故障预测与健康管理的简单综述

      随着人工智能的兴起，机器学习和深度学习在研究以及工业上的应用。现阶段，大多数工业在做故障预测的时候更倾向于使用结合大数据的机器学习算法来对其进行预测以及后期的运维工作。但是，不管是其机理模型和数据模型在一定程度上都会有其缺陷，是不是能将机理模型和数据模型进行融合，来消除彼此的缺点呢！暂且先称之为混合模型。

       关于故障预测的方法，目前主要分为三类，即基于机理模型的预测方法、数据模型的预测方法、以及混合模型预测方法。主要说数据模型的故障预测方法：在数据模型的故障预测方法中，通常会使用模式识别和机器学习技术来检测系统状态的变化。在非线性系统中，有随机模型，如向量自回归模型、阈值自回归模型，双线性模型、投影寻踪，多变量统计方法适应回归样，Volterra级数展开等。但是，最近几年，数据模型方法的研究更多的集中在柔性模型，如神经网络模型，模糊神经网络系统。

       数据模型适合用在系统太过复杂以至于很难建立合适的机理模型，或者建立机理模型的成本太过高昂的情况下。因此，数据模型的最大优势是比其他方法更加快速廉价，而且适用范围广。而它的缺点在于它预测的置信区间较其他方法宽，而且需要大量的数据去训练模型。

      数据模型预测方法的流程图，如图1所示：

                                                                              图1 数据模型预测方法的流程图

我所接触较多的是PCA的故障诊断以及机器学习的集成方法做的预测。关于PCA的诊断我感觉这篇文章介绍的很详细点击这里，他使用matlab实现的，如果需要Python实现的话请看我的另一篇文章PCA故障诊断的Python实现。还有就是一些关于集成方法的预测，较常用的当属于现阶段比赛界的三大神器（GBDT，XGboost,LightBGM）。

....................................................未完待续....................................................

注：本文如若有错误或者涉及版权问题或原文链接错误，请指正，必会马上修改。

案例一：PHM（故障预测与健康管理）工业智能实践案例——半导体