崔韋達(dá)，李澤滔

（貴州大學(xué)電氣工程學(xué)院，貴州 貴陽 550025）

0 引言

故障診斷技術(shù)由來已久，它最主要的目的是找到故障的發(fā)生位置，然后將這個位置的故障進(jìn)行整理和排除，最后使機(jī)器正常運(yùn)行。由于前人已對機(jī)器運(yùn)行的故障有了充足的數(shù)據(jù)累計和調(diào)查基礎(chǔ)，于是基于知識的數(shù)據(jù)驅(qū)動診斷方法應(yīng)運(yùn)而生。故障診斷技術(shù)是在20世紀(jì)70年代由美國率先提出的，在建立之初的目的是為了更加順利的實施阿波羅登月計劃，節(jié)約機(jī)械故障所產(chǎn)生的成本。1971年， 在Automatica上，Mehra和 Peschon[1]發(fā)表的關(guān)于對多余故障的分析檢測方面的研究被認(rèn)為是人類對故障診斷技術(shù)的一個初步探討。

近30年來，故障診斷技術(shù)逐步被運(yùn)用于工程機(jī)械，車輛，船舶，飛機(jī)制造等復(fù)雜的機(jī)械系統(tǒng)上。然而隨著時代的發(fā)展，基于經(jīng)典控制理論和現(xiàn)代控制理論的傳統(tǒng)故障診斷方法往往不能滿足現(xiàn)實機(jī)械系統(tǒng)的需要。傳統(tǒng)的故障診斷方法通常是專業(yè)技術(shù)人員到機(jī)械故障現(xiàn)場進(jìn)行實際觀察并運(yùn)用所掌握的知識經(jīng)驗進(jìn)行維修，這些一般是在機(jī)械發(fā)生故障之后才可以進(jìn)行的。為了減少這些故障所產(chǎn)生的不必要的損失，同時利用好機(jī)械系統(tǒng)故障過程所產(chǎn)生的數(shù)據(jù)。一種將研究數(shù)據(jù)處理和故障診斷的方式連系起來的數(shù)據(jù)驅(qū)動故障診斷方式被提了出來。李晗等[2]將這種數(shù)據(jù)驅(qū)動故障診斷的方法分成三類，分別是基于定量經(jīng)驗的，基于神經(jīng)算法和基于模糊控制的三個方面的。

本文主要基于定量知識的數(shù)據(jù)驅(qū)動方法從三個方面來引申出當(dāng)代較為領(lǐng)先的數(shù)據(jù)驅(qū)動故障診斷方法，并整理這三個方面的關(guān)系。

1 基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)驅(qū)動故障診斷的方法

基于神經(jīng)網(wǎng)絡(luò)故障診斷方法的原理通常是利用大量已知的數(shù)據(jù)建立起故障分類和識別的映射，通過訓(xùn)練這種映射來產(chǎn)生一種數(shù)學(xué)模型。近些年，很多人將神經(jīng)網(wǎng)絡(luò)和現(xiàn)代人工智能深度學(xué)習(xí)方法集合起來研究故障診斷的方法。本文將通過卷積神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)來介紹當(dāng)今比較前沿的基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)的故障診斷方法。

1.1 基于卷積神經(jīng)網(wǎng)絡(luò)的方法

20世紀(jì)60年代，Huble和Wiesel[3]在對貓的大腦進(jìn)行研究的時候，發(fā)現(xiàn)了一種神經(jīng)的反饋結(jié)構(gòu)可以在降低誤差的同時減少對誤差分析的代價，他們將這些實驗數(shù)據(jù)進(jìn)行分析，提出了卷積神經(jīng)網(wǎng)絡(luò)的算法。隨后的K.Fukushima[4]在1980年制作出來一種識別機(jī)，第一次將卷積神經(jīng)網(wǎng)絡(luò)的理論用實驗實現(xiàn)了出來。由于卷積神經(jīng)網(wǎng)絡(luò)具有前饋控制系統(tǒng)的特殊性，常常被用作對大量像素點的分類和識別。而今，卷積神經(jīng)網(wǎng)絡(luò)也應(yīng)用在了數(shù)據(jù)驅(qū)動故障診斷的范圍中，主要是由卷積層和池化層構(gòu)成，但是有些卷積神經(jīng)網(wǎng)絡(luò)為了滿足研究的需要通常還擁有輸入層、激活函數(shù)、全連接層，等等。

