工業(yè)數(shù)字化轉(zhuǎn)型：故障診斷方法研究進展

楊彪，熊贇，傅玲，徐蔚峰，李婧

1. 復(fù)旦大學(xué)計算機科學(xué)技術(shù)學(xué)院，上海 200433；2. 上海市數(shù)據(jù)科學(xué)重點實驗室，上海 200433；3. 西門子中國研究院，北京 100102

0 引言

工業(yè)數(shù)字化已經(jīng)成為全球范圍內(nèi)的新型工業(yè)化趨勢。在數(shù)字化工業(yè)中，企業(yè)利用數(shù)字化技術(shù)將生產(chǎn)流程和業(yè)務(wù)過程數(shù)字化，實現(xiàn)工業(yè)生產(chǎn)的自動化、自主化和智能化，從而提高生產(chǎn)效率和質(zhì)量，降低成本和風(fēng)險，實現(xiàn)可持續(xù)發(fā)展。

由于這些工業(yè)系統(tǒng)復(fù)雜化和高度集成化，故障可能會影響整個系統(tǒng)的運行，并引發(fā)擴散效應(yīng)，出現(xiàn)生產(chǎn)停滯、資源浪費的情況，造成重大的安全事故和經(jīng)濟損失。故障診斷技術(shù)可以快速、準確地確定設(shè)備故障及其原因并及時維修，從而減少損失[1-3]。故障診斷數(shù)字化技術(shù)成為工業(yè)數(shù)字化轉(zhuǎn)型的關(guān)鍵技術(shù)，在系統(tǒng)整體效能、產(chǎn)品生產(chǎn)質(zhì)量等方面起著重要的提質(zhì)增效的作用。故障診斷數(shù)字化技術(shù)的研究逐步受到工業(yè)界和學(xué)術(shù)界的關(guān)注。

工業(yè)數(shù)字化轉(zhuǎn)型經(jīng)歷了工業(yè)設(shè)備及其相關(guān)流程的數(shù)字化，積累了豐富的數(shù)據(jù)，進而通過數(shù)據(jù)驅(qū)動業(yè)務(wù)和管理。工業(yè)界和學(xué)術(shù)界對于如何更好地利用這些數(shù)據(jù)開展了研究和實踐。本文聚焦故障診斷數(shù)字化方法的研究現(xiàn)狀，按照其發(fā)展特點劃分為領(lǐng)域經(jīng)驗主導(dǎo)的建模方法、數(shù)據(jù)驅(qū)動與領(lǐng)域經(jīng)驗結(jié)合的數(shù)字化方法、數(shù)據(jù)驅(qū)動主導(dǎo)與可解釋性結(jié)合的數(shù)字化方法3個階段，如圖1所示。故障診斷涉及的數(shù)據(jù)是多源、多類型的，例如，傳感器等設(shè)備獲取的系統(tǒng)運行過程中的時域信息和頻域信息，包括振動信號、載荷信號、電路信號等；儀器、儀表等智能終端實時采集的設(shè)備運行狀態(tài)。這些數(shù)據(jù)在不同的階段有不同的處理方式。

圖1 故障診斷方法的3 個階段

在早期的領(lǐng)域經(jīng)驗主導(dǎo)階段，故障診斷主要建模方法包括符號有向圖、故障樹、Petri網(wǎng)和鍵合圖等，這些算法在很大程度上依賴專業(yè)人員的領(lǐng)域知識。隨著數(shù)字化的發(fā)展以及工業(yè)數(shù)據(jù)的大量積累，數(shù)據(jù)驅(qū)動與領(lǐng)域經(jīng)驗結(jié)合階段更加注重對數(shù)據(jù)特征及其關(guān)聯(lián)的挖掘，包括基于決策樹、支持向量機、貝葉斯網(wǎng)絡(luò)等算法的故障診斷方法。工業(yè)系統(tǒng)運行數(shù)據(jù)不斷積累，呈現(xiàn)出多源、多模態(tài)等特性。相對于獲取的運行數(shù)據(jù)，領(lǐng)域知識難以捕獲潛在的數(shù)據(jù)特征。深度學(xué)習(xí)等數(shù)字化方法的發(fā)展，催生出數(shù)據(jù)驅(qū)動主導(dǎo)的方法。這些方法也考慮到工業(yè)領(lǐng)域的可解釋性，這一階段被稱為數(shù)據(jù)驅(qū)動主導(dǎo)與可解釋性結(jié)合階段。在這一階段，深度學(xué)習(xí)方法降低了對人工特征的依賴，圖神經(jīng)網(wǎng)絡(luò)（graph neural network，GNN）等建模方法提供了可解釋性的方案。

