工業(yè)互聯(lián)網(wǎng)環(huán)境下數(shù)據(jù)驅(qū)動(dòng)與知識(shí)驅(qū)動(dòng)的預(yù)測(cè)性維護(hù)研究

文/牛沖麗，劉宇鑫

新興技術(shù)和互聯(lián)網(wǎng)在工業(yè)系統(tǒng)中的應(yīng)用正在引領(lǐng)工業(yè)物聯(lián)網(wǎng)的發(fā)展。工業(yè)物聯(lián)網(wǎng)通過自動(dòng)化智能對(duì)象來感知、收集、處理和實(shí)現(xiàn)通信工業(yè)系統(tǒng)中的實(shí)時(shí)數(shù)據(jù)在工業(yè)領(lǐng)域中的新愿景。在工業(yè)4.0的背景下，智能工廠使用先進(jìn)的傳感和數(shù)據(jù)分析技術(shù)來理解和監(jiān)控制造過程，應(yīng)用數(shù)據(jù)驅(qū)動(dòng)方法來提高效率。目前，業(yè)界雖然有大量的方法闡述了數(shù)據(jù)驅(qū)動(dòng)在預(yù)測(cè)性維護(hù)中的重要性，卻少有研究從工業(yè)數(shù)據(jù)中提取的知識(shí)在預(yù)測(cè)性維護(hù)中的應(yīng)用。本文旨在探究結(jié)合數(shù)據(jù)驅(qū)動(dòng)和知識(shí)驅(qū)動(dòng)的方法在當(dāng)前預(yù)測(cè)性維護(hù)中的應(yīng)用前景。

一、概述

在當(dāng)今的制造業(yè)中，日益激烈的全球競(jìng)爭(zhēng)、快速的技術(shù)發(fā)展和客戶對(duì)產(chǎn)品質(zhì)量的認(rèn)知引發(fā)了對(duì)未來戰(zhàn)略計(jì)劃和先進(jìn)制造技術(shù)的需求。為了應(yīng)對(duì)這些挑戰(zhàn)，傳統(tǒng)制造企業(yè)正在利用智能和數(shù)字技術(shù)來實(shí)現(xiàn)更先進(jìn)的生產(chǎn)率和更高程度的自動(dòng)化。這將導(dǎo)致一個(gè)新的工業(yè)階段的到來，即橫向和縱向的制造過程集成與產(chǎn)品連接正在幫助企業(yè)實(shí)現(xiàn)更高的工業(yè)性能。工業(yè)4.0的核心思想是，在制造過程中實(shí)現(xiàn)應(yīng)用自動(dòng)化、連通性和大數(shù)據(jù)交換。在智能工業(yè)應(yīng)用中，自動(dòng)化不僅限于生產(chǎn)，還包括決策的自動(dòng)化。其中一個(gè)應(yīng)用領(lǐng)域是預(yù)測(cè)性維護(hù)，而探究結(jié)合數(shù)據(jù)驅(qū)動(dòng)和知識(shí)驅(qū)動(dòng)的方法在當(dāng)前預(yù)測(cè)性維護(hù)中的應(yīng)用前景具有重要意義。

