程璐

（安徽理工大学计算机科学与工程院 安徽省淮南市 232001）

随着智能社会的来临，以及我国的制造业技术水平的提高，世界上对煤炭资源的需量正在不断扩大，因此越来越智能化的煤炭机器人技术将被应用到煤炭的发掘领域，以大大地提高对煤炭资源的发掘效果。由于外部环境的复杂导致煤矿机械设备经常发生一些故障，设备发生故障会导致煤矿的开采效率，同时设备的维护也会产生高额的费用，因此通过故障诊断技术对设备进行故障诊断以及后续的设备维护，保证设备的正常运行显得十分重要。

1 煤炭设备常见故障类型

如果按故障损坏度来区分故障的种类，可以将煤矿机械设备的故障整体分为以下三大类：分别是初期故障期、间接性故障期和耗损故障期[1]。第一类是早期故障期，这个阶段处在机械设备的磨合期，这时所产生的故障多数是因为在机械设备在生产制造的时候存在偏差导致的。第二类是间接性故障期，主要是由于外部环境以及个人操作失误导致的，这种偶然性故障是无法避免的;第三类是损耗故障期，这个阶段主要是设备经常使用导致长期处于高负荷状态，从而导致故障发生。

2 故障诊断技术构成

2.1 故障特征检测

特征检测主要是通过相应传感器收集故障信号，因为信号一定程度上反映设备的运行状态，例如承轴故障振动信号会发生改变，电机故障电压信号会发生改变，油路压力信号等。

2.2 故障特征提取

特征提取是指将能真实反映设备状态的信号特征提取出来，常用的特征提取的方法可分为图像特征提取，信号特征提取，文本特征提取等，图像特征提取方法包括傅里叶变换，窗口傅里叶变换，小波变换，最小二乘法，基于Tamura 纹理变换等，信号特征提取方法包括傅里叶变换，时频分布，希尔伯特黄变换等，文本特征提取方法包括主成分分析法，线性判别分析法，稀疏自编码器，受限玻尔兹曼机。

2.3 故障状态识别

通过传统机器学习，深度学习等方法[2]，如图1所示，分析异常的机械设备信号，从而判断出设备故障原因和设备状态，并且找出故障出现的地方以及出现的原因和发生故障的程度。常用的机器学习算法有KNN 算法，支持向量机（SVM），奇异值分解（SVD）等，深度学习包括卷积神经网络（CNN），深度置信网络（DBN）以及堆栈自编码网络。

图1：故障诊断方法

2.4 故障预测和决策

煤矿机械设备事故的预防是根据传感器接收到的信息加以分析，通过根据信息状态判断出机械设备可能发生的事故和后续可能发生的程度，以便及时做出相应的防预对策；决策是指通过故障诊断算法分析得出的结果加以分析探讨，进而提出处理问题的相应对策与方案，为事故检修、系统维护和设备的有效操作提供基本方法。

3 人工智能相关技术

3.1 机器学习

机器学习[3]利用特定算法对已知数据进行建模，从而在新情境下进行判断。传统的机器学习方法有支持向量机、KNN、随机森林、人工神经网络和线性回归等方面。机器学习的思想很简单，它只是对人类学习过程的一种模拟。在这个过程中，数据是一大关键点。机器学习可以根据学习方式进行分类，包括有监督学习、无监督学习和强化学习。有监督学习通过让模型学习大量带有标签的数据样本，并且利用对输入数据中的初始信号样本不断的学习，将模型学习结果为以函数的形式输出。无监督学习则采用聚类方法，将类别作为学习结果，强化学习即是一种典型的无监督学习，以环境反馈信号作为输入，并以统计和动态规划技术为指导，依据奖励进行反馈的一种学习方法。机器学习常用的算法主要包括：

（1）决策树算法；

（2）朴素贝叶斯；

（3）支持向量机；

（4）随机森林算法；

（5）Boosting 和Bagging 算法；

（6）关联规则算法。

3.2 深度学习

通过构建多层的神经元网络，将处于初始层的样本特征表达逐渐转变为 高级层的特征表达，然后通过神经网络模型进行训练并进行问题的分类等学习任务[4]。深度学习的相关模型：

（1）卷积神经网络：是一种基于卷积运算的神经网络系统，在无监督预训练出来之前，卷积神经网络是唯一能够进行深度神经网络训练的特例。

（2）深度置信网络：神经网络模型由多个自编码器组成，模型预训练后结合损失函数进一步优化神经网络权值。

（3）堆叠自编码网络模型：是一种基于多层神经元的自编码网络结构，主要有稀疏自编码器和降噪自编码器以及栈式自编码器，堆叠自编码网络的结构与DBN（深度置信网络）相似，由几组神经元堆叠而成，每一组神经元称之为自编码模型(autoencoder)，不同于DBN 的受限玻尔兹曼机。自编码模型共有三层，分别是输出层、隐藏层和输出层。

3.3 边缘计算

边缘计算[4]是指在网络边缘服务器进行数据分析和处理，这些边缘服务器指的是在数据收集端和云中心之间任意一个具备计算和网络资源的节点服务器，如图2所示。边缘计算具有以下的优点：第一是对于图像处理等领域具有优势，例如人脸识别，响应时间可以大幅减少。第二是能耗方面具有优势，将部分计算任务从云端卸载到边缘节点之后，整个系统能源消耗可以减少30%～40%。第三是在数据整合和迁移方面具有优势，时间可以缩短将近20 倍。