1 第一階段：領(lǐng)域經(jīng)驗主導(dǎo)的建模方法

早期的領(lǐng)域經(jīng)驗主導(dǎo)階段依據(jù)專家經(jīng)驗，用定性的方法分析工業(yè)流程中各個環(huán)節(jié)、各個單元之間的關(guān)系，通常采用圖論的方式來建模，包括符號有向圖、故障樹、Petri網(wǎng)和鍵合圖等。

符號有向圖利用節(jié)點和有向邊描述系統(tǒng)的結(jié)構(gòu)和功能，建立變量之間的因果關(guān)系圖[4]，并結(jié)合推理策略解釋故障傳播路徑[5]。Peng等人[6]提出一種基于貝葉斯推理的多邏輯概率符號有向圖模型，實現(xiàn)過程變量之間的因果表示。但是，在描述復(fù)雜系統(tǒng)時，符號有向圖的復(fù)雜結(jié)構(gòu)限制了推理能力。為了簡化圖結(jié)構(gòu)，Liu等人[7]引入規(guī)則矩陣和狀態(tài)矩陣，Xie等人[8]采用壓縮節(jié)點、約束傳播和中間優(yōu)化技術(shù)建立基于分層的符號有向圖模型。符號有向圖方法能夠根據(jù)因果關(guān)系圖推理故障的傳播路徑，但難以處理復(fù)雜邏輯關(guān)系，并且有向圖的構(gòu)建需要依賴人工經(jīng)驗。

故障樹同樣用圖對系統(tǒng)故障與它的各個部件之間的邏輯關(guān)系進行建模，例如，采用最小割集和最小路徑等算法分析不同部件故障導(dǎo)致的系統(tǒng)故障[9]。Chen等人[10]使用故障樹對故障及其邏輯關(guān)系進行建模，然后從故障樹中提取規(guī)則以識別故障。Wang等人[11]提出基于故障配置的故障樹生成方法，對系統(tǒng)故障進行建模分析。故障樹方法已被廣泛應(yīng)用，但該方法靜態(tài)結(jié)構(gòu)有限，難以捕捉系統(tǒng)動態(tài)故障行為，不適用于處理不確定性推理問題，高度依賴專家經(jīng)驗。為了克服這些問題，研究者將故障樹建模與貝葉斯網(wǎng)絡(luò)推理的優(yōu)點結(jié)合起來，實現(xiàn)故障診斷和推理[12-14]。

Petri網(wǎng)是一種圖形化的建模方法，常被用于復(fù)雜、動態(tài)、并發(fā)和離散事件系統(tǒng)的建模任務(wù)[15]。Mansour等人[16]將Petri網(wǎng)模型應(yīng)用到電站故障診斷。AL-AJELI等人[17]使用帶標簽的Petri網(wǎng)對離散事件系統(tǒng)進行建模，捕獲正常狀態(tài)和錯誤行為。但是，上述方法只關(guān)注前向故障診斷而忽略了后向原因追溯[18]。Liu等人[18]使用模糊證據(jù)推理方法和動態(tài)自適應(yīng)模糊Petri網(wǎng)解決上述問題。在動態(tài)性方面，Zhang等人[19]創(chuàng)建了時間推理模糊Petri網(wǎng)處理時間約束和模糊信息，其模塊化結(jié)構(gòu)能夠適應(yīng)各種保護配置，適應(yīng)拓撲變化。

鍵合圖適用于建模獨立于系統(tǒng)參數(shù)值的結(jié)構(gòu)化系統(tǒng)，該方法計算量較低，可以應(yīng)用于大規(guī)模系統(tǒng)[20]。Benmoussa等人[20]利用雙因果關(guān)系和因果路徑的性質(zhì)，從系統(tǒng)鍵合圖中獲得故障可檢測性和可隔離性的結(jié)構(gòu)條件。Badoud等人[21]通過鍵合圖對風(fēng)力系統(tǒng)、渦輪系統(tǒng)進行建模，使用因果路徑生成解析冗余關(guān)系，從而避免窮舉所有組合，以此應(yīng)用于故障診斷。目前，鍵合圖模型在多故障診斷領(lǐng)域存在局限性，在決策步驟的魯棒性方面仍存在難點。對此，Chatti等人[22]提出有符號鍵合圖，綜合利用結(jié)構(gòu)特性，以消除可能存在的沖突。鍵合圖模型計算量較低，但在大型復(fù)雜系統(tǒng)或多故障診斷領(lǐng)域的適應(yīng)性較差。

