孫宇航，崔 策，許少凡，黃宇斐

（廣州機(jī)械科學(xué)研究院有限公司設(shè)備潤(rùn)滑與檢測(cè)研究所，廣東廣州 511356）

0 引言

在機(jī)械工業(yè)領(lǐng)域，裝備的可靠運(yùn)行至關(guān)重要，一旦出現(xiàn)故障導(dǎo)致停機(jī)，輕則延誤生產(chǎn)造成企業(yè)經(jīng)濟(jì)損失，重則危害人員的生命安全，通過(guò)科學(xué)手段保障設(shè)備的可靠運(yùn)行意義重大[1]。設(shè)備維護(hù)既能確保系統(tǒng)穩(wěn)定與可靠運(yùn)行，同時(shí)也顯著降低了維護(hù)和維修成本，因此成為重點(diǎn)研究對(duì)象。隨著我國(guó)工業(yè)制造與設(shè)計(jì)技術(shù)水平的突飛猛進(jìn)，機(jī)械設(shè)備系統(tǒng)日趨復(fù)雜，其安全性、可靠性及智能化要求也在不斷提高。由于多數(shù)工業(yè)裝備結(jié)構(gòu)復(fù)雜、工況惡劣、數(shù)據(jù)采集頻率高、裝備觀測(cè)部件多、工作時(shí)間久，工業(yè)數(shù)據(jù)的增長(zhǎng)速度比以往任何時(shí)期都要迅猛，為積累海量的機(jī)械狀態(tài)數(shù)據(jù)打下堅(jiān)定基礎(chǔ)[2]。

1 國(guó)內(nèi)外研究現(xiàn)狀

實(shí)現(xiàn)故障智能診斷通常包括3 個(gè)步驟：工業(yè)大數(shù)據(jù)收集，特征工程，模型建立與故障預(yù)測(cè)。

1.1 工業(yè)大數(shù)據(jù)收集

目前主流的設(shè)備狀態(tài)監(jiān)測(cè)數(shù)據(jù)主要來(lái)源于光電、熱敏、氣敏、力敏、磁敏、聲敏、濕敏等多種類別的工業(yè)傳感器，采集的數(shù)據(jù)類型主要以振動(dòng)信號(hào)、音頻信號(hào)及圖像數(shù)據(jù)為主[3]。與傳統(tǒng)數(shù)據(jù)相比，工業(yè)大數(shù)據(jù)具有海量、類型多樣、增長(zhǎng)速度快等特點(diǎn)，但也包含結(jié)構(gòu)各異、碎片化及價(jià)值密度低的現(xiàn)象，大數(shù)據(jù)的處理已然成為無(wú)法回避的問(wèn)題[4]。目前，國(guó)內(nèi)的工業(yè)大數(shù)據(jù)平臺(tái)在治理準(zhǔn)則、處理方法等方面難以滿足工業(yè)智能化的要求，如何治理非結(jié)構(gòu)化的工業(yè)數(shù)據(jù)已成為目前機(jī)械故障智能診斷下新的難點(diǎn)[5]。許多學(xué)者在治理框架上提出許多創(chuàng)新方案，但普遍認(rèn)為治理工業(yè)大數(shù)據(jù)應(yīng)遵循以下原則；①大數(shù)據(jù)管理服務(wù)化；②自動(dòng)化數(shù)據(jù)質(zhì)量評(píng)分；③可視化集成平臺(tái)；④數(shù)據(jù)治理準(zhǔn)則。

1.2 特征工程

特征工程即通過(guò)轉(zhuǎn)換、提取或選擇等方式將原始數(shù)據(jù)轉(zhuǎn)化為模型需要的訓(xùn)練數(shù)據(jù)的過(guò)程，最大限度地提取表征數(shù)據(jù)以供模型學(xué)習(xí)。

特征工程包括特征選擇、特征構(gòu)建、特征提取3 種方法，目的都是減少數(shù)據(jù)的維度、降低數(shù)據(jù)冗余，獲得更精簡(jiǎn)、有意義的特征屬性[6]。由于工業(yè)數(shù)據(jù)處理需要較強(qiáng)的專業(yè)知識(shí)，且數(shù)據(jù)本身存在時(shí)序性、關(guān)聯(lián)性和解析性等特點(diǎn)，對(duì)待不同類型的數(shù)據(jù)處理方式也有所不同，在處理過(guò)程中無(wú)法避免地存在人為主觀經(jīng)驗(yàn)的干預(yù)[7]。

