趙 祥，薛誓穎

（河南職業(yè)技術(shù)學(xué)院，河南 鄭州 450006）

0 引 言

早期在設(shè)備發(fā)生故障時(shí)，一般由專業(yè)的維修人員觀察設(shè)備運(yùn)行狀態(tài)，測試其噪聲、軌跡、溫度、振動等參數(shù)的異常變化，與正常狀態(tài)比對，根據(jù)長期積累的維修經(jīng)驗(yàn)做出故障診斷。然而，該方法耗時(shí)耗力，且對維修人員的水平要求較高，因此隨著智能制造的不斷發(fā)展，對設(shè)備故障的及時(shí)準(zhǔn)確診斷和分析成了當(dāng)務(wù)之急。傳統(tǒng)的故障診斷模型多是基于設(shè)備工作原理建立正向的數(shù)學(xué)模型，通過實(shí)時(shí)分析各個(gè)環(huán)節(jié)之間的異常情況來分析設(shè)備的工作狀態(tài)。但是隨著多模態(tài)、不確定性、密度大等特性工業(yè)現(xiàn)場的出現(xiàn)，想要建立精準(zhǔn)的數(shù)學(xué)模型十分困難。為了能夠進(jìn)一步提高診斷效率，滿足新時(shí)期大數(shù)據(jù)特性的工業(yè)現(xiàn)場，對更高水平的故障診斷方法提出了新的需求。

1 基于人工智能的故障診斷

由于工業(yè)現(xiàn)場設(shè)備的復(fù)雜性、智能化和集成化程度的不斷提高，傳統(tǒng)的診斷方法已經(jīng)難以滿足發(fā)展需求，基于人工智能的故障診斷技術(shù)顯得愈發(fā)重要。與傳統(tǒng)故障診斷方法相比，人工智能的故障診斷模型從原理驅(qū)動變成由數(shù)據(jù)驅(qū)動，并不需要詳細(xì)了解設(shè)備的工作原理及故障原因；通過采集設(shè)備正常工況與故障狀態(tài)下的歷史數(shù)據(jù)，構(gòu)建人工智能網(wǎng)絡(luò)模型；通過模擬人類思維模式對數(shù)據(jù)進(jìn)行學(xué)習(xí)、解讀和分析，獲得數(shù)據(jù)的潛在特征，同時(shí)模型的網(wǎng)絡(luò)權(quán)重會依照數(shù)據(jù)的屬性自動更新，以此提高提取特征的能力，從而建立合適的診斷模型。

1.1 基于神經(jīng)網(wǎng)絡(luò)的診斷模型

神經(jīng)網(wǎng)絡(luò)涉及信息科學(xué)、自動控制、模式識別等多個(gè)領(lǐng)域，憑借多維度、非線性等動力學(xué)特性，能夠模仿人類的直覺聯(lián)想與記憶功能，這在非線性系統(tǒng)的故障診斷方面有很大的優(yōu)勢。神經(jīng)網(wǎng)絡(luò)模型由輸入層、隱藏層與輸出層三層組成，每一層都有對應(yīng)的神經(jīng)網(wǎng)絡(luò)與下一層連接，如圖1所示。其中輸入層直接連接輸入的數(shù)據(jù)，用于獲取歷史數(shù)據(jù)信息，進(jìn)行標(biāo)準(zhǔn)化后傳給下一層；隱藏層的作用是進(jìn)行特征提取，可以通過調(diào)整權(quán)重讓隱藏層的神經(jīng)單元對某種模式形成反應(yīng)，提取出數(shù)據(jù)所蘊(yùn)含的結(jié)構(gòu)特性，隨著網(wǎng)絡(luò)結(jié)構(gòu)層數(shù)加深，隱藏在數(shù)據(jù)中的特征屬性逐漸顯現(xiàn)出來，最終得到原始數(shù)據(jù)的抽象表示方法；輸出層用于連接隱藏層并輸出模型的結(jié)果，通過調(diào)整權(quán)重以對不同的隱藏層神經(jīng)元刺激形成正確的反應(yīng)，輸出模型的運(yùn)算結(jié)果。

圖1 神經(jīng)網(wǎng)絡(luò)模型

1.2 基于專家系統(tǒng)的診斷模型

憑借對于復(fù)雜性和經(jīng)驗(yàn)性問題的強(qiáng)大解決能力，專家系統(tǒng)成為智能診斷模型中發(fā)展最廣的一類。它是一種基于特定領(lǐng)域內(nèi)大量知識與經(jīng)驗(yàn)的診斷系統(tǒng)，整合專家的豐富經(jīng)驗(yàn)及思路，構(gòu)建診斷故障案例知識庫、解釋器和推理機(jī)，通過知識庫所包含的故障知識及規(guī)則庫傳遞的規(guī)則，解釋器合理地解釋設(shè)備所出現(xiàn)的故障現(xiàn)象，如圖2所示。

