張健鵬　張東生　鐘華　劉歡　張艷婷

摘要：介紹了機電設備故障診斷的一般方法，闡述了深度學習理論及其特點，分析了深度學習理論在機電設備故障診斷中的應用情況，包括深度學習故障診斷及預測的方法、深度學習故障診斷的一般流程、基于深度學習理論的故障診斷神經(jīng)網(wǎng)絡模型，最后對深度學習理論在機電故障診斷中的應用進行了展望。

關鍵詞：大數(shù)據(jù);深度學習;機電設備;狀態(tài)監(jiān)測;故障診斷

0 引言

隨著核電廠機電設備集成化程度的提高，設備功能及結(jié)構(gòu)越來越復雜，組件之間的聯(lián)系越來越密切。同時，機電設備與由其組成的完整系統(tǒng)存在著強耦合關系，重要零部件損壞，將導致機電設備無法正常工作，最終導致系統(tǒng)失效，影響核電廠的安全穩(wěn)定運行。對重要機電設備進行狀態(tài)監(jiān)測，對設備故障進行診斷，并對設備運行趨勢進行預測，對于評估設備狀態(tài)、開展設備運行維護、保障機電設備的安全運行具有重要意義。

隨著傳感器技術的發(fā)展以及物聯(lián)網(wǎng)的普及，使得對機電設備的全面監(jiān)測和故障診斷成為可能。核電廠需監(jiān)測的機電設備規(guī)模大，每臺裝備設置的監(jiān)測點多，振動等監(jiān)測參數(shù)采樣頻率高，設備在役時間長，將形成海量的監(jiān)測數(shù)據(jù)，由此將推動設備狀態(tài)監(jiān)測和診斷進入“大數(shù)據(jù)”時代。傳統(tǒng)的基于特征提取的故障診斷技術，如專家系統(tǒng)、模糊診斷技術、神經(jīng)網(wǎng)絡技術難以應對海量數(shù)據(jù)的處理，為了提高機械設備的可靠性與安全性，在機電設備產(chǎn)生海量數(shù)據(jù)的背景下，需要不斷研究新的故障診斷技術，以滿足機電設備故障診斷與預測的需求[1-2]。

1 機電設備故障診斷的一般方法

機電設備運行過程中的監(jiān)測數(shù)據(jù)蘊含機械設備豐富的內(nèi)在信息，故障診斷技術通過分析機械運轉(zhuǎn)過程中所采集的數(shù)據(jù)，掌握設備的運行狀態(tài)，并對設備狀態(tài)、故障類型、故障深度進行識別，針對具體情況為設備的診斷與維修提供決策依據(jù)。

故障診斷與預測技術主要分為基于知識的故障診斷方法、基于解析模型的故障診斷方法和基于信號處理的故障診斷方法[3]?；谥R的故障診斷方法將人工智能與故障診斷相結(jié)合，基于知識進行診斷推理，需要較多的經(jīng)驗知識或?qū)＜医?jīng)驗，相對較難實現(xiàn)。基于解析模型的故障診斷方法，要求基于機械設備故障機理建立數(shù)學模型，獲取模型計算值與實際觀測值之間的差值，并與事先建立好的決策函數(shù)進行對比，以確定設備是否發(fā)生故障，數(shù)學建模的過程相對困難，限制了該方法的實用性?；谛盘柼幚淼墓收显\斷方法對機械設備的測量數(shù)據(jù)進行信號處理，獲得數(shù)據(jù)信號特征，從而進行故障診斷。隨著信號處理方法的發(fā)展，該方法以其簡便性和可解釋性，獲得了廣泛運用。

2 深度學習理論概述

深度學習是機器學習的分支，具有強大的數(shù)據(jù)處理能力。近年來，在語音、圖像、信號處理等方面應用廣泛，獲得了較好的效果，并逐步在故障診斷領域得到應用[4]。

