大數據背景下的PHM研究

製造業是國家經濟發展的主體，高端裝備製造業更是關乎一個國家社會經濟安全和國防安全的戰略性產業。當前，新一輪科技和產業革命正如火如荼的進行。德國於2013年在漢諾威工業博覽會上提出了「工業4.0」的概念，提出未來的製造業將以信息物理融合系統（Cyber-Physicalsystem，CPS）為基礎，實現生產的高度數字化、網路化、及其自組織化。美國政府於2009年出台了《重振美國製造業框架》，詳細分析了美國重振製造業的必要性及擁有的優勢，這也為美國製造業的發展提供了戰略性支持。2012年由通用電氣提出了「工業互聯網」的概念，並聯合美國五家龍頭製造企業成立了工業互聯網聯盟，目的在於通過制定通用化標準，消除相互之間的技術障礙，藉助互聯網技術加速傳統工業領域的改造，以此來促進物理系統與數字系統的相互融合。與此同時，中國於2015年5月發布了《中國製造2025》，以加快新一代信息與智能技術在裝備製造業的深入應用為主線，以推進智能製造為主攻方向，強化工業基礎能力，提高綜合集成水平。

在上述背景下進行工業大數據與故障預測與健康管理的研究顯得尤為重要。如圖1所示，PHM系統通常由數據採集、信息處理、狀態監測、健康評估、故障預測和保障決策等部分構成。隨著我們的工業生產進入大數據時代，PHM系統的每個組成部分都打下了大數據的烙印，因此，我們需要重新審視PHM的研究。傳統的數據採集需要滿足採樣定理，傳統的信息處理需要大量的專家先驗知識、傳統的狀態監測需要人工特徵提取......等等，這一系列現象在大數據背景下都面臨著一定的限制。因此，我們需要開拓新的思路來進行PHM的研究，深度學習是一類特徵學習演算法，近年來在各領域都得到了廣泛的應用。因此，在大數據背景下，利用深度學習工具，開展PHM研究是當前PHM研究領域的重要研究方向。

圖1. PHM框圖