[论文解读] Deep Learning and Its Applications to Machine Health Monitoring: A Survey

Rui Zhao, Ruqiang Yan+4 more|arXiv (Cornell University)|Dec 16, 2016

Anomaly Detection Techniques and Applications参考文献 64被引用 149

一句话总结

本综述回顾深度学习模型（AE、RBM/DBN/DBM、CNN、RNN）在机器健康监测中的应用，强调端到端学习和数据驱动相对于传统方法的优势。

ABSTRACT

Since 2006, deep learning (DL) has become a rapidly growing research direction, redefining state-of-the-art performances in a wide range of areas such as object recognition, image segmentation, speech recognition and machine translation. In modern manufacturing systems, data-driven machine health monitoring is gaining in popularity due to the widespread deployment of low-cost sensors and their connection to the Internet. Meanwhile, deep learning provides useful tools for processing and analyzing these big machinery data. The main purpose of this paper is to review and summarize the emerging research work of deep learning on machine health monitoring. After the brief introduction of deep learning techniques, the applications of deep learning in machine health monitoring systems are reviewed mainly from the following aspects: Auto-encoder (AE) and its variants, Restricted Boltzmann Machines and its variants including Deep Belief Network (DBN) and Deep Boltzmann Machines (DBM), Convolutional Neural Networks (CNN) and Recurrent Neural Networks (RNN). Finally, some new trends of DL-based machine health monitoring methods are discussed.

研究动机与目标

• 驱动在现代制造系统中从基于物理和手工特征的方法向数据驱动、基于 DL 的 MHMS 转变的动机。
• 总结用于 MHMS 的 DL 架构以及它们从原始数据中学习分层表征的方式。
• 比较传统的数据驱动 MHMS 与基于 DL 的 MHMS，并讨论端到端训练的优势。
• 就在 MHMS 中将 DL 模型应用于故障诊断与预测提供指南。

提出的方法

• 描述适用于 MHMS 的 DL 架构，包括 Auto-encoders 及其变体（SAE、DAE、SDA）及预训练的好处。
• 解释 RBM、DBN、和 DBM 作为多层概率模型及它们在表征学习中的作用。
• 概述用于 MHMS 的 1D/2D 数据的 CNN，并详细说明卷积、池化和特征提取机制。
• 描述 RNN 及其变体（LSTM、GRU）用于序列数据及它们的记忆能力。
• 讨论端到端的 DL 基 MHMS 流水线，其中所有层都在没有手工特征的情况下共同训练。
• 强调通过调整顶层，DL 模型如何实现从诊断到预测的切换。

实验结果

研究问题

• RQ1 哪些 DL 架构在从机械数据中提取用于健康监测的分层表征方面效果良好？
• RQ2 基于 DL 的 MHMS 在处理大规模、嘈杂传感器数据方面如何与传统数据驱动方法比较？
• RQ3 端到端 DL 系统能否减少在故障诊断和预测中对手工特征设计的需求？
• RQ4 预训练与变体（AE、RBM/DBN/DBM、CNN、RNN）在提升 MHMS 性能中的作用？

主要发现

• 基于 DL 的 MHMS 实现从原始数据到表征的端到端学习，减少对手工特征的依赖。
• 自编码器及其变体能够学习有意义的表征，并可用于 MHMS 中深度网络的预训练。
• 基于 RBM 的模型（DBN、DBM）及其变体已被应用于 MHMS 的故障诊断和剩余寿命预测。
• CNNs 与 RNNs 有效应用于时序和时频数据，用于状态识别和 RUL 估计。
• 基于 DL 的 MHMS 展现出对大规模数据的更好处理能力，并在跨机器和跨领域上提供灵活性。