邢礫文，姚文凱，黃 瑩

(1.武警工程大學 研究生大隊，西安 710086;2.武警工程大學 信息工程學院，西安 710086)

0 引言

裝備故障診斷通過分析裝備狀態(tài)的相關數(shù)據，對裝備運行狀態(tài)和異常情況作出判斷，為裝備故障恢復提供依據。隨著科學技術的發(fā)展，現(xiàn)代裝備正朝著集成化方向發(fā)展，系統(tǒng)之間交叉鏈接使系統(tǒng)的復雜性日益增加，隨著數(shù)據采集設備的增多和數(shù)字信息的推廣，裝備故障診斷已經變得越來越大數(shù)據化。傳統(tǒng)的人工分析方法難以適應這些變化，需要計算機和人工智能的幫助才能進行準確的故障診斷，對智能化的要求越來越高。

在傳統(tǒng)的故障診斷方法中，特征提取是最關鍵的步驟，它直接決定了故障診斷的效果。經過多年的發(fā)展，故障診斷具有許多特征，如時域特征、頻域特征、小波能量熵和經驗模態(tài)分解等。然而，這些特征大多是經過大量的實驗和經驗得到的，需要很長時間才能獲得，而且過分依賴專家經驗知識。對于新的或特定的研究對象，很難決定應該選擇哪些特征，影響故障診斷效果。

近年來，深度學習在圖像識別、語音處理和文本處理方面具有良好的表現(xiàn)。深度學習是人工智能的一個子域，因其多隱層網絡與自適應的特征提取能力而能夠挖掘數(shù)據更深層次的本質特征，利用原始信號的所有特征，不舍棄原始數(shù)據信息，能精確地刻畫故障數(shù)據從觀測值到故障類別之間復雜的映射關系，實現(xiàn)智能故障診斷。首先，與傳統(tǒng)的故障診斷方法相比，深度學習具有較強的學習能力，可以從大量數(shù)據中學習特征，減少或消除了故障診斷對專家知識的依賴。其次，深度學習具有表達復雜關系的能力，可以準確地描述從傳感器信號到設備健康狀態(tài)的復雜映射。此外，深度學習非常適用于大數(shù)據背景下設備系統(tǒng)的狀態(tài)監(jiān)測和故障診斷。最后，深度學習具有遷移學習的能力，能夠從源域中學習知識，并通過這些知識協(xié)助目標域的分類問題。因此，具有這些優(yōu)點的深度學習將被深入研究，并在集成化裝備故障診斷領域得到更廣泛的應用。

本文按照應用領域的不同，分析和總結了近年來國內外的研究現(xiàn)狀，介紹了幾種典型的基于深度學習的故障診斷方法：深度置信網絡(deep belief networks，DBN)、堆棧自編碼機(stacked auto-encoders，SAE)、卷積神經網絡(convolution neural networks，CNN)，并做出總結，討論了深度學習在集成化裝備故障診斷領域面臨的挑戰(zhàn)與發(fā)展方向。

