02.27 「人工智能」數據機器學習在故障檢測中的應用

前言:傳統工業中,維修時花費的大部分時間都在故障的診斷上,而不是進行實際的補救,因為

故障診斷是機器維修中最具挑戰性的階段。在能源行業中,精確的故障診斷直接影響到供能的穩定性。

隨著傳感器技術,數據存儲和互聯網的飛速發展,工廠變得越來越智能,並且生成更多的過程數據。針對大量數據的數據分析需求應運而生,通過基於數據的機器學習技術能有效改善故障診斷。

本文將簡要介紹幾種在故障診斷領域廣泛應用的機器學習技術及其各自的應用方向,並對每種技術的優缺點進行簡單分析。包括:貝葉斯網絡(BN)人工神經網絡(ANN)支持向量機(SVM)隱馬爾可夫模型(HMM)技術

關鍵詞:數據機器學習 故障檢測 人工智能


貝葉斯網絡(BN,Bayesian Network)

貝葉斯網絡是故障檢測的一種常用的機器學習技術。BN是

有向無環圖,即網絡結構要求節點之間不能形成任何閉環,其節點表示隨機變量,其條件相關性由鏈接節點的有向弧表示。

BN是白盒模型,因為圖形表示使用戶可以直觀地輕鬆理解模型變量之間的交互。這對於建模不確定性十分有益,並且可以較容易地使用來自多個來源的數據(通常在製造系統中找到)來對多個原因和結果的層次級別進行建模。訓練BN的主要挑戰在於樹結構的構建

BN廣泛應用於故障監測及可靠性分析領域,1995年 Microsoft公司將 BN 運用於打印機的故障診斷,通過不斷計算在不同步驟下可能需要的維修方案的功效確定最優的維修路徑。在半導體行業,Yang&Lee和Nguyen等人使用BN評估工藝變量對晶圓質量的影響,從而使用歷史工藝數據診斷缺陷晶圓的根本原因。可靠性分析一般包括分析故障發生的概率和時間、系統冗餘,需要綜合考慮系統的多狀態單元、動態變化、運行條件等因素。在能源領域,例如電廠運行可靠性,核能系統的可行性中都有著成功應用。此外BN 還廣泛應用於發動機轉子、電網、車輛電源系統、液壓泵、電力變壓器、太陽能發電廠、移動通信網絡、製造過程的故障診斷。


人工神經網絡(ANN, Artificial Neural Network)

人工神經網絡是一種非參數的機器學習算法,受人類中樞神經系統功能的啟發。自適應特性提供了強大的建模功能,適用於特徵之間的非線性關係。

人工神經網絡目前沒有一個統一的正式定義。不過,具有下列特點的統計模型可以被稱作是“神經化”的:

- 具有一組可以被調節的權重(被學習算法調節的數值參數)這些可調節的權重可以被看做神經元之間的連接強度。

- 可以估計輸入數據的非線性函數關係

人工神經網絡與生物神經網絡的相似之處在於,它可以集體地、並行地計算函數的各個部分,而不需要描述每一個單元的特定任務。

「人工智能」數據機器學習在故障檢測中的應用

單個神經元示意圖,f為函數關係,w為權重


ANN的非參數性質及其以高精度對非線性複雜問題進行建模的能力,使ANN可應用於故障診斷問題。該模型易於初始化,因為不需要像BN一樣指定網絡結構。但是,缺點包括“黑匣子”性質,這使得模型難以解釋。此外,人工神經網絡通常無法處理輸入中的不確定性,並且計算量大,因此在訓練過程中收斂通常會較慢。人工神經網絡容易過度擬合,需要大量的多樣化數據集進行訓練以防止出現此問題。

ANN以大規模並行能力,適應學習能力,分佈式信息存儲、魯棒性等特點,在故障監測及診斷領域大受關注。大量多樣的神經網絡算法被開發及利用。神經網絡算法可以說是機器學習技術中的明星。其應用範圍十分廣泛,在能源領域有著相對成熟的應用,包括負荷預測,各類故障診斷等等。


支持向量機(SVM, supportvector machine)

SVM使用不同的核函數(例如徑向基函數(RBF)或多項式內核)來找到一種能將數據最好地分離的超平面,並且在與小型訓練集一起使用時具有良好的分類性能。支持向量機的成功應用領域包括面部識別,手寫字符識別,語音識別,圖像檢索,預測等。

「人工智能」數據機器學習在故障檢測中的應用

SVM是建模線性和非線性關係的出色技術。與其他非參數技術(例如ANN)相比,計算時間相對較快。大型訓練數據集的可用性是機器學習中的一個挑戰,但是,即使在訓練數據量有限的情況下,SVM也有不錯的效果。

支持向量機在故障定位中的應用不像BN和ANN常見。支持向量機是工業生產系統的非常有效的監視和診斷工具,例如使用該技術來診斷在不同切削條件下的端面銑削過程中的刀具破損故障。以及SVM在風力發電機組中的故障監測,此外在醫學領域,SVM被用於各種疾病的診斷,例如用於癌症及糖尿病的監測。在能源領域,支持向量機還被應用於負荷預測,例如房屋冷熱負荷預測,風電發電量預測及用戶負荷預測等。


隱馬爾可夫模型(HMM, Hidden Markov Model)

隱馬爾可夫模型是馬爾可夫鏈模型的擴展,用於估計動態過程中狀態轉換和測量輸出的概率分佈,假定過程的狀態不可觀察。描述一個含有隱含未知參數

的馬爾可夫過程,是一個雙重隨機過程(包括馬爾可夫鏈和一般隨機過程)。

HMM是一種概率模型,在建模過程中具有不可觀察的狀態(例如化學過程或設備的健康狀況)方面非常出色,因此非常適合故障診斷。但是,訓練過程通常需要大量計算

HMM已用於連續和離散製造系統的故障診斷。例如,診斷軸承的磨損及故障,應用於複雜化工過程的故障監測,感應電動機的故障診斷等。此外,HMM廣泛應用在語音識別,詞性自動標註,音字轉換,概率文法等各個自然語言處理、算術編碼、地理統計學、企業產品市場預測、人口過程、生物信息學(編碼區域或基因預測)等應用領域。在能源領域,也被應用於房屋負荷預測。


[1] Areview of current machine learning techniques used in manufacturing diagnosis-Toyosi T. Ademujimi, Michael P. Brundage and Vittaldas V. Prabhu

[2] 貝葉斯網絡發展及其應用綜述-黃影平

[3] Support VectorMachines for Fault Detection in Wind Turbines-Nassim Laouti,Nida Sheibat-Othman,Sami Othman

[4] Support vectormachine in machine condition monitoring and fault diagnosis

[5] A PredictionMechanism of Energy Consumption in Residential Buildings Using Hidden MarkovModel

[6] 人工智能之馬爾可夫模型(MM)



分享到:


相關文章: