王加昌 唐 雷 王媛美 鄭丹晨 趙 欣

（中國核動(dòng)力研究設(shè)計(jì)院核反應(yīng)堆系統(tǒng)設(shè)計(jì)技術(shù)重點(diǎn)實(shí)驗(yàn)室，四川 成都610213）

0 引言

隨著新工業(yè)革命時(shí)代的開啟，物聯(lián)網(wǎng)、工業(yè)互聯(lián)網(wǎng)、人工智能等技術(shù)成為舞臺上最受矚目的新星。在這些新興技術(shù)的推動(dòng)下，工業(yè)領(lǐng)域中的大數(shù)據(jù)環(huán)境正在逐漸形成，數(shù)據(jù)從制造過程中的副產(chǎn)品轉(zhuǎn)變成為備受企業(yè)關(guān)注的戰(zhàn)略資源。然而，如何利用這些大數(shù)據(jù)更好地為企業(yè)生產(chǎn)經(jīng)營服務(wù)仍然處于探索階段。一個(gè)比較明確且有前途的方向是將大數(shù)據(jù)應(yīng)用到高精密生產(chǎn)設(shè)備的智能維保中。這個(gè)概念最早是由美國提出的。早在2003年，美國國防部為了減少戰(zhàn)斗機(jī)的高額維保費(fèi)用，提升設(shè)備的完好率和任務(wù)成功率，在其聯(lián)合戰(zhàn)斗機(jī)計(jì)劃中提出了故障預(yù)測與健康管理（Prognostics Health Management，PHM）的概念。PHM指在通過傳感器監(jiān)測設(shè)備運(yùn)行的各項(xiàng)參數(shù)，通過大數(shù)據(jù)分析故障發(fā)生的周期、區(qū)域和類型，并以此為基礎(chǔ)預(yù)測設(shè)備的剩余使用壽命，從而制定積極主動(dòng)的設(shè)備維護(hù)保障措施[1]。鑒于PHM的有效性，美國航空航天局隨后跟進(jìn)了PHM技術(shù)，將其應(yīng)用到飛行器以及衛(wèi)星電池的維護(hù)保障中，并組織成立了PHM學(xué)會(huì)向工業(yè)界推廣PHM技術(shù)。

故障診斷是PHM的核心功能之一，其目標(biāo)是基于大數(shù)據(jù)分析技術(shù)診斷設(shè)備的故障類型。在過去，故障診斷大多靠人工檢查設(shè)備的健康狀態(tài)，增加了人工強(qiáng)度，并且診斷準(zhǔn)確率不高。高級的信號處理方法可以幫助確認(rèn)設(shè)備在何處發(fā)生故障以及發(fā)送故障的類別。然而，這些方法都極大地依靠專業(yè)知識。此外，通過信號處理手段得到的數(shù)據(jù)對于設(shè)備的使用和維護(hù)人員來說過于專業(yè)，通常難以理解。因此，基于傳感器數(shù)據(jù)的智能故障診斷方法已經(jīng)逐漸取代傳統(tǒng)人工方法成為設(shè)備故障診斷的主流方法。這類數(shù)據(jù)驅(qū)動(dòng)的方法優(yōu)勢是自動(dòng)識別設(shè)備的故障類型，具有良好的擴(kuò)展性，不再依賴領(lǐng)域?qū)＜业慕?jīng)驗(yàn)。

早期數(shù)據(jù)驅(qū)動(dòng)的設(shè)備故障診斷方法主要采用淺層結(jié)構(gòu)的機(jī)器學(xué)習(xí)模型來進(jìn)行診斷，例如，人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等。隨著深度神經(jīng)網(wǎng)絡(luò)的飛速發(fā)展，自編碼器、受限玻爾茲曼機(jī)、卷積神經(jīng)網(wǎng)絡(luò)、殘差網(wǎng)絡(luò)等深度學(xué)習(xí)模型也被應(yīng)用到故障診斷中，并取得了優(yōu)異的診斷性能[2]。本文對目前最新的故障診斷方法展開研究，歸納基于機(jī)器學(xué)習(xí)的故障診斷方法的基本流程，介紹了用于故障診斷的4種機(jī)器學(xué)習(xí)模型，最后，對未來的研究趨勢進(jìn)行了展望。

2 故障診斷問題及建模的基本流程

基于機(jī)器學(xué)習(xí)的故障診斷方法通常被建模為一個(gè)有監(jiān)督的多分類問題，如圖1所示。方法分為兩個(gè)階段。在訓(xùn)練階段，將有標(biāo)記的訓(xùn)練樣本輸入機(jī)器學(xué)習(xí)模型，判斷當(dāng)前設(shè)備所處的故障類型，通過最小化模型分類錯(cuò)誤來優(yōu)化模型參數(shù)，從而得到最優(yōu)的故障診斷模型。在診斷階段，將不帶標(biāo)記的樣本輸入到故障診斷模型，計(jì)算當(dāng)前設(shè)備的故障類型。其中的關(guān)鍵點(diǎn)主要集中在兩個(gè)方面：第一個(gè)關(guān)鍵點(diǎn)是如何構(gòu)造樣本，即設(shè)備的哪些狀態(tài)參數(shù)作為樣本特征；第二個(gè)關(guān)鍵點(diǎn)是如何設(shè)計(jì)機(jī)器學(xué)習(xí)模型的結(jié)構(gòu)，以取得最準(zhǔn)確的分類結(jié)果。

圖1 基于機(jī)器學(xué)習(xí)的故障診斷方法的兩個(gè)階段

基于有標(biāo)簽樣本集建立多分類器的基本流程如圖2所示，包括數(shù)據(jù)收集、特征預(yù)處理、建模3個(gè)步驟，本節(jié)將對其進(jìn)行簡要介紹。首先，是數(shù)據(jù)收集，主要通過設(shè)備中安裝的傳感器實(shí)時(shí)采集數(shù)據(jù)，通常一個(gè)設(shè)備上會(huì)安裝多個(gè)傳感器，采集振動(dòng)信號、聲發(fā)射信號、溫度和電流值等。其次，是特征預(yù)處理，采集到的數(shù)據(jù)可能是頻域數(shù)據(jù)，也可能是時(shí)域數(shù)據(jù)，或者時(shí)頻域數(shù)據(jù)，因此，需要對這些數(shù)據(jù)進(jìn)行預(yù)處理，以使這些數(shù)據(jù)適合于機(jī)器學(xué)習(xí)和模型學(xué)習(xí)。最后是故障診斷模型建模，通常包括模型設(shè)計(jì)和模型訓(xùn)練兩個(gè)步驟。

圖2 基于機(jī)器學(xué)習(xí)的故障診斷方法的基本流程

3 設(shè)備故障診斷模型

早期的設(shè)備故障診斷通常依賴于專家的經(jīng)驗(yàn)知識。例如，一個(gè)專業(yè)的工程師可以通過不尋常的聲音診斷機(jī)械的故障，或者通過信號處理技術(shù)分析軸承的震動(dòng)信號來定位軸承的問題。顯然，這種依賴人工判斷的方法在準(zhǔn)確度、擴(kuò)展性、實(shí)時(shí)性等方面都存在較大的問題。近年來，隨著傳感器技術(shù)的飛速發(fā)展，通過在精密設(shè)備上安裝傳感器來采集設(shè)備的實(shí)時(shí)運(yùn)行數(shù)據(jù)成為可能，伴隨海量數(shù)據(jù)集的誕生，利用機(jī)器學(xué)習(xí)模型來建立故障分類器成為目前故障診斷研究的最熱門的領(lǐng)域。這類數(shù)據(jù)驅(qū)動(dòng)的診斷方法能自動(dòng)根據(jù)設(shè)備的運(yùn)行狀態(tài)數(shù)據(jù)診斷設(shè)備的故障類型，在準(zhǔn)確度、擴(kuò)展性、實(shí)時(shí)性等方面都比人工方法更有優(yōu)勢。本文介紹4個(gè)用于故障診斷的代表性機(jī)器學(xué)習(xí)模型，分別是屬于淺層結(jié)構(gòu)的支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)；屬于深度神經(jīng)網(wǎng)絡(luò)的堆疊自編碼器和深度卷積神經(jīng)網(wǎng)絡(luò)。

3.1 基于淺層結(jié)構(gòu)的機(jī)器學(xué)習(xí)模型

在傳統(tǒng)的淺層機(jī)器學(xué)習(xí)模型中，最主要采用的兩種模型是支持向量機(jī)[3]和人工神經(jīng)網(wǎng)絡(luò)[4]。首先，介紹基于支持向量機(jī)的故障診斷模型。支持向量機(jī)（Support Vector Machines，SVM）是一種二分類模型，它的基本模型是定義在特征空間上的間隔最大的線性分類器，如圖3所示。在線性不可分的情況下，SVM通過非線性變換將輸入空間變換到一個(gè)高維特征空間，在這個(gè)新空間中求解最優(yōu)線性分類面。由于SVM只能進(jìn)行二分類，而故障診斷通常是一個(gè)多分類問題，因此，需要分別建立多個(gè)SVM，再擴(kuò)展成一個(gè)多分類器。目前，已有的擴(kuò)展策略主要包括：一對多、一對一、決策樹、決策導(dǎo)向無環(huán)圖等。圖4展示了采用一對多法進(jìn)行多分類擴(kuò)展的結(jié)構(gòu)示意圖。假設(shè)訓(xùn)練樣本中包括K類故障狀態(tài)，因此，需要構(gòu)造K個(gè)二分類的SVM，每個(gè)SVM分別以一類故障樣本作為正樣本，其余所有樣本為負(fù)樣本進(jìn)行訓(xùn)練。采用SVM的優(yōu)勢在于通過最小化結(jié)構(gòu)風(fēng)險(xiǎn)來進(jìn)行模型參數(shù)訓(xùn)練，理論嚴(yán)謹(jǐn)有助于提高模型的可解釋性。其次，SVM的優(yōu)化目標(biāo)解決方法是凸二次優(yōu)化算法，因此，診斷模型可以很容易地獲得全局最優(yōu)解，進(jìn)而獲得較高的診斷準(zhǔn)確度。SVM方法的缺點(diǎn)在于其分類性能嚴(yán)重依賴于對核函數(shù)的選擇，不適合的核函數(shù)會(huì)導(dǎo)致分類性能急劇下降。此外，在SVM中很難利用傳感器采集的時(shí)序數(shù)據(jù)，然而某些特征值的時(shí)序變化對于故障分類是非常有價(jià)值的。

圖3 SVM分類原理

圖4 擴(kuò)展的SVM多分類器

另一種在故障診斷中代表性的機(jī)器學(xué)習(xí)模型是人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)，其結(jié)構(gòu)圖如圖5所示。它包括1個(gè)輸入層，1個(gè)包含若干神經(jīng)元的隱藏層和1個(gè)最終的輸出層，輸出層的神經(jīng)元個(gè)數(shù)為機(jī)器故障的類型數(shù)，每個(gè)輸出節(jié)點(diǎn)輸出的是輸入樣本對應(yīng)每種故障類型的概率。ANN通過模仿人類的神經(jīng)網(wǎng)絡(luò)行為來實(shí)現(xiàn)多分類任務(wù)。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而實(shí)現(xiàn)對高階特征隱含信息的挖掘，具有自動(dòng)學(xué)習(xí)和總結(jié)的能力。傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)通常只包含1個(gè)隱藏層，因此模型參數(shù)訓(xùn)練可以采用BP算法完成。與SVM類似，ANN的主要缺點(diǎn)在于不能處理時(shí)序的設(shè)備狀態(tài)數(shù)據(jù)，而只包含1個(gè)隱藏層，導(dǎo)致對高階特征組合的挖掘能力有限。

圖5 基于ANN的多分類器

3.2 基于深度神經(jīng)網(wǎng)絡(luò)的方法

隨著深度神經(jīng)網(wǎng)絡(luò)在自然語言處理和圖像識別方面取得巨大成功。深度神經(jīng)網(wǎng)絡(luò)也被引入設(shè)備故障的智能診斷中。目前，主要的深度神經(jīng)網(wǎng)絡(luò)包括堆疊自編碼器（Stacked Auto-Encoder，SAE）、深度信念網(wǎng)絡(luò)（Deep Belief Network，DBN）、深度卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolution Neural Network，DCNN）、殘差網(wǎng)絡(luò)（Residual network，ResNet）等。本文選擇其中兩種代表性的模型進(jìn)行介紹。圖6展示了堆疊自編碼器[2]用于建立故障分類器的結(jié)構(gòu)圖。如圖6所示，它通常包含了多個(gè)自編碼器，每個(gè)自編碼器生成的隱向量將作為下一個(gè)自編碼器的輸入，最后一個(gè)自編碼器的隱向量輸入到一個(gè)softmax分類器中進(jìn)行分類，通過最小化分類誤差來優(yōu)化模型參數(shù)。深度卷積神經(jīng)網(wǎng)絡(luò)[5]一種局部連接和權(quán)重共享的深度前饋神經(jīng)網(wǎng)絡(luò)。典型深度卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖7所示。它包括若干卷積層和池化層，最后通過一個(gè)softmax函數(shù)來完成故障分類。

圖6 基于SAE的故障診斷模型結(jié)構(gòu)

圖7 基于DCNN的故障診斷模型結(jié)構(gòu)

4 未來的研究趨勢

本文對基于機(jī)器學(xué)習(xí)的故障診斷模型展開了研究，描述了建模的基本流程和幾種典型的用于故障診斷的機(jī)器學(xué)習(xí)模型。雖然這類數(shù)據(jù)驅(qū)動(dòng)方法展示出了令人滿意的結(jié)果，但是作為新一代的主流故障診斷方法仍然存在一些重大的挑戰(zhàn)。本節(jié)從這些挑戰(zhàn)出發(fā)闡述該領(lǐng)域未來的研究趨勢。

