人工智能在故障診斷中的發展與應用

趙 祥，薛誓穎

（河南職業技術學院，河南 鄭州 450006）

0 引 言

早期在設備發生故障時，一般由專業的維修人員觀察設備運行狀態，測試其噪聲、軌跡、溫度、振動等參數的異常變化，與正常狀態比對，根據長期積累的維修經驗做出故障診斷。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展，對設備故障的及時準確診斷和分析成了當務之急。傳統的故障診斷模型多是基于設備工作原理建立正向的數學模型，通過實時分析各個環節之間的異常情況來分析設備的工作狀態。但是隨著多模態、不確定性、密度大等特性工業現場的出現，想要建立精準的數學模型十分困難。為了能夠進一步提高診斷效率，滿足新時期大數據特性的工業現場，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

由于工業現場設備的復雜性、智能化和集成化程度的不斷提高，傳統的診斷方法已經難以滿足發展需求，基于人工智能的故障診斷技術顯得愈發重要。與傳統故障診斷方法相比，人工智能的故障診斷模型從原理驅動變成由數據驅動，并不需要詳細了解設備的工作原理及故障原因；通過采集設備正常工況與故障狀態下的歷史數據，構建人工智能網絡模型；通過模擬人類思維模式對數據進行學習、解讀和分析，獲得數據的潛在特征，同時模型的網絡權重會依照數據的屬性自動更新，以此提高提取特征的能力，從而建立合適的診斷模型。

1.1 基于神經網絡的診斷模型

神經網絡涉及信息科學、自動控制、模式識別等多個領域，憑借多維度、非線性等動力學特性，能夠模仿人類的直覺聯想與記憶功能，這在非線性系統的故障診斷方面有很大的優勢。神經網絡模型由輸入層、隱藏層與輸出層三層組成，每一層都有對應的神經網絡與下一層連接，如圖1所示。其中輸入層直接連接輸入的數據，用于獲取歷史數據信息，進行標準化后傳給下一層；隱藏層的作用是進行特征提取，可以通過調整權重讓隱藏層的神經單元對某種模式形成反應，提取出數據所蘊含的結構特性，隨著網絡結構層數加深，隱藏在數據中的特征屬性逐漸顯現出來，最終得到原始數據的抽象表示方法；輸出層用于連接隱藏層并輸出模型的結果，通過調整權重以對不同的隱藏層神經元刺激形成正確的反應，輸出模型的運算結果。

圖1 神經網絡模型

1.2 基于專家系統的診斷模型

憑借對于復雜性和經驗性問題的強大解決能力，專家系統成為智能診斷模型中發展最廣的一類。它是一種基于特定領域內大量知識與經驗的診斷系統，整合專家的豐富經驗及思路，構建診斷故障案例知識庫、解釋器和推理機，通過知識庫所包含的故障知識及規則庫傳遞的規則，解釋器合理地解釋設備所出現的故障現象，如圖2所示。

圖2 專家系統結構

從系統框架來看，知識庫包含診斷對象的模型知識與人類專家的經驗知識，覆蓋了系統的各種故障工況，并由工程師設定了合適的算法與規則。當推理機讀取到異常數據后模型能夠進行故障監測、分析與處理等過程，幫助用戶進行決策，如同專家親臨現場一樣對系統進行故障診斷。

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，對系統各部分之間的邏輯與因果關系進行展示。它通過分析系統故障的可能因素，由整體到局部層層細化展開，能夠清楚地體現各個故障間的脈絡聯系。基于故障樹的建模流程如圖3所示。

圖3 故障樹結構

頂事件是指故障樹系統中最需要避免發生的故障，可能導致系統發生頂事件的其他故障狀態為中間事件。把頂事件的預防及診斷作為模型的首要目標，搜尋出可能誘發頂事件的中間事件，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

作為故障診斷領域最成功的診斷模型，模糊診斷方法是通過收集系統數據、專家經驗等，運用模糊理論對這些信息進行模糊建模、模糊聚類處理，得出診斷結果。模糊理論結構如圖4所示，它具有清晰的結構特性，模糊診斷并不需要建立精確的系統數學模型，而是通過模擬人類處理問題的方式進行分析，對于復雜系統也具有較強的泛化性。

圖4 模糊理論結構

面對實際工業現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的數據進行標準化處理，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據與模型的系統，這種診斷方法表現出較高的可靠性。

2 人工智能診斷模型的發展

工業現場的復雜性與不可預知性對于系統的故障預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。因此針對復雜系統的工業現場，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。隨著電子技術與信號檢測技術的不斷提高，更多類別的傳感器繁衍而出，利用多維度的數據信息對故障進行診斷分析也變得更加容易，例如設備的振動、噪聲、溫濕度、壓力、扭矩等，多方位的信息代表了設備更加詳細的工況，為故障診斷模型提供更多用于訓練的變量，能夠有效地提高模型訓練精度與準確率，降低外部因素的影響，增強診斷模型的魯棒性。

2.2 復合故障診斷

傳統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，然而實際工業現場并不會如此理想化，多種故障同時發生的情況屢見不鮮。針對復合故障診斷問題，一些學者提出了多標簽K近鄰算法等多標簽分類方法，通過挖掘故障數據與不同故障類型間的聯系和相關性強弱，提取節點的社會特征，構造分類器對不同維度的數據進行標簽分類，能夠在設備復合故障的情況下準確地進行診斷分析。

2.3 潛在故障預警

工業現場設備的長期運行會不可避免地導致設備疲勞和早期故障，通過模型數據無法分析出這些異常，系統仍能正常運轉，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為時已晚。因此要求模型能夠基于大數據監測，根據系統運行規律或數據變化趨勢，對系統的早期故障與異常及時發現并預警，從而進行養護和采取針對性維護策略，將系統的潛在隱患消除。

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。信號處理方法能夠將工業現場的海量數據進行處理分析，再交于人工智能建模診斷，能夠有效提高模型的學習速度與準確率。針對不同模型的特點，取長補短、優勢互補，實現不同模型混合診斷，這對多模態、大數據、不確定性的工業現場十分重要。

3 人工智能診斷模型的挑戰

通過人工智能采集設備的運行狀態，以數據為驅動分析變量間的因果關系，數據呈現的類型將對模型訓練的結果產生重要影響。近些年人工智能在故障診斷上發展迅速，但同樣存在一些挑戰。

（1）人工智能的診斷方法本質是通過學習工業現場的海量數據進行建模，而對于大數據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數據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據進行的，因此人工智能僅能學習到曾經表現出來的故障類型；而對于從未出現過的故障，即使數據已經出現異常，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學模型，而是由多個深度學習智能網絡搭建而成。對于模型的理解更像是一個“黑匣子”，僅能得出模型的預測結果而無法進行理論上的解釋，可能難以解釋系統故障的發生原因。

4 結 語

隨著新一輪《工業5.0》的提出，先進工業設備與穩定的運行需求對系統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現場的高效平穩運行提供了保障。本文以人工智能的發展為基礎，闡述了常見的人工智能故障診斷模型原理及應用，并提出將來的發展方向與潛在的挑戰，對工業設備的智能化故障診斷發展提供了一定幫助。