1 國內外研究現(xiàn)狀

正是由于深度學習的明顯優(yōu)勢，基于深度學習的故障診斷方法在機械、電子系統(tǒng)等領域得到了廣泛應用，并不斷在新的領域嘗試。

1.1 國內研究現(xiàn)狀

在軸承領域，文獻[1]利用DBN完成特征提取，結合支持向量數(shù)據描述方法(support vector data description,SVDD)實現(xiàn)異常數(shù)據檢測。無需故障樣本數(shù)據即可完成故障診斷，但只能檢測出異常，不能判斷故障類型。文獻[2]通過網格搜索算法進行參數(shù)尋優(yōu)，改善手動調節(jié)參數(shù)沒有依據的問題。搭建分布式并行計算平臺解決該算法尋優(yōu)時間過長的問題。文獻[3]利用DBN提取特征，計算重構誤差，檢測其趨勢變化，并將此作為故障判斷準則。該方法能夠實現(xiàn)故障診斷但不能對故障進行分類。文獻[4-6]分別將深度編碼網絡、堆疊去噪自編碼器與支持向量機(support vector machine,SVM) 結合。首先利用神經網絡提取特征，然后利用SVM進行分類。文獻[6]將頻譜特征與時域特征相融合，利用鯨魚優(yōu)化算法進行優(yōu)化，實現(xiàn)了不同工況下多種故障類型的可靠識別。文獻[7]先利用滑動窗口重疊采樣技術進行數(shù)據增強，再通過堆疊去噪自編碼器降噪，然后通過反向傳播算法(back propagation，BP)訓練深度神經網絡雙層分類器，識別出故障模式及故障程度，最后用集成學習投票法提高識別準確率。文獻[8]先采用經驗模態(tài)分解方法分析信號，然后利用堆疊稀疏自編碼器進行故障診斷，具有較高準確率。文獻[9]改進了小波自編碼器，能識別出多種故障類型及故障程度。文獻[10]將聯(lián)合領域自適應算法與CNN結合，解決了訓練數(shù)據與測試數(shù)據來自不同概率分布的問題。文獻[11]改進了深度全序列卷積神經網絡，利用它進行精確診斷。然后，提出改進后CDCGAN方法，實現(xiàn)由已知數(shù)據生成未知數(shù)據、由單一數(shù)據生成復合數(shù)據，擴充了故障樣本。文獻[12-15]分別利用小波變換、同步擠壓S變換、離散小波變換、短時傅里葉變換對采集到的時域振動信號進行處理，得到時頻圖像或構造時頻矩陣，然后再將其輸入CNN進行故障診斷。

在齒輪箱領域，文獻[16]將故障樣本振動信號輸入DBN，通過對狀態(tài)變量進行編碼和解碼，計算重構誤差并將其作為狀態(tài)檢測量，但該方法不能實現(xiàn)對故障的分類。文獻[17-18]在多噪聲干擾情況下，提出了一種多樣性故障特征提取與集成學習信息融合的故障診斷方法，提高了故障識別能力和分類穩(wěn)定性，對噪聲的魯棒性強。在少故障樣本信息情況下，將堆疊去噪自編碼器的去噪能力和生成式對抗網絡(generative adversarial nets，GAN)的樣本生成能力結合起來，解決故障樣本少的問題。

在變壓器領域，文獻[19-20]分別利用棧式降噪自編碼器、棧式稀疏自編碼器進行故障診斷。采取逐層貪婪編碼的方式進行自適應的非監(jiān)督式預訓練，實現(xiàn)高維深層故障特征的自適應提取和挖掘，進而使用反向傳播算法對模型進行監(jiān)督式微調。最后利用 Softmax分類器，對故障進行分類輸出。

在通信電臺領域，鞠建波[21]等人使用去噪自動編碼器搭建網絡，通過BP算法進行有監(jiān)督微調，提升故障分類的準確度。利用上述方法，通過實驗完成了某通信電臺的模塊級故障診斷。劉程[22]等人利用深度堆棧自編碼網絡和Softmax分類器完成了短波發(fā)信機的故障診斷。

在其他領域[23-42]，王新穎[23]等人運用小波分析法提取特征參數(shù)，利用DAE進行重構，具有更高的穩(wěn)定性和辨識率。其中，文獻[24]將原始數(shù)據分割，根據故障類型和故障程度設計多個CNN，實現(xiàn)分層故障診斷，該方法負載發(fā)生變化時仍有較高識別率，魯棒性、泛化性較好。文獻[25]基于特征學習對LeNet進行了改進，提高了處理海量數(shù)據的能力以及泛化能力。吳魁[26]等人對于多傳感器信號，通過構建測量數(shù)據幀進行卷積計算，實現(xiàn)多通道數(shù)據的自然融合。解決了多傳感器數(shù)據融合、特征提取困難等問題。文獻[27]利用Skip-gram模型進行詞向量訓練，并將詞向量作為卷積神經網絡輸入。文獻[28]先把原始數(shù)據制作為語音形式，再將其轉化為語譜圖，最后送入VGG16模型中。王應晨[29]等人先通過堆疊去噪自編碼器學習低層特征，然后通過DBN學習深層特征，最后輸入Softmax分類器進行分類。李垣江[30]等人將GAN與堆疊稀疏自編碼器相結合，增加數(shù)據集的多樣性，提高網絡泛化能力。黃予春[31]等人將云計算技術引入深度學習，將海量故障數(shù)據切片，再利用DBN進行分布式并行處理，有效實現(xiàn)了大數(shù)據條件下的故障診斷。李川[32]等人提出次優(yōu)網絡，在傳統(tǒng)DBN的基礎上，一方面提出預分類方法，確定更好的網絡結構，另一方面采用精細分類方法，提高分類的精度。文獻[39]使用自適應算法優(yōu)化DBN，實現(xiàn)學習速率的自適應變化。