圖2 專家系統(tǒng)結(jié)構(gòu)

從系統(tǒng)框架來看，知識庫包含診斷對象的模型知識與人類專家的經(jīng)驗(yàn)知識，覆蓋了系統(tǒng)的各種故障工況，并由工程師設(shè)定了合適的算法與規(guī)則。當(dāng)推理機(jī)讀取到異常數(shù)據(jù)后模型能夠進(jìn)行故障監(jiān)測、分析與處理等過程，幫助用戶進(jìn)行決策，如同專家親臨現(xiàn)場一樣對系統(tǒng)進(jìn)行故障診斷。

1.3 基于故障樹分析的診斷模型

故障樹分析法作為一種圖形演繹法，對系統(tǒng)各部分之間的邏輯與因果關(guān)系進(jìn)行展示。它通過分析系統(tǒng)故障的可能因素，由整體到局部層層細(xì)化展開，能夠清楚地體現(xiàn)各個(gè)故障間的脈絡(luò)聯(lián)系?；诠收蠘涞慕Ａ鞒倘鐖D3所示。

圖3 故障樹結(jié)構(gòu)

頂事件是指故障樹系統(tǒng)中最需要避免發(fā)生的故障，可能導(dǎo)致系統(tǒng)發(fā)生頂事件的其他故障狀態(tài)為中間事件。把頂事件的預(yù)防及診斷作為模型的首要目標(biāo)，搜尋出可能誘發(fā)頂事件的中間事件，逐層展開對各個(gè)事件進(jìn)行定性分析，尋找出故障樹的所有最小割集，以此得到故障發(fā)生幾率并及時(shí)采取措施。對于故障樹模型來說，運(yùn)行時(shí)間越長規(guī)則就越豐富，對于故障的診斷精度和速率也就會越高。

1.4 基于模糊理論的診斷模型

作為故障診斷領(lǐng)域最成功的診斷模型，模糊診斷方法是通過收集系統(tǒng)數(shù)據(jù)、專家經(jīng)驗(yàn)等，運(yùn)用模糊理論對這些信息進(jìn)行模糊建模、模糊聚類處理，得出診斷結(jié)果。模糊理論結(jié)構(gòu)如圖4所示，它具有清晰的結(jié)構(gòu)特性，模糊診斷并不需要建立精確的系統(tǒng)數(shù)學(xué)模型，而是通過模擬人類處理問題的方式進(jìn)行分析，對于復(fù)雜系統(tǒng)也具有較強(qiáng)的泛化性。

圖4 模糊理論結(jié)構(gòu)

面對實(shí)際工業(yè)現(xiàn)場大量無法定量分析的故障，模糊原理通過知識庫將各狀態(tài)的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，之后通過聚類等推理手段得到一階矩陣，再通過解模糊化后判斷輸出故障所屬的子集，從而對故障類型進(jìn)行診斷。針對無法獲取精確數(shù)據(jù)與模型的系統(tǒng)，這種診斷方法表現(xiàn)出較高的可靠性。

2 人工智能診斷模型的發(fā)展

工業(yè)現(xiàn)場的復(fù)雜性與不可預(yù)知性對于系統(tǒng)的故障預(yù)測方法也提出了更高的要求，單一的人工智能故障診斷模型較難獲取準(zhǔn)確、完備、有效的診斷知識。因此針對復(fù)雜系統(tǒng)的工業(yè)現(xiàn)場，人工智能的故障診斷模型也衍生出了新的特性。

2.1 多信息融合診斷

人工智能的故障診斷模型通常是靠加速度傳感器采集振動信號。隨著電子技術(shù)與信號檢測技術(shù)的不斷提高，更多類別的傳感器繁衍而出，利用多維度的數(shù)據(jù)信息對故障進(jìn)行診斷分析也變得更加容易，例如設(shè)備的振動、噪聲、溫濕度、壓力、扭矩等，多方位的信息代表了設(shè)備更加詳細(xì)的工況，為故障診斷模型提供更多用于訓(xùn)練的變量，能夠有效地提高模型訓(xùn)練精度與準(zhǔn)確率，降低外部因素的影響，增強(qiáng)診斷模型的魯棒性。

