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.

کاربردهای یادگیری ماشین در تشخیص خطای ماشین: مرور و نقشه راه

نکات برجسته * کاربردهای یادگیری ماشین در تشخیص خطای ماشین بررسی می‌شوند. یادگیری ماشین سنتی در گذشته هوش را به تشخیص خطا رساند. * یادگیری عمیق بر روی مزایای بیشتر در حال حاضر تمرکز می‌کند. یادگیری انتقالی دستاوردهای مربوط به سناریوهای مهندسی را در آینده ارتقا می‌دهد. * نقشه راه تشخیص خطای هوشمند برای ارائه روند تحقیق نشان‌داده شده‌است. تشخیص خطای هوشمند (IFD)به کاربردهای نظریه‌های یادگیری ماشین برای تشخیص خطای ماشین اشاره دارد. این یک راه امیدوار کننده برای رهایی از سهم نیروی کار انسانی و تشخیص خودکار وضعیت سلامت ماشین‌ها است، بنابراین در دو یا سه دهه گذشته توجه زیادی را به خود جلب کرده‌است. اگر چه IFD به موفقیت‌های قابل‌توجهی دست یافته‌است، یک بررسی هنوز هم فضای خالی برای پوشش سیستماتیک توسعه IFD از گهواره تا شکوفه دادن باقی می‌گذارد، و به ندرت دستورالعمل‌های بالقوه برای توسعه آینده فراهم می‌کند. برای پر کردن این شکاف، این مقاله یک بررسی و نقشه راه را برای پوشش سیستماتیک توسعه IFD پس از پیشرفت نظریه‌های یادگیری ماشین و ارائه چشم‌انداز آینده ارائه می‌دهد. در گذشته، نظریه‌های یادگیری ماشین سنتی شروع به ضعیف شدن سهم نیروی کار انسان کردند و عصر هوش مصنوعی را برای تشخیص خطای ماشین به ارمغان آوردند. در طول سال‌های اخیر، ظهور نظریه‌های یادگیری عمیق، IFD را در انتشار بیشتر کمک مصنوعی از دهه ۲۰۱۰ اصلاح کرده‌است، که ایجاد یک روش تشخیص پایان به پایان را تشویق می‌کند. این به معنای ارتباط مستقیم بین داده‌های نظارت رشد یافته و وضعیت سلامت دستگاه‌ها است. در آینده، نظریه‌های یادگیری انتقالی تلاش می‌کنند تا از دانش تشخیص از یک یا چند وظیفه تشخیص به دیگر وظایف مرتبط استفاده کنند، که به طور آینده‌نگر بر موانع کاربرد IFD در سناریوهای مهندسی غلبه می‌کند. در نهایت، نقشه راه IFD برای نشان دادن رونده‌ای تحقیقاتی بالقوه در ترکیب با چالش‌ها در این زمینه نشان‌داده شده‌است.

ترجمه شده با