1.2 國外研究現(xiàn)狀

受文獻[43]的啟迪，2006年辛頓教授提出了深度學習理論[44]。文獻[45]首次將深度置信網絡應用于飛機發(fā)動機故障診斷，此后越來越多的學者將深度學習應用于故障診斷領域，并取得了許多研究成果。

在軸承領域，文獻[46]通過設計多尺度卷積層，減少了網絡參數(shù)和訓練時間，提高了診斷精度和魯棒性，使運行更順暢。文獻[47]將遷移學習與CNN相結合，將離線CNN的淺層遷移到在線CNN，實現(xiàn)進行在線故障診斷，提高診斷的實時性及準確率。文獻[48]也將遷移學習與CNN相結合，解決了故障數(shù)據少、訓練數(shù)據與實際數(shù)據來自不同分布的問題。文獻[49]利用復Morlet小波的連續(xù)小波變換對采集到的時域振動信號進行處理，得到時頻圖像或構造時頻矩陣，然后再將其輸入CNN進行故障診斷。文獻[50]提出了一種將信號轉換為圖像的新算法。文獻[51]將遷移學習與堆疊稀疏自編碼器相結合，獲得較高的診斷精度。文獻[52]采用時變學習率的思想，在保證迭代率的基礎上，減少了迭代過程中成本函數(shù)的振蕩，提取的特征更有利于故障分類。

在旋轉機械領域，文獻[53]將振動信號的頻域信息輸入堆疊去噪自編碼器，采用dropout技術調整網絡參數(shù)，緩解過擬合的發(fā)生。文獻[54]首先從傳感器信號中提取時域、頻域特征，然后利用SAE進行特征融合，最后利用DBN進一步分類。文獻[55]采用非線性投影實現(xiàn)壓縮采集，然后通過堆疊稀疏自編碼器進行故障診斷，提供了處理海量數(shù)據的新策略。文獻[56]將SAE與階次跟蹤相結合，適應恒速和變速條件，可以對故障類型和故障程度進行分類。文獻[57]將CNN與多堆棧膠囊相結合，能夠有效地識別和解耦復合故障。

在電機領域，文獻[58]采用擴張卷積神經網絡，能夠處理一維數(shù)據，無需手工特征提取，泛化性好。文獻[59]將電機速度考慮在內，將振動信號視為圖像輸入CNN，通過降低模型復雜性減少了過度擬合并提高了精度。

在齒輪箱領域，文獻[60]將故障樣本振動信號輸入DBN，增加了批量標準化，降低過度擬合概率，提高收斂速度。文獻[61]使用多個噪聲級別來訓練AE，具有更好的魯棒性，更高的準確率。文獻[62]提出了一種新的多尺度卷積神經網絡結構，可同時進行多尺度特征提取和分類。

文獻[63-69]分別對航空發(fā)動機、感應電動機、風力發(fā)電機、液壓設備、懸鏈支撐裝置緊固件、無人機系統(tǒng)、航空發(fā)動機傳感器進行故障診斷。其中，文獻[64]基于粒子群對網絡進行了優(yōu)化。文獻[67]按從粗到精的方式級聯(lián)3個基于深度卷積神經網絡的檢測階段，在復雜環(huán)境下具有較高的檢測率、良好的適應性和魯棒性。文獻[68]利用線性二次調節(jié)控制器產生故障信號，并將其轉化為圖像，利用時頻振幅圖中的彩色圖像進行故障分類。文獻[69]利用主成分分析法進行降維，提高算法效率。