在圖像方面，近年來(lái)視覺(jué)領(lǐng)域的蓬勃發(fā)展，深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)被證明在圖像特征自動(dòng)化提取與識(shí)別上具有顯著的優(yōu)勢(shì)。楊智宏[8]基于Mask R-CNN 深度學(xué)習(xí)框架，實(shí)現(xiàn)了機(jī)械磨損顆粒的顯微分割與識(shí)別，利用遷移學(xué)習(xí)訓(xùn)練模型，獲得模型參數(shù)，并計(jì)算出不同類別磨粒的尺寸特征（圖1）。專業(yè)工業(yè)數(shù)據(jù)的處理方法包括信號(hào)解析、圖像識(shí)別等多個(gè)領(lǐng)域，國(guó)內(nèi)外學(xué)者在機(jī)械故障特征提取方面取得了諸多成果，展示了不同對(duì)象的數(shù)據(jù)特征提取方式及在復(fù)雜環(huán)境下對(duì)故障識(shí)別的可能性，但缺點(diǎn)是相對(duì)依靠人為經(jīng)驗(yàn)，處理步驟無(wú)法規(guī)則化、統(tǒng)一化。

圖1 Mask R-CNN 網(wǎng)絡(luò)示意

1.3 模型建立與故障預(yù)測(cè)

在對(duì)數(shù)據(jù)的特征提取后，采用智能算法模型識(shí)別特征數(shù)據(jù)中存在的信息，從而實(shí)現(xiàn)對(duì)裝備故障的智能識(shí)別。

近年來(lái)，基于機(jī)器學(xué)習(xí)的智能診斷方法發(fā)展迅速。神經(jīng)網(wǎng)絡(luò)是目前最常用的診斷分類模型，其后來(lái)的改進(jìn)型包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）等部分模型已有成熟應(yīng)用；決策樹(shù)（Decision Tree）模型是最簡(jiǎn)單常見(jiàn)的監(jiān)督類分類器。支持向量機(jī)通過(guò)學(xué)習(xí)樣本特征，求解類別間的最大邊距超平面，實(shí)現(xiàn)對(duì)數(shù)據(jù)的分類。無(wú)監(jiān)督學(xué)習(xí)中典型的算法是聚類算法，聚類算法一般有5 種方法，分別是基于劃分方法、基于層次方法、基于密度方法、基于模型方法及基于模型的方法。目前工業(yè)上常將多種模型并聯(lián)或串聯(lián)起來(lái)，使用取長(zhǎng)補(bǔ)短、少數(shù)服從多數(shù)的策略，以獲得更好的泛化性。對(duì)比了相同數(shù)據(jù)樣本在決策樹(shù)、鄰近算法（KNN）及支持向量機(jī)（SVM）單一模型的識(shí)別結(jié)果，同時(shí)對(duì)比了集成學(xué)習(xí)引導(dǎo)聚集算法（Bagging）的投票法（Voting）的結(jié)果，相比前三者，模型的分類效果更好（圖2）。

圖2 基于多元多類的集成學(xué)習(xí)投票分類結(jié)果

閆書(shū)法[9]基于維納過(guò)程（Wiener Process），建立了綜合傳動(dòng)裝置劣化模型，并利用卡爾曼濾波技術(shù)，在油液光譜數(shù)據(jù)劣化隨機(jī)和數(shù)據(jù)漂移的情況下的進(jìn)行特征提取，實(shí)現(xiàn)綜合傳動(dòng)裝置狀態(tài)的實(shí)時(shí)評(píng)估。Peng Yeping[10]使用兩個(gè)卷積神經(jīng)網(wǎng)絡(luò)和一個(gè)支持向量機(jī)分類器級(jí)聯(lián)開(kāi)發(fā)了一個(gè)磨損顆粒自動(dòng)檢測(cè)和分類過(guò)程，并利用大量鐵譜圖像對(duì)所提出的網(wǎng)絡(luò)進(jìn)行了驗(yàn)證，結(jié)果表明，該方法具有較高的分類精度（圖3）。

圖3 基于深度卷積神經(jīng)網(wǎng)絡(luò)的磨損顆粒識(shí)別

2 大數(shù)據(jù)智能診斷面臨的挑戰(zhàn)

大數(shù)據(jù)作為互聯(lián)網(wǎng)時(shí)代發(fā)展的必然產(chǎn)物，正慢慢改變?nèi)藗儗?duì)事物的看法，而人工智能正經(jīng)歷從理論創(chuàng)新到應(yīng)用實(shí)踐的逐步發(fā)展，二者的結(jié)合將在前所未有的應(yīng)用場(chǎng)景中逐步實(shí)現(xiàn)，但大數(shù)據(jù)智能診斷也面臨多樣化挑戰(zhàn)。

（1）現(xiàn)有的智能診斷大多關(guān)注單一設(shè)備類別的故障問(wèn)題，采集的數(shù)據(jù)樣本多具有唯一性。然而在大數(shù)據(jù)背景下，這樣的數(shù)據(jù)搜集方式不僅割裂了不同故障之間的聯(lián)系，且隨著現(xiàn)代機(jī)械設(shè)備性能不斷提高，功能不斷完善，機(jī)械系統(tǒng)愈趨復(fù)雜，故障機(jī)理分析愈趨困難，伴隨出現(xiàn)了故障模式較多、區(qū)分難度大等問(wèn)題。

