典型文献
基于深度学习的工业装备PHM研究综述
文献摘要：
随着物联网和通信技术的快速发展,现代工业装备海量运行数据被实时监测传输,推动装备服役阶段的故障预测与健康管理进入大数据时代.面对具有不确定性强、价值密度低及多源异构特点的装备运行大数据,传统浅层模型算法存在难以自主挖掘数据蕴含特征、对装备健康状态表征能力弱的先天不足.近年来,作为机器学习领域的研究热点,深度学习理论得到了学术界与工业界的广泛关注,相关的工业装备故障预测与健康管理(prognostics and health management,简称PHM)研究与应用层出不穷,为解决大数据背景下的故障预测与健康管理难题提供了新的思路和技术手段.为此,笔者回顾了工业装备故障预测与健康管理技术发展历程;从异常检测、故障诊断以及故障预测3个方面综述了深度学习已取得的研究成果;讨论了深度学习在当下工业装备故障预测与健康管理中的热点话题;分析了该研究方向在工程实际中面临的挑战,并探讨应对这些挑战的有效措施和未来发展趋势.
文献关键词：
工业装备;深度学习;故障诊断;故障预测与健康管理
中图分类号：
作者姓名：
李彦夫;韩特
作者机构：
清华大学工业工程系 北京,100084
文献出处：
引用格式：
[1]李彦夫;韩特-.基于深度学习的工业装备PHM研究综述)[J].振动、测试与诊断,2022(05):835-847
A类：
B类：
工业装备,PHM,现代工业,运行数据,服役,价值密度,多源异构,层模型,模型算法,健康状态,状态表征,表征能力,先天不足,学习领域,深度学习理论,工业界,prognostics,health,management,应用层,大数据背景下,管理难题,故障预测与健康管理技术,异常检测,热点话题,工程实际
AB值：
0.259372
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
