基于深度學(xué)習(xí)理論的機(jī)電設(shè)備故障診斷方法

張健鵬　張東生　鐘華　劉歡　張艷婷

摘要：介紹了機(jī)電設(shè)備故障診斷的一般方法，闡述了深度學(xué)習(xí)理論及其特點(diǎn)，分析了深度學(xué)習(xí)理論在機(jī)電設(shè)備故障診斷中的應(yīng)用情況，包括深度學(xué)習(xí)故障診斷及預(yù)測(cè)的方法、深度學(xué)習(xí)故障診斷的一般流程、基于深度學(xué)習(xí)理論的故障診斷神經(jīng)網(wǎng)絡(luò)模型，最后對(duì)深度學(xué)習(xí)理論在機(jī)電故障診斷中的應(yīng)用進(jìn)行了展望。

關(guān)鍵詞：大數(shù)據(jù);深度學(xué)習(xí);機(jī)電設(shè)備;狀態(tài)監(jiān)測(cè);故障診斷

0 引言

隨著核電廠機(jī)電設(shè)備集成化程度的提高，設(shè)備功能及結(jié)構(gòu)越來越復(fù)雜，組件之間的聯(lián)系越來越密切。同時(shí)，機(jī)電設(shè)備與由其組成的完整系統(tǒng)存在著強(qiáng)耦合關(guān)系，重要零部件損壞，將導(dǎo)致機(jī)電設(shè)備無法正常工作，最終導(dǎo)致系統(tǒng)失效，影響核電廠的安全穩(wěn)定運(yùn)行。對(duì)重要機(jī)電設(shè)備進(jìn)行狀態(tài)監(jiān)測(cè)，對(duì)設(shè)備故障進(jìn)行診斷，并對(duì)設(shè)備運(yùn)行趨勢(shì)進(jìn)行預(yù)測(cè)，對(duì)于評(píng)估設(shè)備狀態(tài)、開展設(shè)備運(yùn)行維護(hù)、保障機(jī)電設(shè)備的安全運(yùn)行具有重要意義。

隨著傳感器技術(shù)的發(fā)展以及物聯(lián)網(wǎng)的普及，使得對(duì)機(jī)電設(shè)備的全面監(jiān)測(cè)和故障診斷成為可能。核電廠需監(jiān)測(cè)的機(jī)電設(shè)備規(guī)模大，每臺(tái)裝備設(shè)置的監(jiān)測(cè)點(diǎn)多，振動(dòng)等監(jiān)測(cè)參數(shù)采樣頻率高，設(shè)備在役時(shí)間長(zhǎng)，將形成海量的監(jiān)測(cè)數(shù)據(jù)，由此將推動(dòng)設(shè)備狀態(tài)監(jiān)測(cè)和診斷進(jìn)入“大數(shù)據(jù)”時(shí)代。傳統(tǒng)的基于特征提取的故障診斷技術(shù)，如專家系統(tǒng)、模糊診斷技術(shù)、神經(jīng)網(wǎng)絡(luò)技術(shù)難以應(yīng)對(duì)海量數(shù)據(jù)的處理，為了提高機(jī)械設(shè)備的可靠性與安全性，在機(jī)電設(shè)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(shù)，以滿足機(jī)電設(shè)備故障診斷與預(yù)測(cè)的需求[1-2]。

1 機(jī)電設(shè)備故障診斷的一般方法

機(jī)電設(shè)備運(yùn)行過程中的監(jiān)測(cè)數(shù)據(jù)蘊(yùn)含機(jī)械設(shè)備豐富的內(nèi)在信息，故障診斷技術(shù)通過分析機(jī)械運(yùn)轉(zhuǎn)過程中所采集的數(shù)據(jù)，掌握設(shè)備的運(yùn)行狀態(tài)，并對(duì)設(shè)備狀態(tài)、故障類型、故障深度進(jìn)行識(shí)別，針對(duì)具體情況為設(shè)備的診斷與維修提供決策依據(jù)。

