劉達新+裘樂淼+王志平

摘要：認為通過從復(fù)雜裝備運行特征大數(shù)據(jù)中挖掘出故障信息，實現(xiàn)運行故障的智能診斷，對保證復(fù)雜裝備的安全和穩(wěn)定運行具有重要意義。結(jié)合復(fù)雜裝備運行大數(shù)據(jù)的特點與機器學(xué)習(xí)理論，提出了基于運行大數(shù)據(jù)學(xué)習(xí)的復(fù)雜裝備故障預(yù)測診斷方法，實現(xiàn)了復(fù)雜裝備運行特征大數(shù)據(jù)與運行故障的分層關(guān)聯(lián)，基于大數(shù)據(jù)分析的復(fù)雜裝備運行故障特征提取以及基于模糊反向傳播（BP）神經(jīng)網(wǎng)絡(luò)的復(fù)雜裝備運行故障診斷。此外，還將此技術(shù)應(yīng)用到高速電梯的運行監(jiān)測中，開發(fā)了高速電梯急停故障大數(shù)據(jù)分析與診斷系統(tǒng)，很好地驗證了該方法的有效性。

關(guān)鍵詞： 大數(shù)據(jù)；機器學(xué)習(xí)；故障診斷；復(fù)雜裝備

故障診斷技術(shù)是保證復(fù)雜裝備安全、穩(wěn)定運行的重要技術(shù)之一。故障診斷技術(shù)通過對裝備運行狀態(tài)的監(jiān)測及其相應(yīng)數(shù)據(jù)的分析處理，實現(xiàn)對裝備運行故障的預(yù)測和診斷，判斷裝備的狀態(tài)是否處于異常狀態(tài)，或故障狀態(tài)、劣化狀態(tài)發(fā)生的部位或零部件，預(yù)測狀態(tài)劣化的發(fā)展趨勢等，已廣泛應(yīng)用于大型空分裝備、汽輪機組、航空發(fā)動機、高速電梯等復(fù)雜裝備的運行監(jiān)測控制，被列為中國智能裝備產(chǎn)業(yè)重點發(fā)展的九大關(guān)鍵智能基礎(chǔ)共性技術(shù)之一。

隨著裝備復(fù)雜程度的增加，對于裝備運行的監(jiān)測往往存在裝備監(jiān)測點多、監(jiān)測點的采樣頻率高、數(shù)據(jù)收集時間長等特點，使得復(fù)雜裝備故障診斷系統(tǒng)需要處理的運行數(shù)據(jù)量呈現(xiàn)爆炸性增長，數(shù)百太比特級甚至拍比特級規(guī)模的大數(shù)據(jù)已經(jīng)屢見不鮮。海量運行數(shù)據(jù)的產(chǎn)生，意味著復(fù)雜裝備故障預(yù)測診斷技術(shù)迎來了它的大數(shù)據(jù)時代[1]，也對故障診斷技術(shù)的發(fā)展提出了新的挑戰(zhàn)。由于大數(shù)據(jù)往往隱含著很多在小數(shù)據(jù)量時不具備的深度知識和價值，只有通過大數(shù)據(jù)的智能化分析和挖掘，才能將其價值顯露出來，因此將大數(shù)據(jù)分析與機器學(xué)習(xí)技術(shù)應(yīng)用于裝備運行過程的故障預(yù)測診斷，通過從復(fù)雜裝備運行特征大數(shù)據(jù)中挖掘出故障信息，實現(xiàn)運行故障的快速診斷，是近年大數(shù)據(jù)在裝備領(lǐng)域的重要應(yīng)用之一。

