劉達(dá)新+裘樂(lè)淼+王志平

摘要：認(rèn)為通過(guò)從復(fù)雜裝備運(yùn)行特征大數(shù)據(jù)中挖掘出故障信息，實(shí)現(xiàn)運(yùn)行故障的智能診斷，對(duì)保證復(fù)雜裝備的安全和穩(wěn)定運(yùn)行具有重要意義。結(jié)合復(fù)雜裝備運(yùn)行大數(shù)據(jù)的特點(diǎn)與機(jī)器學(xué)習(xí)理論，提出了基于運(yùn)行大數(shù)據(jù)學(xué)習(xí)的復(fù)雜裝備故障預(yù)測(cè)診斷方法，實(shí)現(xiàn)了復(fù)雜裝備運(yùn)行特征大數(shù)據(jù)與運(yùn)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(yùn)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(yùn)行故障診斷。此外，還將此技術(shù)應(yīng)用到高速電梯的運(yùn)行監(jiān)測(cè)中，開(kāi)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(yàn)證了該方法的有效性。

關(guān)鍵詞： 大數(shù)據(jù)；機(jī)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(yùn)行的重要技術(shù)之一。故障診斷技術(shù)通過(guò)對(duì)裝備運(yùn)行狀態(tài)的監(jiān)測(cè)及其相應(yīng)數(shù)據(jù)的分析處理，實(shí)現(xiàn)對(duì)裝備運(yùn)行故障的預(yù)測(cè)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(cè)狀態(tài)劣化的發(fā)展趨勢(shì)等，已廣泛應(yīng)用于大型空分裝備、汽輪機(jī)組、航空發(fā)動(dòng)機(jī)、高速電梯等復(fù)雜裝備的運(yùn)行監(jiān)測(cè)控制，被列為中國(guó)智能裝備產(chǎn)業(yè)重點(diǎn)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(duì)于裝備運(yùn)行的監(jiān)測(cè)往往存在裝備監(jiān)測(cè)點(diǎn)多、監(jiān)測(cè)點(diǎn)的采樣頻率高、數(shù)據(jù)收集時(shí)間長(zhǎng)等特點(diǎn)，使得復(fù)雜裝備故障診斷系統(tǒng)需要處理的運(yùn)行數(shù)據(jù)量呈現(xiàn)爆炸性增長(zhǎng)，數(shù)百太比特級(jí)甚至拍比特級(jí)規(guī)模的大數(shù)據(jù)已經(jīng)屢見(jiàn)不鮮。海量運(yùn)行數(shù)據(jù)的產(chǎn)生，意味著復(fù)雜裝備故障預(yù)測(cè)診斷技術(shù)迎來(lái)了它的大數(shù)據(jù)時(shí)代[1]，也對(duì)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(shí)不具備的深度知識(shí)和價(jià)值，只有通過(guò)大數(shù)據(jù)的智能化分析和挖掘，才能將其價(jià)值顯露出來(lái)，因此將大數(shù)據(jù)分析與機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于裝備運(yùn)行過(guò)程的故障預(yù)測(cè)診斷，通過(guò)從復(fù)雜裝備運(yùn)行特征大數(shù)據(jù)中挖掘出故障信息，實(shí)現(xiàn)運(yùn)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(guó)際上在利用大數(shù)據(jù)技術(shù)進(jìn)行產(chǎn)品性能監(jiān)測(cè)、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(guó)GE公司應(yīng)用2萬(wàn)臺(tái)飛機(jī)引擎上的各種傳感器收集飛行數(shù)據(jù)，精確檢測(cè)飛機(jī)的運(yùn)行狀況，甚至預(yù)測(cè)故障，并及時(shí)進(jìn)行預(yù)防性維保，其對(duì)于某些型號(hào)的引擎能夠提前1個(gè)月預(yù)測(cè)維護(hù)需求，預(yù)測(cè)準(zhǔn)確率達(dá)到70%；英國(guó)Rolls-Royce公司通過(guò)對(duì)服役于新加坡航空的137 臺(tái)飛機(jī)發(fā)動(dòng)機(jī)使用大數(shù)據(jù)分析技術(shù)，成功降低了燃油消耗；美國(guó)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(shí)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(chǎng)數(shù)據(jù)和企業(yè)生產(chǎn)、管理數(shù)據(jù)，進(jìn)行產(chǎn)品及生產(chǎn)協(xié)同創(chuàng)新。

1 大數(shù)據(jù)與機(jī)器學(xué)習(xí)

