基于深度学习理论的机电设备故障诊断方法

张健鹏　张东生　钟华　刘欢　张艳婷

摘要：介绍了机电设备故障诊断的一般方法，阐述了深度学习理论及其特点，分析了深度学习理论在机电设备故障诊断中的应用情况，包括深度学习故障诊断及预测的方法、深度学习故障诊断的一般流程、基于深度学习理论的故障诊断神经网络模型，最后对深度学习理论在机电故障诊断中的应用进行了展望。

关键词：大数据;深度学习;机电设备;状态监测;故障诊断

0 引言

随着核电厂机电设备集成化程度的提高，设备功能及结构越来越复杂，组件之间的联系越来越密切。同时，机电设备与由其组成的完整系统存在着强耦合关系，重要零部件损坏，将导致机电设备无法正常工作，最终导致系统失效，影响核电厂的安全稳定运行。对重要机电设备进行状态监测，对设备故障进行诊断，并对设备运行趋势进行预测，对于评估设备状态、开展设备运行维护、保障机电设备的安全运行具有重要意义。

随着传感器技术的发展以及物联网的普及，使得对机电设备的全面监测和故障诊断成为可能。核电厂需监测的机电设备规模大，每台装备设置的监测点多，振动等监测参数采样频率高，设备在役时间长，将形成海量的监测数据，由此将推动设备状态监测和诊断进入“大数据”时代。传统的基于特征提取的故障诊断技术，如专家系统、模糊诊断技术、神经网络技术难以应对海量数据的处理，为了提高机械设备的可靠性与安全性，在机电设备产生海量数据的背景下，需要不断研究新的故障诊断技术，以满足机电设备故障诊断与预测的需求[1-2]。

1 机电设备故障诊断的一般方法

机电设备运行过程中的监测数据蕴含机械设备丰富的内在信息，故障诊断技术通过分析机械运转过程中所采集的数据，掌握设备的运行状态，并对设备状态、故障类型、故障深度进行识别，针对具体情况为设备的诊断与维修提供决策依据。

故障诊断与预测技术主要分为基于知识的故障诊断方法、基于解析模型的故障诊断方法和基于信号处理的故障诊断方法[3]。基于知识的故障诊断方法将人工智能与故障诊断相结合，基于知识进行诊断推理，需要较多的经验知识或专家经验，相对较难实现。基于解析模型的故障诊断方法，要求基于机械设备故障机理建立数学模型，获取模型计算值与实际观测值之间的差值，并与事先建立好的决策函数进行对比，以确定设备是否发生故障，数学建模的过程相对困难，限制了该方法的实用性。基于信号处理的故障诊断方法对机械设备的测量数据进行信号处理，获得数据信号特征，从而进行故障诊断。随着信号处理方法的发展，该方法以其简便性和可解释性，获得了广泛运用。

2 深度学习理论概述

深度学习是机器学习的分支，具有强大的数据处理能力。近年来，在语音、图像、信号处理等方面应用广泛，获得了较好的效果，并逐步在故障诊断领域得到应用[4]。

区别于其他机器学习方法，深度学习具有以下特点：

（1）深度学习神经网络具有一定的模型结构深度，通常具有多个隐层网络。

（2）深度学习神经网络通过提取特征信息，对特征进行逐层组合，以实现识别功能。相比于人工构造数据特征，深度学习神经网络可以更加全面地对数据内涵进行表征。

通过构造恰当的网络结构，选择合适的输出层非线性变换函数，通过调整网络参数优化成本函数，实现输入到输出的拟合关系，完成网络训练。深度学习神经网络可以针对输入，根据学习到的规律进行推断，从而实现复杂的数据处理功能。

深度学习具有多隐层网络结构与自適应的特征提取能力，而能够挖掘数据深层次的固有规律，相对于传统方法更能精确刻画故障数据和故障类别之间的复杂映射关系。对于机电设备大数据的发展趋势，有必要研究基于深度学习理论的设备故障诊断及预测方法，以满足设备状态监测获取的多样性、非线性、高维数据的诊断分析需求。

3 深度学习理论在机电故障诊断中的应用

深度学习通过构建深层网络，模拟大脑学习过程，实现数据特征的自动提取、拟合输入输出的复杂映射关系，对设备故障进行诊断，预测机电设备的使用寿命。基于深度学习理论的设备故障诊断流程如图1所示。

3.1    深度学习故障诊断及预测方法

基于深度学习的故障诊断模型训练方法主要分为有监督学习、无监督学习、半监督混合学习等[5-6]。

3.1.1    有监督学习

有监督学习的训练集包括数据以及数据对应的标签。通过网络训练，获取数据与标签的映射关系。有监督学习可实现数据的分类、回归等功能。

3.1.2    无监督学习

无监督学习的训练集只包含数据，没有数据标签，可对缺乏先验知识的数据进行处理。通过无监督学习，可发现数据内在结构，实现数据聚类、数据压缩等功能。

3.1.3    半监督混合学习

半监督混合学习，是有监督学习和无监督学习相结合的学习方法，其样本数据由带标签和不带标签两种组成，先通过对带标签的数据进行学习，再通过对未带标签的数据进行预测，找到隐藏的结构以不断更新完善学习模型。半监督学习解决的问题主要是如何通过少量含有标签与大量不含标签的数据进行模型的训练和学习。

3.2    深度学习故障诊断及预测流程

基于机器深度学习的故障预测流程为：首先对装备传感器或试验数据进行收集与处理，然后研究机器深度学习理论形成网络模型，在此基础上对基于机器深度学习的故障模型进行训练，对装备故障进行特征识别，实现机电故障诊断。

