人工智能在故障診斷中發(fā)展與應(yīng)用

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了人工智能在故障診斷中發(fā)展與應(yīng)用范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：隨著《中國制造2025》行動綱領(lǐng)的制定，我國已將專項設(shè)備的運行維護列為重要研究方向。作為機械設(shè)備安全穩(wěn)定運行的保障，早期的狀態(tài)監(jiān)測與故障診斷具有十分重要的意義。近年來，計算機科學(xué)與AI技術(shù)的不斷發(fā)展使得人工智能在故障診斷方面的應(yīng)用前景得以顯現(xiàn)。本文以常見的故障診斷模型為例，分析了人工智能在新時期工業(yè)現(xiàn)場的應(yīng)用，并指出了在此基礎(chǔ)上的發(fā)展前景與一些潛在的挑戰(zhàn)。

關(guān)鍵詞：智能制造；人工智能；狀態(tài)監(jiān)測；故障診斷；診斷模型；神經(jīng)網(wǎng)絡(luò)

0引言

早期在設(shè)備發(fā)生故障時，一般由專業(yè)的維修人員觀察設(shè)備運行狀態(tài)，測試其噪聲、軌跡、溫度、振動等參數(shù)的異常變化，與正常狀態(tài)比對，根據(jù)長期積累的維修經(jīng)驗做出故障診斷[1]。然而，該方法耗時耗力，且對維修人員的水平要求較高，因此隨著智能制造的不斷發(fā)展，對設(shè)備故障的及時準確診斷和分析成了當務(wù)之急。傳統(tǒng)的故障診斷模型多是基于設(shè)備工作原理建立正向的數(shù)學(xué)模型，通過實時分析各個環(huán)節(jié)之間的異常情況來分析設(shè)備的工作狀態(tài)[2-4]。但是隨著多模態(tài)、不確定性、密度大等特性工業(yè)現(xiàn)場的出現(xiàn)，想要建立精準的數(shù)學(xué)模型十分困難。為了能夠進一步提高診斷效率，滿足新時期大數(shù)據(jù)特性的工業(yè)現(xiàn)場，對更高水平的故障診斷方法提出了新的需求。

1基于人工智能的故障診斷

由于工業(yè)現(xiàn)場設(shè)備的復(fù)雜性、智能化和集成化程度的不斷提高，傳統(tǒng)的診斷方法已經(jīng)難以滿足發(fā)展需求，基于人工智能的故障診斷技術(shù)顯得愈發(fā)重要[5]。與傳統(tǒng)故障診斷方法相比，人工智能的故障診斷模型從原理驅(qū)動變成由數(shù)據(jù)驅(qū)動，并不需要詳細了解設(shè)備的工作原理及故障原因；通過采集設(shè)備正常工況與故障狀態(tài)下的歷史數(shù)據(jù)，構(gòu)建人工智能網(wǎng)絡(luò)模型；通過模擬人類思維模式對數(shù)據(jù)進行學(xué)習(xí)、解讀和分析，獲得數(shù)據(jù)的潛在特征，同時模型的網(wǎng)絡(luò)權(quán)重會依照數(shù)據(jù)的屬性自動更新，以此提高提取特征的能力，從而建立合適的診斷模型[6]。

1.1基于神經(jīng)網(wǎng)絡(luò)的診斷模型

神經(jīng)網(wǎng)絡(luò)涉及信息科學(xué)、自動控制、模式識別等多個領(lǐng)域，憑借多維度、非線性等動力學(xué)特性，能夠模仿人類的直覺聯(lián)想與記憶功能，這在非線性系統(tǒng)的故障診斷方面有很大的優(yōu)勢[7]。神經(jīng)網(wǎng)絡(luò)模型由輸入層、隱藏層與輸出層三層組成，每一層都有對應(yīng)的神經(jīng)網(wǎng)絡(luò)與下一層連接，如圖1所示。其中輸入層直接連接輸入的數(shù)據(jù)，用于獲取歷史數(shù)據(jù)信息，進行標準化后傳給下一層；隱藏層的作用是進行特征提取，可以通過調(diào)整權(quán)重讓隱藏層的神經(jīng)單元對某種模式形成反應(yīng)，提取出數(shù)據(jù)所蘊含的結(jié)構(gòu)特性，隨著網(wǎng)絡(luò)結(jié)構(gòu)層數(shù)加深，隱藏在數(shù)據(jù)中的特征屬性逐漸顯現(xiàn)出來，最終得到原始數(shù)據(jù)的抽象表示方法；輸出層用于連接隱藏層并輸出模型的結(jié)果，通過調(diào)整權(quán)重以對不同的隱藏層神經(jīng)元刺激形成正確的反應(yīng)，輸出模型的運算結(jié)果。

