程璐

（安徽理工大學計算機科學與工程院 安徽省淮南市 232001）

隨著智能社會的來臨，以及我國的制造業(yè)技術水平的提高，世界上對煤炭資源的需量正在不斷擴大，因此越來越智能化的煤炭機器人技術將被應用到煤炭的發(fā)掘領域，以大大地提高對煤炭資源的發(fā)掘效果。由于外部環(huán)境的復雜導致煤礦機械設備經(jīng)常發(fā)生一些故障，設備發(fā)生故障會導致煤礦的開采效率，同時設備的維護也會產(chǎn)生高額的費用，因此通過故障診斷技術對設備進行故障診斷以及后續(xù)的設備維護，保證設備的正常運行顯得十分重要。

1 煤炭設備常見故障類型

如果按故障損壞度來區(qū)分故障的種類，可以將煤礦機械設備的故障整體分為以下三大類：分別是初期故障期、間接性故障期和耗損故障期[1]。第一類是早期故障期，這個階段處在機械設備的磨合期，這時所產(chǎn)生的故障多數(shù)是因為在機械設備在生產(chǎn)制造的時候存在偏差導致的。第二類是間接性故障期，主要是由于外部環(huán)境以及個人操作失誤導致的，這種偶然性故障是無法避免的;第三類是損耗故障期，這個階段主要是設備經(jīng)常使用導致長期處于高負荷狀態(tài)，從而導致故障發(fā)生。

2 故障診斷技術構成

2.1 故障特征檢測

特征檢測主要是通過相應傳感器收集故障信號，因為信號一定程度上反映設備的運行狀態(tài)，例如承軸故障振動信號會發(fā)生改變，電機故障電壓信號會發(fā)生改變，油路壓力信號等。

2.2 故障特征提取

特征提取是指將能真實反映設備狀態(tài)的信號特征提取出來，常用的特征提取的方法可分為圖像特征提取，信號特征提取，文本特征提取等，圖像特征提取方法包括傅里葉變換，窗口傅里葉變換，小波變換，最小二乘法，基于Tamura 紋理變換等，信號特征提取方法包括傅里葉變換，時頻分布，希爾伯特黃變換等，文本特征提取方法包括主成分分析法，線性判別分析法，稀疏自編碼器，受限玻爾茲曼機。

2.3 故障狀態(tài)識別

通過傳統(tǒng)機器學習，深度學習等方法[2]，如圖1所示，分析異常的機械設備信號，從而判斷出設備故障原因和設備狀態(tài)，并且找出故障出現(xiàn)的地方以及出現(xiàn)的原因和發(fā)生故障的程度。常用的機器學習算法有KNN 算法，支持向量機（SVM），奇異值分解（SVD）等，深度學習包括卷積神經(jīng)網(wǎng)絡（CNN），深度置信網(wǎng)絡（DBN）以及堆棧自編碼網(wǎng)絡。

圖1：故障診斷方法

2.4 故障預測和決策

煤礦機械設備事故的預防是根據(jù)傳感器接收到的信息加以分析，通過根據(jù)信息狀態(tài)判斷出機械設備可能發(fā)生的事故和后續(xù)可能發(fā)生的程度，以便及時做出相應的防預對策；決策是指通過故障診斷算法分析得出的結果加以分析探討，進而提出處理問題的相應對策與方案，為事故檢修、系統(tǒng)維護和設備的有效操作提供基本方法。

3 人工智能相關技術

3.1 機器學習

機器學習[3]利用特定算法對已知數(shù)據(jù)進行建模，從而在新情境下進行判斷。傳統(tǒng)的機器學習方法有支持向量機、KNN、隨機森林、人工神經(jīng)網(wǎng)絡和線性回歸等方面。機器學習的思想很簡單，它只是對人類學習過程的一種模擬。在這個過程中，數(shù)據(jù)是一大關鍵點。機器學習可以根據(jù)學習方式進行分類，包括有監(jiān)督學習、無監(jiān)督學習和強化學習。有監(jiān)督學習通過讓模型學習大量帶有標簽的數(shù)據(jù)樣本，并且利用對輸入數(shù)據(jù)中的初始信號樣本不斷的學習，將模型學習結果為以函數(shù)的形式輸出。無監(jiān)督學習則采用聚類方法，將類別作為學習結果，強化學習即是一種典型的無監(jiān)督學習，以環(huán)境反饋信號作為輸入，并以統(tǒng)計和動態(tài)規(guī)劃技術為指導，依據(jù)獎勵進行反饋的一種學習方法。機器學習常用的算法主要包括：