2.2 復(fù)合故障診斷

傳統(tǒng)的解析模型法或基于人工智能的診斷方法，通常僅能診斷單一故障類型，然而實(shí)際工業(yè)現(xiàn)場并不會如此理想化，多種故障同時(shí)發(fā)生的情況屢見不鮮。針對復(fù)合故障診斷問題，一些學(xué)者提出了多標(biāo)簽K近鄰算法等多標(biāo)簽分類方法，通過挖掘故障數(shù)據(jù)與不同故障類型間的聯(lián)系和相關(guān)性強(qiáng)弱，提取節(jié)點(diǎn)的社會特征，構(gòu)造分類器對不同維度的數(shù)據(jù)進(jìn)行標(biāo)簽分類，能夠在設(shè)備復(fù)合故障的情況下準(zhǔn)確地進(jìn)行診斷分析。

2.3 潛在故障預(yù)警

工業(yè)現(xiàn)場設(shè)備的長期運(yùn)行會不可避免地導(dǎo)致設(shè)備疲勞和早期故障，通過模型數(shù)據(jù)無法分析出這些異常，系統(tǒng)仍能正常運(yùn)轉(zhuǎn)，甚至有部分間歇故障能夠自行消失，可是當(dāng)模型能夠診斷出故障時(shí)已經(jīng)為時(shí)已晚。因此要求模型能夠基于大數(shù)據(jù)監(jiān)測，根據(jù)系統(tǒng)運(yùn)行規(guī)律或數(shù)據(jù)變化趨勢，對系統(tǒng)的早期故障與異常及時(shí)發(fā)現(xiàn)并預(yù)警，從而進(jìn)行養(yǎng)護(hù)和采取針對性維護(hù)策略，將系統(tǒng)的潛在隱患消除。

2.4 混合診斷模型

混合診斷模型包含傳統(tǒng)的信號處理方法與人工智能模型，也包含多個(gè)人工智能模型混合診斷。信號處理方法能夠?qū)⒐I(yè)現(xiàn)場的海量數(shù)據(jù)進(jìn)行處理分析，再交于人工智能建模診斷，能夠有效提高模型的學(xué)習(xí)速度與準(zhǔn)確率。針對不同模型的特點(diǎn)，取長補(bǔ)短、優(yōu)勢互補(bǔ)，實(shí)現(xiàn)不同模型混合診斷，這對多模態(tài)、大數(shù)據(jù)、不確定性的工業(yè)現(xiàn)場十分重要。

3 人工智能診斷模型的挑戰(zhàn)

通過人工智能采集設(shè)備的運(yùn)行狀態(tài)，以數(shù)據(jù)為驅(qū)動分析變量間的因果關(guān)系，數(shù)據(jù)呈現(xiàn)的類型將對模型訓(xùn)練的結(jié)果產(chǎn)生重要影響。近些年人工智能在故障診斷上發(fā)展迅速，但同樣存在一些挑戰(zhàn)。

（1）人工智能的診斷方法本質(zhì)是通過學(xué)習(xí)工業(yè)現(xiàn)場的海量數(shù)據(jù)進(jìn)行建模，而對于大數(shù)據(jù)的快速處理與特征識別一直是困擾工程師的問題，如何能夠得到與分析準(zhǔn)確有效的系統(tǒng)數(shù)據(jù)是人工智能建模的首要難題。

（2）模型的建立是通過分析歷史故障數(shù)據(jù)進(jìn)行的，因此人工智能僅能學(xué)習(xí)到曾經(jīng)表現(xiàn)出來的故障類型；而對于從未出現(xiàn)過的故障，即使數(shù)據(jù)已經(jīng)出現(xiàn)異常，模型仍有可能無法識別。

（3）人工智能診斷模型不同于正向分析的數(shù)學(xué)模型，而是由多個(gè)深度學(xué)習(xí)智能網(wǎng)絡(luò)搭建而成。對于模型的理解更像是一個(gè)“黑匣子”，僅能得出模型的預(yù)測結(jié)果而無法進(jìn)行理論上的解釋，可能難以解釋系統(tǒng)故障的發(fā)生原因。

4 結(jié) 語

隨著新一輪《工業(yè)5.0》的提出，先進(jìn)工業(yè)設(shè)備與穩(wěn)定的運(yùn)行需求對系統(tǒng)的故障診斷提出了新要求，基于人工智能的故障診斷方法為工業(yè)現(xiàn)場的高效平穩(wěn)運(yùn)行提供了保障。本文以人工智能的發(fā)展為基礎(chǔ)，闡述了常見的人工智能故障診斷模型原理及應(yīng)用，并提出將來的發(fā)展方向與潛在的挑戰(zhàn)，對工業(yè)設(shè)備的智能化故障診斷發(fā)展提供了一定幫助。