國際上在利用大數(shù)據(jù)技術(shù)進行產(chǎn)品性能監(jiān)測、故障診斷和提升產(chǎn)品性能方面已經(jīng)有了較為成功的應(yīng)用案例。例如：美國GE公司應(yīng)用2萬臺飛機引擎上的各種傳感器收集飛行數(shù)據(jù)，精確檢測飛機的運行狀況，甚至預(yù)測故障，并及時進行預(yù)防性維保，其對于某些型號的引擎能夠提前1個月預(yù)測維護需求，預(yù)測準(zhǔn)確率達到70%；英國Rolls-Royce公司通過對服役于新加坡航空的137 臺飛機發(fā)動機使用大數(shù)據(jù)分析技術(shù)，成功降低了燃油消耗；美國特斯拉汽車公司利用大數(shù)據(jù)技術(shù)，采集和分析用戶在駕駛時產(chǎn)生的加速度、剎車、轉(zhuǎn)彎、電池充電和位置信息，以及用戶駕駛習(xí)慣等大量數(shù)據(jù)，結(jié)合市場數(shù)據(jù)和企業(yè)生產(chǎn)、管理數(shù)據(jù)，進行產(chǎn)品及生產(chǎn)協(xié)同創(chuàng)新。

1 大數(shù)據(jù)與機器學(xué)習(xí)

狹義的大數(shù)據(jù)是指不能裝載進計算機內(nèi)存的數(shù)據(jù)。因此，對于每臺電腦來說，當(dāng)數(shù)據(jù)量增長到不能裝載進內(nèi)存的時候，此時形成的數(shù)據(jù)集合便成了大數(shù)據(jù)。學(xué)術(shù)界對于大數(shù)據(jù)進行了更為科學(xué)的定義[2]：大數(shù)據(jù)是指無法在可接受的時間內(nèi)用傳統(tǒng)軟硬件技術(shù)和工具對其進行感知、捕捉、管理、處理和服務(wù)的數(shù)據(jù)集合。針對大數(shù)據(jù)的特點，專家學(xué)者們相繼提出了3V、4V甚至5V模型來進行描述，包括：Volume（體積大）、Velocity（速度高）、Variety（多樣性）、Value（價值）、Veracity（真實性）等。

大數(shù)據(jù)分析主要分為簡單分析和智能化復(fù)雜分析兩大類[3]。簡單分析主要采用類似于傳統(tǒng)數(shù)據(jù)庫聯(lián)機分析處理（OLAP）的技術(shù)和方法，用結(jié)構(gòu)化查詢語言（SQL）完成各種常規(guī)的查詢統(tǒng)計分析；而大數(shù)據(jù)的深度知識和價值僅通過簡單分析是難以發(fā)現(xiàn)的，通常需要使用基于機器學(xué)習(xí)和數(shù)據(jù)挖掘的智能化復(fù)雜分析技術(shù)才能實現(xiàn)。機器學(xué)習(xí)作為人工智能的核心，是獲取大數(shù)據(jù)所隱含深度知識的關(guān)鍵技術(shù)，而且處理的數(shù)據(jù)規(guī)模越大，機器學(xué)習(xí)模型的效果一般來說會越好[4]。

但是，由于大數(shù)據(jù)的海量、多維、多樣、變化快等特性，使得小數(shù)據(jù)環(huán)境下基于內(nèi)存處理的傳統(tǒng)機器學(xué)習(xí)算法基本已不再適用于大數(shù)據(jù)下的應(yīng)用問題。如何適應(yīng)大數(shù)據(jù)處理的需求，這對機器學(xué)習(xí)的研究提出了新的挑戰(zhàn)。大數(shù)據(jù)環(huán)境下的機器學(xué)習(xí)算法研究主要是從以下6個方面開展的[5]：

（1）大數(shù)據(jù)分治策略與抽樣。數(shù)據(jù)分治與并行處理策略是大數(shù)據(jù)處理的基本策略，如何學(xué)習(xí)大數(shù)據(jù)的分布知識，將其用于優(yōu)化負載均衡是一個亟待解決的問題。同時，需要依據(jù)一定的性能標(biāo)準(zhǔn)對樣本空間進行篩選，剔除冗余和噪音數(shù)據(jù)，在不降低甚至提高某方面性能的基礎(chǔ)上，最大限度地降低計算時間和空間的消耗。

