楊青 羅登

(沈陽(yáng)理工大學(xué)自動(dòng)化與電氣工程學(xué)院，遼寧沈陽(yáng) 110159)

故障診斷是現(xiàn)代工業(yè)安全運(yùn)行不可或缺的重要組成部分。故障診斷方法通?？煞譃?類，即基于數(shù)學(xué)模型、基于知識(shí)、基于數(shù)據(jù)驅(qū)動(dòng)和集合型故障診斷方法。其中，基于數(shù)學(xué)模型和基于知識(shí)的故障診斷方法由于建模困難和嚴(yán)重依賴專家知識(shí)應(yīng)用受到限制。數(shù)據(jù)驅(qū)動(dòng)方法[1]采用統(tǒng)計(jì)分析、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)[2-3]建立故障診斷模型。集合型故障診斷方法通過(guò)融合和優(yōu)化等技術(shù)，將多個(gè)單一型故障診斷方法相結(jié)合，具有多個(gè)單一型方法的優(yōu)點(diǎn)。目前，基于數(shù)據(jù)驅(qū)動(dòng)和集合型故障診斷方法，特別是基于深度學(xué)習(xí)的集合型故障診斷方法(Deep Ensemble Fault Diagnosis，DEFD)是學(xué)術(shù)界和工業(yè)界研究的熱點(diǎn)。

深度學(xué)習(xí)通過(guò)學(xué)習(xí)深層非線性網(wǎng)絡(luò)結(jié)構(gòu)，能夠模擬更加復(fù)雜的函數(shù)?；窘Y(jié)構(gòu)有，深度置信網(wǎng)絡(luò)(DeepBelief Nets，DBNs)、堆疊自動(dòng)編碼器(Stacked Auto-Encoders，SAE)、卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks，RNN(含LSTM，GRU))等。

TE過(guò)程[4]作為驗(yàn)證故障診斷方法的重要模型，不僅可以模擬單個(gè)連續(xù)工作模態(tài)、多個(gè)連續(xù)工作模態(tài)，還可以模擬數(shù)據(jù)缺失、數(shù)據(jù)不平衡、非線性、非高斯分布等不良數(shù)據(jù)特性。

圖1 在線DEFD典型結(jié)構(gòu)圖

表1 適于TE過(guò)程的DEFD方法匯總

對(duì)DEFD方法在TE過(guò)程應(yīng)用進(jìn)行分析歸納。已提出的主要DEFD方法如表1所示。離線建模在線診斷成為DEFD典型結(jié)構(gòu)，如圖1所示。

1 適于單模態(tài)TE過(guò)程的DEFD方法

1.1 基于深度置信網(wǎng)絡(luò)(DBN)的DEFD方法

DBN由兩部分神經(jīng)元組成：顯性神經(jīng)元(顯元)-用于接收輸入數(shù)據(jù)；隱性神經(jīng)元(隱元)-用于高層特征提取。DBN的關(guān)鍵組成元件是受限玻爾茲曼機(jī)(RBM)，通過(guò)將多層RBM組合并結(jié)合，最終分類器對(duì)輸入數(shù)據(jù)進(jìn)行檢測(cè)、識(shí)別以及分類。

由于DBN最初是為圖像識(shí)別而開(kāi)發(fā)的，它已經(jīng)被應(yīng)用于具有二進(jìn)制值類型變量的系統(tǒng)。對(duì)于大多數(shù)變量為連續(xù)值型的復(fù)雜化學(xué)過(guò)程，如TE過(guò)程的應(yīng)用，直到2017年才有報(bào)道。針對(duì)單模態(tài)TE過(guò)程，近3年提出的基于DBN的集合型故障診斷方法如表2所示。

1.2 基于自編碼器(AE)的DEFD方法

自編碼器是一種盡可能復(fù)現(xiàn)輸入信號(hào)的神經(jīng)網(wǎng)絡(luò)。自編碼器隨著時(shí)代的發(fā)展產(chǎn)生了很多分支如：欠完備自編碼器、正則自編碼器、稀疏自編碼器、去噪自編碼器、收縮自編碼器、堆棧自編碼器(SAE)等。

針對(duì)單模態(tài)TE過(guò)程，近3年提出的基于AE的集合型故障診斷方法如表3所示。

1.3 基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的DEFD方法

CNN由紐約大學(xué)的Yann LeCun于1998年提出。針對(duì)單模態(tài)TE過(guò)程，近3年提出的基于AE的集合型故障診斷方法如表4所示。

1.4 基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)的DEFD方法

表2 基于DBN的DEFD方法

表3 基于AE的DEFD方法

表4 基于CNN的DEFD方法

表5 基于LSTM的DEFD方法

表6 其它DEFD方法

表7 多模態(tài)TE過(guò)程的DEFD方法

LSTM針對(duì)單模態(tài)TE過(guò)程，近3年提出的基于LSTM的集合型故障診斷方法如表5所示。

1.5 其他DEFD方法

其它DEFD方法如表6所示。

2 適于多模態(tài)TE過(guò)程的DEFD方法

到目前為止，多模態(tài)TE過(guò)程故障診斷多采用基于數(shù)據(jù)驅(qū)動(dòng)的統(tǒng)計(jì)學(xué)方法?；谏疃葘W(xué)習(xí)的多模態(tài)TE過(guò)程研究剛剛起步，已公開(kāi)發(fā)表的研究成果如表7所示。

3 結(jié)語(yǔ)

本文從集合型DBN、AE、CNN、RNN和其他網(wǎng)絡(luò)五個(gè)方面對(duì)國(guó)內(nèi)外基于深度學(xué)習(xí)的TE過(guò)程故障診斷研究現(xiàn)狀進(jìn)行分析總結(jié)和展望。單一的故障診斷方法各自存在著局限性。對(duì)于實(shí)際對(duì)象的故障診斷，如用單一的方法，有時(shí)難以準(zhǔn)確快速地完成對(duì)復(fù)雜對(duì)象的故障診斷。因此，將多種診斷方法相結(jié)合，將多種不同的智能技術(shù)相結(jié)合起來(lái)的集合故障診斷技術(shù)，特別是針對(duì)多模態(tài)過(guò)程的深度集合型在線故障診斷技術(shù)是故障診斷研究的一個(gè)重要發(fā)展趨勢(shì)。