故障診斷與預(yù)測(cè)技術(shù)主要分為基于知識(shí)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(hào)處理的故障診斷方法[3]?；谥R(shí)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(shí)進(jìn)行診斷推理，需要較多的經(jīng)驗(yàn)知識(shí)或?qū)＜医?jīng)驗(yàn)，相對(duì)較難實(shí)現(xiàn)?；诮馕瞿Ｐ偷墓收显\斷方法，要求基于機(jī)械設(shè)備故障機(jī)理建立數(shù)學(xué)模型，獲取模型計(jì)算值與實(shí)際觀測(cè)值之間的差值，并與事先建立好的決策函數(shù)進(jìn)行對(duì)比，以確定設(shè)備是否發(fā)生故障，數(shù)學(xué)建模的過程相對(duì)困難，限制了該方法的實(shí)用性。基于信號(hào)處理的故障診斷方法對(duì)機(jī)械設(shè)備的測(cè)量數(shù)據(jù)進(jìn)行信號(hào)處理，獲得數(shù)據(jù)信號(hào)特征，從而進(jìn)行故障診斷。隨著信號(hào)處理方法的發(fā)展，該方法以其簡(jiǎn)便性和可解釋性，獲得了廣泛運(yùn)用。

2 深度學(xué)習(xí)理論概述

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的分支，具有強(qiáng)大的數(shù)據(jù)處理能力。近年來，在語音、圖像、信號(hào)處理等方面應(yīng)用廣泛，獲得了較好的效果，并逐步在故障診斷領(lǐng)域得到應(yīng)用[4]。

區(qū)別于其他機(jī)器學(xué)習(xí)方法，深度學(xué)習(xí)具有以下特點(diǎn)：

（1）深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)具有一定的模型結(jié)構(gòu)深度，通常具有多個(gè)隱層網(wǎng)絡(luò)。

（2）深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)通過提取特征信息，對(duì)特征進(jìn)行逐層組合，以實(shí)現(xiàn)識(shí)別功能。相比于人工構(gòu)造數(shù)據(jù)特征，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)可以更加全面地對(duì)數(shù)據(jù)內(nèi)涵進(jìn)行表征。

通過構(gòu)造恰當(dāng)?shù)木W(wǎng)絡(luò)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(luò)參數(shù)優(yōu)化成本函數(shù)，實(shí)現(xiàn)輸入到輸出的擬合關(guān)系，完成網(wǎng)絡(luò)訓(xùn)練。深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)可以針對(duì)輸入，根據(jù)學(xué)習(xí)到的規(guī)律進(jìn)行推斷，從而實(shí)現(xiàn)復(fù)雜的數(shù)據(jù)處理功能。

深度學(xué)習(xí)具有多隱層網(wǎng)絡(luò)結(jié)構(gòu)與自適應(yīng)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(duì)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(fù)雜映射關(guān)系。對(duì)于機(jī)電設(shè)備大數(shù)據(jù)的發(fā)展趨勢(shì)，有必要研究基于深度學(xué)習(xí)理論的設(shè)備故障診斷及預(yù)測(cè)方法，以滿足設(shè)備狀態(tài)監(jiān)測(cè)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(xué)習(xí)理論在機(jī)電故障診斷中的應(yīng)用

深度學(xué)習(xí)通過構(gòu)建深層網(wǎng)絡(luò)，模擬大腦學(xué)習(xí)過程，實(shí)現(xiàn)數(shù)據(jù)特征的自動(dòng)提取、擬合輸入輸出的復(fù)雜映射關(guān)系，對(duì)設(shè)備故障進(jìn)行診斷，預(yù)測(cè)機(jī)電設(shè)備的使用壽命。基于深度學(xué)習(xí)理論的設(shè)備故障診斷流程如圖1所示。