卷積神經(jīng)網(wǎng)絡(luò)輸入層的作用一般是對故障進(jìn)行數(shù)據(jù)化處理，在輸入層采取各類的計算算法可以提高對故障診斷的精確度。激活函數(shù)的作用是將故障數(shù)據(jù)提供一個強(qiáng)度的范圍，如果沒有達(dá)到激活函數(shù)給故障數(shù)據(jù)定下的最低閥值的話，則輸出為0。這有效的減少了與故障特征無關(guān)的數(shù)據(jù)對卷積神經(jīng)訓(xùn)練的干擾。卷積層在卷積升降網(wǎng)絡(luò)中的學(xué)習(xí)不是顯性的，同時，通道大小和計算復(fù)雜的程度也注定了它不能提取全局的特征，因此它只能提取部分特征進(jìn)行研究。池化層主要就是將從上一個數(shù)據(jù)學(xué)習(xí)過程卷積層送過來的數(shù)據(jù)進(jìn)行壓縮，并提取有效特征來簡化計算。卷積神經(jīng)網(wǎng)絡(luò)的全連接層是將部分的故障特征進(jìn)行統(tǒng)一和整合，并送給分類器來更精確的完成對故障的識別。然而，卷積神經(jīng)網(wǎng)絡(luò)適用的數(shù)據(jù)比較小，同時訓(xùn)練時間比較久，運(yùn)算比較復(fù)雜且沒有可移植性。因此只有通過對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化才能對大量的故障擁有良好的效果。

近些年，一些和卷積神經(jīng)網(wǎng)絡(luò)結(jié)合的基于數(shù)據(jù)的故障研究成果在國內(nèi)不斷顯現(xiàn)。山東大學(xué)的李強(qiáng)[5]將希爾伯特黃算法和卷積神經(jīng)網(wǎng)絡(luò)結(jié)合起來，針對水利發(fā)電系統(tǒng)提出了一種數(shù)據(jù)驅(qū)動故障診斷的方法。電子科技大學(xué)的韋冬東[6]將深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)結(jié)合起來，對變速工況下的行星齒輪箱太陽輪故障進(jìn)行了分析研究，發(fā)現(xiàn)了小齒輪卷積核在較深的網(wǎng)絡(luò)中可以得到最好的效果。東南大學(xué)的孫文珺[7]對卷積的實驗特點進(jìn)行嘗試。即通過對有限的故障浮標(biāo)進(jìn)行判別，并對感應(yīng)電機(jī)的故障浮標(biāo)進(jìn)行高效的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，最后利用這些浮標(biāo)來診斷系統(tǒng)的故障。哈爾濱工業(yè)大學(xué)的張偉[8]將一維卷積結(jié)合誤差反向傳播和Adam優(yōu)化算法數(shù)據(jù)增強(qiáng)等方式應(yīng)用在了軸承的數(shù)據(jù)中，取得了良好的實驗效果。北京交通大學(xué)的趙晶晶[9]將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用在了計算機(jī)網(wǎng)絡(luò)的故障診斷中，這也是今后可以研究的一個方向。

1.2 基于BP神經(jīng)網(wǎng)絡(luò)算法

BP算法是19世紀(jì)80年代美國智能控制團(tuán)隊Rumelhart等人在結(jié)合前人研究的卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)發(fā)展出來的。與卷積神經(jīng)網(wǎng)絡(luò)不同，BP算法的前饋網(wǎng)絡(luò)不是單層的，這更有利于BP算法減少誤差和增加系統(tǒng)的穩(wěn)定性。同時，BP算法將它的偏差進(jìn)行反向的傳遞，在傳播的過程中通過對梯度進(jìn)行偏方差求導(dǎo)遞減的方式來調(diào)整傳遞過程中各個神經(jīng)元的權(quán)值。BP算法主要由三個部分組成[10]，部分計算變量的關(guān)系和計算順序的方法如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)算法流程圖Fig.1 BP neural network algorithm flow chart

BP算法的數(shù)學(xué)關(guān)系同樣不是顯式的，不需要推導(dǎo)出公式。但需要通過訓(xùn)練神經(jīng)元將誤差調(diào)整到能夠接受的范圍內(nèi)并得到這個范圍內(nèi)各個神經(jīng)元的權(quán)值即可。同時，BP算法的計算也并不是單向的，在保持前向神經(jīng)元的正常進(jìn)行時，BP的誤差需要反向傳播，在隱含層中一般是Sigmoid函數(shù)，在這里提到Sigmoid函數(shù)也是為了為下一種方法提出準(zhǔn)備。

在公式（1）中我們可以得到這個信息，Sigmoid函數(shù)收斂速度比較慢，同時Sigmoid函數(shù)在長時間計算后，不能得到正常的梯度值，因此能正確的得到訓(xùn)練的權(quán)值。