1.2基于專家系統(tǒng)的診斷模型

憑借對于復(fù)雜性和經(jīng)驗性問題的強大解決能力，專家系統(tǒng)成為智能診斷模型中發(fā)展最廣的一類。它是一種基于特定領(lǐng)域內(nèi)大量知識與經(jīng)驗的診斷系統(tǒng)，整合專家的豐富經(jīng)驗及思路，構(gòu)建診斷故障案例知識庫、解釋器和推理機[8]，通過知識庫所包含的故障知識及規(guī)則庫傳遞的規(guī)則，解釋器合理地解釋設(shè)備所出現(xiàn)的故障現(xiàn)象，如圖2所示。從系統(tǒng)框架來看，知識庫包含診斷對象的模型知識與人類專家的經(jīng)驗知識，覆蓋了系統(tǒng)的各種故障工況，并由工程師設(shè)定了合適的算法與規(guī)則。當推理機讀取到異常數(shù)據(jù)后模型能夠進行故障監(jiān)測、分析與處理等過程，幫助用戶進行決策，如同專家親臨現(xiàn)場一樣對系統(tǒng)進行故障診斷。

1.3基于故障樹分析的診斷模型

故障樹分析法作為一種圖形演繹法，對系統(tǒng)各部分之間的邏輯與因果關(guān)系進行展示[9]。它通過分析系統(tǒng)故障的可能因素，由整體到局部層層細化展開，能夠清楚地體現(xiàn)各個故障間的脈絡(luò)聯(lián)系?；诠收蠘涞慕Ａ鞒倘鐖D3所示。頂事件是指故障樹系統(tǒng)中最需要避免發(fā)生的故障，可能導(dǎo)致系統(tǒng)發(fā)生頂事件的其他故障狀態(tài)為中間事件。把頂事件的預(yù)防及診斷作為模型的首要目標，搜尋出可能誘發(fā)頂事件的中間事件，逐層展開對各個事件進行定性分析，尋找出故障樹的所有最小割集，以此得到故障發(fā)生幾率并及時采取措施。對于故障樹模型來說，運行時間越長規(guī)則就越豐富，對于故障的診斷精度和速率也就會越高。

1.4基于模糊理論的診斷模型

作為故障診斷領(lǐng)域最成功的診斷模型，模糊診斷方法是通過收集系統(tǒng)數(shù)據(jù)、專家經(jīng)驗等，運用模糊理論對這些信息進行模糊建模、模糊聚類處理，得出診斷結(jié)果[10]。模糊理論結(jié)構(gòu)如圖4所示，它具有清晰的結(jié)構(gòu)特性，模糊診斷并不需要建立精確的系統(tǒng)數(shù)學(xué)模型，而是通過模擬人類處理問題的方式進行分析，對于復(fù)雜系統(tǒng)也具有較強的泛化性。面對實際工業(yè)現(xiàn)場大量無法定量分析的故障，模糊原理通過知識庫將各狀態(tài)的數(shù)據(jù)進行標準化處理，之后通過聚類等推理手段得到一階矩陣，再通過解模糊化后判斷輸出故障所屬的子集，從而對故障類型進行診斷。針對無法獲取精確數(shù)據(jù)與模型的系統(tǒng)，這種診斷方法表現(xiàn)出較高的可靠性。

2人工智能診斷模型的發(fā)展

工業(yè)現(xiàn)場的復(fù)雜性與不可預(yù)知性對于系統(tǒng)的故障預(yù)測方法也提出了更高的要求，單一的人工智能故障診斷模型較難獲取準確、完備、有效的診斷知識。因此針對復(fù)雜系統(tǒng)的工業(yè)現(xiàn)場，人工智能的故障診斷模型也衍生出了新的特性。

2.1多信息融合診斷

人工智能的故障診斷模型通常是靠加速度傳感器采集振動信號。隨著電子技術(shù)與信號檢測技術(shù)的不斷提高，更多類別的傳感器繁衍而出，利用多維度的數(shù)據(jù)信息對故障進行診斷分析也變得更加容易，例如設(shè)備的振動、噪聲、溫濕度、壓力、扭矩等，多方位的信息代表了設(shè)備更加詳細的工況，為故障診斷模型提供更多用于訓(xùn)練的變量，能夠有效地提高模型訓(xùn)練精度與準確率，降低外部因素的影響，增強診斷模型的魯棒性。