在領(lǐng)域經(jīng)驗主導(dǎo)階段中，符號有向圖、故障樹、Petri網(wǎng)和鍵合圖等故障診斷技術(shù)是通過領(lǐng)域知識，專家經(jīng)驗構(gòu)建關(guān)聯(lián)圖，具有較好的可解釋性，支持故障原因追溯。然而，這些方法在缺乏先驗知識的情況下難以應(yīng)用于工業(yè)過程，對變量之間因果關(guān)系的強弱以及時序動態(tài)性的考慮較為欠缺。

2 第二階段：數(shù)據(jù)驅(qū)動與領(lǐng)域經(jīng)驗結(jié)合的數(shù)字化方法

第一階段中的方法需要依賴領(lǐng)域經(jīng)驗對相關(guān)數(shù)據(jù)進行關(guān)聯(lián)建模，隨著數(shù)據(jù)的增多，構(gòu)建變量之間的因果關(guān)聯(lián)圖存在一定的挑戰(zhàn)。如何更好地利用數(shù)據(jù)，將數(shù)據(jù)驅(qū)動的方法與領(lǐng)域經(jīng)驗結(jié)合，是一個好的解決方法。通過數(shù)據(jù)驅(qū)動的方法發(fā)現(xiàn)因果拓撲關(guān)系，確定故障的特征，以實現(xiàn)故障診斷，主要包括基于特征關(guān)聯(lián)的學(xué)習(xí)方法，基于特征工程的學(xué)習(xí)方法（如決策樹、支持向量機、貝葉斯網(wǎng)絡(luò)等）以及基于時序特征的時序分析方法。

2.1 基于特征關(guān)聯(lián)的學(xué)習(xí)方法

基于特征關(guān)聯(lián)的學(xué)習(xí)方法主要利用不同特征之間的關(guān)聯(lián)性和相互作用進行學(xué)習(xí)和診斷，重點是探索正常狀態(tài)與故障狀態(tài)特征之間的關(guān)聯(lián)關(guān)系，以提高故障診斷的準確率。

灰色理論[23]通過研究設(shè)備運行狀態(tài)與故障狀態(tài)特征的相關(guān)性預(yù)測故障狀態(tài)的特性和趨勢[24]。Wang等人[25]使用灰色預(yù)測模型預(yù)測燃料電池的運行特征，利用運行特征的預(yù)測值判斷未來的運行狀態(tài)，從而實現(xiàn)故障診斷。Hu等人[23]提出基于灰色理論和專家系統(tǒng)的軌道電路故障預(yù)測方法。為了更有效地利用基于灰色理論學(xué)習(xí)到的特征之間的關(guān)聯(lián)性，Dong等人[26]提出了一種粗糙集與灰色關(guān)聯(lián)分析相結(jié)合的冗余保護配置變電站故障診斷方法，Wu等人[27]提出基于灰色理論的自適應(yīng)動態(tài)閾值調(diào)整算法。