3.1? ? 深度學(xué)習(xí)故障診斷及預(yù)測(cè)方法

基于深度學(xué)習(xí)的故障診斷模型訓(xùn)練方法主要分為有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、半監(jiān)督混合學(xué)習(xí)等[5-6]。

3.1.1? ? 有監(jiān)督學(xué)習(xí)

有監(jiān)督學(xué)習(xí)的訓(xùn)練集包括數(shù)據(jù)以及數(shù)據(jù)對(duì)應(yīng)的標(biāo)簽。通過網(wǎng)絡(luò)訓(xùn)練，獲取數(shù)據(jù)與標(biāo)簽的映射關(guān)系。有監(jiān)督學(xué)習(xí)可實(shí)現(xiàn)數(shù)據(jù)的分類、回歸等功能。

3.1.2? ? 無監(jiān)督學(xué)習(xí)

無監(jiān)督學(xué)習(xí)的訓(xùn)練集只包含數(shù)據(jù)，沒有數(shù)據(jù)標(biāo)簽，可對(duì)缺乏先驗(yàn)知識(shí)的數(shù)據(jù)進(jìn)行處理。通過無監(jiān)督學(xué)習(xí)，可發(fā)現(xiàn)數(shù)據(jù)內(nèi)在結(jié)構(gòu)，實(shí)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(xué)習(xí)

半監(jiān)督混合學(xué)習(xí)，是有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)相結(jié)合的學(xué)習(xí)方法，其樣本數(shù)據(jù)由帶標(biāo)簽和不帶標(biāo)簽兩種組成，先通過對(duì)帶標(biāo)簽的數(shù)據(jù)進(jìn)行學(xué)習(xí)，再通過對(duì)未帶標(biāo)簽的數(shù)據(jù)進(jìn)行預(yù)測(cè)，找到隱藏的結(jié)構(gòu)以不斷更新完善學(xué)習(xí)模型。半監(jiān)督學(xué)習(xí)解決的問題主要是如何通過少量含有標(biāo)簽與大量不含標(biāo)簽的數(shù)據(jù)進(jìn)行模型的訓(xùn)練和學(xué)習(xí)。

3.2? ? 深度學(xué)習(xí)故障診斷及預(yù)測(cè)流程

基于機(jī)器深度學(xué)習(xí)的故障預(yù)測(cè)流程為：首先對(duì)裝備傳感器或試驗(yàn)數(shù)據(jù)進(jìn)行收集與處理，然后研究機(jī)器深度學(xué)習(xí)理論形成網(wǎng)絡(luò)模型，在此基礎(chǔ)上對(duì)基于機(jī)器深度學(xué)習(xí)的故障模型進(jìn)行訓(xùn)練，對(duì)裝備故障進(jìn)行特征識(shí)別，實(shí)現(xiàn)機(jī)電故障診斷。

3.2.1? ? 數(shù)據(jù)采集

通過安裝在機(jī)電設(shè)備上的各種傳感器和數(shù)據(jù)采集系統(tǒng)，采集并監(jiān)測(cè)設(shè)備狀態(tài)信息，包括電流、電壓、振動(dòng)、位移、轉(zhuǎn)速以及工藝參數(shù)，如壓力、流量等。系統(tǒng)將設(shè)備正常運(yùn)行及工藝瞬態(tài)的數(shù)據(jù)保存到歷史數(shù)據(jù)庫(kù)，當(dāng)設(shè)備發(fā)生異常時(shí)，歷史數(shù)據(jù)庫(kù)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(yù)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(dòng)等情況，監(jiān)測(cè)數(shù)據(jù)中含有大量的噪點(diǎn)、停機(jī)、異常等臟數(shù)據(jù)，這些臟數(shù)據(jù)混雜于機(jī)電設(shè)備監(jiān)測(cè)數(shù)據(jù)庫(kù)中，導(dǎo)致監(jiān)測(cè)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(jī)電設(shè)備運(yùn)行特點(diǎn)，利用異常檢測(cè)方法對(duì)無效數(shù)據(jù)進(jìn)行自動(dòng)識(shí)別和剔除。