區(qū)別于其他機器學習方法，深度學習具有以下特點：

（1）深度學習神經(jīng)網(wǎng)絡具有一定的模型結(jié)構(gòu)深度，通常具有多個隱層網(wǎng)絡。

（2）深度學習神經(jīng)網(wǎng)絡通過提取特征信息，對特征進行逐層組合，以實現(xiàn)識別功能。相比于人工構(gòu)造數(shù)據(jù)特征，深度學習神經(jīng)網(wǎng)絡可以更加全面地對數(shù)據(jù)內(nèi)涵進行表征。

通過構(gòu)造恰當?shù)木W(wǎng)絡結(jié)構(gòu)，選擇合適的輸出層非線性變換函數(shù)，通過調(diào)整網(wǎng)絡參數(shù)優(yōu)化成本函數(shù)，實現(xiàn)輸入到輸出的擬合關系，完成網(wǎng)絡訓練。深度學習神經(jīng)網(wǎng)絡可以針對輸入，根據(jù)學習到的規(guī)律進行推斷，從而實現(xiàn)復雜的數(shù)據(jù)處理功能。

深度學習具有多隱層網(wǎng)絡結(jié)構(gòu)與自適應的特征提取能力，而能夠挖掘數(shù)據(jù)深層次的固有規(guī)律，相對于傳統(tǒng)方法更能精確刻畫故障數(shù)據(jù)和故障類別之間的復雜映射關系。對于機電設備大數(shù)據(jù)的發(fā)展趨勢，有必要研究基于深度學習理論的設備故障診斷及預測方法，以滿足設備狀態(tài)監(jiān)測獲取的多樣性、非線性、高維數(shù)據(jù)的診斷分析需求。

3 深度學習理論在機電故障診斷中的應用

深度學習通過構(gòu)建深層網(wǎng)絡，模擬大腦學習過程，實現(xiàn)數(shù)據(jù)特征的自動提取、擬合輸入輸出的復雜映射關系，對設備故障進行診斷，預測機電設備的使用壽命?；谏疃葘W習理論的設備故障診斷流程如圖1所示。

3.1? ? 深度學習故障診斷及預測方法

基于深度學習的故障診斷模型訓練方法主要分為有監(jiān)督學習、無監(jiān)督學習、半監(jiān)督混合學習等[5-6]。

3.1.1? ? 有監(jiān)督學習

有監(jiān)督學習的訓練集包括數(shù)據(jù)以及數(shù)據(jù)對應的標簽。通過網(wǎng)絡訓練，獲取數(shù)據(jù)與標簽的映射關系。有監(jiān)督學習可實現(xiàn)數(shù)據(jù)的分類、回歸等功能。

3.1.2? ? 無監(jiān)督學習

無監(jiān)督學習的訓練集只包含數(shù)據(jù)，沒有數(shù)據(jù)標簽，可對缺乏先驗知識的數(shù)據(jù)進行處理。通過無監(jiān)督學習，可發(fā)現(xiàn)數(shù)據(jù)內(nèi)在結(jié)構(gòu)，實現(xiàn)數(shù)據(jù)聚類、數(shù)據(jù)壓縮等功能。

3.1.3? ? 半監(jiān)督混合學習

半監(jiān)督混合學習，是有監(jiān)督學習和無監(jiān)督學習相結(jié)合的學習方法，其樣本數(shù)據(jù)由帶標簽和不帶標簽兩種組成，先通過對帶標簽的數(shù)據(jù)進行學習，再通過對未帶標簽的數(shù)據(jù)進行預測，找到隱藏的結(jié)構(gòu)以不斷更新完善學習模型。半監(jiān)督學習解決的問題主要是如何通過少量含有標簽與大量不含標簽的數(shù)據(jù)進行模型的訓練和學習。

3.2? ? 深度學習故障診斷及預測流程

基于機器深度學習的故障預測流程為：首先對裝備傳感器或試驗數(shù)據(jù)進行收集與處理，然后研究機器深度學習理論形成網(wǎng)絡模型，在此基礎上對基于機器深度學習的故障模型進行訓練，對裝備故障進行特征識別，實現(xiàn)機電故障診斷。