（2）大數(shù)據(jù)特征選擇。大數(shù)據(jù)包含的屬性數(shù)和記錄數(shù)巨大，導(dǎo)致處理算法的執(zhí)行效率低下。如何采用降維和特征選擇技術(shù)以降低大數(shù)據(jù)處理難度，是大數(shù)據(jù)特征選擇技術(shù)迫切需要解決的問題。

（3）大數(shù)據(jù)分類。針對不同分類算法研究并行或改進策略成為大數(shù)據(jù)環(huán)境下分類學(xué)習(xí)算法研究的主要方向，諸如支持向量機分類、決策樹分類、神經(jīng)網(wǎng)絡(luò)分類等方法。近些年，在人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上發(fā)展起來的深度學(xué)習(xí)技術(shù)[6]，逐漸展現(xiàn)出其在處理大數(shù)據(jù)方面的獨特優(yōu)勢。由于增加了隱層單元，多層神經(jīng)網(wǎng)絡(luò)比感知機具有更靈活且更豐富的表達力，可以用于建立更復(fù)雜的數(shù)學(xué)模型，能夠深刻揭示海量數(shù)據(jù)里所隱含的復(fù)雜而豐富的信息，從而做出更為精準(zhǔn)的預(yù)測。

（4）大數(shù)據(jù)聚類。聚類學(xué)習(xí)是最早被用于模式識別及數(shù)據(jù)挖掘任務(wù)的方法之一，并被用來研究各種應(yīng)用中的大數(shù)據(jù)庫。但是經(jīng)典聚類算法在大數(shù)據(jù)環(huán)境下面臨著數(shù)據(jù)量大、數(shù)據(jù)體積大、數(shù)據(jù)維度高等諸多挑戰(zhàn)，改進現(xiàn)有聚類算法，提出新的聚類算法是大數(shù)據(jù)聚類研究急需解決的關(guān)鍵問題。

（5）大數(shù)據(jù)關(guān)聯(lián)分析。大數(shù)據(jù)的關(guān)聯(lián)分析主要有并行和增量兩種途徑。并行關(guān)聯(lián)分析算法通過將產(chǎn)生候選項集的過程并行化來提高運行效率，具有良好的加速比和伸縮性；增量方面則主要體現(xiàn)在序列模式挖掘上。

（6）大數(shù)據(jù)并行算法。將傳統(tǒng)機器學(xué)習(xí)算法運用到大數(shù)據(jù)環(huán)境中的一個典型策略，便是對現(xiàn)有的學(xué)習(xí)算法并行化。目前大數(shù)據(jù)并行算法的研究已在一定范圍內(nèi)取得了一些進展，能實現(xiàn)對一定量級大數(shù)據(jù)的分析處理，如何建立更為高效的并行策略，實現(xiàn)大數(shù)據(jù)的高效處理仍將是當(dāng)今的研究熱點。

大數(shù)據(jù)環(huán)境下的機器學(xué)習(xí)，既不是單純的機器學(xué)習(xí)，也不是單純的大數(shù)據(jù)處理技術(shù)所能解決的問題，而是一個同時涉及機器學(xué)習(xí)和大數(shù)據(jù)處理的交叉性研究課題。

2 基于大數(shù)據(jù)學(xué)習(xí)的故障診斷方法

復(fù)雜裝備運行過程中產(chǎn)生的海量特征數(shù)據(jù)蘊含了大量的故障信息，如何從復(fù)雜裝備運行特征大數(shù)據(jù)中挖掘出故障信息，實現(xiàn)運行故障的快速診斷，對提高復(fù)雜裝備的安全性，實現(xiàn)穩(wěn)定運行具有重要意義。基于大數(shù)據(jù)分析的故障診斷可以在收集到復(fù)雜裝備運行特征數(shù)據(jù)的基礎(chǔ)上，應(yīng)用聚類、決策樹等機器學(xué)習(xí)算法對大數(shù)據(jù)進行知識挖掘，獲得與故障有關(guān)的診斷規(guī)則，從而實現(xiàn)對復(fù)雜裝備的故障預(yù)測和診斷。

