[论文解读] Potential, Challenges and Future Directions for Deep Learning in Prognostics and Health Management Applications

Olga Fink, Qin Wang+4 more|arXiv (Cornell University)|May 5, 2020

Fault Detection and Control Systems参考文献 187被引用 3

一句话总结

本文评估了深度学习（DL）在故障预测与健康管理（PHM）中的应用，指出其在自动化特征工程、提升故障检测、诊断及剩余使用寿命（RUL）预测方面的潜力。文章强调了数据稀缺、领域偏移和可解释性不足等挑战，同时提出数据增强、物理信息学习和主动数据集整理等解决方案，以推动工业部署。

ABSTRACT

Deep learning applications have been thriving over the last decade in many different domains, including computer vision and natural language understanding. The drivers for the vibrant development of deep learning have been the availability of abundant data, breakthroughs of algorithms and the advancements in hardware. Despite the fact that complex industrial assets have been extensively monitored and large amounts of condition monitoring signals have been collected, the application of deep learning approaches for detecting, diagnosing and predicting faults of complex industrial assets has been limited. The current paper provides a thorough evaluation of the current developments, drivers, challenges, potential solutions and future research needs in the field of deep learning applied to Prognostics and Health Management (PHM) applications.

研究动机与目标

• 评估深度学习在工业资产中故障预测与健康管理（PHM）应用中的当前发展状况。
• 识别将DL应用于PHM时面临的关键挑战，包括数据稀缺、领域偏移和可解释性不足。
• 提出数据增强、物理信息学习和主动学习等解决方案，以提升模型泛化能力和可扩展性。
• 弥补代表性数据集的不足，倡导工业利益相关方之间共享数据并推动标准化。
• 探索将专家知识与深度学习相结合，以构建动态、精准的数字孪生体，用于PHM系统

提出的方法

• 利用深度学习模型（包括自编码器和生成对抗网络（GANs））从原始状态监测信号中学习表征。
• 应用数据增强技术——特别是AutoAugment和基于GAN的生成方法——对时间序列和振动数据进行增强，以应对数据稀缺问题。
• 将物理驱动的机器学习方法融入神经网络，以嵌入领域知识，提升模型鲁棒性和可解释性。
• 提出主动学习策略，用于在车队级PHM应用中动态选择和组合训练数据集。
• 采用结合深度学习的蒙特卡洛模拟方法，对非高斯、非平稳过程中的不确定性进行建模。
• 建议通过计算到学习到的健康状态的距离来构建健康指标，从而实现无界范围的健康评估

实验结果

研究问题

• RQ1 深度学习如何克服PHM应用中人工特征工程的局限性？
• RQ2 在复杂工业系统中应用深度学习进行故障预测时，主要面临哪些挑战，特别是剩余使用寿命（RUL）预测方面？
• RQ3 在PHM中常见的低数据环境下，数据增强和生成模型能在多大程度上提升性能？
• RQ4 物理信息深度学习如何提升工业PHM系统中模型的可解释性和可靠性？
• RQ5 在不断演化的车队级PHM环境中，哪些策略能够实现高效且有效的数据集组合与选择？

主要发现

• 深度学习在自动化特征工程、提升PHM中的故障检测与诊断方面具有显著潜力，但故障预测仍因数据与建模复杂性而面临挑战。
• 数据稀缺是DL在PHM中应用的主要障碍，代表性数据集不足限制了模型泛化能力，并增加了过拟合风险。
• 基于GAN和AutoAugment风格的数据增强方法在时间序列数据中表现良好，但其在复杂、非图像类信号上的可迁移性仍需进一步验证。
• 物理信息深度学习方法可提升模型鲁棒性和可解释性，但目前在工业应用中尚无最优集成方法的共识。
• 主动学习与动态数据集整理对车队级PHM至关重要，需在持续的数据纳入决策中平衡新颖性与冗余性。
• 不确定性量化在基于DL的PHM中仍发展不足，亟需可扩展的蒙特卡洛方法，以有效处理非线性和非平稳过程。