（2）格式規(guī)整。設(shè)備監(jiān)測(cè)系統(tǒng)長(zhǎng)期運(yùn)行，積累了大量數(shù)據(jù)，這些數(shù)據(jù)蘊(yùn)含大量有用信息，同時(shí)形式多樣，難以直接利用，需要采用數(shù)據(jù)長(zhǎng)度匹配、時(shí)間節(jié)點(diǎn)對(duì)齊、數(shù)據(jù)格式統(tǒng)一等手段進(jìn)行數(shù)據(jù)格式規(guī)整。

（3）采樣同步。機(jī)電設(shè)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(yīng)特性，數(shù)據(jù)采集時(shí)需采用不同的采樣頻率和采樣長(zhǎng)度。但異步的采樣策略無法進(jìn)行有效的比較分析，為了簡(jiǎn)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(duì)其他數(shù)據(jù)進(jìn)行重采樣，以確保頻譜分辨率一致。

（4）數(shù)據(jù)去均值。在對(duì)機(jī)電設(shè)備進(jìn)行監(jiān)測(cè)時(shí)，由于各種原因，測(cè)得的信號(hào)均值往往不為0。為了監(jiān)測(cè)后續(xù)處理的計(jì)算工作量，對(duì)數(shù)據(jù)進(jìn)行去均值處理。

（5）關(guān)聯(lián)度分析。關(guān)聯(lián)度分析可以找出關(guān)鍵變量發(fā)展變化的主要因素，為決策提供依據(jù)。需針對(duì)典型故障模式，進(jìn)行數(shù)據(jù)關(guān)聯(lián)度分析。通過關(guān)聯(lián)度分析，構(gòu)建實(shí)測(cè)數(shù)據(jù)與典型故障模式的映射關(guān)系。此外，考慮到設(shè)備運(yùn)行工況復(fù)雜，過程參數(shù)多變，需要研究振動(dòng)信號(hào)與過程參數(shù)之間的相關(guān)性。

（6）深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練。針對(duì)機(jī)電設(shè)備故障診斷的特殊要求和應(yīng)用場(chǎng)景，確定網(wǎng)絡(luò)結(jié)構(gòu)，構(gòu)建深度學(xué)習(xí)網(wǎng)絡(luò)模型。對(duì)經(jīng)過采集和數(shù)據(jù)預(yù)處理的數(shù)據(jù)進(jìn)行整理，形成訓(xùn)練集、驗(yàn)證集和測(cè)試集。將數(shù)據(jù)輸入深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以自動(dòng)獲取數(shù)據(jù)中蘊(yùn)含的特征。使用驗(yàn)證集對(duì)網(wǎng)絡(luò)性能進(jìn)行評(píng)價(jià)，通過調(diào)整網(wǎng)絡(luò)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(shí)現(xiàn)機(jī)電設(shè)備故障診斷[7]。

3.3? ? 基于深度學(xué)習(xí)的故障診斷網(wǎng)絡(luò)模型

深度學(xué)習(xí)本質(zhì)上是對(duì)數(shù)據(jù)特征進(jìn)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(xué)習(xí)算法有：

3.3.1? ? 自動(dòng)編碼機(jī)

自動(dòng)編碼機(jī)是三層的非監(jiān)督神經(jīng)網(wǎng)絡(luò)，分為編碼器與解碼器兩個(gè)部分，如圖2所示。輸出層可對(duì)輸入信號(hào)進(jìn)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(dòng)編碼機(jī)可以單獨(dú)使用，也可以通過非監(jiān)督學(xué)習(xí)方式對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行逐層預(yù)訓(xùn)練，然后以監(jiān)督學(xué)習(xí)方式微調(diào)整個(gè)深度神經(jīng)網(wǎng)絡(luò)，使網(wǎng)絡(luò)具有識(shí)別故障類型的能力。自動(dòng)編碼機(jī)的使用方式需要根據(jù)機(jī)電設(shè)備監(jiān)測(cè)診斷的具體情況而定。

