性和随机性;完全利用数据驱动的方法不能很好地解释退化过程物理意义,同时也浪费了模型相关的先验知识.实际上,剩余使用寿命预测理论发展至今,已经很难利用单一方法或技巧获得高精度可解释性的预测结果.因此,融合运用信号处理、退化模型、机器学习等方法是当前寿命预测研究的新趋势.目前,寿命预测的融合主要分为不同模型、不同数据驱动方法以及模型与数据驱动方法的融合.

 

数据与模型的融合主要以随机滤波(KF/EKF/UKF/PF)为桥梁,基于特征工程建立健康指标,并选择合适的退化模型,融合随机滤波方法或者参数辨识方法确定模型的参数,通过模型外推获得预测结果,实现数模方法的优势互补,提高预测精度.

 

2.3.1 基于扩展卡尔慢/无迹卡尔曼的数模融合方法

 

卡尔曼滤波(Kalman filtering,KF)针对输入输出观测数据,处理具有高斯噪声的线性系统状态最优估计问题.由于观测数据中包括系统的噪声和干扰,所以这种最优估计也可看作是滤波过程.扩展卡尔曼滤波(Extended Kalman filter,EKF)和无迹卡尔曼滤波(Unscented Kalman filter,UKF)都可以用来处理具有高斯噪声的非线性退化过程.其中EKF 主要基于非线性退化过程的偏导建立雅可比行列式,进而实现线性化处理;UKF 利用无迹变换实现非线性退化过程的近似计算.这类方法的基本思路是假设设备退化符合某种退化机理模型,接着通过建立扩展向量把数学模型和关键参数融合成离散时间的状态空间模型,然后利用KF/EKF/UKF 实现状态的更新与预测.研究锂离子电池和滚动轴承的RUL预测时,退化机理模型常选择指数函数及其扩展模型[99−103]、二次函数模型 [48] 以及融合曲线模型 [104] 等.为了获得较高的预测精度,常把EKF/UKF 和SVM/RVM等机器学习方法融合使用[100−102,105].

 

2.3.2 基于粒子滤波的数模融合方法

 

粒子滤波(Particle filter,PF)是基于蒙塔卡罗方法的一种递归贝叶斯算法,它利用序贯重要性抽样的概念提供了贝叶斯最优解的近似解,适用于描述具有非高斯随机噪声的非线性退化过程.事实上,贝叶斯方法预测的准确性在很大程度上取决于先前测试数量以及样本的大小.与传统的贝叶斯方法相比,PF 技术避免了海量数据存储的问题和重算 [106] .随着迭代次数增加,粒子多样性的降低,即一些粒子的权重降低甚至可以忽略不记,导致粒子贫化问题.为了解决这个问题,常常通过粒子的状态和权重的更新来实现粒子重采样 [107] .为了提高粒子滤波方法的寿命预测精度,主要有三个研究思路:1)选择合适的退化模型;2)通过重采样方法改进粒子滤波;3)PF 和其他方法进行融合.

 

在标准粒子滤波的重采样过程,简单地去除了小权重粒子并复制了大权重粒子,导致了粒子的多样性丧失.文献[108]利用UKF 生成提议分布作为粒子滤波的重要性函数,同时用线性优化组合重采样算法来克服粒子多样性缺陷,通过组合所选颗粒和废弃颗粒来生成新颗粒,部分克服了粒子多样性的损失,提高了寿命预测的精度.文献[109]使用启发式卡尔曼优化算法以及最小方差学习方法,将先验粒子驱动到以最近观测为条件的高似然域,同时定义优化算法的调谐参数来确定粒子浓度,改善颗粒分布,提高预测精度,避免粒子退化;文献[110]采用条件变分自编码代替先验分布减少粒子退化,采用二次权值方法防止粒子多样性的丧失,最终获得较高预测精度的结果.

 

退化模型是影响PF 的融合方法[111−114]预测效果的关键因素之一,其中指数模型是滚动轴承和锂离子电池RUL 预测广泛使用的模型,针对指数模型存在主观选择第一预测时间和随机误差等缺点,文献[115]提出了一种改进的指数模型,基于3 区间建立了自适应第一预测时间选择方法,并利用粒子滤波来减少随机误差.由于机器学习可以刻画非线性映射关系,最近研究者利用自适应模糊参考系统 [114] 、自适应神经模糊推理系统 [115] 等非线性映射来代替指数模型,获得了很好的预测效果.