目前，復(fù)雜裝備故障診斷方法主要分為3類：基于數(shù)學(xué)模型的故障診斷、基于數(shù)字信號處理的故障診斷、基于知識的故障診斷[7]。基于數(shù)學(xué)模型的故障診斷方法簡單直觀且易于理解，但需要深入分析復(fù)雜裝備的結(jié)構(gòu)、運行原理，對內(nèi)部結(jié)構(gòu)和運行原理過于復(fù)雜的裝備難以建立數(shù)學(xué)模型；基于信號處理的診斷方法不需要構(gòu)建數(shù)學(xué)模型，容易實現(xiàn)，但只在復(fù)雜裝備有明顯的外部特征時才有效，不適用于那些沒有明顯外部特征的故障；基于知識的故障診斷具有良好的診斷效果和廣泛的適用性，對復(fù)雜裝備的智能化要求較高，是目前實現(xiàn)復(fù)雜裝備智能故障診斷與健康維護的主要研究方向。

結(jié)合復(fù)雜裝備運行大數(shù)據(jù)的特點與機器學(xué)習(xí)理論，我們提出了基于運行大數(shù)據(jù)學(xué)習(xí)的復(fù)雜裝備故障預(yù)測診斷方法，包括復(fù)雜裝備運行特征大數(shù)據(jù)與運行故障的分層關(guān)聯(lián)，基于大數(shù)據(jù)分析的復(fù)雜裝備運行故障特征提取以及基于模糊反向傳播（BP）神經(jīng)網(wǎng)絡(luò)的復(fù)雜裝備運行故障診斷3個方面。

（1）復(fù)雜裝備運行特征大數(shù)據(jù)與運行故障的分層關(guān)聯(lián)。

通過詳細分析復(fù)雜裝備運行故障出現(xiàn)的原因，建立運行故障原因的層次結(jié)構(gòu)模型，分析和采集復(fù)雜裝備運行特征大數(shù)據(jù)，建立復(fù)雜裝備運行特征參數(shù)與運行故障原因的關(guān)聯(lián)映射關(guān)系。

（2）基于大數(shù)據(jù)分析的復(fù)雜裝備運行故障特征提取。

針對復(fù)雜裝備運行特征大數(shù)據(jù)有較多噪聲的問題，提出基于小波模極大值的復(fù)雜裝備信號降噪方法，對特征大數(shù)據(jù)進行處理，提高復(fù)雜裝備運行數(shù)據(jù)的信噪比。針對復(fù)雜裝備運行特征大數(shù)據(jù)維數(shù)多、規(guī)模大等問題，提出基于粗糙集屬性約簡的運行故障特征提取方法，篩選運行特征大數(shù)據(jù)中的冗余屬性，獲取與復(fù)雜裝備運行故障相關(guān)的特征參數(shù)。

（3）基于模糊BP神經(jīng)網(wǎng)絡(luò)的復(fù)雜裝備運行故障診斷。

基于復(fù)雜裝備運行故障診斷的模糊BP神經(jīng)網(wǎng)絡(luò)構(gòu)建，基于神經(jīng)網(wǎng)絡(luò)的復(fù)雜裝備運行故障診斷方法和診斷過程的研究，建立復(fù)雜裝備運行故障診斷模型，實現(xiàn)復(fù)雜裝備運行特征大數(shù)據(jù)分析與基于知識的運行故障智能診斷。

3 典型應(yīng)用案例

以高速電梯為研究對象，通過將研究成果應(yīng)用到高速電梯急停故障的數(shù)據(jù)分析和智能診斷，結(jié)合高速電梯急停故障大數(shù)據(jù)分析與診斷系統(tǒng)的開發(fā)，驗證所提方法的有效性。如圖1，診斷系統(tǒng)通過收集高速電梯運行特征大數(shù)據(jù)，建立如圖2所示的運行特征參數(shù)與急停原因的分層關(guān)聯(lián)映射。采用基于小波模極大值的高速電梯運行信號降噪算法去除運行特征大數(shù)據(jù)中的冗余信息，采用基于屬性約簡的高速電梯故障特征提取方法對運行大數(shù)據(jù)進行特征提取，獲取高速電梯急停故障的特征參數(shù)，基于模糊BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了高速電梯急停故障診斷模型，如圖3。