2 典型深度學習模型及故障診斷方法

目前較為熟悉的深度學習模型主要包括以下3種：DBN、SAE、CNN。

2.1 基于DBN的故障診斷方法

DBN由多個限制玻爾茲曼機(restricted boltzmann machine，RBM)堆疊而成，其核心是用逐層貪婪學習算法去優(yōu)化深度神經網絡的連接權重，即使用無監(jiān)督學習方式進行逐層訓練，較低層的DBN可以提取低級特征，而較高層用于表示輸入數(shù)據的更抽象的特征。以圖1為例，本文的DBN由三層RBM堆疊而成，每個RBM是一個雙層能量模型，由可見層與隱含層組成，連接僅存在于輸入層的可見單元和隱含層的隱藏單元之間。

圖1 DBN結構

DBN學習過程包括兩個階段：第一階段，逐步預訓練RBM層。將訓練數(shù)據輸入到可見層中，訓練第一層RBM，低層RBM的輸出作為高一層RBM的輸入，重復該訓練過程，直到最后一層RBM訓練完畢。第二階段，微調整個網絡以調整參數(shù)實現(xiàn)理想的性能。在微調階段，為分類問題添加表示所需輸出的最后一層變量，并使用反向傳播算法(back propagation，BP)優(yōu)化整個權重和偏差。

DBN有很多優(yōu)勢。首先，它能夠自適應地提取出故障特征，不需要依賴于大量信號處理技術以及專家經驗，能夠實現(xiàn)智能化的故障診斷；其次，它不需要時域信號具有周期性，因此能廣泛適用于諸多領域；最后，它能夠處理高維、非線性數(shù)據，適合大數(shù)據時代的集成化裝備故障診斷。

基于DBN的故障診斷可以達到較高的精確度。針對故障數(shù)據少的問題，可以通過仿真系統(tǒng)進行模擬，產生大量故障信號。針對超參數(shù)設置對網絡效果有較大影響的問題，可以采用超參數(shù)自動優(yōu)化方法，如網格搜索、隨機搜索算法、遺傳算法、粒子群算法，貝葉斯優(yōu)化算法等。其中網格搜索與隨機搜索最為簡單實用，但網格搜索適用于極少超參數(shù)的優(yōu)化。網格搜索的計算復雜度會隨著超參數(shù)數(shù)量增長而指數(shù)型增長，隨機搜索一定程度上避免了這個問題。針對網絡訓練時間長的問題，可以搭建分布式并行計算平臺。針對網絡收斂速度慢，可能發(fā)生過度擬合的問題，可以增加批量標準化。為了確定網絡結構參數(shù)、提高分類精度，可以利用次優(yōu)網絡。此外，DBN成功地與云計算相結合，適合處理大數(shù)據背景下的故障診斷。

基于DBN的故障診斷還面臨許多挑戰(zhàn)。在搭建網絡時，還存在網絡深度不夠的問題。實驗時需要設定很多參數(shù)，這些參數(shù)對實驗結果有非常大的影響，如何設置參數(shù)也是一個值得研究的問題。實驗數(shù)據與實際數(shù)據還存在很大差異，如何利用實驗得到的模型對實際運行中的數(shù)據進行高準確率的故障診斷也是值得研究的方向。

2.2 基于SAE的故障診斷方法

堆棧自編碼器由多個自編碼器堆疊而成。自編碼器(autoencoder，AE)是一個只有一個隱藏層的對稱神經網絡。AE包含編碼器網絡和解碼器網絡。編碼器網絡將輸入數(shù)據從高維空間轉換為具有較低維度的特征空間，而解碼器網絡可以從特征空間重建輸入數(shù)據。由于AE可以在沒有標簽信息的幫助下重建輸入信號，因此它可以以無監(jiān)督方式學習，可用于提取原始數(shù)據的典型特征。AE的基本結構如圖2所示。

圖2 AE結構

由于AE的固有特性是提取原始信號的有意義的特征，并在輸出層恢復它們，因此應避免簡單地從輸入層復制到隱含層。AE的許多變種可以彌補這個缺點，例如去噪自動編碼器(denoising autoencoder，DAE)和稀疏自動編碼器(sparse autoencoder，SAE)。它們堆疊起來就是堆疊去噪自編碼器(stacked denoising autoencoder，SDAE)和堆疊稀疏自動編碼器(stacked sparse autoencoder,SSAE)。DAE為了提高AE的魯棒性，給輸入數(shù)據附加額外噪聲的污染，訓練自動編碼器模型以重建完整的無噪聲數(shù)據。SAE是通過懲罰隱含層單元的偏差來學習相對稀疏特征的經典變體之一。它提高了傳統(tǒng)AE的性能，展現(xiàn)了更多的實際應用價值。