狹義的大數(shù)據(jù)是指不能裝載進(jìn)計(jì)算機(jī)內(nèi)存的數(shù)據(jù)。因此，對(duì)于每臺(tái)電腦來(lái)說(shuō)，當(dāng)數(shù)據(jù)量增長(zhǎng)到不能裝載進(jìn)內(nèi)存的時(shí)候，此時(shí)形成的數(shù)據(jù)集合便成了大數(shù)據(jù)。學(xué)術(shù)界對(duì)于大數(shù)據(jù)進(jìn)行了更為科學(xué)的定義[2]：大數(shù)據(jù)是指無(wú)法在可接受的時(shí)間內(nèi)用傳統(tǒng)軟硬件技術(shù)和工具對(duì)其進(jìn)行感知、捕捉、管理、處理和服務(wù)的數(shù)據(jù)集合。針對(duì)大數(shù)據(jù)的特點(diǎn)，專家學(xué)者們相繼提出了3V、4V甚至5V模型來(lái)進(jìn)行描述，包括：Volume（體積大）、Velocity（速度高）、Variety（多樣性）、Value（價(jià)值）、Veracity（真實(shí)性）等。

大數(shù)據(jù)分析主要分為簡(jiǎn)單分析和智能化復(fù)雜分析兩大類[3]。簡(jiǎn)單分析主要采用類似于傳統(tǒng)數(shù)據(jù)庫(kù)聯(lián)機(jī)分析處理（OLAP）的技術(shù)和方法，用結(jié)構(gòu)化查詢語(yǔ)言（SQL）完成各種常規(guī)的查詢統(tǒng)計(jì)分析；而大數(shù)據(jù)的深度知識(shí)和價(jià)值僅通過(guò)簡(jiǎn)單分析是難以發(fā)現(xiàn)的，通常需要使用基于機(jī)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(shí)現(xiàn)。機(jī)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(shí)的關(guān)鍵技術(shù)，而且處理的數(shù)據(jù)規(guī)模越大，機(jī)器學(xué)習(xí)模型的效果一般來(lái)說(shuō)會(huì)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(jī)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(wèn)題。如何適應(yīng)大數(shù)據(jù)處理的需求，這對(duì)機(jī)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(jī)器學(xué)習(xí)算法研究主要是從以下6個(gè)方面開(kāi)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(shí)，將其用于優(yōu)化負(fù)載均衡是一個(gè)亟待解決的問(wèn)題。同時(shí)，需要依據(jù)一定的性能標(biāo)準(zhǔn)對(duì)樣本空間進(jìn)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(jì)算時(shí)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(wèn)題。

（3）大數(shù)據(jù)分類。針對(duì)不同分類算法研究并行或改進(jìn)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(jī)分類、決策樹(shù)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(lái)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(dú)特優(yōu)勢(shì)。由于增加了隱層單元，多層神經(jīng)網(wǎng)絡(luò)比感知機(jī)具有更靈活且更豐富的表達(dá)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(cè)。

（4）大數(shù)據(jù)聚類。聚類學(xué)習(xí)是最早被用于模式識(shí)別及數(shù)據(jù)挖掘任務(wù)的方法之一，并被用來(lái)研究各種應(yīng)用中的大數(shù)據(jù)庫(kù)。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(jìn)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(wèn)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?jī)煞N途徑。并行關(guān)聯(lián)分析算法通過(guò)將產(chǎn)生候選項(xiàng)集的過(guò)程并行化來(lái)提高運(yùn)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(jī)器學(xué)習(xí)算法運(yùn)用到大數(shù)據(jù)環(huán)境中的一個(gè)典型策略，便是對(duì)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(jìn)展，能實(shí)現(xiàn)對(duì)一定量級(jí)大數(shù)據(jù)的分析處理，如何建立更為高效的并行策略，實(shí)現(xiàn)大數(shù)據(jù)的高效處理仍將是當(dāng)今的研究熱點(diǎn)。

大數(shù)據(jù)環(huán)境下的機(jī)器學(xué)習(xí)，既不是單純的機(jī)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(wèn)題，而是一個(gè)同時(shí)涉及機(jī)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(yùn)行過(guò)程中產(chǎn)生的海量特征數(shù)據(jù)蘊(yùn)含了大量的故障信息，如何從復(fù)雜裝備運(yùn)行特征大數(shù)據(jù)中挖掘出故障信息，實(shí)現(xiàn)運(yùn)行故障的快速診斷，對(duì)提高復(fù)雜裝備的安全性，實(shí)現(xiàn)穩(wěn)定運(yùn)行具有重要意義?；诖髷?shù)據(jù)分析的故障診斷可以在收集到復(fù)雜裝備運(yùn)行特征數(shù)據(jù)的基礎(chǔ)上，應(yīng)用聚類、決策樹(shù)等機(jī)器學(xué)習(xí)算法對(duì)大數(shù)據(jù)進(jìn)行知識(shí)挖掘，獲得與故障有關(guān)的診斷規(guī)則，從而實(shí)現(xiàn)對(duì)復(fù)雜裝備的故障預(yù)測(cè)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(hào)處理的故障診斷、基于知識(shí)的故障診斷[7]。基于數(shù)學(xué)模型的故障診斷方法簡(jiǎn)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(yùn)行原理，對(duì)內(nèi)部結(jié)構(gòu)和運(yùn)行原理過(guò)于復(fù)雜的裝備難以建立數(shù)學(xué)模型；基于信號(hào)處理的診斷方法不需要構(gòu)建數(shù)學(xué)模型，容易實(shí)現(xiàn)，但只在復(fù)雜裝備有明顯的外部特征時(shí)才有效，不適用于那些沒(méi)有明顯外部特征的故障；基于知識(shí)的故障診斷具有良好的診斷效果和廣泛的適用性，對(duì)復(fù)雜裝備的智能化要求較高，是目前實(shí)現(xiàn)復(fù)雜裝備智能故障診斷與健康維護(hù)的主要研究方向。