多元統(tǒng)計分析主要包括主成分分析法、獨立元分析法、偏最小二乘法和非負矩陣分解等方法。主成分分析法通過降維處理，提取數(shù)據(jù)特征，消除不同指標間的相關(guān)性。Du等人[28]將經(jīng)驗?zāi)Ｊ椒纸?、主成分分析法、累積和等方法用于故障診斷。主成分分析法需要假設(shè)數(shù)據(jù)服從高斯分布，而工業(yè)數(shù)據(jù)未必完全服從高斯分布。獨立元分析法假設(shè)非高斯源信號具有相互獨立性，將信號或數(shù)據(jù)分離為相互獨立的變量[29]。例如，Xiong等人[30]采用獨立元分析法尋找電站故障的特征振動信號；Ali等人[31]利用獨立元分析法區(qū)分發(fā)電廠冷凝器系統(tǒng)中多個不同部分的主要異常因素；Yu等人[32]在機器故障先驗知識的基礎(chǔ)上結(jié)合獨立元分析法提取故障特征。偏最小二乘法是一種多元統(tǒng)計分析方法，適用于變量間的多重相關(guān)性建模。Jiao等人[33]將偏最小二乘法用于非線性質(zhì)量相關(guān)故障檢測，提出核偏最小二乘模型。Zhu等人[34]利用偏最小二乘法處理非平穩(wěn)、非線性的變壓器放電信號，提取特征之間的相互關(guān)系。偏最小二乘法算法可以實現(xiàn)多變量間的回歸建模，且能夠處理自變量間的多重相關(guān)性，但工業(yè)數(shù)據(jù)內(nèi)部往往存在錯綜復(fù)雜的動態(tài)關(guān)系，偏最小二乘法難以發(fā)揮有效作用。非負矩陣分解是一種矩陣分解方法，在一定程度上可以減少非線性工業(yè)系統(tǒng)數(shù)據(jù)的維度[35]，例如，感應(yīng)電機故障診斷系統(tǒng)[36]、軸承故障診斷系統(tǒng)[37]均采用了這一方法。在非負矩陣分解的優(yōu)化和改進方面，Chen等人[35]提出了有監(jiān)督的非負矩陣分解方法，用于分離特征，緩解非負矩陣分解缺乏先驗知識的問題。Yang等人[38]將類別信息引入非負矩陣分解中以解決有類標簽數(shù)據(jù)的監(jiān)督任務(wù)表現(xiàn)不佳的難題。非負矩陣分解算法計算效率高，大規(guī)模數(shù)據(jù)處理速度快，但是非負矩陣分解不允許矩陣中出現(xiàn)負值，且無法處理數(shù)據(jù)間復(fù)雜的因果關(guān)系。

2.2 基于特征工程的學(xué)習(xí)方法

在數(shù)據(jù)驅(qū)動與領(lǐng)域經(jīng)驗結(jié)合的階段，決策樹、支持向量機和貝葉斯網(wǎng)絡(luò)等方法主要依賴特征工程以提取與工業(yè)故障相關(guān)的特征信息，進而為故障診斷提供依據(jù)。

決策樹[39]算法適用于多故障診斷領(lǐng)域，且更容易解釋，例如，軸承故障診斷[40]、離心泵故障診斷[41]、銑刀狀態(tài)監(jiān)測[42]、風(fēng)力渦輪機故障診斷[39]、光伏系統(tǒng)[43]。在其他領(lǐng)域，一些學(xué)者將決策樹與其他算法進行了結(jié)合。例如，Aydin等人[44]基于邊界分析法和模糊決策樹算法提出了新的感應(yīng)電機故障診斷方案；Li等人[45]提出了將決策樹模型與基于虛擬傳感器的故障指示器結(jié)合的“三階段法”進行故障診斷與追溯。決策樹算法可以在沒有假設(shè)的情況下對系統(tǒng)進行操作，不依賴專家解釋，能夠完成缺失數(shù)據(jù)的診斷任務(wù)，模型易于實現(xiàn)，但是泛化能力較弱，容易過擬合，進而降低故障診斷與追溯的性能。

支持向量機是基于結(jié)構(gòu)風(fēng)險最小化原理的有監(jiān)督機器學(xué)習(xí)算法[46]。Wu等人[47]通過多尺度置換熵從故障軸承振動信號中提取特征，然后應(yīng)用支持向量機實現(xiàn)故障診斷。Saidi等人[48]采用主成分分析法對軸承振動信號進行降維處理，然后采用支持向量機進行故障隔離與診斷。Jegadeeshwaran等人[49]將決策樹與支持向量機結(jié)合，分別應(yīng)用于液壓制動器信號的特征工程和故障診斷。支持向量機算法在二次規(guī)劃問題中實時性較差，不適于在線故障診斷。對此，Deng等人[50]提出一種將支持向量機和糾錯輸出碼相結(jié)合的方法，提升了傳感器故障特征提取和在線識別能力。支持向量機診斷模型對內(nèi)核參數(shù)敏感，不合適的內(nèi)核參數(shù)會影響診斷結(jié)果，同時處理多故障診斷任務(wù)也存在一定的困難。