 

此外,若设备的退化过程符合维纳过程或伽马过程退化模型,考虑到设备运行中各种不确定因素的影响,常采用量测和退化模型组成状态空间模型,运用随机滤波进行参数辨识、状态估计和更新,进而获得精度较高的寿命预测结果.比如,文献[116]基于伽马退化模型,针对经验最大化算法中似然函数难以解析求解的问题,引入PF 算法实现了模型参数估计,最后将模型应用于直升机主减速器行星架的剩余寿命预测;文献[117]建立了维纳过程的非线性退化模型,利用KF 同时考虑不确定测量和个体差异以及漂移系数的自适应估计,并获得了随机退化系统的剩余寿命.

 

2.3.3 基于非随机滤波的融合方法

 

以上部分以随机滤波方法为桥梁,进行数模预测方法的融合,达到较高的预测精度.除此之外,还存在一些典型的融合预测方法:

 

1)不同退化模型间的融合:为了更好地描述设备的退化过程,特别是设备退化的不同阶段退化趋势具有较大的差异,分别利用不同的模型来描述不同的退化阶段更符合退化实际情况[118−119].

 

2)不同机器学习方法的融合:不同的机器学习方法常具有不同的功能和特点,取长补短,通过不同机器学习方法的有效融合,可以获得意想不到的预测效果[120−122].如使用假最邻近法确定滑动窗口的尺寸,文献[120]结合卷积神经网络和长短记忆循环神经网络的优势搭建融合模型,获得了精度较高的寿命预测结果;针对隐马尔科夫模型,文献[121]采用主成分分析和统计过程控制限技术,对现场运行压缩机气门故障的多传感器温度测量数据进行融合,建立了T2 和Q 残差指标作为健康指标,同时采用非齐次HSMM 和梯度提高对设备剩余寿命进行估计,同时也量化了不确定性.

 

3)机器学习和退化模型间的融合:直接利用机器学习和退化模型进行融合研究也是数模融合的一个主要方向[123−126].如文献[123]采用威布尔分布对提取的三个特征进行退化曲线拟合,作为简化模糊自适应共振理论图神经网络的输入,得到轴承的7 种运行状态,接着提出了一种平滑算法,最后得到轴承剩余寿命的估计值:文献[124]提取时域、频域以及时频域特征并做相似性变换,得到1 个时域特征、5 个频域特征,将选择的特征输入到长短期记忆神经网络中,结合双指数模型并采用粒子滤波来更新参数,得到剩余寿命预测值.

 

3 工业设备预测性维护的研究现状

 

3.1 工业设备维修决策的研究现状

 

工业设备的维修活动包括检查、测试、修理以及替换等,目的是使设备处于健康的状态,提高其可用性和可靠性,延长其使用寿命.由于所有的维修活动都会产生成本,如何选择合理的维修策略使得运维成本最小是维修策略设计的目标.维修决策研究的思路为:首先确定目标函数(主要包括维护费用最小、维护费用率最小或者平均可用度最大等),采用适当的优化算法确定最优的维修策略,即确定按照某种维修间隔或维修时间进行维修活动(小修、大修、替换等).目前,维修决策已获得了丰富的成果 [26] ,按照不同的标准,可以分为以下几个方面:

 

1)维修效果依赖的维修决策

 

根据执行维修决策后设备预期的性能状态可以把维修策略分为小修、大修和替换,或者小修、不完美维修和完美维修等.其中,役龄替换策略 [127] 是指设备的使用时间达到事先设定的阈值则替换;不完美维修[128−129]是对役龄替换策略的发展,这种策略将恢复设备一定的功能,并不能完美如新.如文献[130]提出基于役龄检测和替换策略,通过最小化单位时间内维修损失得到最优维修年龄、最优检测间隔和对设备进行检测的次数.

 

2)维修间隔依赖的维修决策

 

根据维修活动发生的时间间隔是否相等,把维修策略分为周期性维修 [131] 和序贯维修 [132] .周期性维修策略是指每隔固定时间间隔对设备进行维修操作,而序贯维修策略是按照不等的时间间隔进行维修.相较周期维修策略,序贯维修更加灵活,且更容易和预测性维护策略融合研究,从而更符合工程实际情况.

 

3)状态依赖的维修决策

 

此类维修决策分为:预防性维修(Preventive maintenance,PM)、基于状态的维修(Conditionbased maintenance,CBM)以及预测性维修(Predictive maintenance,PdM)等.其中,PM 是一种基于时间的计划维修方案[133−134],CBM 是基于设备当前健康状态的维修方案而PdM 是基于设备未来的退化趋势制定的维修方案 [135] .优化状态依赖的维修决策考虑备件、库存供应链和维修策略等因素对运维成本的影响,以维修成本、可靠度/可用度等为目标函数,运用优化理论,获得最优维修方案是维修决策研究的主要目标.按照目标函数的类型,主要分为以下几个研究方向:

 

a)维修成本最小化

 

针对多设备的预测性维护方案,文献[136]考虑经济、结构和随机相关性,基于退化和预测信息进行实时维修调度更新,获得单位时间长期平均维护费用最小的维护方案;针对多设备系统的不完美维修策略,文献[137]利用可靠性分析方法,基于定期维修和役龄维修方案,分别研究了修复性维修和预防性维修模型,获得了最小长期总维护费用的最优策略.

