■ 叶含瑞 张玲玲 季续国

1.中国科学院大学经济与管理学院 北京100190

2.中国科学院大学数字经济监测预测预警与政策仿真教育部哲学社会科学实验室（培育） 北京100190

3.中国科学院大数据挖掘与知识管理重点实验室 北京100190

4.中科知程科技有限公司 北京100081

0 引言

对于复杂设备来说，可靠性和操作安全性对于系统的工作性能有直接影响，同时对于工业、国防等领域的关键设备，更是关乎社会财产和人民生命安全，因此对于关键设备的维护一直以来都是各方关注的重点。设备故障诊断是一个传统且较为成熟的话题，近年来随着专家系统、机器学习、深度学习等技术的发展，更是不断取得了新的成果[1]。然而过去许多研究大多集中于对结构化数据的建模和探索，对故障模式识别算法的提升和优化，而忽视了在设备故障诊断中占较大比例的文本数据和专家经验知识，同时，针对完整的设备故障诊断方法论的探讨仍然较少。

智能工业设备的健康运行是一个涉及设备、人、机、料、管理和环境等的系统工程，在发生故障时，常常牵涉到多方面的因素，快速精确的诊断往往高度依赖于专业知识、过往经验以及对多源信息的综合考量。随着传感器、数据库软件和并行计算等技术的发展，通过机器获取、处理和分析诸如振动信号、声发射信号和油粒计数等结构化数据的状态监测和故障诊断技术取得了良好的实践效果[2]，但在设备故障诊断的实际操作中，过多地依赖于对该类结构化数据的应用，涉及经验知识等方面，自动化程度低，且多是分阶段采用人工或机器方法的简单组合[3]。……