在預訓練階段，采用逐層貪婪算法由低到高單獨訓練每個AE，低層AE的隱含層輸出作為高層AE的輸入，直至完成所有AE的訓練。而后利用BP算法、梯度下降算法等進行微調，最后輸出結果。

堆棧自編碼機有很多優(yōu)點。首先，它具有很強的表達能力，可以減少冗余數(shù)據，降低維數(shù)，適合處理高維稀疏數(shù)據。同時，它可以降低噪聲的影響，無需對信號進行降噪處理。最后，它使用少量數(shù)據進行訓練，再加上適當?shù)姆诸惣夹g就可以實現(xiàn)高效的故障診斷，體現(xiàn)了強大的特征提取能力和魯棒性。

基于SAE的故障診斷不僅可以判斷故障類型，還可以有效識別故障程度。堆棧自編碼機與DBN相結合，可以進行進一步故障分類；與滑動窗口重疊采樣技術相結合，可以對數(shù)據進行增強；與遷移學習相結合，可以解決訓練集與測試集來自不同分布的問題；與階次跟蹤相結合，可以在恒速和變速條件下自動進行旋轉機械故障診斷；與集成學習信息融合，可以進一步提高故障識別能力和分類穩(wěn)定性；與GAN相結合，可以生成故障數(shù)據，解決故障數(shù)據不足的問題；與非線性投影相結合，進行壓縮采集，可以有效處理海量數(shù)據。

雖然SAE已經成功應用于很多領域，但還有很多問題需要研究：如何合理設置網絡的隱藏層層數(shù)、節(jié)點數(shù)；如何對梯度下降法進行改進，從而獲得更好的局部極值點，甚至是全局最優(yōu)點；如何判斷所學特征的優(yōu)劣，并且如何做以解釋；如何在大數(shù)據、高維、多樣化的數(shù)據背景下進行故障診斷等等。

2.3 基于CNN的故障診斷方法

卷積神經網絡由Yann LeCun提出，是第一個成功訓練多層網絡的算法，也是最廣泛使用的深度學習模型之一，具有強大的特征提取能力。典型的卷積神經網絡LeNet-5的結構如圖3所示。網絡分為輸入層、卷積層、子采樣層、全連接層和輸出層。

圖3 LeNet-5結構

卷積層也稱為特征提取層，卷積層通過不同的卷積核卷積前一層，每個卷積核對應于一個提取的特征，與前一層的感受野連接。卷積核共享網絡權重，每個卷積核提取有限的信息，因此通常使用多個卷積內核來獲取更多特征。子采樣層也稱為特征映射層，對從卷積層提取的特征進行子采樣。通過子采樣，大大減少節(jié)點數(shù)量，有效減少了網絡連接數(shù)量和網絡計算的復雜性。全連接層中的所有神經元節(jié)點都與前一層節(jié)點互連。

用于解決分類問題的卷積神經網絡包括兩個過程：訓練和測試。訓練集用于訓練網絡，然后將測試集中的樣本輸入到訓練的網絡以測試網絡的分類效果。訓練過程需要前向和反向傳播，而測試過程只需要前向傳播。模型訓練結束后，即可用于分類。

CNN有很多優(yōu)點。它具有良好的容錯能力、并行處理能力和自學習能力，可以處理環(huán)境信息復雜、背景知識不清楚、推理規(guī)則不明確情況下的問題，允許樣品有較大的破損、畸變，運行速度快，自適應性好。與傳統(tǒng)的神經網絡相比，CNN引入了權值共享和感受野的概念，減少了需要學習的參數(shù)量，擁有更強的學習能力，適合處理高維數(shù)據，能夠學習海量數(shù)據中的特征。CNN不僅可以處理一維數(shù)據，還擅長處理二維數(shù)據。