 

b)可靠度/可用度最大化

 

文献[138]提出了一种基于多设备系统可用性优化的周期型预防性维修策略;文献[139]提出了一种基于实时退化监测信息的预测性维修策略,以最大化维修周期内各设备的可用度为优化目标.

 

c)多目标优化

 

文献[140]建立了基于延迟时间理论的不完美维修的多目标决策模型,并运用多属性效用理论对模型求解,通过加权可靠度、可用度和维修费用属性,获得不同维修周期的综合效用值,进而确定维修周期;文献[141]考虑维修准备成本和风电场基本可用度的前提下,提出多目标定周期动态非完美预防性维修决策,通过遗传算法求得模型最优解,通过比较发现,比完美维修策略和不考虑小修次数对维修准备成本影响的维修策略更具优势.

 

此外,基于备件库存的维修决策 [142] 和复杂设备维修决策也是维修决策研究的热点.备件库存占用了企业的大量现金,故研究设备维修和备件库存的联合优化可以有效地增加企业利润.文献[143]建立了备件和维修检查的联合优化模型,且以订货量、订货间隔和维修间隔为决策变量,并获得最优决策.

 

基于以上寿命预测和维修决策的研究成果,为了解决单一方法的不足,拟采用融合方法实现优势互补,以下从融合思想的寿命预测、维修决策以及预测性维修决策展开综述,简要总结见表2.

 

3.2 工业设备不同维修策略的融合

 

随着科技的发展,企业竞争的加剧,设备功能的加强,为了增加设备的可靠性和降低维修成本,维修决策变得越来越重要.目前应用广泛的是PdM 策略与CBM 策略,它们各有所长,可以优势互补.一方面,PdM 策略根据设备的寿命预测信息安排合理的维修时间和提前准备维修需要的资源,如维修工具、维修人员、提前购买配件等,从而提高设备的使用效率和系统运行效率,节省运维成本.另一方面,由于设备或生产系统的实际运行中偶尔发生一些不可预测的突发故障,或者受不确定工况等因素的影响,寿命预测误差较大,CBM 策略可以为PdM 策略提供支持和补充.因此,单一的维修策略已经不能满足当今科技发展的要求,综合运用多种维修策略成为趋势.其中,文献[144]借助于两个阈值来确定需要维护的设备,以最小化所监视组件的总体预期维护成本为目标函数,融合了CBM、PM 和纠正性维护的策略,获得了较好维修效果.

 

3.3 工业设备预测性维修策略的融合研究

 

随着IoT、大数据、人工智能等技术的逐渐成熟,PdM 成为当今工业人工智能落地的风暴点.PdM 不仅可以对设备进行实时监测和分析数据,预测设备的剩余使用寿命,而且可以远程服务和提前排查故障隐患,使得维护变得更加智能,运营更加可靠,成本也更低.预测性维修方案能够充分利用设备的退化信息和实时健康状态来安排维修策略,可以减少维护费用和库存,延长设备使用寿命.依据设备寿命预测的方法,PdM主要分为以下两种方法:1)基于退化模型的PdM利用退化模型(伽马退化过程或维纳退化过程等)描述设备的退化过程进行寿命预测,基于预测结果针对目标函数运用优化方法寻找最优的设备维修方案[145−146].如文献[145]采用伽马过程来描述单个单元的退化过程,引入长期预期维护成本率作为维护策略的目标函数,利用半再生理论实现对长期预期维修费用率的优化,采用维护策略性能以及鲁棒性来评估新框架的有效性.2)基于机器学习的PdM利用机器学习方法实现设备寿命预测[147−151],根据预测结果,设计了以成本为目标的动态运维方案;文献[151]利用长短期记忆神经网络进行寿命预测,给出了系统在不同时间窗下的故障概率,以平均成本率为标准,获得了比周期性预测策略和理想预测维护策略更好的结果.

 

表2 基于融合方法的寿命预测和维修决策研究总结

 

Table 2 Research summary of remaining useful life and maintenance decision based on fusion method

 

4 存在的问题

 

1)数据问题

 

工业设备、产线、ERP、MES 等产生的数据复杂异构多样且不平衡.获得数据类型包括设备的振动、温度、压力数据,利用红外无损检测技术获得工业设备的图像数据,利用超声检测、射线检测、声发射检测、视频等手段获得的音频视频数据,以及物流、管理、经营、服务等文档数据.此外,工业生产中的健康数据较多,异常数据或设备的退化数据较少,导致很难建立功能效果良好的机器学习模型.