貝葉斯網(wǎng)絡(luò)是一種重要的概率圖模型，可以有效地處理不確定知識表達和推理等問題[51]。例如，Amin等人[52]提出基于動態(tài)貝葉斯網(wǎng)絡(luò)的故障診斷方案；Liu等人[53]采用動態(tài)貝葉斯網(wǎng)絡(luò)進行海底生產(chǎn)系統(tǒng)的故障診斷。為了提高基于貝葉斯網(wǎng)絡(luò)的故障診斷模型的準確度和靈敏度，Yu等人[54]采用改進的獨立元分析法識別故障過程變量，再根據(jù)過程變量及其流程圖獲得的依賴關(guān)系建立貝葉斯網(wǎng)絡(luò)模型；Cai等人[55]和Don等人[56]將隱馬爾可夫模型與動態(tài)貝葉斯網(wǎng)絡(luò)相結(jié)合，隱馬爾可夫模型用于系統(tǒng)運行數(shù)據(jù)的異常檢測，貝葉斯網(wǎng)絡(luò)用于故障原因診斷；Amin等人[57]將主成分分析法與貝葉斯網(wǎng)絡(luò)相結(jié)合。貝葉斯網(wǎng)絡(luò)算法可以在數(shù)據(jù)不完備的情況進行故障診斷與追溯，但是對于復(fù)雜系統(tǒng)的故障診斷較為困難。

隨著數(shù)字化技術(shù)的發(fā)展，越來越多的工業(yè)故障數(shù)據(jù)被收集和存儲，這為數(shù)據(jù)主導(dǎo)的故障診斷方法提供了支撐，決策樹、支持向量機和貝葉斯網(wǎng)絡(luò)等機器學(xué)習(xí)算法的應(yīng)用也逐步從數(shù)據(jù)驅(qū)動與領(lǐng)域經(jīng)驗結(jié)合的階段，過渡到以數(shù)據(jù)驅(qū)動主導(dǎo)和可解釋性結(jié)合的階段，逐步減少了特征工程的需求和降低了特征工程的復(fù)雜性。

2.3 基于時序特征的時序分析方法

上述基于特征工程的方法沒有考慮數(shù)據(jù)在時間上的影響，而大多工業(yè)數(shù)據(jù)具有時序特征。為了充分利用數(shù)據(jù)的時序特征，時序分析法被廣泛應(yīng)用于故障診斷。

互相關(guān)分析是一種用于衡量兩個相關(guān)信號之間相似性強度的算法，通過分析時間序列間的關(guān)聯(lián)信息推斷因果關(guān)系。目前，已有多個領(lǐng)域的故障診斷算法采用互相關(guān)分析算法，例如，監(jiān)測可變負載和變速齒輪箱狀態(tài)[58]、輸電線路故障診斷[59]、識別變壓器故障[60]等。格蘭杰因果分析通過對工業(yè)過程參數(shù)的分析，明確過程參數(shù)之間變化的因果關(guān)系，構(gòu)建相應(yīng)的因果拓撲圖[61]。在工業(yè)故障診斷領(lǐng)域，已有學(xué)者將格蘭杰因果分析用于處理過程變量之間的相關(guān)影響以及確定它們之間因果關(guān)系[61-63]?；ハ嚓P(guān)分析算法易于建模和自動化，同時對因果圖的解釋簡單，診斷效率高，但是它難以區(qū)分復(fù)雜工業(yè)系統(tǒng)中時間序列之間的直接或間接因果關(guān)系。格蘭杰因果分析算法對數(shù)據(jù)選擇具有魯棒性，計算負荷較低，得到了很好的工業(yè)應(yīng)用。

在數(shù)據(jù)驅(qū)動與領(lǐng)域經(jīng)驗結(jié)合的階段中，這些數(shù)字化方法對人工經(jīng)驗的依賴程度較小，可以在缺乏先驗知識的情況下進行故障診斷，有助于在不同的領(lǐng)域進行數(shù)據(jù)驅(qū)動的研究和分析。然而，這些數(shù)字化方法在故障診斷過程中面臨較高的復(fù)雜性，在特征工程方面仍然存在一定的挑戰(zhàn)性，特征工程可以顯著影響分析結(jié)果的準確性和可解釋性。

3 第三階段：數(shù)據(jù)驅(qū)動主導(dǎo)與可解釋性結(jié)合的數(shù)字化方法

隨著數(shù)字化技術(shù)的發(fā)展，知識圖譜、深度學(xué)習(xí)、圖神經(jīng)網(wǎng)絡(luò)等方法的出現(xiàn)減少了特征工程的需求，降低了特征工程的復(fù)雜性，提升了故障診斷算法的學(xué)習(xí)能力和準確率。在數(shù)據(jù)驅(qū)動主導(dǎo)與可解釋性結(jié)合階段，故障診斷數(shù)字化技術(shù)通過學(xué)習(xí)工業(yè)系統(tǒng)在正常和異常工況下的歷史數(shù)據(jù)特征，根據(jù)學(xué)習(xí)到的特征識別機器狀態(tài)，進而達到故障診斷以及原因追溯的目的。