2.2復(fù)合故障診斷

傳統(tǒng)的解析模型法或基于人工智能的診斷方法，通常僅能診斷單一故障類型，然而實際工業(yè)現(xiàn)場并不會如此理想化，多種故障同時發(fā)生的情況屢見不鮮。針對復(fù)合故障診斷問題，一些學(xué)者提出了多標簽K近鄰算法等多標簽分類方法，通過挖掘故障數(shù)據(jù)與不同故障類型間的聯(lián)系和相關(guān)性強弱，提取節(jié)點的社會特征，構(gòu)造分類器對不同維度的數(shù)據(jù)進行標簽分類，能夠在設(shè)備復(fù)合故障的情況下準確地進行診斷分析。2.3潛在故障預(yù)警工業(yè)現(xiàn)場設(shè)備的長期運行會不可避免地導(dǎo)致設(shè)備疲勞和早期故障，通過模型數(shù)據(jù)無法分析出這些異常，系統(tǒng)仍能正常運轉(zhuǎn)，甚至有部分間歇故障能夠自行消失，可是當模型能夠診斷出故障時已經(jīng)為時已晚。因此要求模型能夠基于大數(shù)據(jù)監(jiān)測，根據(jù)系統(tǒng)運行規(guī)律或數(shù)據(jù)變化趨勢，對系統(tǒng)的早期故障與異常及時發(fā)現(xiàn)并預(yù)警，從而進行養(yǎng)護和采取針對性維護策略，將系統(tǒng)的潛在隱患消除。

2.4混合診斷模型

混合診斷模型包含傳統(tǒng)的信號處理方法與人工智能模型，也包含多個人工智能模型混合診斷。信號處理方法能夠?qū)⒐I(yè)現(xiàn)場的海量數(shù)據(jù)進行處理分析，再交于人工智能建模診斷，能夠有效提高模型的學(xué)習(xí)速度與準確率。針對不同模型的特點，取長補短、優(yōu)勢互補，實現(xiàn)不同模型混合診斷，這對多模態(tài)、大數(shù)據(jù)、不確定性的工業(yè)現(xiàn)場十分重要。

3人工智能診斷模型的挑戰(zhàn)

通過人工智能采集設(shè)備的運行狀態(tài)，以數(shù)據(jù)為驅(qū)動分析變量間的因果關(guān)系，數(shù)據(jù)呈現(xiàn)的類型將對模型訓(xùn)練的結(jié)果產(chǎn)生重要影響。近些年人工智能在故障診斷上發(fā)展迅速，但同樣存在一些挑戰(zhàn)。（1）人工智能的診斷方法本質(zhì)是通過學(xué)習(xí)工業(yè)現(xiàn)場的海量數(shù)據(jù)進行建模，而對于大數(shù)據(jù)的快速處理與特征識別一直是困擾工程師的問題，如何能夠得到與分析準確有效的系統(tǒng)數(shù)據(jù)是人工智能建模的首要難題。（2）模型的建立是通過分析歷史故障數(shù)據(jù)進行的，因此人工智能僅能學(xué)習(xí)到曾經(jīng)表現(xiàn)出來的故障類型；而對于從未出現(xiàn)過的故障，即使數(shù)據(jù)已經(jīng)出現(xiàn)異常，模型仍有可能無法識別。（3）人工智能診斷模型不同于正向分析的數(shù)學(xué)模型，而是由多個深度學(xué)習(xí)智能網(wǎng)絡(luò)搭建而成。對于模型的理解更像是一個“黑匣子”，僅能得出模型的預(yù)測結(jié)果而無法進行理論上的解釋，可能難以解釋系統(tǒng)故障的發(fā)生原因。

4結(jié)語

隨著新一輪《工業(yè)5.0》的提出，先進工業(yè)設(shè)備與穩(wěn)定的運行需求對系統(tǒng)的故障診斷提出了新要求，基于人工智能的故障診斷方法為工業(yè)現(xiàn)場的高效平穩(wěn)運行提供了保障。本文以人工智能的發(fā)展為基礎(chǔ)，闡述了常見的人工智能故障診斷模型原理及應(yīng)用，并提出將來的發(fā)展方向與潛在的挑戰(zhàn)，對工業(yè)設(shè)備的智能化故障診斷發(fā)展提供了一定幫助。

作者:趙祥 薛誓穎 單位:河南職業(yè)技術(shù)學(xué)院