3.3.2? ? 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是一種前饋神經(jīng)網(wǎng)絡(luò)。通常其輸入為原始信號(hào)，也可以使用提取的指標(biāo)作為輸入。卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)包括兩層[8]：其一為卷積層，每個(gè)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(duì)特征進(jìn)行降維，提高識(shí)別結(jié)果的魯棒性。

3.3.3? ? 深度稀疏網(wǎng)絡(luò)

深度神經(jīng)網(wǎng)絡(luò)通過構(gòu)建深層次的模型，結(jié)合大量的訓(xùn)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(jī)械信號(hào)存在稀疏特性，因此將稀疏因子引入到深度網(wǎng)絡(luò)的建立中，形成深度稀疏網(wǎng)絡(luò)，進(jìn)而對(duì)機(jī)電設(shè)備進(jìn)行故障診斷。

深度學(xué)習(xí)方法的目標(biāo)在于分層次地學(xué)習(xí)特征，在每一層學(xué)習(xí)中高層次的特征是由低層次的特征學(xué)習(xí)構(gòu)成的。在多層次的抽象過程中，自動(dòng)學(xué)習(xí)特征可以使機(jī)器學(xué)習(xí)系統(tǒng)從原始數(shù)據(jù)中學(xué)習(xí)到從輸入映射到輸出的復(fù)雜函數(shù)，而不再需要人類完全手工提取特征這樣一個(gè)繁重的過程。

4 結(jié)語

機(jī)電設(shè)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(qiáng)關(guān)聯(lián)、高通量等特征。傳統(tǒng)的監(jiān)測(cè)診斷算法需依賴大量信號(hào)處理知識(shí)與診斷經(jīng)驗(yàn)，無法診斷機(jī)電設(shè)備大數(shù)據(jù)背下深藏的故障機(jī)理。而深度學(xué)習(xí)作為近幾年來人工智能領(lǐng)域里最新最熱門的技術(shù)，可以自適應(yīng)地提取健康狀況信號(hào)頻譜中蘊(yùn)含的故障信息，適用于表征機(jī)械數(shù)據(jù)內(nèi)部隱藏的復(fù)雜多變的特性，能夠更準(zhǔn)確地識(shí)別機(jī)電設(shè)備健康狀況，提升機(jī)電設(shè)備運(yùn)維的可靠性。

[參考文獻(xiàn)]

[1] 雷亞國(guó)，賈峰，周昕，等.基于深度學(xué)習(xí)理論的機(jī)械裝備大數(shù)據(jù)健康監(jiān)測(cè)方法[J].機(jī)械工程學(xué)報(bào)，2015，51（21）：49-56.

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

[3] 張士強(qiáng).基于深度學(xué)習(xí)的故障診斷技術(shù)研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2018.

[4] 吳立金，夏冉，詹紅燕，等.基于深度學(xué)習(xí)的故障預(yù)測(cè)技術(shù)研究[J].計(jì)算機(jī)測(cè)量與控制，2018（2）：9-12.

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

[6] 周志華.機(jī)器學(xué)習(xí)[M].北京：清華大學(xué)出版社，2016.

[7] 吳魁，王仙勇，孫浩，等.基于深度學(xué)習(xí)的故障檢測(cè)方法[J].計(jì)算機(jī)測(cè)量與控制，2017，25（10）：43-47.

[8] 陳先昌.基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法與應(yīng)用研究[D].杭州：浙江工商大學(xué)，2013.

收稿日期：2020-04-03

作者簡(jiǎn)介：張健鵬（1985—），男，浙江義烏人，高級(jí)工程師，從事核電站機(jī)電設(shè)備、儀控系統(tǒng)設(shè)計(jì)工作。