四川虹美智能科技有限公司 何 艷

隨著家電的物聯(lián)網化，原來僅能提供功能的家電設備，在擁有了物聯(lián)網功能后，能將設備運行的狀態(tài)上報到云端，對這些數(shù)據(jù)進行處理和分析后能用于設備健康狀態(tài)的判定，對故障進行診斷甚至是預判。

在故障診斷和預判的領域，多數(shù)人都將重心放在了算法方面，忽略了數(shù)據(jù)采集對模型預測的影響。目前圖像識別發(fā)展較快也相對比較成熟，但圖像識別是基于圖片清晰度和像素屬性規(guī)范的數(shù)據(jù)輸入的基礎上做出來的，輸入參數(shù)是豐富而完整的。而家電產品的故障自動診斷中，哪些參數(shù)與故障診斷相關性較強，這些數(shù)據(jù)又如何獲取，這會是決定算法模型好壞的最根本因素。

本文主要討論為做家電產品故障自動診斷而采集數(shù)據(jù)和處理數(shù)據(jù)的方法。

1 數(shù)據(jù)輸入

基于PHM思想，參考美國機械信息管理開放標準聯(lián)盟提出的OSA/CBM體系結構，狀態(tài)監(jiān)測部分和故障預測部分是系統(tǒng)實現(xiàn)的關鍵。其中，狀態(tài)監(jiān)測子系統(tǒng)主要包括數(shù)據(jù)采集（Data Acquire）和數(shù)據(jù)處理(Data Processing)兩個模塊。

數(shù)據(jù)采集模塊中，借助傳感器、自動測試設備、傳統(tǒng)測試工具或者人工目測，采集被測對相關的各種紅參數(shù)和相關信息。

在家電產品中，由于產品數(shù)量多，且受硬件成本的限制，數(shù)據(jù)采集無法采用離線人工采集的方式，也無法應用傳統(tǒng)測試工具或者專業(yè)自動測試設備采集相關數(shù)據(jù)，數(shù)據(jù)采集的來源范圍受限制。

輸入數(shù)據(jù)維度：家電設備運行過程中可采集的數(shù)據(jù)主要有三類：設備運行設定參數(shù)、設備運行狀態(tài)數(shù)據(jù)、傳感器采集的數(shù)據(jù)。在數(shù)據(jù)采集時，對這些數(shù)據(jù)加上設備ID、時間戳等一起上傳到云端。

輸入數(shù)據(jù)精度：對于每一維度的輸入數(shù)據(jù)，最初都按照業(yè)務解釋數(shù)據(jù)進行采集和上傳，比如溫度數(shù)據(jù)為兩位整數(shù)和小數(shù)點后一位，狀態(tài)數(shù)據(jù)則是0或者1。

輸入數(shù)據(jù)采集頻度：數(shù)據(jù)上報主要考慮設備運行過程的狀態(tài)變化快慢，數(shù)據(jù)采集頻度對故障診斷和預判的影響，考慮在線設備數(shù)量的多少，消息服務器的承載能力，存儲服務器的需求，設備持續(xù)增加帶來的服務器負載和容量的增加等因素，綜合設定。

數(shù)據(jù)采集需要論證和驗證。數(shù)據(jù)采集的論證是指根據(jù)設備運行狀態(tài)的機理建立模型，分析健康設備運行的參數(shù)特征，在逐漸運行至發(fā)生故障的過程中參數(shù)的特征，直至故障導致設備無法正常運行的臨界點數(shù)據(jù)的特征。

一般來說，設備運行機理的模型建立，需要對設備系統(tǒng)非常專業(yè)的人來建立，這對人員的專業(yè)性和經驗有著相當高的要求，這時我們可以采取另外一種方式，驗證方法。主要的原理是先采集目前可獲取的數(shù)據(jù)，訓練模型，再用同樣的方法采集數(shù)據(jù)，但增加相應的采集維度，再訓練模型，在不同的輸入數(shù)據(jù)維度上訓練模型的判斷準確率有所不同，從而驗證輸入參數(shù)對于算法的影響程度。