基于CNN的故障診斷有很多成功的經驗：將聯(lián)合領域自適應算法與CNN結合，可以解決訓練數(shù)據與測試數(shù)據來自不同概率分布的情況下診斷準確率低的問題；將CGAN與DCGAN結合，提出CDCGAN，可以實現(xiàn)從單一故障和部分復合故障樣本，生成指定類別復合故障樣本，解決了故障數(shù)據少的問題；把原始數(shù)據分段，設計多個CNN，可以實現(xiàn)分層故障診斷，診斷出故障類別和程度；利用深度解耦卷積神經網絡可以有效識別、解耦復合故障；通過構建測量數(shù)據幀進行卷積計算可以將多傳感器數(shù)據進行融合；CNN與主成分分析法相結合可以進行降維，提高效率。

基于CNN的故障診斷還面臨著很多挑戰(zhàn)：如何對數(shù)據進行預處理，以避免神經元被過度激活，出現(xiàn)收斂失敗的現(xiàn)象；如何合理設置網絡參數(shù)，達到最佳診斷效果；如何尋找合適的策略對參數(shù)進行優(yōu)化；如何提高模型的可擴展性，實現(xiàn)對新故障的識別；如何提高CNN提取泛化特征的能力；如何使實驗結果更貼近于實際條件，提高模型的穩(wěn)健性；CNN適合對哪些領域進行故障診斷等等。

2.4 基于深度學習的故障診斷方法小結

1)典型深度學習算法直接應用。深度學習應用于一些新的領域，還未進一步發(fā)展，或典型深度學習算法已能達到較好診斷效果時，一般可以直接應用。

2)深度學習算法之間的結合。DBN、SAE、CNN之間相互結合或同種算法的結合，可以應用于不同診斷階段，按照從粗到精的順序實現(xiàn)分層故障診斷，診斷出故障類別及程度，或者一個用作特征提取，另一個用作分類器。同時，典型神經網絡還可以與GAN相結合，利用GAN的樣本生成能力解決故障數(shù)據不足的問題。

3)深度學習算法與淺層學習算法的結合。淺層學習算法主要有BP算法、SVM、Boosting、最大熵方法等。淺層學習算法網絡層數(shù)少，特征提取能力有限，難以解決復雜分類問題。其中，BP算法被廣泛應用于微調網絡參數(shù)，SVM也與深度學習成功結合，可以利用深度神經網絡進行特征提取，利用SVM進行分類。傳統(tǒng)SVM只能進行二分類，改進后可以實現(xiàn)多分類。

4)深度學習算法與信號處理方法的結合?？梢岳眯〔ㄗ儞Q、傅里葉變換、S變換、經驗模態(tài)分解等方式對信號進行處理，或利用Skip-gram模型進行詞向量訓練，也可以把原始數(shù)據制作為語譜圖，再輸入神經網絡。通過信號處理，可以充分展現(xiàn)故障特征，提高故障診斷效果。

5)深度學習算法與其他機器學習算法的結合。

(1)與模糊聚類方法相結合。模糊聚類方法屬于無監(jiān)督學習，常用算法有模糊C均值聚類、可能性C-均值聚類等，能夠根據數(shù)據的相似性進行故障分類，可以提高分類效果或用于未知故障的學習。

(2)與遷移學習相結合能夠解決實驗數(shù)據與實際數(shù)據來自不同概率分布條件下故障診斷準確率低的問題。

(3)與主成分分析法相結合，可以對數(shù)據進行降維，提高診斷效率，適用于海量數(shù)據的故障診斷。

6)深度學習算法與其他技術的融合

(1)與云計算相結合適用于大數(shù)據背景下的故障診斷。

(2)與數(shù)據融合技術相結合。故障診斷的數(shù)據可能來自不同傳感器，具有不同的數(shù)據類型，需要進行數(shù)據融合后再利用深度學習進行故障診斷。

3 深度學習在集成化裝備故障診斷領域的挑戰(zhàn)與研究思路

根據以上分析，可以將面臨的挑戰(zhàn)劃分為以下6種類型，提出了幾種可行的研究思路：

3.1 故障數(shù)據樣本不足

深度學習的方法是建立在大數(shù)據基礎上的，然而，集成化裝備通常具有大量正常運行數(shù)據和少量有效的故障數(shù)據，如何從大量正常數(shù)據中識別出小樣本的故障數(shù)據是一個值得研究的問題。同時，故障樣本的種類有限，難以涵蓋所有類型，對于裝備運行中出現(xiàn)的新故障類型難以進行有效診斷。