BP算法雖然能達(dá)到減少誤差的目的，但它也有很多缺點。從上面的函數(shù)可以看出，卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度有待提高，同時當(dāng)一個函數(shù)有多個最小值時，BP算法不能夠判別出整個系統(tǒng)的極小值，這對一個系統(tǒng)整體來說也是相當(dāng)致命的。當(dāng)代有很多人對BP網(wǎng)絡(luò)和數(shù)據(jù)驅(qū)動故障診斷進(jìn)行整合和優(yōu)化的研究。

電子科技大學(xué)的謝昭靈[11]將遺傳粒子群用于優(yōu)化BP算法來對壓縮機(jī)氣閥進(jìn)行研究，實驗表明這種算法對壓縮機(jī)氣閥的故障診斷擁有著可行性和有效性。東北電力大學(xué)的宗憲爽[12]將BP神經(jīng)網(wǎng)絡(luò)運(yùn)用在了光伏陣列的故障診斷方向，達(dá)到了95%以上的準(zhǔn)確率。艾劍良等[13]提出一種結(jié)合比例因子和動量因子的BP神經(jīng)網(wǎng)絡(luò)并應(yīng)用在航空發(fā)動機(jī)來解決局部最小的問題。

1.3 基于RBF神經(jīng)網(wǎng)絡(luò)的算法

RBF神經(jīng)網(wǎng)絡(luò)方法是Broomhead和Lowe[14]在19世紀(jì)80年代末首次提出的，它們在論文中將RBF神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)插值進(jìn)行對比，從而提出一種三層的RBF神經(jīng)網(wǎng)絡(luò)。RBF神經(jīng)網(wǎng)絡(luò)與BP算法的結(jié)構(gòu)相同也是由三個部分構(gòu)成的，它們分別是輸入層、隱含層和輸出層。它們主要的不同是RBF神經(jīng)網(wǎng)絡(luò)在隱含層采用的激活函數(shù)是高斯基函數(shù)，與BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行對比，RBF神經(jīng)算法是一種部分逼近的神經(jīng)元網(wǎng)絡(luò)?？梢哉f，幾個RBF神經(jīng)網(wǎng)絡(luò)組合起來，就可以看做一個BP神經(jīng)網(wǎng)絡(luò)。由于BP算法計算的是全局逼近的神經(jīng)網(wǎng)絡(luò)，容易陷入局部最小的狀況，且每一次學(xué)習(xí)都要調(diào)整神經(jīng)元的權(quán)值，因此RBF神經(jīng)網(wǎng)絡(luò)才能夠有取代BP神經(jīng)網(wǎng)絡(luò)的趨勢。然而，在要求相同神經(jīng)網(wǎng)絡(luò)的計算精度時，BP算法神經(jīng)網(wǎng)絡(luò)的隱含層往往更加的簡單。因此，只有在簡單系統(tǒng)且不需要考慮局部最小時BP是優(yōu)于RBF神經(jīng)網(wǎng)絡(luò)的。

近些年來，和RBF結(jié)合的數(shù)據(jù)驅(qū)動故障診斷也開始興起。王代超[15]將粒子群優(yōu)化和小波分析與RBF神經(jīng)網(wǎng)絡(luò)結(jié)合來對進(jìn)行研究柴油機(jī)的故障，體現(xiàn)了其方法的高效和低誤判率。劉景燕等[16]將RBF與自適應(yīng)遺傳算法對變壓器進(jìn)行故障診斷的研究，提高了方法的自適應(yīng)性和準(zhǔn)確度。王婷等[17]將粒子群進(jìn)行混合，并優(yōu)化RBF算法來對瓦斯傳感器進(jìn)行分析，通過一系列的實驗證明了這種混合算法的可行性。

2 基于支持向量機(jī)的方法

19世紀(jì)90年代末，在美國貝爾實驗室里Vapnik等人成功的研發(fā)出了一種新的學(xué)習(xí)方法，即支持向量機(jī)的機(jī)器學(xué)習(xí)算法。支持向量機(jī)是一種基于統(tǒng)計學(xué)的二類分類算法，在數(shù)據(jù)處理的本質(zhì)上就是將一堆數(shù)據(jù)分成兩個不同的類別。在分類上，支持向量機(jī)可以像我們學(xué)習(xí)數(shù)學(xué)的函數(shù)同樣的方式分為三種：線性、類似線性和非線性。當(dāng)然部分線性可以用多個向量機(jī)進(jìn)行疊加，通過以上三種的結(jié)合我們可以用支持向量機(jī)解決很多數(shù)據(jù)分類的相關(guān)問題。在這里，我們在數(shù)據(jù)驅(qū)動的故障診斷中一般解決的都是近似非線性或者非線性的問題，因此在本文中我們主要介紹近似線性和非線性的問題。

