多算法融合的机械设备故障预测方法

郭东栋，张捷，孙岩，田二勋，周林飞

（1.北京奔驰汽车有限公司，北京 100176；2.西门子（中国）有限公司，北京 100102）

机械装备在科学技术不断改善下形成了多种组合形式，在各项现代自动化的管理下，为了满足机械设备的多样化功能，机械设备在实际运行时有着多种运行状态，在切换运动状态时，机械设备极易发生故障。为此研究基于深度学习的机械设备故障预测，规避机械设备故障带来的风险。自20世纪60年代至今，机械设备故障预测取得了快速的发展，国外研究设备故障预测方法起步较早，形成了多种机械研究机构，不同的机构根据不同的现代化技术研究构造了多种类机械设备故障预测系统，研究水平处于世界前沿。国内针对设备故障预测整体研究起步较晚，各个高校也已经成立研究科研主题，不断改进现有的故障预测方法，现已经进入快速发展的阶段，预测技术有了显著性的提升。在深度学习方向上，国内外针对设备故障预测还处于深层次的探索阶段，需要不断学习改进。

预测性维护是通过对设备状况实施周期性或持续监测，基于机器学习算法和模型来分析评估设备健康状况的一种方法，以便预测下一次故障发生的时间以及应当进行维护的具体时间。预测性维护是以设备/装备的状态作为依据的维护，状态监测和故障诊断是基础，状态预测是重点，维修决策得出最终的维修管理政策。相比之下，反应式诊断维修的发生故障后再维修模式大大增加了设备关停的时间，会导致无形与有形的经济损失。……