《Frontiers in Artificial Intelligence》:AI algorithms and IoT platforms for anomaly and failure prediction in industrial machinery—systematic review
预测性维护(PdM)侧重于通过监测关键参数来预判工业机械中的潜在故障。人工智能(AI)提供了可用于此目的的算法。相关专业文献指出,一些企业需要在工业维护管理中采用更具前瞻性和预测性的策略。本研究旨在针对用于异常与故障预测的人工智能算法、软件及物联网(IoT)平台开展系统文献综述(SLR)。研究方法包括六个主要阶段:(i)界定研究问题;(ii)开展检索过程;(iii)建立排除与纳入标准;(iv)执行研究质量评估;(v)收集数据;以及(vi)分析数据。研究发现表明,面向预测性维护(PdM)的主要人工智能技术可分为:(i)基于机器学习(Machine Learning)的方法;(ii)基于神经网络(Neural Networks)的方法;以及(iii)基于知识迁移(Knowledge Transfer)的方法。研究共识别出9种用于支持维护作业的软件与物联网技术。此外,文中讨论了机器学习(Machine Learning)与深度学习(Deep Learning)算法在故障分类、故障预测、剩余使用寿命(RUL)估计及诊断任务中表现优良。此类算法同样可应用于更早期阶段,如数据预处理与特征提取。最后,研究表明,当数据及其关系发生突变时,知识迁移能够提升人工智能算法的性能。综上,所识别的人工智能技术能够为工业机械故障预测作出显著贡献。
1 Introduction
文章首先从工业4.0背景下预测性维护(PdM)的兴起展开论述,指出该策略通过持续监测设备状态、仅在必要时实施维护,有助于降低维护成本、减少故障发生率、缩短停机时间并提升产能与安全性。正文将预测性维护与物联网(IoT)、人工智能(AI)、大数据(Big Data)和云计算(Cloud Computing)等关键数字技术相联系,强调其作为现代制造业设备健康管理核心方法的地位。
随后,文章回顾了纠正性维护的局限性,指出在故障发生后再维修往往会引发连锁性生产损失,包括零部件更换、非计划停机、污染风险以及人员安全事故,并进一步造成高昂的维修、融资与时间成本。在此基础上,作者将维护管理的演进置于制造业发展历程中进行考察,认为实时监测、预测和健康管理已成为当代维护活动的重要转向。
在研究目标方面,本节明确指出本文是一项系统文献综述(SLR),旨在识别用于异常分析、故障预测与分类的主要人工智能算法,以及支撑其实现的软件和物联网平台。作者进一步提出两个核心研究问题:一是哪些人工智能算法可用于异常分析与故障预测—分类;二是哪些软件与物联网平台实现了这类人工智能算法。与既有综述相比,本文特别强调知识迁移、边缘计算与工业物联网(IIoT)实时处理,以及分布式环境下针对网络攻击的鲁棒性问题,从而凸显其在工业部署层面的补充价值。最后,本节简要说明全文结构:第2节介绍研究方法,第3节报告结果,第4节展开讨论,第5节给出结论。
2 Method
方法部分说明,本文采用Kitchenham等提出的系统文献综述方法,以确保对既有研究进行结构化、可追溯且基于证据的归纳。作者指出,该方法包含研究问题、检索过程、纳入与排除标准、质量评估、数据收集以及数据分析六个阶段,各阶段共同服务于形成可靠结论的目标。
在检索过程设计上,正文说明研究问题发挥了方法论牵引作用。作者强调数据库检索需明确检索类型、数据库来源、检索式构建与自动执行方式。纳入与排除标准则被视为对检索结果进行逐层筛选的重要机制,其中纳入标准用于界定研究应具备的理想属性,排除标准则负责剔除不符合研究目标或证据质量不足的文献,从而保证最终样本与研究目标的一致性。
关于质量评估,文章说明本研究采用了针对本综述定制的评价准则,重点考察四个方面:预测性维护任务描述是否清晰、数据集说明是否充分、评价指标定义是否明确,以及是否在相同条件下与其他方法进行了比较。评估由三位独立评审者完成,并通过讨论达成分歧共识,以增强方法严谨性。数据收集阶段则通过结构化表单提取文献信息,为后续综合分析奠定基础;数据分析阶段进一步对所收集信息进行组织、解释与主题化呈现。
3 Results
3.1 Research questions
结果部分首先重申研究设置了两个研究问题,且这些问题是在对工业机械异常与故障预测主题进行初步探索性审阅后提出的。该设置意在缩小分析范围,并使综述聚焦于人工智能算法及其平台实现两个维度。
3.2 Search process
在检索流程中,作者选择自动化检索,以便获得数量充足且较为精确的候选文献。所选数据库包括IEEE Xplore、Web of Science、Scopus和SpringerLink,理由是这些平台覆盖同行评审科学文献,能够保障研究样本的学术质量。