3.1 基于淺層神經(jīng)網(wǎng)絡(luò)的故障診斷方法

反向傳播網(wǎng)絡(luò)作為一種自適應(yīng)模式的淺層神經(jīng)網(wǎng)絡(luò)，具有良好的適應(yīng)性和學(xué)習(xí)能力[64]。基于反向傳播網(wǎng)絡(luò)[65]的故障診斷如圖2所示。Zhao等人[66]利用二次函數(shù)對軌道電路數(shù)據(jù)特征進行提取，并訓(xùn)練一個反向傳播神經(jīng)網(wǎng)絡(luò)，進行調(diào)諧單元的故障診斷。Ngaopitakkul等人[67]采用離散小波變換分解信號高頻分量，構(gòu)建基于反向傳播網(wǎng)絡(luò)的決策算法。Zhang等人[68]基于改進的時間同步平均算法提取齒輪狀態(tài)特征，然后訓(xùn)練反向傳播網(wǎng)絡(luò)識別齒輪芯片級別。在算法優(yōu)化方面，Yu等人[69]利用自適應(yīng)遺傳算法優(yōu)化反向傳播網(wǎng)絡(luò)，實現(xiàn)液體火箭發(fā)動機的實時故障檢測。反向傳播網(wǎng)絡(luò)算法能夠從工業(yè)數(shù)據(jù)中學(xué)習(xí)到診斷知識，識別出機器的多種狀態(tài)，但是基于反向傳播網(wǎng)絡(luò)的診斷算法的復(fù)雜度大大增加，存在過擬合的問題，可解釋性較差。

圖2 基于反向傳播網(wǎng)絡(luò)[65]的故障診斷

3.2 基于深度學(xué)習(xí)的故障診斷方法

深度學(xué)習(xí)方法包括深度置信網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)以及圖神經(jīng)網(wǎng)絡(luò)等。深度置信網(wǎng)絡(luò)是一種具有許多神經(jīng)元隱藏層的生成模型，由多個受限玻爾茲曼機（restricted Boltzmann machine，RBM）堆疊而成[70]?；谏疃戎眯啪W(wǎng)絡(luò)[71]的故障診斷如圖3所示，有以下兩個特點，其一，它特殊的結(jié)構(gòu)使其能夠自適應(yīng)地提取復(fù)雜特征；其二，深度置信網(wǎng)絡(luò)在處理高維和非線性數(shù)據(jù)方面具有優(yōu)勢[72]。Zhao等人[72]提出一種基于深度置信網(wǎng)絡(luò)的模擬電路故障診斷方法，簡化了診斷設(shè)計；Qin等人[73]設(shè)計一種基于深度置信網(wǎng)絡(luò)的在線電纜故障識別算法，相較于傳統(tǒng)淺層神經(jīng)網(wǎng)絡(luò)，該算法在準確性方面有了一定提升。一些學(xué)者針對不同領(lǐng)域的故障診斷算法進行相應(yīng)的改進，例如，Shao等人[74]針對滾動軸承故障識別提出了一種基于自適應(yīng)深度置信網(wǎng)絡(luò)的故障診斷方法；Zhang等人[70]提出了一種基于可擴展深度置信網(wǎng)絡(luò)的化學(xué)過程故障診斷模型。深度置信網(wǎng)絡(luò)適用于處理高維和非線性數(shù)據(jù)，能夠表征系統(tǒng)數(shù)據(jù)與故障特征之間的映射關(guān)系，但是該診斷模型結(jié)構(gòu)較為復(fù)雜，難以訓(xùn)練，收斂速度慢。

圖3 基于深度置信網(wǎng)絡(luò)[71]的故障診斷

卷積神經(jīng)網(wǎng)絡(luò)是一種前饋神經(jīng)網(wǎng)絡(luò)，因其具有強的局部特征提取能力和靈活的結(jié)構(gòu)，在故障診斷領(lǐng)域得到廣泛的使用[75]，基于卷積神經(jīng)網(wǎng)絡(luò)[76]的故障診斷如圖4所示。例如，Janssens等人[77]將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于軸承故障檢測，提出狀態(tài)監(jiān)測特征學(xué)習(xí)模型；Wu等人[78]和Pan等人[79]分別將深度卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于化工過程故障診斷和機器人故障診斷；Zhang等人[80]提出了基于卷積神經(jīng)網(wǎng)絡(luò)的制造系統(tǒng)故障診斷算法，完成了特征提取和故障診斷。目前，相關(guān)研究主要關(guān)注故障類型分布不平衡以及多故障容易與單故障混淆等問題，Chen等人[81]提出了基于隨機過采樣的隨機離散時間序列深度卷積神經(jīng)網(wǎng)絡(luò)算法，利用時序特點提高診斷性能。

