概述

旋轉(zhuǎn)機械在各行業(yè)中應(yīng)用廣泛，其中許多設(shè)備在生產(chǎn)流程上都至關(guān)重要，一旦出現(xiàn)故障，會帶來巨大的經(jīng)濟損失。加強對這類設(shè)備的監(jiān)測診斷，對于提高設(shè)備的安全性和可靠性，降低運行維護成本具有非常重要的作用。旋轉(zhuǎn)機械故障診斷方法大體分為以下3類，即基于物理模型的方法、基于信號處理的方法、基于數(shù)據(jù)驅(qū)動的方法：

1. 基于物理模型的方法主要是獲取設(shè)備上的數(shù)據(jù)信號，并用最初建立的模型對數(shù)據(jù)處理結(jié)果進行分析，從而得到機組的故障診斷情況。但通常需要深入了解機器的工作機理，難以建立起現(xiàn)代復(fù)雜機械設(shè)備的精確物理系統(tǒng)，特別是在動態(tài)、噪音大的工作環(huán)境下。

2. 基于信號處理的方法通過信號處理實現(xiàn)信號降噪，旨在探索先進的信號去噪和濾波技術(shù)，突出故障特征信息。但特征頻率的計算往往需要相關(guān)的設(shè)備知識，實體故障表征理論和數(shù)學(xué)基礎(chǔ)是其前提。依賴專家進行診斷，可移植性較弱。

3. 基于數(shù)據(jù)驅(qū)動的方法，在不了解系統(tǒng)的學(xué)習(xí)和物理模型的情況下，僅利用檢測到的狀態(tài)監(jiān)測信號結(jié)合歷史數(shù)據(jù)或外來遷移數(shù)據(jù)，分析提取特征信息，對系統(tǒng)進行故障診斷和性能評估。該方法即不需要大量的領(lǐng)域?qū)＜抑R和知識的表達式推理機制，也不需要建立精確的復(fù)雜系統(tǒng)模型，是當(dāng)下智能診斷的研究熱點。

DTEmpower是天洑軟件通過對工業(yè)企業(yè)數(shù)據(jù)建模需求的深度挖掘而自主研發(fā)的一套針對工業(yè)用戶的圖形化數(shù)據(jù)建模平臺。它圍繞數(shù)據(jù)清理、特征提取、特征選擇和模型訓(xùn)練等數(shù)據(jù)建模的各個環(huán)節(jié)，提供有大量算法，通過針對特定場景下算法的深度研發(fā)，利用智能調(diào)度引擎和超參優(yōu)化等技術(shù)，提高模型質(zhì)量的同時，降低了對用戶數(shù)據(jù)建模經(jīng)驗的要求。DTEmpower針對旋轉(zhuǎn)設(shè)備故障診斷有一套完備的智能診斷方案。

DTEmpower簡介

DTEmpower 是一套針對工業(yè)用戶的圖形化數(shù)據(jù)建模平臺，所有的數(shù)據(jù)及模型操作均以工具箱中模塊的形式提供，用戶無需具備編碼能力，通過簡單的節(jié)點拖拽與節(jié)點連接即可完成復(fù)雜的數(shù)據(jù)建模流程的構(gòu)建。

圖1  DTEmpower平臺數(shù)據(jù)建模流程示例

DTEmpower 圍繞數(shù)據(jù)清理、特征提取、特征選擇和模型訓(xùn)練等數(shù)據(jù)建模的各個環(huán)節(jié)，在工具箱中以控件的形式提供了上百種常用算法和數(shù)種先進的自研算法：包括8 種數(shù)據(jù)采樣算法、21 種數(shù)據(jù)清理算法、6 種數(shù)據(jù)聚類算法、15 種數(shù)據(jù)降維算法、6 種數(shù)據(jù)變換算法、5 種特征選擇算法、11 種線性擬合算法、22 種非線性擬合算法、以及其他搭配控件。

圖2 DTEmpower平臺提供的數(shù)據(jù)建模算法示例

作為一個開放式的數(shù)據(jù)建模平臺，DTEmpower提供了針對旋轉(zhuǎn)機械設(shè)備故障診斷場景的定制工具箱，包含數(shù)據(jù)采集、特征提取和模式分類（故障識別）三大主功能。

數(shù)據(jù)采集主要對信號進行預(yù)處理。特征提取主要對振動信號進行特征加工，挖掘出能反應(yīng)故障表征的特征量。對于模型而言，特征工程決定模型效果的上限，DTEmpower針對旋轉(zhuǎn)設(shè)備診斷提供了豐富的特征提取功能。時域和頻域分析方法在平穩(wěn)信號的處理方面優(yōu)勢突出，而旋轉(zhuǎn)機械由于磨損和削落等故障產(chǎn)生的振動信號具有強非線性和非平穩(wěn)特性，這類信號中表征故障特征的時域和頻域參數(shù)會隨著時間和頻率的變化而發(fā)生變化，時頻分析方法能夠分析信號局部特征的，可以對頻譜隨時間變化的特性進行有效分析。DTEmpower參考這些優(yōu)秀的行業(yè)經(jīng)驗，提供了包括16種時域特征（如脈沖因子、裕度因子、峭度因子、波形因子偏度和峰峰值等）、13種頻域特征（如重心頻率、均方頻率、頻率方差等）、時頻域特征（如小波能量等），其中時頻域特征可以動態(tài)擴增對模型進行改進。