检索式方面,文章围绕故障分类、故障预测、人工智能算法、深度学习(Deep Learning)、机器学习(Machine Learning)、软件平台和物联网平台等概念设计了三组检索表达式,且特别强调平台相关术语与工业情境的组合,以避免仅检索到算法研究而忽略部署实现。初始检索时间范围设定为2024年1月1日至2024年12月31日,获得总计2823条记录。
3.3 Inclusion and exclusion criteria
在筛选标准部分,作者给出了较为明确的纳入与排除规则。纳入标准要求文献与人工智能异常检测、故障预测—分类、相关软件平台或物联网平台密切相关,且应为英文或西班牙文的工业制造机械领域科学论文。排除标准则包括文献不完整、非目标文献类型、重复发表以及发表于2019年1月1日之前的研究。作者同时承认时间窗口的限制,但强调本研究意在聚焦近期先进方法,而非提供历史性回顾。
在文献遴选过程中,作者按标题、摘要、关键词、结论和引言的顺序进行相关性判断,必要时阅读全文。经由PRISMA流程,2823条记录经去重与初筛后,451篇进入进一步审阅;其中55篇进入全文获取阶段,最终32项研究满足纳入条件并被纳入综述。该流程体现出样本筛选的严格性。
3.4 Quality assessment
质量评估部分进一步说明,三位独立评审者依据统一清单对入选研究进行打分,评价层级为“完全满足”“部分满足”或“未满足”。若评审结果存在明显分歧,则通过协商达成一致。该做法提升了研究选择的透明度与内部一致性。
3.5 Data collection
数据收集阶段,研究团队设计并审核了一份结构化表单,字段包括题目、作者、主题、数据集规模、输入变量、算法、平台和评价指标等。该表单既服务于文献标识,也服务于回答研究问题所需信息的系统提取。
3.6 Data analysis
数据分析部分强调,本文未进行定量Meta分析,而是采用叙述性综合(narrative synthesis)。原因在于纳入研究在预测性维护任务类型、数据集与评价指标方面存在显著异质性。因此,作者选择通过识别研究间共性,将结果归纳为主题类别,并以补充表形式综合算法、任务与指标,而非进行简单的逐文献罗列或数值比较。
3.6.1 AI algorithms for anomaly analysis and failure prediction-classification
本小节首先界定了数据预处理与特征处理在人工智能建模中的基础作用,指出其涉及归一化、清洗、特征提取、特征选择与降维等环节,是后续训练高性能模型的关键前提。
3.7 Techniques based on machine learning
在基于机器学习的方法中,作者首先总结了支持向量机(SVM)类方法的广泛应用,涵盖故障诊断、故障分类、异常检测与剩余使用寿命(RUL)预测。文中列举的研究显示,SVM常与扩展卡尔曼滤波(EKF)、特征选择、贝叶斯优化及动态边界支持向量数据描述(SVDD)等技术结合,以提升噪声鲁棒性、减少误报并兼顾精度与计算效率。相关案例表明,这类方法在工业场景中往往取得较高准确率,且适合资源受限环境。
随后,文章讨论了决策树及其扩展方法,包括随机森林(RF)、梯度树提升(GTB)和分类回归树(CART)。这些方法在故障分类、状态监测与RUL预测中表现稳定,且具有可解释性强、泛化能力较好的特点。作者还指出,特征提取质量在某些研究中比分类器选择本身更为关键,显示出“特征工程+传统学习器”的有效组合路径。除此之外,正文还归纳了Balanced K-Star、Volterra Polynomial Basis Function(VPBF)、WCDPSO-KELM等其他机器学习方法,表明该领域在传统模型之外也存在较多方法创新。
3.8 Techniques based on neural networks
基于神经网络的方法构成本文结果中的另一核心类别。作者指出,神经网络能够通过反向传播(BP)学习复杂非线性关系,既可作为最终分类或预测模型,也可承担前期特征提取任务。综述涵盖了多种网络结构,如宽神经网络、卷积神经网络(CNN)、双向长短期记忆网络(BiLSTM)、胶囊网络(CapsNet)、深度神经网络(DNN)、多层感知机(MLP)以及基于自编码器(AE)的模型。
相关研究显示,神经网络在电机、轴承、车床、工业机器人和卷对卷制造等多种对象上实现了高水平的故障识别与预测性能。在若干研究中,神经网络与快速傅里叶变换(FFT)、离散小波变换(DWT)、Hilbert-Huang变换(HHT)、自编码器和对比预测编码(CPC)等方法结合,形成“预处理—特征提取—深度建模”的多阶段框架。作者同时指出,尽管神经网络精度突出、适应性强,但其实现通常伴随更高的计算成本,因此在部署时需要综合考虑资源约束与实时性要求。
