赵 祥，薛誓颖

（河南职业技术学院，河南 郑州 450006）

0 引 言

早期在设备发生故障时，一般由专业的维修人员观察设备运行状态，测试其噪声、轨迹、温度、振动等参数的异常变化，与正常状态比对，根据长期积累的维修经验做出故障诊断。然而，该方法耗时耗力，且对维修人员的水平要求较高，因此随着智能制造的不断发展，对设备故障的及时准确诊断和分析成了当务之急。传统的故障诊断模型多是基于设备工作原理建立正向的数学模型，通过实时分析各个环节之间的异常情况来分析设备的工作状态。但是随着多模态、不确定性、密度大等特性工业现场的出现，想要建立精准的数学模型十分困难。为了能够进一步提高诊断效率，满足新时期大数据特性的工业现场，对更高水平的故障诊断方法提出了新的需求。

1 基于人工智能的故障诊断

由于工业现场设备的复杂性、智能化和集成化程度的不断提高，传统的诊断方法已经难以满足发展需求，基于人工智能的故障诊断技术显得愈发重要。与传统故障诊断方法相比，人工智能的故障诊断模型从原理驱动变成由数据驱动，并不需要详细了解设备的工作原理及故障原因；通过采集设备正常工况与故障状态下的历史数据，构建人工智能网络模型；通过模拟人类思维模式对数据进行学习、解读和分析，获得数据的潜在特征，同时模型的网络权重会依照数据的属性自动更新，以此提高提取特征的能力，从而建立合适的诊断模型。

1.1 基于神经网络的诊断模型

神经网络涉及信息科学、自动控制、模式识别等多个领域，凭借多维度、非线性等动力学特性，能够模仿人类的直觉联想与记忆功能，这在非线性系统的故障诊断方面有很大的优势。神经网络模型由输入层、隐藏层与输出层三层组成，每一层都有对应的神经网络与下一层连接，如图1所示。其中输入层直接连接输入的数据，用于获取历史数据信息，进行标准化后传给下一层；隐藏层的作用是进行特征提取，可以通过调整权重让隐藏层的神经单元对某种模式形成反应，提取出数据所蕴含的结构特性，随着网络结构层数加深，隐藏在数据中的特征属性逐渐显现出来，最终得到原始数据的抽象表示方法；输出层用于连接隐藏层并输出模型的结果，通过调整权重以对不同的隐藏层神经元刺激形成正确的反应，输出模型的运算结果。

图1 神经网络模型

1.2 基于专家系统的诊断模型

凭借对于复杂性和经验性问题的强大解决能力，专家系统成为智能诊断模型中发展最广的一类。它是一种基于特定领域内大量知识与经验的诊断系统，整合专家的丰富经验及思路，构建诊断故障案例知识库、解释器和推理机，通过知识库所包含的故障知识及规则库传递的规则，解释器合理地解释设备所出现的故障现象，如图2所示。

图2 专家系统结构

从系统框架来看，知识库包含诊断对象的模型知识与人类专家的经验知识，覆盖了系统的各种故障工况，并由工程师设定了合适的算法与规则。当推理机读取到异常数据后模型能够进行故障监测、分析与处理等过程，帮助用户进行决策，如同专家亲临现场一样对系统进行故障诊断。

1.3 基于故障树分析的诊断模型

故障树分析法作为一种图形演绎法，对系统各部分之间的逻辑与因果关系进行展示。它通过分析系统故障的可能因素，由整体到局部层层细化展开，能够清楚地体现各个故障间的脉络联系。基于故障树的建模流程如图3所示。

图3 故障树结构

顶事件是指故障树系统中最需要避免发生的故障，可能导致系统发生顶事件的其他故障状态为中间事件。把顶事件的预防及诊断作为模型的首要目标，搜寻出可能诱发顶事件的中间事件，逐层展开对各个事件进行定性分析，寻找出故障树的所有最小割集，以此得到故障发生几率并及时采取措施。对于故障树模型来说，运行时间越长规则就越丰富，对于故障的诊断精度和速率也就会越高。

1.4 基于模糊理论的诊断模型

作为故障诊断领域最成功的诊断模型，模糊诊断方法是通过收集系统数据、专家经验等，运用模糊理论对这些信息进行模糊建模、模糊聚类处理，得出诊断结果。模糊理论结构如图4所示，它具有清晰的结构特性，模糊诊断并不需要建立精确的系统数学模型，而是通过模拟人类处理问题的方式进行分析，对于复杂系统也具有较强的泛化性。