由于數(shù)據(jù)量的指數(shù)增長(zhǎng)和數(shù)據(jù)采集技術(shù)的快速發(fā)展，數(shù)據(jù)驅(qū)動(dòng)方法在工業(yè)設(shè)備的預(yù)測(cè)性維護(hù)方面引起了廣泛關(guān)注。“數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)”通常使用人工智能或統(tǒng)計(jì)模型來學(xué)習(xí)并預(yù)測(cè)未來狀況。一個(gè)基于多個(gè)數(shù)據(jù)驅(qū)動(dòng)模型的系統(tǒng)在不考慮對(duì)實(shí)際系統(tǒng)或參數(shù)的解釋力的情況下自動(dòng)運(yùn)行。雖然數(shù)據(jù)驅(qū)動(dòng)方法的計(jì)算成本不高，但它們通常能提供良好的預(yù)測(cè)結(jié)果，通常用于監(jiān)控磨損行為或系統(tǒng)故障。然而，由于工業(yè)生產(chǎn)中停機(jī)時(shí)間的巨大成本，故障已經(jīng)以各種可能的方式被預(yù)防，因此，諸如與故障相關(guān)的關(guān)鍵數(shù)據(jù)往往是丟失的。在預(yù)防性定期更換部件過程中，這往往是一種昂貴的防止故障發(fā)生的方法?；谥R(shí)的系統(tǒng)維護(hù)一個(gè)知識(shí)庫，知識(shí)庫以關(guān)于域的語句形式存儲(chǔ)計(jì)算模型的符號(hào)，并通過操作這些符號(hào)來執(zhí)行推理。這種類型的系統(tǒng)度量新的觀察結(jié)果與先前描述情況的數(shù)據(jù)庫之間的相似性，并推斷出適當(dāng)?shù)臎Q策?；谥R(shí)的方法可以進(jìn)一步分為知識(shí)圖譜和本體論、基于規(guī)則的系統(tǒng)和模糊系統(tǒng)?；谝?guī)則的系統(tǒng)是一種基于知識(shí)的方法，這種類型的系統(tǒng)根據(jù)一組情景-動(dòng)作規(guī)則對(duì)領(lǐng)域?qū)＜医鉀Q問題的知識(shí)進(jìn)行編碼；而模糊系統(tǒng)常應(yīng)用于需要靈活決策的情況，通過基于變量的“真度”對(duì)數(shù)據(jù)進(jìn)行劃分。

預(yù)測(cè)性維護(hù)是許多工業(yè)的智能解決方案，它基于預(yù)測(cè)所連接設(shè)備的故障時(shí)間的數(shù)學(xué)模型，使用戶能夠在設(shè)備發(fā)生故障之前修復(fù)其設(shè)備。[1]預(yù)測(cè)性維護(hù)解決方案對(duì)于任務(wù)關(guān)鍵型系統(tǒng)非常重要。數(shù)學(xué)模型可以預(yù)測(cè)任何機(jī)器的運(yùn)行，這種預(yù)測(cè)的結(jié)果取決于從這些機(jī)器中收集的數(shù)據(jù)的數(shù)量和準(zhǔn)確性。另外，故障早期檢測(cè)組件通過使用推理引擎來處理事實(shí)和規(guī)則，并在早期階段檢測(cè)到異常時(shí)觸發(fā)維護(hù)警告。根據(jù)檢測(cè)到的異常，維護(hù)警告可能導(dǎo)致不同的維護(hù)操作，即糾正、預(yù)防或預(yù)測(cè)。一旦檢測(cè)到需要維護(hù)干預(yù)，相關(guān)設(shè)備根據(jù)當(dāng)前生產(chǎn)狀態(tài)和維護(hù)資源可用性來進(jìn)行干預(yù)，從而實(shí)現(xiàn)設(shè)備運(yùn)維的智能優(yōu)化。

