2021-07-12
频率探索智能科技常州有限公司从事过程机器的故障预测与智能维护系统开发及应用，具备机电设备故障机理数据库、动力学建模系统、人工智能诊断算法等核心技术，助力各类设备、系统和工厂的数字化赋能和智能化升级。
旋转机械故障诊断对保障现代工业系统中机械的可靠性和安全性具有重要意义。作为工业应用的新兴领域和有效的故障识别解决方案，人工智能（AI）技术以其优越的“智商”和高超的“情商”，越来越受到学术界和工业界的关注。本文着重探讨人工智能技术在旋转机械故障诊断中的应用前景。以下几个问题是我们在接触这一场景和应用此技术时可能会产生的疑问。本文也将从这几点切入探讨。
什么是人工智能？
为什么将人工智能应用在故障诊断中？
人工智能手段相对于传统方法的优势、劣势？
人工智能手段的具体分类？
深度学习在故障诊断应用典型案例分析
智能故障诊断的前景与挑战
什么是人工智能？
人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新学科。经过60多年来的演变和发展，人工智能的特点也不断的更新完善。可以从以下四个特点来描述：
基于大数据的自我学习能力让智能终端越来越聪明。
智能机器到高水平的人机、脑机相互协同和融合，人与智能终端的交互方式将更加自然，设备会越来越“懂你”。
从聚焦个体智能到基于互联网和大数据的群体智能，实现依托产业链、生态圈的开放式创新。
从拟人化的机器人转向更加广阔的智能自主系统，比如智能工厂、智能无人机系统等；以期应用范围覆盖整个工业体系。
为什么将人工智能应用在故障诊断中？
传统的机械故障诊断方法和理论对单过程、单故障和渐发性故障的简单系统可以发挥较好的作用,对于多过程、多故障和突发性故障以及复杂庞大、高度自动化的大型设备和系统,例如汽轮发动机组等,就具有较大的局限性。同时，故障诊断中依据设备实体物理模型的故障机理分析受到复杂和嘈杂的工作环境的制约，难以建立故障恶化发展的动态系统，物理模型与在线测量数据的交互实时性较差，模型的有效性和灵活性较低。
相对的，随着传感器及计算系统的发展，描述设备健康信息的数据量指数增长。这催生了大量基于人工智能数据驱动的设备健康监测模型。这些模型能够从复杂系统的大数据中提取物理模型中无法获取的隐藏故障特征。大大弱化了人类劳动并降低人工诊断的不确定性。随着人工智能领域深度学习的发展，端到端的诊断程序逐步建立，日益积累的监测数据可进一步优化评估设备健康状态的准确性。
图 1 人工智能（机器学习方法）下的智能故障诊断步骤
人工智能方法相对于传统方法的优势、劣势？
优势：
人工智能方法自动化运行、更及时，纯人工诊断周期长。
人工智能方法稳定性更好，不会因为人的认知差异而得出不一样的结论。
人工智能方法能够发现更多的故障特征信息，而且可以学习现场新出现的故障模式，比人的大脑认知更丰富。
人工智能方法对大型复杂设备的诊断更准确。
劣势：传统的人工智能如专家系统、模糊诊断及神经网络等，通常都需要以相应的专家知识或大量的故障数据样本为基础，尤其是神经网络技术，其需要千万级或亿级的数据，才能发挥该技术的性能。对于多数复杂机械设备，由于生产环境、传统技术以及其他条件的限制，想要获得足够多规整的、不含缺失异常值的故障数据样本较为困难，另外基于神经网络的诊断方法不如基于物理模型故障机理的故障诊断方法可解释性强。
近年来，人工智能深度学习、小样本学习和迁移学习领域的发展能够一定程度上解决上述中的劣势。
图 2 故障诊断方法分类
人工智能方法的具体分类？
近年来，用于旋转机械故障诊断的人工智能算法由于其鲁棒性和适应能力而发展迅猛。基于智能故障诊断的人工智能算法可分为以下三大类：
传统机器学习算法：
传统机器学习算法发展于20世纪70年代，其中具有代表性有：
K最近法，k-NN；
朴素贝叶斯分类；
支持向量机，SVM；
人工神经网络，ANN；
专家系统，ES；
决策树法；
自编码法，AE
深度学习算法：
随着计算机运算能力的提升，深度学习的应运而生，其应用场景目前最为广泛，其中具有代表性的有：
卷积神经网络及其各类变种，CNN，ResNet等；
对抗生成网络及其变种，GAN，D2GAN等。对抗生成网络以其半监督方式训练分类器，能够在没有足够多带标签的训练集的场景发挥巨大优势；
循环神经网络，RNN；