圖4 基于卷積神經(jīng)網(wǎng)絡(luò)[76]的故障診斷

循環(huán)神經(jīng)網(wǎng)絡(luò)是一種處理時間序列數(shù)據(jù)的框架，具有記憶歷史信息的能力，適合于動態(tài)故障診斷[82]。基于循環(huán)神經(jīng)網(wǎng)絡(luò)[83]的故障診斷如圖5所示。長短期記憶（long short-term memory，LSTM）網(wǎng)絡(luò)因其具備學(xué)習(xí)長程依賴關(guān)系的能力，在故障診斷領(lǐng)域受到了關(guān)注，例如，Wu等人[84]提出了基于LSTM網(wǎng)絡(luò)的設(shè)備退化序列故障預(yù)測算法；Lee等人[85]使用基于注意力的LSTM算法診斷匝間短路故障；Chadha等人[86]設(shè)計基于雙向LSTM的狀態(tài)監(jiān)測和故障診斷的新方法，該方法允許處理更長時間序列內(nèi)的變量關(guān)系；Kang等人[87]使用LSTM網(wǎng)絡(luò)進行復(fù)雜化學(xué)過程的早故障診斷?，F(xiàn)有的故障診斷方法大多只關(guān)注故障類型的識別，忽視了設(shè)備性能退化的問題。對此，Qin等人[88]提出多重卷積循環(huán)神經(jīng)網(wǎng)絡(luò)，同時診斷故障類型和監(jiān)測性能退化狀態(tài)。循環(huán)神經(jīng)網(wǎng)絡(luò)具有記憶歷史信息的能力，能夠處理更長時間范圍內(nèi)的故障關(guān)系，有利于避免關(guān)鍵過程故障，但是該網(wǎng)絡(luò)存在梯度消失的問題，且診斷模型較為復(fù)雜，難以訓(xùn)練。

圖5 基于循環(huán)神經(jīng)網(wǎng)絡(luò)[83]的故障診斷

3.3 基于圖神經(jīng)網(wǎng)絡(luò)的故障診斷方法

圖神經(jīng)網(wǎng)絡(luò)在非歐幾里得空間對圖數(shù)據(jù)具有強大的建模能力，度量未知故障和已知故障之間的相似度，基于圖神經(jīng)網(wǎng)絡(luò)[89]的故障診斷如圖6所示。目前，在故障診斷領(lǐng)域，應(yīng)用范圍最廣的GNN架構(gòu)，分別是圖卷積神經(jīng)網(wǎng)絡(luò)（graph convolutional neural network，GCN）、圖注意力網(wǎng)絡(luò)（graph attention network，GAN）。GCN適用于挖掘故障類型與過程變量之間的復(fù)雜非線性關(guān)系，還能通過鄰接矩陣表示未知樣本與標記樣本之間的相似度[90]。例如，Liao等人[90]提出了一種基于GCN的變壓器故障診斷算法，Zhang等人[91]基于深度GCN架構(gòu)設(shè)計了一種基于聲學(xué)信息的軸承故障診斷方案，Wang等人[92]提出了一種基于振動的GCN的軸承故障診斷算法。由于GCN存在著諸多局限性，一些學(xué)者針對這些局限性給出了相應(yīng)的解決方案。例如，Chen等人[93]采用基于結(jié)構(gòu)分析的GCN故障診斷模型來解決GCN嚴重依賴標記數(shù)據(jù)集這一問題；Li等人[94]提出了一種多感受野GCN算法，用于解決GCN感受野固定的局限性，并應(yīng)用于故障診斷。針對小樣本機械故障診斷困難的問題，Gao等人[95]提出基于半監(jiān)督GCN的旋轉(zhuǎn)機械故障智能診斷算法。GCN模型的性能取決于鄰接矩陣，為了更好地表示與相鄰節(jié)點的連接關(guān)系，GAN被提出。GAN將注意力機制用于度量不同樣本之間的相似度，同時更關(guān)注其他樣本的特征[96]。目前，GAN已被應(yīng)用于多個故障診斷領(lǐng)域，例如，柴油機工況識別模型[96]、軸承故障診斷[97]。實際工業(yè)過程會不斷出現(xiàn)新的故障類型，為了使新的故障類型能夠在第一次出現(xiàn)后就能被迅速識別，Long等人[98]采用自適應(yīng)GAN實現(xiàn)元學(xué)習(xí)器，使其具有元知識學(xué)習(xí)能力。GNN既可以挖掘系統(tǒng)狀態(tài)數(shù)據(jù)與故障特征之間復(fù)雜的非線性關(guān)系，還可以度量未知故障與已知故障之間的相似度，但是模型靈活性較差，且有限的感受野限制了其在故障數(shù)據(jù)特征表示方面的有效性。