結(jié)合復(fù)雜裝備運(yùn)行大數(shù)據(jù)的特點(diǎn)與機(jī)器學(xué)習(xí)理論，我們提出了基于運(yùn)行大數(shù)據(jù)學(xué)習(xí)的復(fù)雜裝備故障預(yù)測(cè)診斷方法，包括復(fù)雜裝備運(yùn)行特征大數(shù)據(jù)與運(yùn)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(yùn)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(yùn)行故障診斷3個(gè)方面。

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

通過(guò)詳細(xì)分析復(fù)雜裝備運(yùn)行故障出現(xiàn)的原因，建立運(yùn)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(yùn)行特征大數(shù)據(jù)，建立復(fù)雜裝備運(yùn)行特征參數(shù)與運(yùn)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(yùn)行故障特征提取。

針對(duì)復(fù)雜裝備運(yùn)行特征大數(shù)據(jù)有較多噪聲的問(wèn)題，提出基于小波模極大值的復(fù)雜裝備信號(hào)降噪方法，對(duì)特征大數(shù)據(jù)進(jìn)行處理，提高復(fù)雜裝備運(yùn)行數(shù)據(jù)的信噪比。針對(duì)復(fù)雜裝備運(yùn)行特征大數(shù)據(jù)維數(shù)多、規(guī)模大等問(wèn)題，提出基于粗糙集屬性約簡(jiǎn)的運(yùn)行故障特征提取方法，篩選運(yùn)行特征大數(shù)據(jù)中的冗余屬性，獲取與復(fù)雜裝備運(yùn)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(yùn)行故障診斷。

基于復(fù)雜裝備運(yùn)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(yùn)行故障診斷方法和診斷過(guò)程的研究，建立復(fù)雜裝備運(yùn)行故障診斷模型，實(shí)現(xiàn)復(fù)雜裝備運(yùn)行特征大數(shù)據(jù)分析與基于知識(shí)的運(yùn)行故障智能診斷。

3 典型應(yīng)用案例

以高速電梯為研究對(duì)象，通過(guò)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(kāi)發(fā)，驗(yàn)證所提方法的有效性。如圖1，診斷系統(tǒng)通過(guò)收集高速電梯運(yùn)行特征大數(shù)據(jù)，建立如圖2所示的運(yùn)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(yùn)行信號(hào)降噪算法去除運(yùn)行特征大數(shù)據(jù)中的冗余信息，采用基于屬性約簡(jiǎn)的高速電梯故障特征提取方法對(duì)運(yùn)行大數(shù)據(jù)進(jìn)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(yàn)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(duì)故障進(jìn)行快速修復(fù)。

4 結(jié)束語(yǔ)

目前，中國(guó)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(shí)際中主要以基于數(shù)學(xué)模型和基于信號(hào)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(yùn)行工況惡劣多變，難以建立精確的解析模型，運(yùn)行信號(hào)也不能直觀地反映裝備運(yùn)行故障的情況，因此傳統(tǒng)的基于模型和信號(hào)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(lái)越多的裝備制造商都會(huì)通過(guò)傳感器收集裝備的運(yùn)行數(shù)據(jù)，迅猛增長(zhǎng)的裝備運(yùn)行特征數(shù)據(jù)對(duì)于分析其故障具有重要價(jià)值。因此，我們結(jié)合復(fù)雜裝備運(yùn)行大數(shù)據(jù)的特點(diǎn)，提出了基于運(yùn)行大數(shù)據(jù)學(xué)習(xí)的復(fù)雜裝備故障預(yù)測(cè)診斷方法，實(shí)現(xiàn)了復(fù)雜裝備運(yùn)行特征大數(shù)據(jù)與運(yùn)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(yùn)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(yùn)行故障診斷，應(yīng)用于高速電梯故障預(yù)測(cè)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(xiàn)

[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(guó)杰， 程學(xué)旗. 大數(shù)據(jù)研究：未來(lái)科技及經(jīng)濟(jì)社會(huì)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(guó)科學(xué)院院刊， 2012， 27（6）：647-657

[3] 黃宜華. 大數(shù)據(jù)機(jī)器學(xué)習(xí)系統(tǒng)研究進(jìn)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(jī)器學(xué)習(xí)算法綜述[J]. 模式識(shí)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