基于深度學習理論的機電設備故障診斷方法

張健鵬　張東生　鐘華　劉歡　張艷婷

摘要：介紹了機電設備故障診斷的一般方法，闡述了深度學習理論及其特點，分析了深度學習理論在機電設備故障診斷中的應用情況，包括深度學習故障診斷及預測的方法、深度學習故障診斷的一般流程、基于深度學習理論的故障診斷神經網絡模型，最后對深度學習理論在機電故障診斷中的應用進行了展望。

關鍵詞：大數據;深度學習;機電設備;狀態監測;故障診斷

0 引言

隨著核電廠機電設備集成化程度的提高，設備功能及結構越來越復雜，組件之間的聯系越來越密切。同時，機電設備與由其組成的完整系統存在著強耦合關系，重要零部件損壞，將導致機電設備無法正常工作，最終導致系統失效，影響核電廠的安全穩定運行。對重要機電設備進行狀態監測，對設備故障進行診斷，并對設備運行趨勢進行預測，對于評估設備狀態、開展設備運行維護、保障機電設備的安全運行具有重要意義。

隨著傳感器技術的發展以及物聯網的普及，使得對機電設備的全面監測和故障診斷成為可能。核電廠需監測的機電設備規模大，每臺裝備設置的監測點多，振動等監測參數采樣頻率高，設備在役時間長，將形成海量的監測數據，由此將推動設備狀態監測和診斷進入“大數據”時代。傳統的基于特征提取的故障診斷技術，如專家系統、模糊診斷技術、神經網絡技術難以應對海量數據的處理，為了提高機械設備的可靠性與安全性，在機電設備產生海量數據的背景下，需要不斷研究新的故障診斷技術，以滿足機電設備故障診斷與預測的需求[1-2]。

1 機電設備故障診斷的一般方法

機電設備運行過程中的監測數據蘊含機械設備豐富的內在信息，故障診斷技術通過分析機械運轉過程中所采集的數據，掌握設備的運行狀態，并對設備狀態、故障類型、故障深度進行識別，針對具體情況為設備的診斷與維修提供決策依據。

故障診斷與預測技術主要分為基于知識的故障診斷方法、基于解析模型的故障診斷方法和基于信號處理的故障診斷方法[3]。基于知識的故障診斷方法將人工智能與故障診斷相結合，基于知識進行診斷推理，需要較多的經驗知識或專家經驗，相對較難實現。基于解析模型的故障診斷方法，要求基于機械設備故障機理建立數學模型，獲取模型計算值與實際觀測值之間的差值，并與事先建立好的決策函數進行對比，以確定設備是否發生故障，數學建模的過程相對困難，限制了該方法的實用性。基于信號處理的故障診斷方法對機械設備的測量數據進行信號處理，獲得數據信號特征，從而進行故障診斷。隨著信號處理方法的發展，該方法以其簡便性和可解釋性，獲得了廣泛運用。

2 深度學習理論概述

深度學習是機器學習的分支，具有強大的數據處理能力。近年來，在語音、圖像、信號處理等方面應用廣泛，獲得了較好的效果，并逐步在故障診斷領域得到應用[4]。

區別于其他機器學習方法，深度學習具有以下特點：

（1）深度學習神經網絡具有一定的模型結構深度，通常具有多個隱層網絡。

（2）深度學習神經網絡通過提取特征信息，對特征進行逐層組合，以實現識別功能。相比于人工構造數據特征，深度學習神經網絡可以更加全面地對數據內涵進行表征。

通過構造恰當的網絡結構，選擇合適的輸出層非線性變換函數，通過調整網絡參數優化成本函數，實現輸入到輸出的擬合關系，完成網絡訓練。深度學習神經網絡可以針對輸入，根據學習到的規律進行推斷，從而實現復雜的數據處理功能。

深度學習具有多隱層網絡結構與自適應的特征提取能力，而能夠挖掘數據深層次的固有規律，相對于傳統方法更能精確刻畫故障數據和故障類別之間的復雜映射關系。對于機電設備大數據的發展趨勢，有必要研究基于深度學習理論的設備故障診斷及預測方法，以滿足設備狀態監測獲取的多樣性、非線性、高維數據的診斷分析需求。

