數(shù)據(jù)機(jī)器學(xué)習(xí)在檢測(cè)故障中有什么可以應(yīng)用的
掃描二維碼
隨時(shí)隨地手機(jī)看文章
前言:傳統(tǒng)工業(yè)中,維修時(shí)花費(fèi)的大部分時(shí)間都在故障的診斷上,而不是進(jìn)行實(shí)際的補(bǔ)救,因?yàn)楣收显\斷是機(jī)器維修中最具挑戰(zhàn)性的階段。在能源行業(yè)中,精確的故障診斷直接影響到供能的穩(wěn)定性。
隨著傳感器技術(shù),數(shù)據(jù)存儲(chǔ)和互聯(lián)網(wǎng)的飛速發(fā)展,工廠變得越來越智能,并且生成更多的過程數(shù)據(jù)。針對(duì)大量數(shù)據(jù)的數(shù)據(jù)分析需求應(yīng)運(yùn)而生,通過基于數(shù)據(jù)的機(jī)器學(xué)習(xí)技術(shù)能有效改善故障診斷。
本文將簡(jiǎn)要介紹幾種在故障診斷領(lǐng)域廣泛應(yīng)用的機(jī)器學(xué)習(xí)技術(shù)及其各自的應(yīng)用方向,并對(duì)每種技術(shù)的優(yōu)缺點(diǎn)進(jìn)行簡(jiǎn)單分析。包括:貝葉斯網(wǎng)絡(luò)(BN),人工神經(jīng)網(wǎng)絡(luò)(ANN),支持向量機(jī)(SVM)和隱馬爾可夫模型(HMM)技術(shù)。
貝葉斯網(wǎng)絡(luò)(BN,Bayesian Network)
貝葉斯網(wǎng)絡(luò)是故障檢測(cè)的一種常用的機(jī)器學(xué)習(xí)技術(shù)。BN是有向無環(huán)圖,即網(wǎng)絡(luò)結(jié)構(gòu)要求節(jié)點(diǎn)之間不能形成任何閉環(huán),其節(jié)點(diǎn)表示隨機(jī)變量,其條件相關(guān)性由鏈接節(jié)點(diǎn)的有向弧表示。
BN是白盒模型,因?yàn)?u>圖形表示使用戶可以直觀地輕松理解模型變量之間的交互。這對(duì)于建模不確定性十分有益,并且可以較容易地使用來自多個(gè)來源的數(shù)據(jù)(通常在制造系統(tǒng)中找到)來對(duì)多個(gè)原因和結(jié)果的層次級(jí)別進(jìn)行建模。訓(xùn)練BN的主要挑戰(zhàn)在于樹結(jié)構(gòu)的構(gòu)建。
BN廣泛應(yīng)用于故障監(jiān)測(cè)及可靠性分析領(lǐng)域,1995年 Microsoft公司將 BN 運(yùn)用于打印機(jī)的故障診斷,通過不斷計(jì)算在不同步驟下可能需要的維修方案的功效確定最優(yōu)的維修路徑。在半導(dǎo)體行業(yè),Yang&Lee和Nguyen等人使用BN評(píng)估工藝變量對(duì)晶圓質(zhì)量的影響,從而使用歷史工藝數(shù)據(jù)診斷缺陷晶圓的根本原因。可靠性分析一般包括分析故障發(fā)生的概率和時(shí)間、系統(tǒng)冗余,需要綜合考慮系統(tǒng)的多狀態(tài)單元、動(dòng)態(tài)變化、運(yùn)行條件等因素。在能源領(lǐng)域,例如電廠運(yùn)行可靠性,核能系統(tǒng)的可行性中都有著成功應(yīng)用。此外BN 還廣泛應(yīng)用于發(fā)動(dòng)機(jī)轉(zhuǎn)子、電網(wǎng)、車輛電源系統(tǒng)、液壓泵、電力變壓器、太陽能發(fā)電廠、移動(dòng)通信網(wǎng)絡(luò)、制造過程的故障診斷。
人工神經(jīng)網(wǎng)絡(luò)(ANN, Artificial Neural Network)
人工神經(jīng)網(wǎng)絡(luò)是一種非參數(shù)的機(jī)器學(xué)習(xí)算法,受人類中樞神經(jīng)系統(tǒng)功能的啟發(fā)。自適應(yīng)特性提供了強(qiáng)大的建模功能,適用于特征之間的非線性關(guān)系。
人工神經(jīng)網(wǎng)絡(luò)目前沒有一個(gè)統(tǒng)一的正式定義。不過,具有下列特點(diǎn)的統(tǒng)計(jì)模型可以被稱作是“神經(jīng)化”的:
具有一組可以被調(diào)節(jié)的權(quán)重(被學(xué)習(xí)算法調(diào)節(jié)的數(shù)值參數(shù))這些可調(diào)節(jié)的權(quán)重可以被看做神經(jīng)元之間的連接強(qiáng)度。
可以估計(jì)輸入數(shù)據(jù)的非線性函數(shù)關(guān)系
人工神經(jīng)網(wǎng)絡(luò)與生物神經(jīng)網(wǎng)絡(luò)的相似之處在于,它可以集體地、并行地計(jì)算函數(shù)的各個(gè)部分,而不需要描述每一個(gè)單元的特定任務(wù)。