二、數(shù)據(jù)驅(qū)動(dòng)和知識(shí)驅(qū)動(dòng)的預(yù)測(cè)性維護(hù)方法

基于機(jī)器學(xué)習(xí)的預(yù)測(cè)性維護(hù)是用于監(jiān)控工業(yè)系統(tǒng)最突出的數(shù)據(jù)驅(qū)動(dòng)方法之一，旨在最大限度地提高可靠性和效率。機(jī)器學(xué)習(xí)以先進(jìn)的監(jiān)測(cè)和診斷技術(shù)被不少學(xué)者研究，且在預(yù)測(cè)性維護(hù)中的應(yīng)用已經(jīng)取得了良好的進(jìn)展。如Arena等人開發(fā)了一種基于決策樹的新決策支持系統(tǒng)，該系統(tǒng)指導(dǎo)預(yù)測(cè)性維護(hù)實(shí)施的決策過程。Paplanti等人研究了一種基于隨機(jī)森林的預(yù)測(cè)性維護(hù)架構(gòu)。傳統(tǒng)的機(jī)器學(xué)習(xí)在故障診斷和預(yù)測(cè)性維護(hù)中已經(jīng)取得了一定的成績(jī)，但本質(zhì)上仍為淺層學(xué)習(xí)，在很大程度上取決于提取的故障特征是否準(zhǔn)確。深度學(xué)習(xí)以其強(qiáng)大的特征提取能力可用于實(shí)現(xiàn)對(duì)未來狀況或剩余使用壽命的預(yù)測(cè)建模。[2]深度學(xué)習(xí)算法的主要優(yōu)點(diǎn)是，從新數(shù)據(jù)中自動(dòng)學(xué)習(xí)隱含特征。分層順序的非線性變換使得從粗?jǐn)?shù)據(jù)中推斷信息變得容易，而無須特征提取和選擇步驟。對(duì)于大數(shù)據(jù)時(shí)代而言，數(shù)據(jù)具有巨大的價(jià)值。傳感器可在長(zhǎng)時(shí)間內(nèi)定期記錄有關(guān)設(shè)備健康狀態(tài)的數(shù)據(jù)，形成巨大的數(shù)據(jù)集。與機(jī)器學(xué)習(xí)相比，深度學(xué)習(xí)算法適用于應(yīng)對(duì)大數(shù)據(jù)分析的挑戰(zhàn)，在預(yù)測(cè)性維護(hù)中有更深層次的研究?jī)r(jià)值。隨著智能計(jì)算和深度學(xué)習(xí)研究的不斷深入，基于數(shù)據(jù)驅(qū)動(dòng)的方法在預(yù)測(cè)性維護(hù)中取得了巨大的進(jìn)步。但目前主流的深度學(xué)習(xí)類數(shù)據(jù)驅(qū)動(dòng)方法存在“黑盒子”性質(zhì)，在數(shù)據(jù)建模的過程中難以解釋，阻礙了更多的深度學(xué)習(xí)算法在預(yù)測(cè)性維護(hù)中的應(yīng)用。隨著工業(yè)大數(shù)據(jù)的急劇增長(zhǎng)，時(shí)域信號(hào)和振動(dòng)信號(hào)等多形式數(shù)據(jù)的出現(xiàn)，利用傳統(tǒng)的數(shù)據(jù)分析方法難以挖掘出數(shù)據(jù)屬性間內(nèi)在關(guān)系和隱藏信息，以致剩余壽命預(yù)測(cè)和故障診斷等任務(wù)的精度不足。

知識(shí)圖譜作為一個(gè)新興的研究領(lǐng)域，在人工智能領(lǐng)域內(nèi)逐漸取得重要的地位。[3]傳統(tǒng)意義上的人工智能大多以數(shù)據(jù)驅(qū)動(dòng)為核心，但離智能化還有一定的差距。知識(shí)圖譜作為以知識(shí)為驅(qū)動(dòng)的核心，將促使人工智能應(yīng)用以知識(shí)賦能，促使計(jì)算機(jī)更具有推理力、解釋性。知識(shí)圖譜通過抽取數(shù)據(jù)內(nèi)部機(jī)理關(guān)系，轉(zhuǎn)化為領(lǐng)域知識(shí)，從而構(gòu)建知識(shí)圖譜。知識(shí)驅(qū)動(dòng)方法基于知識(shí)工程的角度，通過對(duì)設(shè)備故障診斷來進(jìn)行知識(shí)化表達(dá)和分析，為大數(shù)據(jù)背景下的預(yù)測(cè)性維護(hù)提供了全新思路。例如，如王巖等人[4]提出了面向采煤機(jī)智能運(yùn)維的知識(shí)圖譜構(gòu)建方法；Berghout等人[5]在知識(shí)驅(qū)動(dòng)型方法中利用標(biāo)簽信息預(yù)測(cè)滾動(dòng)軸承剩余使用壽命，該方法利用標(biāo)簽信息來關(guān)聯(lián)輸入和標(biāo)簽。應(yīng)用基于知識(shí)驅(qū)動(dòng)的方法構(gòu)建知識(shí)圖譜，進(jìn)一步結(jié)合其他算法完成建模，一方面可實(shí)現(xiàn)多模態(tài)數(shù)據(jù)的知識(shí)提取和融合，另一方面可實(shí)現(xiàn)在大數(shù)據(jù)背景下實(shí)時(shí)、快速地進(jìn)行預(yù)測(cè)性維護(hù)的目的。