3 深度學習理論在機電故障診斷中的應用

深度學習通過構建深層網絡，模擬大腦學習過程，實現數據特征的自動提取、擬合輸入輸出的復雜映射關系，對設備故障進行診斷，預測機電設備的使用壽命。基于深度學習理論的設備故障診斷流程如圖1所示。

3.1? ? 深度學習故障診斷及預測方法

基于深度學習的故障診斷模型訓練方法主要分為有監督學習、無監督學習、半監督混合學習等[5-6]。

3.1.1? ? 有監督學習

有監督學習的訓練集包括數據以及數據對應的標簽。通過網絡訓練，獲取數據與標簽的映射關系。有監督學習可實現數據的分類、回歸等功能。

3.1.2? ? 無監督學習

無監督學習的訓練集只包含數據，沒有數據標簽，可對缺乏先驗知識的數據進行處理。通過無監督學習，可發現數據內在結構，實現數據聚類、數據壓縮等功能。

3.1.3? ? 半監督混合學習

半監督混合學習，是有監督學習和無監督學習相結合的學習方法，其樣本數據由帶標簽和不帶標簽兩種組成，先通過對帶標簽的數據進行學習，再通過對未帶標簽的數據進行預測，找到隱藏的結構以不斷更新完善學習模型。半監督學習解決的問題主要是如何通過少量含有標簽與大量不含標簽的數據進行模型的訓練和學習。

3.2? ? 深度學習故障診斷及預測流程

基于機器深度學習的故障預測流程為：首先對裝備傳感器或試驗數據進行收集與處理，然后研究機器深度學習理論形成網絡模型，在此基礎上對基于機器深度學習的故障模型進行訓練，對裝備故障進行特征識別，實現機電故障診斷。

3.2.1? ? 數據采集

通過安裝在機電設備上的各種傳感器和數據采集系統，采集并監測設備狀態信息，包括電流、電壓、振動、位移、轉速以及工藝參數，如壓力、流量等。系統將設備正常運行及工藝瞬態的數據保存到歷史數據庫，當設備發生異常時，歷史數據庫保存狀態異常期間的狀態數據。

3.2.2? ? 數據預處理

（1）無效剔除。由于存在工況變化、環境干擾、傳感器松動等情況，監測數據中含有大量的噪點、停機、異常等臟數據，這些臟數據混雜于機電設備監測數據庫中，導致監測數據質量降低，影響故障診斷效果。因此，需要根據機電設備運行特點，利用異常檢測方法對無效數據進行自動識別和剔除。

（2）格式規整。設備監測系統長期運行，積累了大量數據，這些數據蘊含大量有用信息，同時形式多樣，難以直接利用，需要采用數據長度匹配、時間節點對齊、數據格式統一等手段進行數據格式規整。

（3）采樣同步。機電設備不同結構、不同轉速下的不同零部件存在不同的頻率響應特性，數據采集時需采用不同的采樣頻率和采樣長度。但異步的采樣策略無法進行有效的比較分析，為了簡化分析，提高效率，通過采樣同步方法，確定最大頻譜分辨率，對其他數據進行重采樣，以確保頻譜分辨率一致。

（4）數據去均值。在對機電設備進行監測時，由于各種原因，測得的信號均值往往不為0。為了監測后續處理的計算工作量，對數據進行去均值處理。

（5）關聯度分析。關聯度分析可以找出關鍵變量發展變化的主要因素，為決策提供依據。需針對典型故障模式，進行數據關聯度分析。通過關聯度分析，構建實測數據與典型故障模式的映射關系。此外，考慮到設備運行工況復雜，過程參數多變，需要研究振動信號與過程參數之間的相關性。