 

2)复杂与个性问题

 

高新技术的发展导致工业生产过程更加复杂,机器学习的任务也逐渐向计算量大、复杂度高的方向发展,难以满足处理任务的实时性要求.同时,针对相似的工业场景执行相同的学习功能,由于工业场景中人、机、物、料、法、环各有差异,对应的机器学习模型的参数也需要较大的调整.

 

3)不确定性问题

 

工业生产中的数据普遍存在噪声污染、工况复杂多变的工业生产也常常出现数据离群点、人为因素导致数据标记不准或错误等问题,这些不确定因素导致经典机器学习方法无法获得高效的学习结果.

 

4)黑箱问题

 

具有黑箱特点的传统机器学习方法利用工业过程的数据作为输入输出建立学习模型,获得学习结果.这类学习方法很少利用行业知识经验且学习过程不透明,致使某些学习结果不可解释、不可控且不符合工业实际情况.

 

5)AI 芯片问题

 

AI 芯片发展呈现出从云到端,赋能边缘的趋势.应用于云端的人工智能芯片,普遍存在功耗高、实时性低、带宽不足、数据传输延迟等问题.在边缘端进行推理的应用场景较之云端更为多样化,且需求各异.随着深度学习算法的不断演进,当前AI 芯片的架构也难以满足高算力、低功耗以及各类新算法的需求.而芯片的使用和对算法的支持离不开软件工具.目前,一些人工智能芯片仍然缺乏可用的软件开发工具,或者软件编译工具设计复杂,用户的开发和使用门槛过高,这些都需要在落地过程中不断完善.

 

5 研究展望

 

1)特征工程

 

鉴于工业场景的异常样本量偏小且常具有正负样本不均衡问题,采用数据重构、相似类别之间的知识迁移和域自适应学习来增加所需样本数量,利用特征增广提高训练样本的多样性.结合无监督学习和监督学习的特征筛选方法,对高维数据进行降维转换,提取隐形数据特征和关键信息.

 

2)鲁棒性研究

 

鲁棒性要求学习模型对噪声和离群点等不确定因素不敏感,从机器学习的损失函数、正则化、置信度、距离函数、优化器等方面入手改进以后的机器学习模型,从而添加或增强鲁棒性功能,对建立具有较好鲁棒性的工业人工智能理论具有重要意义.

 

3)泛化性研究

 

针对工业生产中数据量大、个性化强、深度学习模型参数众多等问题,提出基于随机优化和分布式优化的加速学习算法,利用智能优化算法对模型超参数和超结构进行自动优化,最终获得具有良好泛化性的工业人工智能算法,用来快速且可迁移地处理工业生产中的监测、预测、诊断及优化等问题.

 

4)可解释性研究

 

针对已有工业人工智能学习过程的黑箱特点,从可解释特征提取、可解释机器学习架构以及可解释结果评价等方面入手,建立工业生产专家知识经验和机器学习模型的交互机制,使得学习模型的推理过程和决策原因透明化,且用户端能够理解、信任并有效管理机器学习系统,对建立更加符合实际的工业人工智能理论具有突破性意义.

 

5)通用性软硬结合研究

 

当前工业人工智能逐渐从专用算法到通用算法发展,短期内以异构计算为主来加速各类应用算法的落地,中期要发展自重构、自学习、自适应的芯片来支持算法的演进,长期则朝着具有更高灵活性、适应性的通用智能芯片方向发展.除了少量定制化人工智能芯片具备一定功能外,大多数人工智能芯片本身并不具备功能,必须结合相关软件来实现,因此软硬结合是非常必要的.其中,软件层面包括人工智能算法、算法的移植、芯片驱动程序、配套软件工具、人机交互界面等.此外,对芯片架构的改进也是提升芯片性能的主要手段.

 

6 结论

 

工业人工智能技术综合了工业生产大数据和工业运行中的知识经验,利用人工智能技术,结合工业互联网和大数据技术,通过自感知、自比较、自预测、自优化和自适应,实现工业生产过程的优质、高效、安全、可靠和低耗的多目标优化运行.论文在分析工业人工智能关键技术的基础上,以预测性维护技术为典型场景,系统地总结了预测性维护(主要包括寿命预测和维修决策)的研究现状,进而探索当前工业人工智能研究面临的问题以及未来的研究方向,旨在为工业智能化的发展提供参考.

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注