模式分類針對復(fù)雜的生產(chǎn)環(huán)境，提供了多套模型策略方案。旋轉(zhuǎn)設(shè)備故障診斷當(dāng)前遇到的最大的難點主要是現(xiàn)場樣本不均衡，故障樣本過少，甚至無樣本情況，數(shù)據(jù)驅(qū)動的模型難以充分挖掘故障信息。針對健康數(shù)據(jù)和故障數(shù)據(jù)極端不平衡的問題，DTEmpower提供了豐富的數(shù)據(jù)增殖算法（如SMOTE、生成對抗網(wǎng)絡(luò)等算法），搭配使用監(jiān)督學(xué)習(xí)技術(shù)構(gòu)建設(shè)備對象的故障類型判別器，對具體現(xiàn)場進行故障診斷；針對故障樣本之間分布不均勻等問題，DTEmpower集成了智能訓(xùn)練算法 AIAgent，融合了多種采樣及模型訓(xùn)練策略，使用集成算法提升模型精度和穩(wěn)定性；同時，針對現(xiàn)場無故障樣本學(xué)習(xí)的難點， DTEmpower平臺了融合多種設(shè)備故障數(shù)據(jù)庫，采用遷移學(xué)習(xí)技術(shù)（如CORAL、AdaBN、DAAN、DSN等算法），利用遷移學(xué)習(xí)在模型泛化方面的優(yōu)點，為復(fù)雜機械系統(tǒng)的故障診斷與預(yù)測提供新的方法和手段。

DTEmpower故障診斷案例分析

使用東南大學(xué)和江南大學(xué)故障診斷數(shù)據(jù)集，基于DTEmpower平臺完成數(shù)據(jù)建模和故障分類的應(yīng)用。將原始數(shù)據(jù)以1000個為一組經(jīng)過數(shù)據(jù)清理后進行小波能量特征變換，東南大學(xué)數(shù)據(jù)集中5個類別的樣本數(shù)量均為1048；江南大學(xué)數(shù)據(jù)集中3種故障類別各含有1500個樣本，正常類別含有4500個樣本。

然后使用DTEmpower平臺集成的隨機森林（Random Forest, RF）、多層感知機（Multilayer Perceptron，MLP）、AdaBoost和梯度提升樹（Gradient Boosting Decision Tree, GBDT）4種算法對各個數(shù)據(jù)集中的樣本進行訓(xùn)練和測試。

圖3 基于DTEmpower平臺對故障診斷數(shù)據(jù)集的建模流程

DTEmpower軟件平臺不僅提供了圖形化的數(shù)據(jù)建模解決方案，而且也可以對建模流程中的各個節(jié)點進行超參數(shù)配置，然后應(yīng)用天洑自主研發(fā)的超參學(xué)習(xí)引擎TFAutoML，用于自動尋找最佳超參。

 圖4 基于DTEmpower平臺算法節(jié)點超參配置

使用DTEmpower軟件平臺，東南大學(xué)數(shù)據(jù)集在上述4種模型上的分類準(zhǔn)確率都能達到99%以上。

表1 東南大學(xué)數(shù)據(jù)集在4種模型上的準(zhǔn)確率

與東南大學(xué)數(shù)據(jù)集相比，江南大學(xué)數(shù)據(jù)集在4種模型上的的分類準(zhǔn)確率整體偏低，需要對該數(shù)據(jù)集進一步探索，以提高其分類準(zhǔn)確率。

Algorithm	Accuracy
RF	74.32%
AdaBoost	85.69%
MLP	86.14%
GBDT	89.53%

表2 江南大學(xué)數(shù)據(jù)集在4種模型上的準(zhǔn)確率

從兩方面探索提高模型在江南大學(xué)數(shù)據(jù)集上分類準(zhǔn)確率的方法：特征工程和智能訓(xùn)練。特征工程是通過DTEmpower平臺特征提取的參數(shù)配置，增加樣本的特征維數(shù)；由于正常類別的樣本是其他故障類型樣本數(shù)量的3倍，使用DTEmpower平臺提供的AIAgent模塊，實現(xiàn)針對小規(guī)模數(shù)據(jù)集的智能訓(xùn)練。

圖5 DTEmpower平臺的特征提取和智能訓(xùn)練

利用AIAgent模型對新樣本訓(xùn)練測試，分類準(zhǔn)確率可以提高到99%以上。

	準(zhǔn)確率	準(zhǔn)確率提升
原始數(shù)據(jù)	89.53%	0%
增加特征維數(shù)	93.87%	+4.34%
智能訓(xùn)練	98.57%	+9.04%
增加特征維數(shù)和智能訓(xùn)練	99.26%	+9.73%

表3 江南大學(xué)數(shù)據(jù)集經(jīng)過特征工程和智能訓(xùn)練后的準(zhǔn)確率

對江南大學(xué)數(shù)據(jù)集進行進一步挖掘，數(shù)據(jù)集有三個不同工況，分別是轉(zhuǎn)速600、轉(zhuǎn)速800和轉(zhuǎn)速1000。采用AdaBN遷移學(xué)習(xí)算法分析不同工況下故障識別率，模型訓(xùn)練中以一個工況作為訓(xùn)練集，另一個工況作為測試集，對特征權(quán)重進行迭代修正，實現(xiàn)泛化的目的。實驗結(jié)果如表4所示，可以看出對于無標(biāo)簽的變工況診斷，模型仍具有較高的分類識別率。

表4 江南大學(xué)數(shù)據(jù)集不同工況遷移學(xué)習(xí)預(yù)測準(zhǔn)確率

總結(jié)

DTEmpower針對有標(biāo)簽、無標(biāo)簽及樣本不均衡等不同場景下的故障診斷均具有很好的診斷效果，為客戶提供了使用簡單、功能強大的實驗平臺，提供特征提取、特征選擇和模型訓(xùn)練一站式的數(shù)據(jù)建模解決方案。