（1）決策樹算法；

（2）樸素貝葉斯；

（3）支持向量機；

（4）隨機森林算法；

（5）Boosting 和Bagging 算法；

（6）關聯(lián)規(guī)則算法。

3.2 深度學習

通過構建多層的神經(jīng)元網(wǎng)絡，將處于初始層的樣本特征表達逐漸轉(zhuǎn)變?yōu)?高級層的特征表達，然后通過神經(jīng)網(wǎng)絡模型進行訓練并進行問題的分類等學習任務[4]。深度學習的相關模型：

（1）卷積神經(jīng)網(wǎng)絡：是一種基于卷積運算的神經(jīng)網(wǎng)絡系統(tǒng)，在無監(jiān)督預訓練出來之前，卷積神經(jīng)網(wǎng)絡是唯一能夠進行深度神經(jīng)網(wǎng)絡訓練的特例。

（2）深度置信網(wǎng)絡：神經(jīng)網(wǎng)絡模型由多個自編碼器組成，模型預訓練后結合損失函數(shù)進一步優(yōu)化神經(jīng)網(wǎng)絡權值。

（3）堆疊自編碼網(wǎng)絡模型：是一種基于多層神經(jīng)元的自編碼網(wǎng)絡結構，主要有稀疏自編碼器和降噪自編碼器以及棧式自編碼器，堆疊自編碼網(wǎng)絡的結構與DBN（深度置信網(wǎng)絡）相似，由幾組神經(jīng)元堆疊而成，每一組神經(jīng)元稱之為自編碼模型(autoencoder)，不同于DBN 的受限玻爾茲曼機。自編碼模型共有三層，分別是輸出層、隱藏層和輸出層。

3.3 邊緣計算

邊緣計算[4]是指在網(wǎng)絡邊緣服務器進行數(shù)據(jù)分析和處理，這些邊緣服務器指的是在數(shù)據(jù)收集端和云中心之間任意一個具備計算和網(wǎng)絡資源的節(jié)點服務器，如圖2所示。邊緣計算具有以下的優(yōu)點：第一是對于圖像處理等領域具有優(yōu)勢，例如人臉識別，響應時間可以大幅減少。第二是能耗方面具有優(yōu)勢，將部分計算任務從云端卸載到邊緣節(jié)點之后，整個系統(tǒng)能源消耗可以減少30%～40%。第三是在數(shù)據(jù)整合和遷移方面具有優(yōu)勢，時間可以縮短將近20 倍。

圖2：邊緣計算結構

3.4 技術應用

3.4.1 SVM 在故障診斷中的應用

支持向量機(SVM)是一種監(jiān)督學習技術，其中多個核用于不同的應用。這些算法是由不同的研究人員在文獻中開發(fā)的。SVM 是一個二進制分類器，通常提供輸入，擁有兩類數(shù)據(jù)集。在多項研究中，SVM 算法被認為是最大似然方法中的一種有效算法。機器學習領域進行了多種研究[5]，其中，R.C.等人的研究[6]提出了通過支持向量機識別離心式水泵中感應電機定子和轉(zhuǎn)子故障的不同方法，對獲取的數(shù)據(jù)集進行分析，使電機中故障分類率得到很大的提高。

由于處理這些泵的方式，會出現(xiàn)各種故障，如供應不平衡、電能質(zhì)量低、機械故障和電氣故障。為了有效地識別這些故障，提出了一種多樣化的算法。Al 等人[7]等人利用最大似然算法對數(shù)據(jù)集進行進一步分類，提高故障準確率。由于故障檢測分類中的SVM 概念是基于諧波運動中定子電流的變化。K.A 等人[8]從頻譜中提取感興趣的區(qū)域，然后進行尺度邊緣積分，通過使用尺度邊緣積分，可以更好地提取系統(tǒng)的響應。然后將提取的值輸入到訓練算法中。然后從系統(tǒng)參數(shù)優(yōu)化模塊中微調(diào)這些值。優(yōu)化塊從訓練算法的輸出中獲取值。所以使用SVM 算法提高故障精度是成功的。