图2：边缘计算结构

3.4 技术应用

3.4.1 SVM 在故障诊断中的应用

支持向量机(SVM)是一种监督学习技术，其中多个核用于不同的应用。这些算法是由不同的研究人员在文献中开发的。SVM 是一个二进制分类器，通常提供输入，拥有两类数据集。在多项研究中，SVM 算法被认为是最大似然方法中的一种有效算法。机器学习领域进行了多种研究[5]，其中，R.C.等人的研究[6]提出了通过支持向量机识别离心式水泵中感应电机定子和转子故障的不同方法，对获取的数据集进行分析，使电机中故障分类率得到很大的提高。

由于处理这些泵的方式，会出现各种故障，如供应不平衡、电能质量低、机械故障和电气故障。为了有效地识别这些故障，提出了一种多样化的算法。Al 等人[7]等人利用最大似然算法对数据集进行进一步分类，提高故障准确率。由于故障检测分类中的SVM 概念是基于谐波运动中定子电流的变化。K.A 等人[8]从频谱中提取感兴趣的区域，然后进行尺度边缘积分，通过使用尺度边缘积分，可以更好地提取系统的响应。然后将提取的值输入到训练算法中。然后从系统参数优化模块中微调这些值。优化块从训练算法的输出中获取值。所以使用SVM 算法提高故障精度是成功的。

3.4.2 神经网络在故障诊断中的应用

人工神经网络[9]是神经系统的计算机复制品。人工神经网络有多种类型，即径向基函数神经网络。人工神经网络作为一种简单的神经网络，其预测精度低于其他深度学习网络。然而，它需要较少的计算时间和内存，并且会影响预测精度，所以在故障诊断中有着广泛的应用。刘等人[10]建立了基于新型极限学习机的故障检测方法来检测齿轮故障。将振动信号用于训练和测试ELM，以检测从动齿轮和主动齿轮中的断裂、开裂和剥落的齿。在不同的齿轮故障下，得出的故障结果在85%～92.5%的范围内，同时所提出的模型可以连接实时应用和故障分类。Lo 等人[11]建立了一种基于神经网络的预测方法，通过混合损失函数检测轴承和齿轮的磨损。用正常和故障数据训练模型。该模型对给定数据集的预测准确率为90%，在连续监测中非常有效。SVM和人工神经网络在不同方面有着不同的优势，将SVM算法和神经网络算法用于故障分类，并对其准确性进行了评价。断层分类精度SVM 为93.44%，人工神经网络为95.65%。使用改进的SVM 体系结构，可以观察到其性能远优于人工神经网络。

3.4.3 深度学习在故障诊断中的应用

近年来，深度学习已经控制了健康、工程等多个领域。使用深度学习的主要优势是图像识别[12]。当数据特征数量增加时，深度学习的优于其他方式。最近，许多研究人员在故障诊断领域利用了这种数字逻辑技术。Qi等人[13]使用系综经验模式分解和自回归表示来去除信号中的噪音，提高特征提取效果。许等人[14]为了解决在矿井复杂环境下提取的数据会出现过拟合的现象，提出在自编码器隐含层中加入稀疏性限制神经元的数量,通过实验对比分析，稀疏性的加入提高了矿用变压器故障诊断的准确率。

与SVM 不同，大多数深度学习方案的准确率都超过了90%，有些方案的准确率更高，达到了97%以上。与SVM 框架相比，这证明了深度学习方案在故障诊断中的有效性能。齿轮故障诊断准确率约为94.05%～97.68%，轴承故障诊断准确率几乎高于99%。对于基于深度学习的框架，故障诊断的准确性更高，因为它们可以以提取特征的形式处理大量数据集。问题是所有组件的特征提取不能相同。深度学习在故障诊断中的性能很大程度上取决于提取的特征。

3.4.4 边缘计算在故障诊断中的应用

边缘计算在设备故障诊断中也有着十分广泛的应用。Si 等人[15]提出了一种基于振动信号边缘计算的智能故障诊断系统，并对系统需求分析、系统结构和功能进行了详细研究，通过边缘节点。Kun 等人[16]提出了一种基于边缘和云协同的列车故障诊断模型。首先利用SAES-DNN(堆叠式自动编码器深度神经网络)故障识别方法，将特征提取和类型识别相结合，对高维数据中的深层隐藏特征完成故障分类，通过迁移学习的方法将模型移植到边缘节点中，提高了准确率和实时性，从而快速定位故障。

4 展望与总结

（1）深度学习的应用：深度学习提出了一种让神经网络模型自动提取样本特征的方法，在完善网络模型的过程中不断地进行特征学习，从而降低不确定因素的影响。深度学习相对于传统的机器学习，在识别和分类上具有较高的准确率和鲁棒性，从而得到广泛的应用。

（2）边缘计算的应用：随着智慧煤矿的发展，数据呈指数式增长，边缘计算框架的特点是将简单且计算量低的任务分配到离终端较近的边缘服务器，复杂度高的任务交给云端去处理。

（3）迁移学习的应用：将源域训练好的模型迁移到目标域。