3.9 Techniques based on knowledge transfer
在知识迁移方法方面,文章将其界定为利用既有任务经验提升新任务表现的策略,并进一步区分迁移学习、领域自适应和知识蒸馏等具体路径。综述中涉及的研究主要关注不同工况、不同域数据之间的分布偏移问题,通过共享特征空间、对抗训练或预训练残差网络等方式减弱域间差异,从而提升模型在目标场景中的诊断与预测能力。
作者总结认为,这类方法在旋转机械故障诊断、轴承故障分类和RUL预测中展示出显著优势,尤其适用于数据关系发生突变或训练数据不足的场景。在线知识蒸馏(OKD)则被视为连接高性能模型与边缘设备部署需求的重要机制,因为它可将复杂教师模型的知识迁移至轻量学生模型,在保持性能的同时降低参数规模与运算负担。
3.9.1 Software and IoT platforms implementing ai algorithms for fault prediction-classification
平台层面的结果显示,Matlab是最常见的软件环境之一,主要依赖其Machine Learning Toolbox、Classification Learner、Regression Learner以及与Simulink的集成能力,用于训练、验证、仿真和部署故障预测模型。ThingSpeak则作为典型物联网平台,被用于实时数据采集、可视化、云端分析和自动告警,并可通过与Matlab集成直接在云端执行代码。
此外,Contact Elements for IoT、ASSIOMI、PHIR、Blynk、Stack4Things和TIP4.0等平台也被识别出来。这些平台通常融合边缘计算(Edge Computing)、云计算(Cloud Computing)、数字孪生(Digital Twin)、容器化部署及多传感器接入能力,支撑在线监测、数据流管理、模型推理和维护决策。文章特别指出,虽然多数研究详细介绍了算法本身,但明确说明所用软件或物联网平台的研究数量相对有限,反映出算法开发与工业可部署性之间仍存在明显落差。
4 Discussion
讨论部分围绕综述的两个目标展开综合阐释。作者认为,现有研究在人工智能算法层面已形成较丰富的技术谱系,但在软件与物联网平台层面的研究明显不足。与既有综述相比,本文更突出知识迁移、边缘/工业物联网平台和网络攻击鲁棒性等工业落地议题,因此能够为PdM在工业4.0中的可扩展性研究提供补充视角。
在算法比较方面,作者指出,SVM类方法在准确率、速度与资源消耗之间展现出良好平衡,适合工业场景中的轻量部署;决策树及集成树模型在分类、诊断和RUL任务中同样表现稳健;神经网络则以其强大的非线性建模能力和特征学习能力成为高性能方案,但需付出更高计算代价;知识迁移方法则尤其适合处理工况变化、样本受限和边缘部署等复杂问题。作者由此强调,未来PdM系统往往不是依赖单一技术,而是多类方法的协同集成。
正文还特别归纳了三个具有实践意义的关键议题。其一是边缘计算(Edge Computing),该技术通过在靠近设备侧执行模型来降低时延,适用于需要即时响应的异常检测与故障预警场景,但同时受限于边缘硬件算力。其二是可解释学习(Explainable Learning),该思路有助于将模型输出转化为更透明的故障因果理解,从而支持维护人员决策。其三是网络安全问题,作者指出当前仅少数研究显式评估对抗攻击、虚假数据注入(FDI)等威胁下的鲁棒性,这表明PdM系统在工业互联环境中仍需加强安全评估。
4.1 Practical Implications
在实践启示方面,文章提出若工业环境中数据分布跨域波动明显,则优先考虑知识迁移方法;若算力受限,则可优先采用SVM等传统机器学习模型,或利用知识蒸馏在复杂模型性能与轻量部署之间取得平衡;若响应时效要求极高,则边缘计算是重要实现路径;若维护人员需要理解模型判定依据,则可解释学习更具应用价值。整体来看,这些建议都建立在对不同算法性能特征与部署条件差异的归纳之上。
5 Conclusions
结论部分指出,本系统文献综述确认了面向工业制造机械预测性维护的三大类核心人工智能技术:基于机器学习的方法、基于神经网络的方法和基于知识迁移的方法。研究认为,这些方法均能够有效支持异常分析、故障预测与分类,并且常常可以组合使用。与此同时,综述还识别出9类支持维护优化的软件与物联网平台,说明平台技术在监测、连接、通信、分析和可视化方面具有关键支撑作用。
作者进一步强调,数据预处理与特征处理几乎是多数高性能方案中的共性环节;网络安全防护则是工业互联背景下不可忽视的新需求。此外,文章也指出了现实部署中的若干障碍,包括数据质量问题、异构系统集成困难、传感与边缘基础设施投资较高,以及平台互操作性报告不足等。最后,作者建议未来研究应缩小算法研究与平台研究之间的差距,加强平台实证比较、提升可解释学习的可用性,并进一步探索针对恶意攻击的鲁棒性增强策略。