圖6 基于圖神經(jīng)網(wǎng)絡(luò)的故障診斷

在數(shù)據(jù)驅(qū)動主導(dǎo)與可解釋性結(jié)合的階段，反向傳播網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)相對于強依賴特征工程的機器學(xué)習(xí)算法，具有良好的適應(yīng)性和學(xué)習(xí)能力，能夠處理高維、多源的工業(yè)數(shù)據(jù)。然而，這些模型的可解釋性相對較差。相比之下，圖神經(jīng)網(wǎng)絡(luò)在這方面具有顯著優(yōu)勢：一方面，相較于第一階段，它建模的圖網(wǎng)絡(luò)是直接從工業(yè)數(shù)據(jù)中學(xué)習(xí)的，對專家經(jīng)驗依賴度低；另一方面，相較于第二階段，它有更好的故障追溯能力，因此可解釋性更強，從而很好地體現(xiàn)出數(shù)據(jù)驅(qū)動和可解釋性等特點。

4 挑戰(zhàn)與討論

工業(yè)系統(tǒng)運行數(shù)據(jù)具有海量、高維、異構(gòu)性以及時序性等特點，如何有效地挖掘數(shù)據(jù)中潛在故障的因果關(guān)系是建立復(fù)雜系統(tǒng)模型的關(guān)鍵問題之一。數(shù)字化的方法正逐漸減少對領(lǐng)域知識的依賴，并轉(zhuǎn)向以數(shù)據(jù)為主導(dǎo)，提高了故障診斷的效率和準確率，但是仍然面臨數(shù)據(jù)標注少、追溯難等問題，具體如下。

● 在實際應(yīng)用中，一方面存在數(shù)據(jù)收集困難、標注代價高等問題；另一方面由于現(xiàn)今系統(tǒng)的完備性和抗干擾性強，收集到的系統(tǒng)故障樣本較少，雖然數(shù)據(jù)量大，但有效信息少，這增加了故障診斷與追溯的難度。因此，如何處理好小樣本問題是提升診斷模型泛化性和準確率的關(guān)鍵。

● 復(fù)雜工業(yè)系統(tǒng)內(nèi)部各個組件、各個單元相互制約，具有層次性、傳播性等特點，使得在一個時間節(jié)點上發(fā)生的故障很有可能引起后續(xù)短時間內(nèi)其他組件功能異常，甚至多個故障并發(fā)。但是目前的故障診斷與追溯模型大多只關(guān)注單故障診斷問題，多故障診斷問題也是很值得探究的問題。

● 圖神經(jīng)網(wǎng)絡(luò)的發(fā)展給可解釋性故障診斷和追溯提供了支持，如何將時序和圖方法結(jié)合，既考慮動態(tài)性又考慮工業(yè)數(shù)據(jù)之間的關(guān)系，成為故障診斷和追溯問題的重點研究方向之一。

5 結(jié)束語

本文對工業(yè)故障診斷數(shù)字化方法的國內(nèi)外研究現(xiàn)狀進行了分析，從領(lǐng)域經(jīng)驗主導(dǎo)、數(shù)據(jù)驅(qū)動與領(lǐng)域經(jīng)驗結(jié)合、數(shù)據(jù)驅(qū)動主導(dǎo)與可解釋性結(jié)合3個階段進行介紹。隨著數(shù)據(jù)的積累，故障診斷所依賴的數(shù)據(jù)基礎(chǔ)變得更加豐富。在故障診斷中引入數(shù)字化方法有助于提升工業(yè)領(lǐng)域關(guān)鍵環(huán)節(jié)的可靠性和生產(chǎn)效率，這些為工業(yè)數(shù)字化轉(zhuǎn)型提供了技術(shù)和方法的支撐，促進了工業(yè)生產(chǎn)的智能化和可持續(xù)發(fā)展。