（2）規(guī)模龐大的數(shù)據(jù)的典型特點(diǎn)包括數(shù)據(jù)類型多樣、質(zhì)量良莠不齊、關(guān)聯(lián)關(guān)系繁雜等，大數(shù)據(jù)內(nèi)在的復(fù)雜性使數(shù)據(jù)的信息挖掘、特征工程和分析計(jì)算等多個(gè)環(huán)節(jié)面臨著巨大的挑戰(zhàn)，也導(dǎo)致了計(jì)算復(fù)雜度的激增。

（3）復(fù)雜的智能診斷分析任務(wù)對(duì)診斷系統(tǒng)的數(shù)據(jù)處理能力提出了更高的要求。

（4）如何結(jié)合機(jī)器學(xué)習(xí)、人工智能算法，構(gòu)建深層數(shù)據(jù)模型，綜合利用多源數(shù)據(jù)，實(shí)現(xiàn)機(jī)械故障的深度識(shí)別，是大數(shù)據(jù)智能診斷的理論面臨的創(chuàng)新挑戰(zhàn)之一。

3 未來(lái)發(fā)展趨勢(shì)

（1）傳感器作為物聯(lián)網(wǎng)技術(shù)的感知技術(shù)，在萬(wàn)物互聯(lián)的過(guò)程中充當(dāng)了眼、鼻、耳的角色，收集和反饋物體狀態(tài)的信息，具有十分重要的作用。與國(guó)外相比，目前我國(guó)傳感器產(chǎn)業(yè)發(fā)展相對(duì)緩慢，且存在結(jié)構(gòu)不合理、產(chǎn)品研發(fā)創(chuàng)新能力較弱、產(chǎn)品規(guī)格不齊全的現(xiàn)象。隨著工業(yè)數(shù)據(jù)的不斷發(fā)展，傳感器已成為故障監(jiān)聽(tīng)最基礎(chǔ)的硬件，高精度、高可靠性的傳感器將扮演更加重要的角色，傳感器產(chǎn)業(yè)的發(fā)展刻不容緩。

（2）傳統(tǒng)的數(shù)據(jù)治理需要提升能力。應(yīng)全面了解設(shè)備信息，梳理系統(tǒng)數(shù)據(jù)架構(gòu)，對(duì)采集的數(shù)據(jù)類型、數(shù)據(jù)處理方式及數(shù)據(jù)類型有清晰認(rèn)識(shí)；對(duì)數(shù)據(jù)庫(kù)形成規(guī)則化、自動(dòng)化的管理，構(gòu)建企業(yè)的元數(shù)據(jù)庫(kù)。針對(duì)難以解決的設(shè)備故障問(wèn)題，建立獨(dú)立的數(shù)據(jù)分析和反饋機(jī)制，少而精地控制核心問(wèn)題。通過(guò)對(duì)數(shù)據(jù)庫(kù)的治理和管控，數(shù)據(jù)平臺(tái)能夠擁有完善的數(shù)據(jù)自動(dòng)化治理能力，面向企業(yè)提供自助化服務(wù)，為用戶提供有價(jià)值數(shù)據(jù)信息，使客戶在設(shè)備維護(hù)過(guò)程中充分了解設(shè)備的運(yùn)行狀況。

（3）隨著深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)在視覺(jué)及自然語(yǔ)言等領(lǐng)域大放異彩，人們提出了大量不同的深度學(xué)習(xí)模型，但在工業(yè)領(lǐng)域還未見(jiàn)成熟的深度學(xué)習(xí)故障診斷模型。在工業(yè)領(lǐng)域開(kāi)展一種具有高泛化性、魯棒性，能夠自動(dòng)提取故障特征的算法模型勢(shì)在必行。未來(lái)更多的故障診斷將通過(guò)大數(shù)據(jù)及算法，高精度、低延遲地識(shí)別機(jī)械狀態(tài)的演變規(guī)律，并為設(shè)備健康管理和主動(dòng)性維護(hù)提供科學(xué)依據(jù)。

4 結(jié)論

從工業(yè)大數(shù)據(jù)的特點(diǎn)、特征工程、模型建立與故障預(yù)測(cè)分別梳理了工業(yè)智能診斷的特性，闡述了智能診斷的具體應(yīng)用與國(guó)內(nèi)外研究現(xiàn)狀，揭示了智能故障診斷在現(xiàn)階段遇到的機(jī)遇與挑戰(zhàn)，闡述了大數(shù)據(jù)人工智能設(shè)備故障智能診斷發(fā)展的潛在問(wèn)題，認(rèn)為應(yīng)該從高精度工業(yè)傳感器的發(fā)展、數(shù)據(jù)治理的標(biāo)準(zhǔn)化及診斷模型算法理論的創(chuàng)新等方面展開(kāi)深入研究，推動(dòng)機(jī)械故障智能診斷以大數(shù)據(jù)為核心、智能算法為驅(qū)動(dòng)應(yīng)用于工程實(shí)踐。