图4 模糊理论结构

面对实际工业现场大量无法定量分析的故障，模糊原理通过知识库将各状态的数据进行标准化处理，之后通过聚类等推理手段得到一阶矩阵，再通过解模糊化后判断输出故障所属的子集，从而对故障类型进行诊断。针对无法获取精确数据与模型的系统，这种诊断方法表现出较高的可靠性。

2 人工智能诊断模型的发展

工业现场的复杂性与不可预知性对于系统的故障预测方法也提出了更高的要求，单一的人工智能故障诊断模型较难获取准确、完备、有效的诊断知识。因此针对复杂系统的工业现场，人工智能的故障诊断模型也衍生出了新的特性。

2.1 多信息融合诊断

人工智能的故障诊断模型通常是靠加速度传感器采集振动信号。随着电子技术与信号检测技术的不断提高，更多类别的传感器繁衍而出，利用多维度的数据信息对故障进行诊断分析也变得更加容易，例如设备的振动、噪声、温湿度、压力、扭矩等，多方位的信息代表了设备更加详细的工况，为故障诊断模型提供更多用于训练的变量，能够有效地提高模型训练精度与准确率，降低外部因素的影响，增强诊断模型的鲁棒性。

2.2 复合故障诊断

传统的解析模型法或基于人工智能的诊断方法，通常仅能诊断单一故障类型，然而实际工业现场并不会如此理想化，多种故障同时发生的情况屡见不鲜。针对复合故障诊断问题，一些学者提出了多标签K近邻算法等多标签分类方法，通过挖掘故障数据与不同故障类型间的联系和相关性强弱，提取节点的社会特征，构造分类器对不同维度的数据进行标签分类，能够在设备复合故障的情况下准确地进行诊断分析。

2.3 潜在故障预警

工业现场设备的长期运行会不可避免地导致设备疲劳和早期故障，通过模型数据无法分析出这些异常，系统仍能正常运转，甚至有部分间歇故障能够自行消失，可是当模型能够诊断出故障时已经为时已晚。因此要求模型能够基于大数据监测，根据系统运行规律或数据变化趋势，对系统的早期故障与异常及时发现并预警，从而进行养护和采取针对性维护策略，将系统的潜在隐患消除。

2.4 混合诊断模型

混合诊断模型包含传统的信号处理方法与人工智能模型，也包含多个人工智能模型混合诊断。信号处理方法能够将工业现场的海量数据进行处理分析，再交于人工智能建模诊断，能够有效提高模型的学习速度与准确率。针对不同模型的特点，取长补短、优势互补，实现不同模型混合诊断，这对多模态、大数据、不确定性的工业现场十分重要。

3 人工智能诊断模型的挑战

通过人工智能采集设备的运行状态，以数据为驱动分析变量间的因果关系，数据呈现的类型将对模型训练的结果产生重要影响。近些年人工智能在故障诊断上发展迅速，但同样存在一些挑战。

（1）人工智能的诊断方法本质是通过学习工业现场的海量数据进行建模，而对于大数据的快速处理与特征识别一直是困扰工程师的问题，如何能够得到与分析准确有效的系统数据是人工智能建模的首要难题。

（2）模型的建立是通过分析历史故障数据进行的，因此人工智能仅能学习到曾经表现出来的故障类型；而对于从未出现过的故障，即使数据已经出现异常，模型仍有可能无法识别。

（3）人工智能诊断模型不同于正向分析的数学模型，而是由多个深度学习智能网络搭建而成。对于模型的理解更像是一个“黑匣子”，仅能得出模型的预测结果而无法进行理论上的解释，可能难以解释系统故障的发生原因。

4 结 语

随着新一轮《工业5.0》的提出，先进工业设备与稳定的运行需求对系统的故障诊断提出了新要求，基于人工智能的故障诊断方法为工业现场的高效平稳运行提供了保障。本文以人工智能的发展为基础，阐述了常见的人工智能故障诊断模型原理及应用，并提出将来的发展方向与潜在的挑战，对工业设备的智能化故障诊断发展提供了一定帮助。