第一個(gè)挑戰(zhàn)是來自傳感器數(shù)據(jù)本身，機(jī)器學(xué)習(xí)的基礎(chǔ)是構(gòu)建大規(guī)模的高質(zhì)量數(shù)據(jù)集，然而在工業(yè)場景是多種多樣的，采集到的數(shù)據(jù)很可能存在缺失、噪聲干擾導(dǎo)致的異常等問題，如何辨別出異常數(shù)據(jù)，進(jìn)行有效清洗，從而提升數(shù)據(jù)質(zhì)量將是一個(gè)有價(jià)值的研究方向。此外，通過傳感器采集的數(shù)據(jù)雖然很多，但其中絕大多數(shù)都是設(shè)備正常運(yùn)行的數(shù)據(jù)，只有在設(shè)備發(fā)生故障之前的一段時(shí)間采集的數(shù)據(jù)才對故障診斷模型訓(xùn)練真正有用。因此，實(shí)際構(gòu)建訓(xùn)練樣本集時(shí)，可用樣本數(shù)量其實(shí)是非常稀少的，從而導(dǎo)致模型學(xué)習(xí)不充分。目前，比較有前途的解決方法是利用遷移學(xué)習(xí)技術(shù)來增加有效樣本數(shù)量。

第二個(gè)挑戰(zhàn)是對采集數(shù)據(jù)進(jìn)行手動(dòng)和自動(dòng)的特征工程。因?yàn)樵O(shè)備上采集的實(shí)時(shí)傳感器數(shù)據(jù)是多種多樣的，并不是每個(gè)特征數(shù)據(jù)都與故障診斷有關(guān)，將無關(guān)特征數(shù)據(jù)作為樣本特征值輸入到模型可能會(huì)降低模型的分類性能。為此，通常基于人工對采集的數(shù)據(jù)進(jìn)行特征選擇和組合，而手動(dòng)特征工程通常缺少擴(kuò)展性，而且也嚴(yán)重依賴領(lǐng)域?qū)＜业姆治?。目前，一個(gè)比較有前途的方向是采用簡單且可解釋的機(jī)器學(xué)習(xí)模型對數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練，從而自動(dòng)分析出哪些特征和特征組合對于故障分類是有切實(shí)幫助的。

第三個(gè)挑戰(zhàn)是對故障分類模型的設(shè)計(jì)，在現(xiàn)實(shí)中，技術(shù)更成熟、采用更多的是淺層結(jié)構(gòu)的機(jī)器學(xué)習(xí)，例如，支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)等。然而目前一些最新研究指出深度神經(jīng)網(wǎng)絡(luò)對于挖掘復(fù)雜特征組合之間的隱含攜帶信息更為有效。未來進(jìn)一步確認(rèn)這些深度神經(jīng)網(wǎng)絡(luò)在故障診斷方面的性能，以及結(jié)合傳統(tǒng)模型和深度學(xué)習(xí)模型來進(jìn)行故障診斷可能也是非常有前景的研究方向。此外，深度神經(jīng)網(wǎng)絡(luò)往往缺乏可解釋性，因此，如何結(jié)合物理模型來解釋利用深度神經(jīng)網(wǎng)絡(luò)挖掘到的一些關(guān)鍵組合特征信息也是非常有意義的一件事情。

第四個(gè)挑戰(zhàn)是建立不同應(yīng)用場景下的不同設(shè)備故障診斷基準(zhǔn)數(shù)據(jù)集和基準(zhǔn)模型，也是對進(jìn)一步推進(jìn)機(jī)器學(xué)習(xí)模型在故障診斷中的研究以及落地應(yīng)用有非常積極的作用。NASA和PHM協(xié)會(huì)已經(jīng)開放了若干故障診斷數(shù)據(jù)集供相關(guān)研究者研究，目前，我國在這方面還處于起步階段，雖然也公開了一些數(shù)據(jù)集，例如，2017年中國工業(yè)大數(shù)據(jù)創(chuàng)新競賽提供風(fēng)機(jī)故障數(shù)據(jù)，但是在影響力和研究廣度方面與NASA和PHM的數(shù)據(jù)集仍有較大的差距。

除了上述技術(shù)方面的挑戰(zhàn)，目前阻礙故障診斷研究進(jìn)展的主要困難其實(shí)是跨領(lǐng)域人才的缺乏。先進(jìn)工業(yè)企業(yè)可能有大量有經(jīng)驗(yàn)的設(shè)備專家，但是這些專家通常不具備大數(shù)據(jù)分析的能力，而專業(yè)的數(shù)據(jù)分析人才又可能對機(jī)械設(shè)備的物理模型、運(yùn)轉(zhuǎn)原理缺乏理解。因此，培養(yǎng)復(fù)合型人才或者加強(qiáng)兩者的緊密合作，將會(huì)極大地促進(jìn)設(shè)備故障診斷方法的研究工作。