首先，對于小樣本故障數(shù)據識別的問題，可以利用深度學習網絡提取特征，正常數(shù)據與異常數(shù)據的特征會有較大偏差，利用基于SVDD的異常檢測器就可以檢測出異常。同時，對于故障數(shù)據數(shù)量、種類少的問題，可以利用仿真軟件進行模擬，獲取故障數(shù)據樣本，或者將深度學習網絡與GAN相結合，擴張故障數(shù)據集，利用已知單一故障樣本和復合故障樣本生成未知復合故障樣本。

3.2 訓練數(shù)據類型不同

為了全面地監(jiān)測集成化裝備的運行狀態(tài)，可能使用多種類型的傳感器采集不同信號，如：聲音、振動、電壓、溫度等。各傳感器數(shù)據類型不統(tǒng)一，給集成化裝備的故障診斷帶來了困擾。

可以通過數(shù)據融合，將所有傳感器信號轉化為同一類型的數(shù)據，有利于信號的存儲和處理，從而實現(xiàn)基于深度學習的集成化裝備故障診斷。

3.3 大數(shù)據背景增大難度

隨著集成化裝備信號采集設備的增多和運行時間的積累，最終會獲得海量數(shù)據，故障診斷已經變得越來越大數(shù)據化。

CNN具有強大的特征提取能力，可以輸入一維或二維數(shù)據，非常適合處理海量數(shù)據?？梢詫⑼瑫r段的各設備采集到的信號設計為二維矩陣，構建成測量數(shù)據幀，再輸入CNN，從而有效實現(xiàn)故障診斷。同時，還可以利用非線性投影實現(xiàn)壓縮采集，處理海量數(shù)據?；蛘撸瑢⒃朴嬎闩c深度學習相結合，利用MapReduce框架，將海量故障數(shù)據進行切片處理，再輸入深度學習網絡，進行大數(shù)據背景下的集成化裝備故障診斷。

3.4 復合故障難以診斷

集成化裝備由多個系統(tǒng)組成，每個系統(tǒng)又由不同的部件、元件組成，每一部分都可能發(fā)生故障，由于系統(tǒng)之間的密切聯(lián)系，故障也可能發(fā)生傳播，因此可能短時間內同時發(fā)生多種故障，提高了診斷難度。

對于這個問題，可以將多堆棧膠囊設計為解耦分類器，實現(xiàn)復合故障的解耦。解耦分類器和Softmax分類器的主要區(qū)別在于分類器可以輸出的標簽數(shù)量。Softmax分類器只能輸出單個標簽，而解耦分類器可以輸出單個或多個標簽，從而能夠準確識別和分離復合故障。同時，增加故障樣本的種類也可以增多可以診斷出的故障類型。

3.5 參數(shù)設置缺乏方法

深度學習神經網絡的層數(shù)、每層節(jié)點數(shù)等參數(shù)的設置，對于神經網絡來說至關重要，而在這方面的研究很少，沒有一套系統(tǒng)的方法。

對于參數(shù)的初始化，大多數(shù)情況下都是通過前人的經驗進行參數(shù)設置，或者通過初始化算法進行參數(shù)的隨機初始化，或者在實驗中調整參數(shù)、不斷嘗試。對于參數(shù)的優(yōu)化，可以采用網格搜索、隨機搜索算法、遺傳算法、粒子群算法、貝葉斯優(yōu)化算法、鯨魚算法等，隨著算法的發(fā)展，會出現(xiàn)更多新的算法，但使用時要注意平衡和訓練時間之間的關系。

3.6 訓練數(shù)據與實際數(shù)據診斷效果不一致

由于訓練數(shù)據是在實驗環(huán)境下采集的，而裝備實際使用過程中可能受到多種噪聲干擾或硬件干擾，與實驗數(shù)據會有較大偏差，或者發(fā)生未知故障，在這種情況下，利用實驗數(shù)據訓練的網絡，對實際裝備進行故障診斷時很難獲得較好的效果。

