孫宇航，崔 策，許少凡，黃宇斐

（廣州機械科學研究院有限公司設(shè)備潤滑與檢測研究所，廣東廣州 511356）

0 引言

在機械工業(yè)領(lǐng)域，裝備的可靠運行至關(guān)重要，一旦出現(xiàn)故障導致停機，輕則延誤生產(chǎn)造成企業(yè)經(jīng)濟損失，重則危害人員的生命安全，通過科學手段保障設(shè)備的可靠運行意義重大[1]。設(shè)備維護既能確保系統(tǒng)穩(wěn)定與可靠運行，同時也顯著降低了維護和維修成本，因此成為重點研究對象。隨著我國工業(yè)制造與設(shè)計技術(shù)水平的突飛猛進，機械設(shè)備系統(tǒng)日趨復雜，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)復雜、工況惡劣、數(shù)據(jù)采集頻率高、裝備觀測部件多、工作時間久，工業(yè)數(shù)據(jù)的增長速度比以往任何時期都要迅猛，為積累海量的機械狀態(tài)數(shù)據(jù)打下堅定基礎(chǔ)[2]。

1 國內(nèi)外研究現(xiàn)狀

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

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)測數(shù)據(jù)主要來源于光電、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)類型主要以振動信號、音頻信號及圖像數(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、增長速度快等特點，但也包含結(jié)構(gòu)各異、碎片化及價值密度低的現(xiàn)象，大數(shù)據(jù)的處理已然成為無法回避的問題[4]。目前，國內(nèi)的工業(yè)大數(shù)據(jù)平臺在治理準則、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)已成為目前機械故障智能診斷下新的難點[5]。許多學者在治理框架上提出許多創(chuàng)新方案，但普遍認為治理工業(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自動化數(shù)據(jù)質(zhì)量評分；③可視化集成平臺；④數(shù)據(jù)治理準則。

1.2 特征工程

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

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、有意義的特征屬性[6]。由于工業(yè)數(shù)據(jù)處理需要較強的專業(yè)知識，且數(shù)據(jù)本身存在時序性、關(guān)聯(lián)性和解析性等特點，對待不同類型的數(shù)據(jù)處理方式也有所不同，在處理過程中無法避免地存在人為主觀經(jīng)驗的干預(yù)[7]。

在圖像方面，近年來視覺領(lǐng)域的蓬勃發(fā)展，深度學習卷積神經(jīng)網(wǎng)絡(luò)被證明在圖像特征自動化提取與識別上具有顯著的優(yōu)勢。楊智宏[8]基于Mask R-CNN 深度學習框架，實現(xiàn)了機械磨損顆粒的顯微分割與識別，利用遷移學習訓練模型，獲得模型參數(shù)，并計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解析、圖像識別等多個領(lǐng)域，國內(nèi)外學者在機械故障特征提取方面取得了諸多成果，展示了不同對象的數(shù)據(jù)特征提取方式及在復雜環(huán)境下對故障識別的可能性，但缺點是相對依靠人為經(jīng)驗，處理步驟無法規(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

在對數(shù)據(jù)的特征提取后，采用智能算法模型識別特征數(shù)據(jù)中存在的信息，從而實現(xiàn)對裝備故障的智能識別。

近年來，基于機器學習的智能診斷方法發(fā)展迅速。神經(jīng)網(wǎng)絡(luò)是目前最常用的診斷分類模型，其后來的改進型包括卷積神經(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（Decision Tree）模型是最簡單常見的監(jiān)督類分類器。支持向量機通過學習樣本特征，求解類別間的最大邊距超平面，實現(xiàn)對數(shù)據(jù)的分類。無監(jiān)督學習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，使用取長補短、少數(shù)服從多數(shù)的策略，以獲得更好的泛化性。對比了相同數(shù)據(jù)樣本在決策樹、鄰近算法（KNN）及支持向量機（SVM）單一模型的識別結(jié)果，同時對比了集成學習引導聚集算法（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習投票分類結(jié)果

閆書法[9]基于維納過程（Wiener Process），建立了綜合傳動裝置劣化模型，并利用卡爾曼濾波技術(shù)，在油液光譜數(shù)據(jù)劣化隨機和數(shù)據(jù)漂移的情況下的進行特征提取，實現(xiàn)綜合傳動裝置狀態(tài)的實時評估。Peng Yeping[10]使用兩個卷積神經(jīng)網(wǎng)絡(luò)和一個支持向量機分類器級聯(lián)開發(fā)了一個磨損顆粒自動檢測和分類過程，并利用大量鐵譜圖像對所提出的網(wǎng)絡(luò)進行了驗證，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)時代發(fā)展的必然產(chǎn)物，正慢慢改變?nèi)藗儗κ挛锏目捶?，而人工智能正?jīng)歷從理論創(chuàng)新到應(yīng)用實踐的逐步發(fā)展，二者的結(jié)合將在前所未有的應(yīng)用場景中逐步實現(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)代機械設(shè)備性能不斷提高，功能不斷完善，機械系統(tǒng)愈趨復雜，故障機理分析愈趨困難，伴隨出現(xiàn)了故障模式較多、區(qū)分難度大等問題。

（2）規(guī)模龐大的數(shù)據(jù)的典型特點包括數(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)在的復雜性使數(shù)據(jù)的信息挖掘、特征工程和分析計算等多個環(huán)節(jié)面臨著巨大的挑戰(zhàn)，也導致了計算復雜度的激增。

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

（4）如何結(jié)合機器學習、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)，實現(xiàn)機械故障的深度識別，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 未來發(fā)展趨勢

（1）傳感器作為物聯(lián)網(wǎng)技術(shù)的感知技術(shù)，在萬物互聯(lián)的過程中充當了眼、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。與國外相比，目前我國傳感器產(chǎn)業(yè)發(fā)展相對緩慢，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)類型有清晰認識；對數(shù)據(jù)庫形成規(guī)則化、自動化的管理，構(gòu)建企業(yè)的元數(shù)據(jù)庫。針對難以解決的設(shè)備故障問題，建立獨立的數(shù)據(jù)分析和反饋機制，少而精地控制核心問題。通過對數(shù)據(jù)庫的治理和管控，數(shù)據(jù)平臺能夠擁有完善的數(shù)據(jù)自動化治理能力，面向企業(yè)提供自助化服務(wù)，為用戶提供有價值數(shù)據(jù)信息，使客戶在設(shè)備維護過程中充分了解設(shè)備的運行狀況。

（3）隨著深度學習神經(jīng)網(wǎng)絡(luò)在視覺及自然語言等領(lǐng)域大放異彩，人們提出了大量不同的深度學習模型，但在工業(yè)領(lǐng)域還未見成熟的深度學習故障診斷模型。在工業(yè)領(lǐng)域開展一種具有高泛化性、魯棒性，能夠自動提取故障特征的算法模型勢在必行。未來更多的故障診斷將通過大數(shù)據(jù)及算法，高精度、低延遲地識別機械狀態(tài)的演變規(guī)律，并為設(shè)備健康管理和主動性維護提供科學依據(jù)。

4 結(jié)論

從工業(yè)大數(shù)據(jù)的特點、特征工程、模型建立與故障預(yù)測分別梳理了工業(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)展的潛在問題，認為應(yīng)該從高精度工業(yè)傳感器的發(fā)展、數(shù)據(jù)治理的標準化及診斷模型算法理論的創(chuàng)新等方面展開深入研究，推動機械故障智能診斷以大數(shù)據(jù)為核心、智能算法為驅(qū)動應(yīng)用于工程實踐。