知識(shí)驅(qū)動(dòng)、數(shù)據(jù)驅(qū)動(dòng)以及常見的基于模型的方法各有其應(yīng)用場(chǎng)景，大部分研究是如何將其優(yōu)勢(shì)互補(bǔ)，最小化數(shù)據(jù)驅(qū)動(dòng)方法或者知識(shí)驅(qū)動(dòng)方法的缺陷，一般來說都是將二者相結(jié)合互補(bǔ)。相比于傳統(tǒng)預(yù)測(cè)性維護(hù)方法，基于單一機(jī)理知識(shí)或設(shè)備數(shù)據(jù)，難以解決現(xiàn)實(shí)條件下的多工況、超復(fù)雜的設(shè)備故障診斷。因此，上述結(jié)合了知識(shí)驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)的方法具有較強(qiáng)的機(jī)理知識(shí)，增強(qiáng)了數(shù)據(jù)間的關(guān)聯(lián)性，提高了工業(yè)設(shè)備現(xiàn)實(shí)條件下的故障診斷率和診斷速度。

三、結(jié)語

近年來，深度學(xué)習(xí)模型在預(yù)測(cè)性維護(hù)系統(tǒng)的開發(fā)方面不斷取得突破，成為解決工業(yè)問題的技術(shù)主流。預(yù)測(cè)性維護(hù)的大多數(shù)深度學(xué)習(xí)工作都專注于實(shí)現(xiàn)高度準(zhǔn)確的最先進(jìn)結(jié)果。然而，其他重要方面需要進(jìn)一步研究，包括可解釋性、實(shí)時(shí)執(zhí)行和不確定性建模。目前，一些新興的研究趨勢(shì)可以解決差距，例如結(jié)合可解釋的人工智能和領(lǐng)域知識(shí)來解釋更準(zhǔn)確的“灰盒”模型和“黑盒”模型的行為；開發(fā)集成簡(jiǎn)化架構(gòu)的邊緣計(jì)算系統(tǒng)，降低復(fù)雜性以實(shí)現(xiàn)在線數(shù)據(jù)處理，并利用每個(gè)預(yù)測(cè)的概率來豐富模型輸出，以模擬不確定性。

此外，通過知識(shí)驅(qū)動(dòng)方法來指導(dǎo)深度學(xué)習(xí)過程，學(xué)習(xí)會(huì)更有導(dǎo)向性和更加智能。知識(shí)驅(qū)動(dòng)方法有理論支持，分析結(jié)果合理。雖然可信的、純數(shù)據(jù)驅(qū)動(dòng)的人工智能方法可以挖掘出數(shù)據(jù)規(guī)則，但它們的解釋難以令人信服。當(dāng)系統(tǒng)結(jié)構(gòu)發(fā)生變化等新場(chǎng)景出現(xiàn)時(shí)，收集新信息完成更新需要時(shí)間，但僅依靠知識(shí)驅(qū)動(dòng)的分析很難保證特征提取的有效性、全面性和準(zhǔn)確性。同時(shí)，數(shù)據(jù)驅(qū)動(dòng)的方法可以捕獲數(shù)據(jù)中反映但可能被忽視或過度簡(jiǎn)化的特征。因此，今后的研究有必要將知識(shí)驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)的檢測(cè)方法結(jié)合起來。