3.2.1    数据采集

通过安装在机电设备上的各种传感器和数据采集系统，采集并监测设备状态信息，包括电流、电压、振动、位移、转速以及工艺参数，如压力、流量等。系统将设备正常运行及工艺瞬态的数据保存到历史数据库，当设备发生异常时，历史数据库保存状态异常期间的状态数据。

3.2.2    数据预处理

（1）无效剔除。由于存在工况变化、环境干扰、传感器松动等情况，监测数据中含有大量的噪点、停机、异常等脏数据，这些脏数据混杂于机电设备监测数据库中，导致监测数据质量降低，影响故障诊断效果。因此，需要根据机电设备运行特点，利用异常检测方法对无效数据进行自动识别和剔除。

（2）格式规整。设备监测系统长期运行，积累了大量数据，这些数据蕴含大量有用信息，同时形式多样，难以直接利用，需要采用数据长度匹配、时间节点对齐、数据格式统一等手段进行数据格式规整。

（3）采样同步。机电设备不同结构、不同转速下的不同零部件存在不同的频率响应特性，数据采集时需采用不同的采样频率和采样长度。但异步的采样策略无法进行有效的比较分析，为了简化分析，提高效率，通过采样同步方法，确定最大频谱分辨率，对其他数据进行重采样，以确保频谱分辨率一致。

（4）数据去均值。在对机电设备进行监测时，由于各种原因，测得的信号均值往往不为0。为了监测后续处理的计算工作量，对数据进行去均值处理。

（5）关联度分析。关联度分析可以找出关键变量发展变化的主要因素，为决策提供依据。需针对典型故障模式，进行数据关联度分析。通过关联度分析，构建实测数据与典型故障模式的映射关系。此外，考虑到设备运行工况复杂，过程参数多变，需要研究振动信号与过程参数之间的相关性。

（6）深度神经网络训练。针对机电设备故障诊断的特殊要求和应用场景，确定网络结构，构建深度学习网络模型。对经过采集和数据预处理的数据进行整理，形成训练集、验证集和测试集。将数据输入深度神经网络进行训练，以自动获取数据中蕴含的特征。使用验证集对网络性能进行评价，通过调整网络结构和超参数，完成故障数据和故障类别的拟合，从而实现机电设备故障诊断[7]。

3.3    基于深度学习的故障诊断网络模型

深度学习本质上是对数据特征进行逐层提取，其中高层特征由低层特征组合而成。常见的深度学习算法有：

3.3.1    自动编码机

自动编码机是三层的非监督神经网络，分为编码器与解码器两个部分，如图2所示。输出层可对输入信号进行重构，使得隐含层向量成为输入数据的一种特征表示。自动编码机可以单独使用，也可以通过非监督学习方式对深度神经网络进行逐层预训练，然后以监督学习方式微调整个深度神经网络，使网络具有识别故障类型的能力。自动编码机的使用方式需要根据机电设备监测诊断的具体情况而定。

3.3.2    卷积神经网络

卷积神经网络是一种前馈神经网络。通常其输入为原始信号，也可以使用提取的指标作为输入。卷积神经网络的基本结构包括两层[8]：其一为卷积层，每个神经元的输入与前一层的局部感受相连，用于提取前一层输出的局部特征;其二是池化层，利用最大池化或者平均池化的方式，对特征进行降维，提高识别结果的鲁棒性。

3.3.3    深度稀疏网络

深度神经网络通过构建深层次的模型，结合大量的训练数据，组合低层特征形成更加抽象的高层特征，从而刻画数据丰富的内在信息，最终提升分类精度。由于旋转机械信号存在稀疏特性，因此将稀疏因子引入到深度网络的建立中，形成深度稀疏网络，进而对机电设备进行故障诊断。

深度学习方法的目标在于分层次地学习特征，在每一层学习中高层次的特征是由低层次的特征学习构成的。在多层次的抽象过程中，自动学习特征可以使机器学习系统从原始数据中学习到从输入映射到输出的复杂函数，而不再需要人类完全手工提取特征这样一个繁重的过程。

4 结语

机电设备大数据具备规模大、速度快、类型杂、质量低、多模态、强关联、高通量等特征。传统的监测诊断算法需依赖大量信号处理知识与诊断经验，无法诊断机电设备大数据背下深藏的故障机理。而深度学习作为近几年来人工智能领域里最新最热门的技术，可以自适应地提取健康状况信号频谱中蕴含的故障信息，适用于表征机械数据内部隐藏的复杂多变的特性，能够更准确地识别机电设备健康状况，提升机电设备运维的可靠性。

[参考文献]

[1] 雷亚国，贾峰，周昕，等.基于深度学习理论的机械装备大数据健康监测方法[J].机械工程学报，2015，51（21）：49-56.

[2] 雷亚国，贾峰，孔德同，等.大数据下机械智能故障诊断的机遇与挑战[J].机械工程学报，2018，54（5）：94-104.

[3] 张士强.基于深度学习的故障诊断技术研究[D].哈尔滨：哈尔滨工业大学，2018.

[4] 吴立金，夏冉，詹红燕，等.基于深度学习的故障预测技术研究[J].计算机测量与控制，2018（2）：9-12.

[5] 赵文浩，阎威武.基于数据驱动的故障诊断研究[J].微计算机信息，2010，26（28）：104-106.

[6] 周志华.机器学习[M].北京：清华大学出版社，2016.

[7] 吴魁，王仙勇，孙浩，等.基于深度学习的故障检测方法[J].计算机测量与控制，2017，25（10）：43-47.

[8] 陳先昌.基于卷积神经网络的深度学习算法与应用研究[D].杭州：浙江工商大学，2013.

收稿日期：2020-04-03

作者简介：张健鹏（1985—），男，浙江义乌人，高级工程师，从事核电站机电设备、仪控系统设计工作。