（6）深度神經網絡訓練。針對機電設備故障診斷的特殊要求和應用場景，確定網絡結構，構建深度學習網絡模型。對經過采集和數據預處理的數據進行整理，形成訓練集、驗證集和測試集。將數據輸入深度神經網絡進行訓練，以自動獲取數據中蘊含的特征。使用驗證集對網絡性能進行評價，通過調整網絡結構和超參數，完成故障數據和故障類別的擬合，從而實現機電設備故障診斷[7]。

3.3? ? 基于深度學習的故障診斷網絡模型

深度學習本質上是對數據特征進行逐層提取，其中高層特征由低層特征組合而成。常見的深度學習算法有：

3.3.1? ? 自動編碼機

自動編碼機是三層的非監督神經網絡，分為編碼器與解碼器兩個部分，如圖2所示。輸出層可對輸入信號進行重構，使得隱含層向量成為輸入數據的一種特征表示。自動編碼機可以單獨使用，也可以通過非監督學習方式對深度神經網絡進行逐層預訓練，然后以監督學習方式微調整個深度神經網絡，使網絡具有識別故障類型的能力。自動編碼機的使用方式需要根據機電設備監測診斷的具體情況而定。

3.3.2? ? 卷積神經網絡

卷積神經網絡是一種前饋神經網絡。通常其輸入為原始信號，也可以使用提取的指標作為輸入。卷積神經網絡的基本結構包括兩層[8]：其一為卷積層，每個神經元的輸入與前一層的局部感受相連，用于提取前一層輸出的局部特征;其二是池化層，利用最大池化或者平均池化的方式，對特征進行降維，提高識別結果的魯棒性。

3.3.3? ? 深度稀疏網絡

深度神經網絡通過構建深層次的模型，結合大量的訓練數據，組合低層特征形成更加抽象的高層特征，從而刻畫數據豐富的內在信息，最終提升分類精度。由于旋轉機械信號存在稀疏特性，因此將稀疏因子引入到深度網絡的建立中，形成深度稀疏網絡，進而對機電設備進行故障診斷。

深度學習方法的目標在于分層次地學習特征，在每一層學習中高層次的特征是由低層次的特征學習構成的。在多層次的抽象過程中，自動學習特征可以使機器學習系統從原始數據中學習到從輸入映射到輸出的復雜函數，而不再需要人類完全手工提取特征這樣一個繁重的過程。

4 結語

機電設備大數據具備規模大、速度快、類型雜、質量低、多模態、強關聯、高通量等特征。傳統的監測診斷算法需依賴大量信號處理知識與診斷經驗，無法診斷機電設備大數據背下深藏的故障機理。而深度學習作為近幾年來人工智能領域里最新最熱門的技術，可以自適應地提取健康狀況信號頻譜中蘊含的故障信息，適用于表征機械數據內部隱藏的復雜多變的特性，能夠更準確地識別機電設備健康狀況，提升機電設備運維的可靠性。

[參考文獻]

[1] 雷亞國，賈峰，周昕，等.基于深度學習理論的機械裝備大數據健康監測方法[J].機械工程學報，2015，51（21）：49-56.

[2] 雷亞國，賈峰，孔德同，等.大數據下機械智能故障診斷的機遇與挑戰[J].機械工程學報，2018，54（5）：94-104.

[3] 張士強.基于深度學習的故障診斷技術研究[D].哈爾濱：哈爾濱工業大學，2018.

[4] 吳立金，夏冉，詹紅燕，等.基于深度學習的故障預測技術研究[J].計算機測量與控制，2018（2）：9-12.

[5] 趙文浩，閻威武.基于數據驅動的故障診斷研究[J].微計算機信息，2010，26（28）：104-106.

[6] 周志華.機器學習[M].北京：清華大學出版社，2016.

[7] 吳魁，王仙勇，孫浩，等.基于深度學習的故障檢測方法[J].計算機測量與控制，2017，25（10）：43-47.

[8] 陳先昌.基于卷積神經網絡的深度學習算法與應用研究[D].杭州：浙江工商大學，2013.

收稿日期：2020-04-03

作者簡介：張健鵬（1985—），男，浙江義烏人，高級工程師，從事核電站機電設備、儀控系統設計工作。