基于深度学习的预测性维护的综合性研究

《ACM Transactions on Embedded Computing Systems》：A Comprehensive Survey on Deep Learning-based Predictive Maintenance

工业4.0和5.0推动数据驱动预测性维护发展，系统综述了CNN、AE、GAN、Transformer等模型及最新扩散模型、基础模型，探讨监督、无监督、联邦等学习范式，分析数据管道、评估指标及硬件设备，总结挑战与未来方向。

　　

摘要

随着工业4.0的到来以及向工业5.0的推进，各行业产生的数据量惊人地增加。这些海量数据显著提升了机器学习和深度学习模型在预测性维护（PdM）中的应用效果。预测性维护在延长工业设备和机器的使用寿命方面发挥着至关重要的作用，同时也有助于降低非计划性停机带来的风险。由于预测性维护具有跨学科的特性，人们从多个角度对其进行了研究：本次综合调查旨在提供最新的概述，重点介绍所有基于学习的工业预测性维护策略，并分析其优缺点。该调查遵循系统评价和荟萃分析的优先报告项目（PRISMA）方法论流程，确保对相关文献进行系统而全面的审查。首先，我们探讨了用于预测性维护的主要学习模型，主要包括卷积神经网络（ConvNets）、自编码器（AEs）、生成对抗网络（GANs）和Transformer，并概述了最新的模型，如扩散模型和基础模型。接着，我们讨论了应用于预测性维护的主要学习范式，包括监督学习、无监督学习、集成学习、迁移学习、联邦学习和强化学习。此外，本文还介绍了数据驱动的预测性维护的流程、其优势、实际应用、数据集和基准测试方法。同时，讨论了每个预测性维护阶段的评估指标以及所使用的先进硬件设备。最后，提出了当前面临的挑战和未来的研究方向。