支持向量機(jī)的本質(zhì)就是找到一個平面，并且這個平面要將兩種數(shù)據(jù)用盡可能最優(yōu)的方式隔離出來。通過這種方法求得的平面，通常被稱為超平面，超平面才是我們要求的支持向量機(jī)的分類平面。在求解線性支持向量機(jī)時，求解過程往往就會演變成一個求二次規(guī)劃的問題。

近似支持向量機(jī)由于有部分異常點，我們僅僅需要設(shè)置滿足系統(tǒng)的松弛因子和代價項將異常的故障點排除，然后將剩下的故障點按照線性支持向量機(jī)的方法進(jìn)行分類即可。然而當(dāng)我們處理非線性支持向量機(jī)時就需要引進(jìn)核函數(shù)來將數(shù)據(jù)有效的分類，引進(jìn)的核函數(shù)一般為多項式核函數(shù)、Sigmoid函數(shù)、高斯函數(shù)等等。

近些年來基于支持向量機(jī)和人工智能的算法結(jié)合的研究也在數(shù)據(jù)驅(qū)動故障診斷的領(lǐng)域開始發(fā)展。呂鋒等[19]研究了一種數(shù)據(jù)描述方法用來和支持向量機(jī)方法進(jìn)行結(jié)合，有效的提高了故障判別的準(zhǔn)確性。吳映華等[20]將利用蜂群算法對支持向量機(jī)的學(xué)習(xí)過程進(jìn)行改進(jìn)和優(yōu)化，提高了對故障軸承的識別率。劉榮海[21]提出一種將經(jīng)驗?zāi)B(tài)分解成熵并和向量機(jī)共同對高壓變路器進(jìn)行分析，提供給了我們一種基于數(shù)據(jù)故障分析的新思路。

3 基于模糊控制數(shù)據(jù)驅(qū)動故障診斷的方法

19世紀(jì)70年代中期，英國科學(xué)家E.H.Mamdani初次利用模糊數(shù)學(xué)的理論編寫出了模糊控制代碼，并成功應(yīng)用，這標(biāo)志著模糊控制理論的誕生。模糊控制主要是針對一些無法利用數(shù)學(xué)模型來完好表達(dá)的故障通過模糊集合、模糊邏輯和模糊定理來進(jìn)行分析的一種技術(shù)。在現(xiàn)代一般和機(jī)器學(xué)習(xí)相結(jié)合組成作為模糊控制系統(tǒng)來研究，比如神經(jīng)模糊控制網(wǎng)絡(luò)、支持向量機(jī)模糊控制等等。近些年，有些人利用模糊控制的數(shù)學(xué)知識針對擁有大量數(shù)據(jù)樣本的故障進(jìn)行了分析研究。沈曉峰[22]將模糊控制和神經(jīng)網(wǎng)絡(luò)結(jié)合起來，對供熱管網(wǎng)故障損壞程度進(jìn)行了診斷分析取得良好的實驗效果。馬志垚[23]將模糊控制和系統(tǒng)自適應(yīng)的理論研究方法有機(jī)的結(jié)合了起來，同時在數(shù)據(jù)中驗證了其有效性。

4 結(jié)論

本文對近些年出現(xiàn)的基于知識的數(shù)據(jù)驅(qū)動故障診斷方法進(jìn)行了介紹和研究，通過分析和比較可以得知，RBF方法是目前基于數(shù)據(jù)驅(qū)動故障診斷的關(guān)于神經(jīng)網(wǎng)絡(luò)計算方式中較好的方法。此外，例如將比例和動量因子相結(jié)合的BP神經(jīng)網(wǎng)絡(luò)算法，也有取代RBF方法的可能性，因此人工智能算法結(jié)合傳統(tǒng)的BP算法、卷積神經(jīng)網(wǎng)絡(luò)算法在近些年的研究也越來越重要。基于向量機(jī)的數(shù)據(jù)驅(qū)動故障診斷研究已經(jīng)不僅僅局限于對一個或幾個超平面進(jìn)行分類研究，更多的是和蟻群、經(jīng)驗?zāi)B(tài)等統(tǒng)計方法相結(jié)合用來提高故障診斷結(jié)果的精確度?；谀：刂频臄?shù)據(jù)驅(qū)動故障診斷方法也不僅僅停留在數(shù)學(xué)和代碼的意義上，而是和自適應(yīng)，神經(jīng)網(wǎng)絡(luò)進(jìn)行交叉融合來解決非線性的故障診斷問題。同時隨著人工深度學(xué)習(xí)的進(jìn)一步發(fā)展，隨機(jī)森林和回歸算法也開始在數(shù)據(jù)驅(qū)動故障診斷的方向運(yùn)用，結(jié)合并優(yōu)化這些新興算法是未來非常值得探究的一個課題。