3.4.2 神經(jīng)網(wǎng)絡在故障診斷中的應用

人工神經(jīng)網(wǎng)絡[9]是神經(jīng)系統(tǒng)的計算機復制品。人工神經(jīng)網(wǎng)絡有多種類型，即徑向基函數(shù)神經(jīng)網(wǎng)絡。人工神經(jīng)網(wǎng)絡作為一種簡單的神經(jīng)網(wǎng)絡，其預測精度低于其他深度學習網(wǎng)絡。然而，它需要較少的計算時間和內(nèi)存，并且會影響預測精度，所以在故障診斷中有著廣泛的應用。劉等人[10]建立了基于新型極限學習機的故障檢測方法來檢測齒輪故障。將振動信號用于訓練和測試ELM，以檢測從動齒輪和主動齒輪中的斷裂、開裂和剝落的齒。在不同的齒輪故障下，得出的故障結果在85%～92.5%的范圍內(nèi)，同時所提出的模型可以連接實時應用和故障分類。Lo 等人[11]建立了一種基于神經(jīng)網(wǎng)絡的預測方法，通過混合損失函數(shù)檢測軸承和齒輪的磨損。用正常和故障數(shù)據(jù)訓練模型。該模型對給定數(shù)據(jù)集的預測準確率為90%，在連續(xù)監(jiān)測中非常有效。SVM和人工神經(jīng)網(wǎng)絡在不同方面有著不同的優(yōu)勢，將SVM算法和神經(jīng)網(wǎng)絡算法用于故障分類，并對其準確性進行了評價。斷層分類精度SVM 為93.44%，人工神經(jīng)網(wǎng)絡為95.65%。使用改進的SVM 體系結構，可以觀察到其性能遠優(yōu)于人工神經(jīng)網(wǎng)絡。

3.4.3 深度學習在故障診斷中的應用

近年來，深度學習已經(jīng)控制了健康、工程等多個領域。使用深度學習的主要優(yōu)勢是圖像識別[12]。當數(shù)據(jù)特征數(shù)量增加時，深度學習的優(yōu)于其他方式。最近，許多研究人員在故障診斷領域利用了這種數(shù)字邏輯技術。Qi等人[13]使用系綜經(jīng)驗模式分解和自回歸表示來去除信號中的噪音，提高特征提取效果。許等人[14]為了解決在礦井復雜環(huán)境下提取的數(shù)據(jù)會出現(xiàn)過擬合的現(xiàn)象，提出在自編碼器隱含層中加入稀疏性限制神經(jīng)元的數(shù)量,通過實驗對比分析，稀疏性的加入提高了礦用變壓器故障診斷的準確率。

與SVM 不同，大多數(shù)深度學習方案的準確率都超過了90%，有些方案的準確率更高，達到了97%以上。與SVM 框架相比，這證明了深度學習方案在故障診斷中的有效性能。齒輪故障診斷準確率約為94.05%～97.68%，軸承故障診斷準確率幾乎高于99%。對于基于深度學習的框架，故障診斷的準確性更高，因為它們可以以提取特征的形式處理大量數(shù)據(jù)集。問題是所有組件的特征提取不能相同。深度學習在故障診斷中的性能很大程度上取決于提取的特征。

3.4.4 邊緣計算在故障診斷中的應用

邊緣計算在設備故障診斷中也有著十分廣泛的應用。Si 等人[15]提出了一種基于振動信號邊緣計算的智能故障診斷系統(tǒng)，并對系統(tǒng)需求分析、系統(tǒng)結構和功能進行了詳細研究，通過邊緣節(jié)點。Kun 等人[16]提出了一種基于邊緣和云協(xié)同的列車故障診斷模型。首先利用SAES-DNN(堆疊式自動編碼器深度神經(jīng)網(wǎng)絡)故障識別方法，將特征提取和類型識別相結合，對高維數(shù)據(jù)中的深層隱藏特征完成故障分類，通過遷移學習的方法將模型移植到邊緣節(jié)點中，提高了準確率和實時性，從而快速定位故障。

4 展望與總結

（1）深度學習的應用：深度學習提出了一種讓神經(jīng)網(wǎng)絡模型自動提取樣本特征的方法，在完善網(wǎng)絡模型的過程中不斷地進行特征學習，從而降低不確定因素的影響。深度學習相對于傳統(tǒng)的機器學習，在識別和分類上具有較高的準確率和魯棒性，從而得到廣泛的應用。

（2）邊緣計算的應用：隨著智慧煤礦的發(fā)展，數(shù)據(jù)呈指數(shù)式增長，邊緣計算框架的特點是將簡單且計算量低的任務分配到離終端較近的邊緣服務器，復雜度高的任務交給云端去處理。

（3）遷移學習的應用：將源域訓練好的模型遷移到目標域。