2 數(shù)據(jù)處理

原始采集的數(shù)據(jù)是不均衡數(shù)據(jù)集，即絕大部分數(shù)據(jù)都是健康設備正常工作的瞬時狀態(tài)數(shù)據(jù)，很小部分數(shù)據(jù)是出現(xiàn)故障的狀態(tài)數(shù)據(jù)，還有一部分是設備從正常狀態(tài)逐步過渡到故障狀態(tài)的狀態(tài)數(shù)據(jù)。

從機器學習角度出發(fā)，對于不均衡數(shù)據(jù)集通常會進行一些數(shù)據(jù)處理，比如，從數(shù)據(jù)的角度出發(fā)，主要方法為采樣，分為欠采樣和過采樣以及對應的一些改進方法。從算法角度出發(fā)，考慮不同誤分類情況代價的差異性對算法進行優(yōu)化，主要是基于代價敏感學習算法，代表的算法有adacost。另外可以將不平衡數(shù)據(jù)集的問題考慮為一分類（One Class Learning）或者異常檢測（Novelty Detection）問題，代表的算法有One-class SVM。

在這里，我們從數(shù)據(jù)業(yè)務的角度出發(fā)，考慮故障機理，首先選取所有故障的數(shù)據(jù)，再從正常運行數(shù)據(jù)中抽取與故障數(shù)據(jù)一定比例的正常數(shù)據(jù)，組成數(shù)據(jù)樣本。下面以空調數(shù)據(jù)處理為例，討論數(shù)據(jù)處理過程：

（1）數(shù)據(jù)解析：對數(shù)據(jù)進行全狀態(tài)數(shù)據(jù)解析。

（2）標簽的標定：以特征‘室內機故障’的取值為依據(jù)，對樣本進行分類。其中將存在室內機故障的樣本標為‘0’類（反例），反之標為‘1’類（正例）。‘1’類樣本共計1087個，‘0’類樣本共計709個。

（3）數(shù)據(jù)預處理：

●對缺失值、異常值的處理。異常值采用當前特征列的3*（標準差）原則進行識別。特征‘空調實際運行溫度’含有102個異常值，其中最大的異常值為29，最小的異常值為21（取整數(shù)部分）。對缺失嚴重的特征列及缺失嚴重的樣本行、含有較多異常值的樣本行進行刪除操作；對于特征缺失數(shù)較少的樣本行，采用樣條插值法進行插值補充。

●對關鍵特征的篩選：因在所訓練的深度神經網絡中加入了對各個參數(shù)的L1正則懲罰項，所以在訓練的過程中，模型會自動篩選關鍵特征。故在數(shù)據(jù)的預處理過程中可省略該步驟。

●對離散型特征的處理。該數(shù)據(jù)集中的離散特征含有有序型離散特征和無序型離散特征兩種。對這兩種特征均進行了獨熱編碼。為防止在進行獨熱編碼的過程中，測試集中的特征值在訓練集中從未出現(xiàn)過，因此首先使用‘CategoricalDtype’模塊將這些特征列轉換為全狀態(tài)的類型（即補充所有可能的取值），再對其進行編碼。對于轉化為全狀態(tài)的無序型離散特征，例如‘開關機狀態(tài)’、‘電加熱實際狀態(tài)’等，直接對其進行獨熱編碼，處理為多維的二元啞變量。有序型離散特征列如‘空調當前設定風速’、‘濾網清潔程度’等，因特征值之間具有強弱關系，因此不同強度的特征值用不同大小的數(shù)字來表示強弱關系。例如特征‘空調污染程度’，取值有0級污染、1級污染、2級污染，三個取值由強到弱，分別用數(shù)字1,2,3來代替。原取值之間的強弱關系用數(shù)字的大小關系來傳給模型