如圖4所示，系統(tǒng)在江蘇康力電梯企業(yè)額定速度7 m/s 的KWG型高速電梯急停故障診斷中得到了應(yīng)用驗證，可在系統(tǒng)中查看KWG型高速電梯所有與急停故障相關(guān)的信息，有助于維修人員根據(jù)診斷結(jié)果對故障進行快速修復(fù)。

4 結(jié)束語

目前，中國在將大數(shù)據(jù)、人工智能等技術(shù)應(yīng)用于復(fù)雜裝備故障診斷方面還處于理論研究階段，在實際中主要以基于數(shù)學(xué)模型和基于信號處理的故障診斷方法為主。由于復(fù)雜裝備的結(jié)構(gòu)復(fù)雜，運行工況惡劣多變，難以建立精確的解析模型，運行信號也不能直觀地反映裝備運行故障的情況，因此傳統(tǒng)的基于模型和信號處理的故障診斷方法已經(jīng)不能適用于復(fù)雜裝備的故障診斷。而隨著物聯(lián)網(wǎng)技術(shù)的發(fā)展，越來越多的裝備制造商都會通過傳感器收集裝備的運行數(shù)據(jù)，迅猛增長的裝備運行特征數(shù)據(jù)對于分析其故障具有重要價值。因此，我們結(jié)合復(fù)雜裝備運行大數(shù)據(jù)的特點，提出了基于運行大數(shù)據(jù)學(xué)習(xí)的復(fù)雜裝備故障預(yù)測診斷方法，實現(xiàn)了復(fù)雜裝備運行特征大數(shù)據(jù)與運行故障的分層關(guān)聯(lián)，基于大數(shù)據(jù)分析的復(fù)雜裝備運行故障特征提取以及基于模糊BP神經(jīng)網(wǎng)絡(luò)的復(fù)雜裝備運行故障診斷，應(yīng)用于高速電梯故障預(yù)測與診斷，有效提高了復(fù)雜裝備故障診斷的效率和準(zhǔn)確性，取得了很好的應(yīng)用效果。

參考文獻

[1] GRAHAM R D， GOLDSTON D， DOCTOROW C， et al. Big Data： Science in the Petabyte Era[J]. Nature， 2008， 455（7209）：8-9. DOI：10.1038/455001a

[2] 李國杰， 程學(xué)旗. 大數(shù)據(jù)研究：未來科技及經(jīng)濟社會發(fā)展的重大戰(zhàn)略領(lǐng)域——大數(shù)據(jù)的研究現(xiàn)狀與科學(xué)思考[J]. 中國科學(xué)院院刊， 2012， 27（6）：647-657

[3] 黃宜華. 大數(shù)據(jù)機器學(xué)習(xí)系統(tǒng)研究進展[J]. 大數(shù)據(jù)， 2015， 1（1）： 28-47

[4] WANG Y， ZHAO X， SUN Z， et al. Peacock： Learning Long-Tail Topic Features for Industrial Applications[J]. Acm Transactions on Intelligent Systems & Technology， 2015， 6（4）：1-23. DOI：10.1145/2700497

[5] 何清， 李寧， 羅文娟， 等. 大數(shù)據(jù)下的機器學(xué)習(xí)算法綜述[J]. 模式識別與人工智能， 2014， 27（4）： 327-336. DOI：10.3969/j.issn.1003-6059.2014.04.007

[6] HINTON G E， SALAKHUTDINOV R R. Reducing the Dimensionality of Data with Neural Networks[J]. Science，2006，313（5786）：504-507. DOI：10.1126/science.1127647

[7] 王宏力， 侯青劍. 故障診斷方法現(xiàn)狀與展望[J]. 傳感器與微系統(tǒng)， 2008， 27（5）：1-4. DOI：10.3969/j.issn.1000-9787.2008.05.001