3.2.1? ? 數(shù)據(jù)采集

通過安裝在機電設備上的各種傳感器和數(shù)據(jù)采集系統(tǒng)，采集并監(jiān)測設備狀態(tài)信息，包括電流、電壓、振動、位移、轉(zhuǎn)速以及工藝參數(shù)，如壓力、流量等。系統(tǒng)將設備正常運行及工藝瞬態(tài)的數(shù)據(jù)保存到歷史數(shù)據(jù)庫，當設備發(fā)生異常時，歷史數(shù)據(jù)庫保存狀態(tài)異常期間的狀態(tài)數(shù)據(jù)。

3.2.2? ? 數(shù)據(jù)預處理

（1）無效剔除。由于存在工況變化、環(huán)境干擾、傳感器松動等情況，監(jiān)測數(shù)據(jù)中含有大量的噪點、停機、異常等臟數(shù)據(jù)，這些臟數(shù)據(jù)混雜于機電設備監(jiān)測數(shù)據(jù)庫中，導致監(jiān)測數(shù)據(jù)質(zhì)量降低，影響故障診斷效果。因此，需要根據(jù)機電設備運行特點，利用異常檢測方法對無效數(shù)據(jù)進行自動識別和剔除。

（2）格式規(guī)整。設備監(jiān)測系統(tǒng)長期運行，積累了大量數(shù)據(jù)，這些數(shù)據(jù)蘊含大量有用信息，同時形式多樣，難以直接利用，需要采用數(shù)據(jù)長度匹配、時間節(jié)點對齊、數(shù)據(jù)格式統(tǒng)一等手段進行數(shù)據(jù)格式規(guī)整。

（3）采樣同步。機電設備不同結(jié)構(gòu)、不同轉(zhuǎn)速下的不同零部件存在不同的頻率響應特性，數(shù)據(jù)采集時需采用不同的采樣頻率和采樣長度。但異步的采樣策略無法進行有效的比較分析，為了簡化分析，提高效率，通過采樣同步方法，確定最大頻譜分辨率，對其他數(shù)據(jù)進行重采樣，以確保頻譜分辨率一致。

（4）數(shù)據(jù)去均值。在對機電設備進行監(jiān)測時，由于各種原因，測得的信號均值往往不為0。為了監(jiān)測后續(xù)處理的計算工作量，對數(shù)據(jù)進行去均值處理。

（5）關聯(lián)度分析。關聯(lián)度分析可以找出關鍵變量發(fā)展變化的主要因素，為決策提供依據(jù)。需針對典型故障模式，進行數(shù)據(jù)關聯(lián)度分析。通過關聯(lián)度分析，構(gòu)建實測數(shù)據(jù)與典型故障模式的映射關系。此外，考慮到設備運行工況復雜，過程參數(shù)多變，需要研究振動信號與過程參數(shù)之間的相關性。

（6）深度神經(jīng)網(wǎng)絡訓練。針對機電設備故障診斷的特殊要求和應用場景，確定網(wǎng)絡結(jié)構(gòu)，構(gòu)建深度學習網(wǎng)絡模型。對經(jīng)過采集和數(shù)據(jù)預處理的數(shù)據(jù)進行整理，形成訓練集、驗證集和測試集。將數(shù)據(jù)輸入深度神經(jīng)網(wǎng)絡進行訓練，以自動獲取數(shù)據(jù)中蘊含的特征。使用驗證集對網(wǎng)絡性能進行評價，通過調(diào)整網(wǎng)絡結(jié)構(gòu)和超參數(shù)，完成故障數(shù)據(jù)和故障類別的擬合，從而實現(xiàn)機電設備故障診斷[7]。

3.3? ? 基于深度學習的故障診斷網(wǎng)絡模型

深度學習本質(zhì)上是對數(shù)據(jù)特征進行逐層提取，其中高層特征由低層特征組合而成。常見的深度學習算法有：

3.3.1? ? 自動編碼機

自動編碼機是三層的非監(jiān)督神經(jīng)網(wǎng)絡，分為編碼器與解碼器兩個部分，如圖2所示。輸出層可對輸入信號進行重構(gòu)，使得隱含層向量成為輸入數(shù)據(jù)的一種特征表示。自動編碼機可以單獨使用，也可以通過非監(jiān)督學習方式對深度神經(jīng)網(wǎng)絡進行逐層預訓練，然后以監(jiān)督學習方式微調(diào)整個深度神經(jīng)網(wǎng)絡，使網(wǎng)絡具有識別故障類型的能力。自動編碼機的使用方式需要根據(jù)機電設備監(jiān)測診斷的具體情況而定。