單個(gè)神經(jīng)元示意圖,f為函數(shù)關(guān)系,w為權(quán)重
ANN的非參數(shù)性質(zhì)及其以高精度對(duì)非線性復(fù)雜問題進(jìn)行建模的能力,使ANN可應(yīng)用于故障診斷問題。該模型易于初始化,因?yàn)椴恍枰馚N一樣指定網(wǎng)絡(luò)結(jié)構(gòu)。但是,缺點(diǎn)包括“黑匣子”性質(zhì),這使得模型難以解釋。此外,人工神經(jīng)網(wǎng)絡(luò)通常無法處理輸入中的不確定性,并且計(jì)算量大,因此在訓(xùn)練過程中收斂通常會(huì)較慢。人工神經(jīng)網(wǎng)絡(luò)容易過度擬合,需要大量的多樣化數(shù)據(jù)集進(jìn)行訓(xùn)練以防止出現(xiàn)此問題。
ANN以大規(guī)模并行能力,適應(yīng)學(xué)習(xí)能力,分布式信息存儲(chǔ)、魯棒性等特點(diǎn),在故障監(jiān)測(cè)及診斷領(lǐng)域大受關(guān)注。大量多樣的神經(jīng)網(wǎng)絡(luò)算法被開發(fā)及利用。神經(jīng)網(wǎng)絡(luò)算法可以說是機(jī)器學(xué)習(xí)技術(shù)中的明星。其應(yīng)用范圍十分廣泛,在能源領(lǐng)域有著相對(duì)成熟的應(yīng)用,包括負(fù)荷預(yù)測(cè),各類故障診斷等等。
支持向量機(jī)(SVM, supportvector machine)
SVM使用不同的核函數(shù)(例如徑向基函數(shù)(RBF)或多項(xiàng)式內(nèi)核)來找到一種能將數(shù)據(jù)最好地分離的超平面,并且在與小型訓(xùn)練集一起使用時(shí)具有良好的分類性能。支持向量機(jī)的成功應(yīng)用領(lǐng)域包括面部識(shí)別,手寫字符識(shí)別,語音識(shí)別,圖像檢索,預(yù)測(cè)等。
SVM是建模線性和非線性關(guān)系的出色技術(shù)。與其他非參數(shù)技術(shù)(例如ANN)相比,計(jì)算時(shí)間相對(duì)較快。大型訓(xùn)練數(shù)據(jù)集的可用性是機(jī)器學(xué)習(xí)中的一個(gè)挑戰(zhàn),但是,即使在訓(xùn)練數(shù)據(jù)量有限的情況下,SVM也有不錯(cuò)的效果。
支持向量機(jī)在故障定位中的應(yīng)用不像BN和ANN常見。支持向量機(jī)是工業(yè)生產(chǎn)系統(tǒng)的非常有效的監(jiān)視和診斷工具,例如使用該技術(shù)來診斷在不同切削條件下的端面銑削過程中的刀具破損故障。以及SVM在風(fēng)力發(fā)電機(jī)組中的故障監(jiān)測(cè),此外在醫(yī)學(xué)領(lǐng)域,SVM被用于各種疾病的診斷,例如用于癌癥及糖尿病的監(jiān)測(cè)。在能源領(lǐng)域,支持向量機(jī)還被應(yīng)用于負(fù)荷預(yù)測(cè),例如房屋冷熱負(fù)荷預(yù)測(cè),風(fēng)電發(fā)電量預(yù)測(cè)及用戶負(fù)荷預(yù)測(cè)等。
隱馬爾可夫模型(HMM, Hidden Markov Model)
隱馬爾可夫模型是馬爾可夫鏈模型的擴(kuò)展,用于估計(jì)動(dòng)態(tài)過程中狀態(tài)轉(zhuǎn)換和測(cè)量輸出的概率分布,假定過程的狀態(tài)不可觀察。描述一個(gè)含有隱含未知參數(shù)的馬爾可夫過程,是一個(gè)雙重隨機(jī)過程(包括馬爾可夫鏈和一般隨機(jī)過程)。
HMM是一種概率模型,在建模過程中具有不可觀察的狀態(tài)(例如化學(xué)過程或設(shè)備的健康狀況)方面非常出色,因此非常適合故障診斷。但是,訓(xùn)練過程通常需要大量計(jì)算。
HMM已用于連續(xù)和離散制造系統(tǒng)的故障診斷。例如,診斷軸承的磨損及故障,應(yīng)用于復(fù)雜化工過程的故障監(jiān)測(cè),感應(yīng)電動(dòng)機(jī)的故障診斷等。此外,HMM廣泛應(yīng)用在語音識(shí)別,詞性自動(dòng)標(biāo)注,音字轉(zhuǎn)換,概率文法等各個(gè)自然語言處理、算術(shù)編碼、地理統(tǒng)計(jì)學(xué)、企業(yè)產(chǎn)品市場(chǎng)預(yù)測(cè)、人口過程、生物信息學(xué)(編碼區(qū)域或基因預(yù)測(cè))等應(yīng)用領(lǐng)域。在能源領(lǐng)域,也被應(yīng)用于房屋負(fù)荷預(yù)測(cè)。