Applications of machine learning to machine fault diagnosis: A review and roadmap

Highlights•Applications of machine learning to machine fault diagnosis are reviewed.•Traditional machine learning brought intelligence to fault diagnosis in the past.•Deep learning focuses on further enhanced benefits in the present.•Transfer learning promotes achievements to engineering scenarios in the future.•A roadmap of intelligent fault diagnosis is pictured to provide research trends.AbstractIntelligent fault diagnosis (IFD) refers to applications of machine learning theories to machine fault diagnosis. This is a promising way to release the contribution from human labor and automatically recognize the health states of machines, thus it has attracted much attention in the last two or three decades. Although IFD has achieved a considerable number of successes, a review still leaves a blank space to systematically cover the development of IFD from the cradle to the bloom, and rarely provides potential guidelines for the future development. To bridge the gap, this article presents a review and roadmap to systematically cover the development of IFD following the progress of machine learning theories and offer a future perspective. In the past, traditional machine learning theories began to weak the contribution of human labor and brought the era of artificial intelligence to machine fault diagnosis. Over the recent years, the advent of deep learning theories has reformed IFD in further releasing the artificial assistance since the 2010s, which encourages to construct an end-to-end diagnosis procedure. It means to directly bridge the relationship between the increasingly-grown monitoring data and the health states of machines. In the future, transfer learning theories attempt to use the diagnosis knowledge from one or multiple diagnosis tasks to other related ones, which prospectively overcomes the obstacles in applications of IFD to engineering scenarios. Finally, the roadmap of IFD is pictured to show potential research trends when combined with the challenges in this field.

برنامه‌های یادگیری ماشین برای تشخیص عیب ماشین: بررسی و نقشه راه

نکات مهم - برنامه‌های یادگیری ماشین برای تشخیص خطای ماشین مورد بررسی قرار می‌گیرند. یادگیری ماشین سنتی اطلاعات را برای تشخیص خطا در گذشته به ارمغان آورده‌است. یادگیری عمیق بر فواید افزایش‌یافته بیشتر در حال حاضر تمرکز دارد. یادگیری انتقال، دستاوردها را به سناریوهای مهندسی در آینده افزایش می‌دهد. IFD (IFD)به کاربردهای نظریه‌های یادگیری ماشین در تشخیص عیب ماشین اشاره شده‌است یک نقشه راه تشخیص خطای هوشمند به تصویر کشیده شده‌است. این راهی امیدبخش است که سهم نیروی کار انسانی را رها کرده و به طور خودکار وضعیت سلامت ماشین‌ها را تشخیص دهد، در نتیجه توجه زیادی را در دو یا سه دهه گذشته جلب کرده‌است. اگرچه IFD به تعداد قابل‌توجهی از موفقیت‌ها دست یافته‌است، مرور هنوز یک فضای خالی برای پوشش سیستماتیک توسعه IFD از مهد تا شکوفه دادن باقی می‌گذارد و به ندرت دستورالعمل‌های بالقوه برای توسعه آینده فراهم می‌کند. برای پر کردن این شکاف، این مقاله مرور و نقشه راه را برای پوشش سیستماتیک توسعه IFD ی دنبال پیشرفت تیوری های یادگیری ماشین و ارائه یک چشم‌انداز آینده ارائه می‌کند. در گذشته، نظریه‌های یادگیری ماشین سنتی، نقش نیروی کار انسانی را ضعیف کرده و دوران هوش مصنوعی را برای تشخیص نقص ماشین به ارمغان آورده‌است. در سال‌های اخیر، ظهور نظریه‌های یادگیری عمیق IFD برای انتشار بیشتر کمک مصنوعی از دهه ۲۰۱۰ اصلاح شده‌است که باعث ایجاد یک روش تشخیص نهایی به پایان خواهد شد. این به معنی ارتباط مستقیم بین داده‌های نظارت رو به رشد فزاینده و وضعیت سلامت ماشین‌ها است. در آینده، نظریه‌های یادگیری انتقال تلاش می‌کنند تا دانش تشخیص را از یک یا چند کار تشخیصی به دیگر موارد مرتبط استفاده کنند، که به طور موثری بر موانع در کاربردهای IFD ی IFD ی برای سناریوهای مهندسی غلبه می‌کند. در نهایت، نقشه راه IFD برای نشان دادن رونده‌ای تحقیقات بالقوه هنگامی که با چالش‌های موجود در این زمینه ترکیب می‌شوند نشان‌داده شده‌است.

ترجمه شده با