[论文解读] Deep learning models for predictive maintenance: a survey, comparison, challenges and prospect

Oscar Serradilla, Ekhi Zugasti+1 more|arXiv (Cornell University)|Oct 7, 2020

Industrial Vision Systems and Defect Detection参考文献 195被引用 17

一句话总结

本综述回顾了用于预测性维护的最先进深度学习模型，按技术、数据类型及在异常检测、根本原因分析和剩余使用寿命估计中的应用对模型架构进行分类。它指出了工业环境中可解释性、实时推理和新样本检测等关键挑战，并提出通过整合领域知识与可解释人工智能（XAI）来弥合实验室性能与实际部署之间的差距。

ABSTRACT

Given the growing amount of industrial data spaces worldwide, deep learning solutions have become popular for predictive maintenance, which monitor assets to optimise maintenance tasks. Choosing the most suitable architecture for each use-case is complex given the number of examples found in literature. This work aims at facilitating this task by reviewing state-of-the-art deep learning architectures, and how they integrate with predictive maintenance stages to meet industrial companies' requirements (i.e. anomaly detection, root cause analysis, remaining useful life estimation). They are categorised and compared in industrial applications, explaining how to fill their gaps. Finally, open challenges and future research paths are presented.

研究动机与目标

• 提供工业环境中适用于预测性维护的深度学习架构的全面综述。
• 比较不同深度学习模型在关键预测性维护任务（如异常检测和剩余使用寿命估计）中的性能与适用性。
• 识别当前研究中的关键缺口，特别是在可解释性、实时处理以及无监督或单类数据处理方面。
• 提出一种结合领域专长与数据驱动深度学习的混合方法，以提升模型的可信度和工业适用性。
• 强调需要采用可解释人工智能（XAI）技术，以弥合高精度黑箱模型与工业对透明度和可验证性要求之间的差距。

提出的方法

• 系统性地查阅了来自 Scopus、Engineering Village 和 Google Scholar 的 200 多篇文献，以识别预测性维护领域中的最先进深度学习模型。
• 根据底层架构（如自编码器、卷积神经网络（CNNs）、循环神经网络/长短期记忆网络（RNNs/LSTMs）、深度置信网络（DBNs））、数据类型（时间序列、传感器数据）和应用（异常检测、剩余使用寿命估计）对深度学习模型进行分类。
• 将预测性维护流程划分为若干阶段——数据采集、预处理、模型训练、推理和决策制定——评估模型在各阶段的集成方式。
• 在基准数据集（特别是涡轮风扇发动机退化数据集）上对最先进模型进行对比分析，以评估不同架构下的性能表现。
• 评估模型在实际工业部署中的适用性，重点关注流式数据处理、低延迟推理以及对非故障数据的处理能力。
• 提出一种混合建模框架，将领域知识与深度学习相结合，强调可解释人工智能（XAI）在提升模型可解释性和可信度方面的作用。

实验结果

研究问题

• RQ1 哪些深度学习架构在异常检测和剩余使用寿命估计等预测性维护任务中最为有效？
• RQ2 与传统统计方法和机器学习方法相比，数据驱动的深度学习模型在准确性和工业适用性方面有何差异？
• RQ3 当前深度学习模型在真实工业环境中的关键局限性是什么，特别是在可解释性和实时部署方面？
• RQ4 如何将领域知识与可解释人工智能（XAI）技术相结合，以提升工业维护系统中模型的透明度和可信度？
• RQ5 为何现有无监督和单类分类模型难以将检测到的故障与物理根本原因关联起来？这一差距应如何解决？

主要发现

• 当在足够数据上进行训练时，深度学习模型在预测性维护任务中可实现最先进性能，尤其在使用长短期记忆网络（LSTMs）、卷积神经网络（CNNs）和自编码器进行时间序列建模方面表现突出。
• 尽管准确率高，但大多数模型未能解决工业中关键需求，如实时推理、不确定性量化和可解释性。
• 由于工业环境中故障数据稀缺，无监督和单类学习模型（如自编码器和深度置信网络）被广泛采用。
• 实验室中的最先进模型与工业部署之间存在显著差距，主要原因是缺乏与领域专业知识的整合以及可解释性不足。
• 可解释人工智能（XAI）技术在预测性维护中仍研究不足，但代表了弥合高精度黑箱模型与工业对透明度和可验证性要求之间差距的有前景路径。
• 将领域知识与数据驱动模型相结合——尤其是通过混合框架——可提升模型的可靠性、可解释性及在真实工业维护系统中的实际应用潜力。