3.3.2? ? 卷積神經(jīng)網(wǎng)絡

卷積神經(jīng)網(wǎng)絡是一種前饋神經(jīng)網(wǎng)絡。通常其輸入為原始信號，也可以使用提取的指標作為輸入。卷積神經(jīng)網(wǎng)絡的基本結(jié)構(gòu)包括兩層[8]：其一為卷積層，每個神經(jīng)元的輸入與前一層的局部感受相連，用于提取前一層輸出的局部特征;其二是池化層，利用最大池化或者平均池化的方式，對特征進行降維，提高識別結(jié)果的魯棒性。

3.3.3? ? 深度稀疏網(wǎng)絡

深度神經(jīng)網(wǎng)絡通過構(gòu)建深層次的模型，結(jié)合大量的訓練數(shù)據(jù)，組合低層特征形成更加抽象的高層特征，從而刻畫數(shù)據(jù)豐富的內(nèi)在信息，最終提升分類精度。由于旋轉(zhuǎn)機械信號存在稀疏特性，因此將稀疏因子引入到深度網(wǎng)絡的建立中，形成深度稀疏網(wǎng)絡，進而對機電設備進行故障診斷。

深度學習方法的目標在于分層次地學習特征，在每一層學習中高層次的特征是由低層次的特征學習構(gòu)成的。在多層次的抽象過程中，自動學習特征可以使機器學習系統(tǒng)從原始數(shù)據(jù)中學習到從輸入映射到輸出的復雜函數(shù)，而不再需要人類完全手工提取特征這樣一個繁重的過程。

4 結(jié)語

機電設備大數(shù)據(jù)具備規(guī)模大、速度快、類型雜、質(zhì)量低、多模態(tài)、強關聯(lián)、高通量等特征。傳統(tǒng)的監(jiān)測診斷算法需依賴大量信號處理知識與診斷經(jīng)驗，無法診斷機電設備大數(shù)據(jù)背下深藏的故障機理。而深度學習作為近幾年來人工智能領域里最新最熱門的技術，可以自適應地提取健康狀況信號頻譜中蘊含的故障信息，適用于表征機械數(shù)據(jù)內(nèi)部隱藏的復雜多變的特性，能夠更準確地識別機電設備健康狀況，提升機電設備運維的可靠性。

[參考文獻]

[1] 雷亞國，賈峰，周昕，等.基于深度學習理論的機械裝備大數(shù)據(jù)健康監(jiān)測方法[J].機械工程學報，2015，51（21）：49-56.

[2] 雷亞國，賈峰，孔德同，等.大數(shù)據(jù)下機械智能故障診斷的機遇與挑戰(zhàn)[J].機械工程學報，2018，54（5）：94-104.

[3] 張士強.基于深度學習的故障診斷技術研究[D].哈爾濱：哈爾濱工業(yè)大學，2018.

[4] 吳立金，夏冉，詹紅燕，等.基于深度學習的故障預測技術研究[J].計算機測量與控制，2018（2）：9-12.

[5] 趙文浩，閻威武.基于數(shù)據(jù)驅(qū)動的故障診斷研究[J].微計算機信息，2010，26（28）：104-106.

[6] 周志華.機器學習[M].北京：清華大學出版社，2016.

[7] 吳魁，王仙勇，孫浩，等.基于深度學習的故障檢測方法[J].計算機測量與控制，2017，25（10）：43-47.

[8] 陳先昌.基于卷積神經(jīng)網(wǎng)絡的深度學習算法與應用研究[D].杭州：浙江工商大學，2013.

收稿日期：2020-04-03

作者簡介：張健鵬（1985—），男，浙江義烏人，高級工程師，從事核電站機電設備、儀控系統(tǒng)設計工作。