為了解決噪聲干擾問題，可以使用基于去噪自編碼器的神經網絡，通過重構含有噪聲的樣本，使模型具有更高的抗干擾性、魯棒性。為了解決實際數(shù)據與實驗數(shù)據來自不同分布的問題，可以將遷移學習與深度學習神經網絡相結合。遷移學習從源域中學習，利用學到的知識解決目標域的問題，可以有效解決源數(shù)據與目標數(shù)據來自不同分布的情況下的故障診斷問題。

4 深度學習在集成化裝備故障診斷領域應用的發(fā)展方向

在實際應用中，還有以下4種發(fā)展方向。

4.1 裝備在硬件上做出相應的改變

基于深度學習的故障診斷在機械等領域得到了廣泛應用，如軸承、齒輪箱、電機等等，在這些機械中能夠通過傳感器等設備快速采集到信號，實現(xiàn)實時狀態(tài)監(jiān)測。但是裝備上其他單元可能需要使用示波器、頻譜儀等儀器，從電路板上的一些測量點獲取信號，而一些測量點的信號可能沒有被引出機箱，目前獲取信號還需要開箱檢測，難以實現(xiàn)實時的狀態(tài)監(jiān)測，為故障診斷帶來了不便，為了將基于深度學習的故障診斷應用于更多領域，需要裝備在硬件上做出改變，將相應測量點信號引出機箱。

4.2 基于深度學習的故障診斷系統(tǒng)與狀態(tài)監(jiān)測系統(tǒng)的結合

目前集成化裝備已有狀態(tài)監(jiān)測系統(tǒng)，能夠時刻監(jiān)測各部分狀態(tài)，粗略判斷是否發(fā)生故障，但大部分系統(tǒng)卻不能判斷故障種類。而基于深度學習的故障診斷系統(tǒng)則能夠判斷出故障類型。因此，將基于深度學習的故障診斷系統(tǒng)與原有系統(tǒng)進行硬件或軟件上的結合，提高其兼容性，充分保留兩者的優(yōu)勢是一種發(fā)展方向。

4.3 基于深度學習的故障診斷系統(tǒng)與專家經驗的結合

基于深度學習的故障診斷能夠實現(xiàn)精確的故障定位，將故障定位到板級、模塊級等等，但裝備系統(tǒng)龐大，需要分層進行故障診斷，先通過狀態(tài)監(jiān)測系統(tǒng)、專家經驗等方式將故障定位到具體的單元，而后再利用深度學習進一步診斷故障。目前，狀態(tài)監(jiān)測系統(tǒng)已能實現(xiàn)粗略的故障定位，但還需維修人員再次明確，將故障定位到具體單元。對于這個步驟，廠家和維修人員根據診斷經驗，從故障現(xiàn)象出發(fā)，將診斷過程整理成詳細的診斷樹，維修人員按照診斷樹一步步排查即可將故障定位到具體的單元，既充分利用了專家經驗，又減輕了診斷難度，維修人員只需掌握簡單的知識即可實現(xiàn)單元級的故障診斷。

4.4 嵌入式集成化裝備故障診斷系統(tǒng)的構建

現(xiàn)有的大部分研究僅停留在算法層面，而算法研究的最終目的是為了解決實際問題，因此，構建嵌入式集成化裝備故障診斷系統(tǒng)是非常重要的。同時，嵌入式系統(tǒng)還可以增加系統(tǒng)的可移動性，系統(tǒng)出現(xiàn)問題可以快速更換。由于集成化裝備的結構具有層次性，因此，需要針對不同系統(tǒng)、不同層次的特性，構建嵌入式故障診斷系統(tǒng)，通過采集到的信號直接判斷故障類型，高效完成故障診斷。

5 結束語

基于深度學習的集成化裝備故障診斷的最終目的是準確判斷裝備的狀態(tài)，以確定裝備是否需要維修。與傳統(tǒng)方法相比，深度學習方法在故障診斷中有更高的準確率、更快的速度，因此，利用深度學習進行集成化裝備故障診斷是非常有意義的。本文首先總結了國內外研究現(xiàn)狀，然后介紹了深度學習3種主要模型的基本理論，包括有效的方法和面對的問題，總結出故障診斷方法，最后指出了在集成化裝備故障診斷方面的挑戰(zhàn)與研究思路，并提出了在應用中的發(fā)展方向。