●對連續(xù)性特征的處理：對連續(xù)型特征列，例如‘當前室溫’、‘空調運行電流’等，共做了兩種處理，然后根據(jù)模型效果進行擇優(yōu)。其一是直接將連續(xù)型數(shù)據(jù)使用標準差法標準化；標準化的作用是，不同的連續(xù)性特征，其量綱是不同的，有的大有的小，例如要研究某地區(qū)居民的年齡與收入的關系，年齡量綱在1—100，收入量綱遠大于年齡量綱，一般量綱較大的特征會導致模型在該特征的偏重增大，降低模型的精度。其二，首先使用聚類法確定對應連續(xù)型的特征的最優(yōu)劃分區(qū)間，根據(jù)最優(yōu)劃分區(qū)間將連續(xù)型特征進行離散化，并用不同大小的數(shù)字表示不同區(qū)間的權重。該方法存在的Bug是最優(yōu)劃分區(qū)間有時不能覆蓋所有取值不為空的樣本，用該區(qū)間離散化后，易增加當前列的空值。將這兩種方法用于建模，實驗顯示用前者處理過的模型精度較高。

概括來說，不管是離散特征的獨熱編碼還是連續(xù)特征的離散化，都實現(xiàn)了數(shù)據(jù)的數(shù)字化。

●數(shù)據(jù)集的劃分：隨機抽取70%的數(shù)據(jù)作為訓練集、30%的數(shù)據(jù)集做為測試集建模。其中訓練數(shù)據(jù)集的維度為（1257,139），測試數(shù)據(jù)集（539,139）（第二維度包括標簽列）。訓練集中0類樣本數(shù)為499，占比為0.4；測試集中0類樣本數(shù)為210，占比約為0.38。

方法介紹：

3*（標準差）原則：假定數(shù)據(jù)分布符合正態(tài)分布，計算出數(shù)據(jù)的均值與標準差，根據(jù)該原則，數(shù)值分布幾乎全部集中在(均值-3*標準差，均值+3*標準差)區(qū)間，超出這個范圍分布的概率不到0.3%，根據(jù)小概率原理，認為這是不可能發(fā)生的，因此分布在該區(qū)間外的數(shù)據(jù)即為異常值。

樣條插值法：根據(jù)缺失值所在位置上下相鄰的幾個值進行預測。一般取值的數(shù)值分布不是線性關系，樣條插值的擬合效果較好。

L1正則懲罰項：訓練神經網絡的過程就是在訓練一系列的參數(shù)，每一輪訓練的出的參數(shù)，有的比較有用，有的不太有用，L1正則的作用就是過濾掉那些不太有用的參數(shù)。拘役的實現(xiàn)方法是加大那些貢獻值較大的參數(shù)的權重，而減小貢獻值較小的參數(shù)的權重，甚至讓這些參數(shù)的權重為0，這個參數(shù)也就不存在了。

將數(shù)據(jù)取值轉為全狀態(tài)、獨熱編碼：獨熱編碼簡單說就是給某一特征的所有可能取值進行編碼，所有可能取值有幾個就有幾維，每一維的取值不是1就是0。例如，特征‘當前運行模式’的所有可能取值有‘制冷’、‘制熱’、‘除濕’、‘送風’四個值，那么編碼后，這個特征的取值就變成了長度為4的數(shù)組，用這個數(shù)組的第一位表示制冷，……,以此類推。放到集合中，這四位對應的就是四個子特征，分別是‘當前運行模式-制熱’，……以此類推。

最終會把數(shù)據(jù)集劃分為訓練集和測試集，在這兩部分中，對于同一個特征，兩部分內的數(shù)據(jù)的取值是不相同的，也就是說在測試集中的取值有可能在訓練集中從未出現(xiàn)過，這會造成在獨熱編碼后，訓練集測試集的維度不一樣。所以用這個模塊，現(xiàn)將這兩部分中的所有數(shù)據(jù)的取值都轉換為全狀態(tài)，統(tǒng)一了維度后再進行編碼，即可避免維度不一的問題。

經過數(shù)據(jù)采集、數(shù)據(jù)處理以后再選擇相應合適的算法模型進行訓練和測試。

結束語：家電產品的數(shù)據(jù)采集策略會對故障診斷和預判產生重要影響，在實際工作中需要結合產品系統(tǒng)運行機理和數(shù)據(jù)采集分析實驗，綜合尋找最合適的數(shù)據(jù)采集和處理方案。