受限玻尔兹曼机及其变种，RBM, DBN。
迁移学习算法：
深度学习中在计算机视觉任务和自然语言处理任务中将预训练的模型作为新模型的起点是一种常用的方法，通常这些预训练的模型在开发神经网络的时候已经消耗了巨大的时间资源和计算资源，迁移学习可以将已习得的强大技能迁移到相关的的问题上。其中具有代表性的有：
基于GAN的迁移学习；
深度迁移学习；
基于实践的迁移学习等。
图 3 基于人工智能的智能故障诊断（IFD）方法发展历程 [1]
图 4人工智能各学科之间的关系 [2]
深度学习在故障诊断应用典型案例分析？
以凯斯西储大学（CWRU）公开的轴承故障数据集为输入，讨论一有训练干预的卷积神经网络（TICNN）在轴承内外圈故障诊断中的应用案例。图5为一层完整的卷积神经网络（CNN）,包括提取特征的卷积层、池化层、全链接层、包含激活函数的分类层。
图 5 完整的一层卷积神经网络CNN结构，包含卷积层、池化层、全链接层、分类层[3]
图6为TICNN网络架构，其由六个卷积层、一个全链接层以及一个分类层组成，输入信号由一系列2048x1大小标准化矩阵组成。全链接层输出100个特征，激活分类函数将故障分为10类。图7为有训练干预和无训练干预下的各层卷积神经网络激活特征可视化对比图。图8 对比了各人工智能模型在轴承故障数据集中的预测准确性。结果表明TICNN对轴承故障识别的准确性更高，同时其在不同工作载荷和噪声条件的识别准确度也说明此网络的稳定性高，鲁棒性强。
图 6 包含训练干预的卷积神经网络架构 [4]
图 7 有训练干预和无训练干预下的各层卷积神经网络激活特征可视化
图 8各人工智能模型在轴承故障数据集中的预测准确性
智能故障诊断的前景与挑战
随着机器学习理论的发展，智能故障诊断逐渐解放了人类劳动和自动识别机器从过去到现在的健康状态，未来对于智能故障的主要挑战有以下几点：
如何为基于机器学习的诊断模型训练提供高质量的数据集？
如何建立应用于特殊场景的深度学习诊断模型？
如何保护基于迁移学习的诊断模型的性能免受工程中负迁移场景影响？
如何提高基于深度学习的诊断模型的可解释性？
综上所述，我们讨论了人工智能应用于故障诊断中的常见问题，有利于相关从业者理解故障诊断智能化应用场景。
参考文献
[1] Y. Lei, B. Yang, X. Jiang, F. Jia, N. Li, and A. K. Nandi, “Applications of machine learning to machine fault diagnosis: A review and roadmap,” Mech. Syst. Signal Process., vol. 138, p. 106587, 2020.
[2] R. Liu, B. Yang, E. Zio, and X. Chen, “Artificial intelligence for fault diagnosis of rotating machinery : A review,” Mech. Syst. Signal Process., vol. 108, pp. 33–47, 2018.
[3] W. Sun, S. Shao, R. Zhao, R. Yan, X. Zhang, and X. Chen, “A sparse auto-encoder-based deep neural network approach for induction motor faults classification,” Measurement, vol. 89, pp. 171–178, 2016.
[4] W. Zhang, C. Li, G. Peng, Y. Chen, and Z. Zhang, “A deep convolutional neural network with new training methods for bearing fault diagnosis under noisy environment and different working load,” Mech. Syst. Signal Process., vol. 100, pp. 439–453, 2018.
本文版权所有权归频率探索智能科技常州有限公司所有，请勿私自转载。
