智能运维与健康管理-第4章

智能运维与健康管理《智能运维与健康管理》讲义提纲引言4.1工业大数据质量改善4.2大数据健康监测4.3大数据智能诊断4.4大数据健康管理案例4.524.1.1工业大数据概念与特点随着互联网的发展，以移动互联、社交网络、电子商务等为代表领域的数据增长速度比以往任何时期都要迅猛，数据规模越来越大，数据变得越来越多样化，也越来越复杂，促使人类社会进入“大数据”时代。“大数据”的诞生Facebook社交网络TwittereBay电子商务Amazon移动互联GoogleApple腾讯微博淘宝京东百度小米34.1.1工业大数据概念与特点人类社会的数据量指数上升根据IDC监测，人类产生的数据量正在呈指数级增长，大约每两年翻一番，这个速度在2020年之前会继续保持下去。这意味着人类在最近两年产生的数据量相当于之前产生的全部数据量。44.1.1工业大数据概念与特点各国的大数据发展的战略性指导文件2012年，美国奥巴马政府投资2亿美元启动“大数据研究和发展计划”，认为数据是“未来的新石油”，将大数据上升到国家战略层面。2015年，我国印发《促进大数据发展行动纲要》，其中明确指出数据是国家的基础性战略资源，并引导和鼓励各个领域在大数据分析方法及关键应用技术等方面开展探索性研究54.1.1工业大数据概念与特点工业大数据定义：工业大数据通常指机械设备在工作状态中，实时产生并收集的涵盖操作情况、工况状态、环境参数等体现设备运行状态的数据，即机械设备产生的并且存在时间序列差异的大量数据，主要通过多种传感器、设备仪器仪表采集产生。该数据贯穿于机械工艺、生产、管理、服务等各个环节，使机械系统具备描述、诊断、预测、决策、控制等智能化功能的模式，但无法在可承受的时间范围内用常规技术与手段对数据内容进行抓取、管理、处理和服务。大数据对传统信息技术带来了革命性的挑战和颠覆性的创新，正悄然改变着我们的生活以及理解世界的方式，并且已经渗透到了机械智能维护领域。机械领域走向工业大数据时代64.1.1工业大数据概念与特点工业大数据的兴起主要由内、外两方面原因决定。外因使得我们具备了实时监测、及时处理工业大数据的能力。内因要求对机械设备进行全面实时的监测。外因：实时监测数据的成本不再高昂，再加上嵌入式系统、低耗能半导体、处理器、云计算等技术的兴起，使得分析计算能力也大幅提升内因：机械设备具有结构复杂性与功能耦合性，使得微小的故障可能引起连锁反应，导致其无法安全可靠的运行，因此需要进行全面实时的监测海量数据机械领域走向工业大数据时代74.1.1工业大数据概念与特点工业大数据的来源工业大数据的特点监测的装备群规模大每个装备需要的测点多单个测点的采样频率高从开始服役到寿命终止的数据收集历时长大容量：依靠诊断专家来手动分析很不现实，需要研究智能方法自动分析多样性：涵盖了多种机械不同工况下不同物理源辐射出的大量健康状态信息速度快：保证数据处理的时效性，高效挖掘故障信息并及时预警低价值密度：设备长期处于正常工作状态，监测数据蕴含的信息重复性大，数据价值密度低，需要数据提纯机械领域走向工业大数据时代84.1.1工业大数据概念与特点工业大数据已经成为揭示机械故障演化过程及本质的重要资源，数据量的规模、解释运用的能力也将成为当代设备智能维护最为重要的部分。利用工业大数据技术将大数据资源这样的“石油”提炼成切实可用的“汽油、柴油”等，是将大数据转换为“生产力”的关键。工业大数据资源大数据技术提炼蕴含的运维信息机械领域走向工业大数据时代94.1.2工业大数据技术定义：使工业大数据中所蕴含的价值得以挖掘和展现的一系列技术与方法的总称，涵盖工业数据采集、存储、预处理、分析挖掘和可视化等。并行处理框架：Hadoop作为分布式系统基础架构的代表，其框架的核心是基于分布式文件系统（HadoopDistributedFileSystem，HDFS）和MapReduce的分布式批处理计算框架，支持工业高实时性采集、大数据量存储及快速检索，为海量数据的查询检索、算法处理提供了性能保障。基于分布式系统，工业大数据技术的框架可总结为：工业大数据技术104.1.2工业大数据技术工业设备数据存储分析挖掘智能故障诊断数据质量改善健康状态监测智能诊断维修评估状态反馈建议报告维修措施资产状况设备信息备件管理其它需求可视化资源管理系统

MapReduceSparkStormHbase数据库HDFS分布式文件系统上层应用Zookeeper/Ambari平台配置、调度/平台管理Hadoop平台工业大数据技术的研究与突破，旨在从工业大数据中发现新模式和新知识，挖掘有价值的新信息，促进企业的产品创新、提升经营水平以及生产动作效率。而工业大数据驱动的智能故障诊断是发掘这些新模式和新知识的重要环节。114.1.3工业大数据驱动的智能故障诊断大数据时代的来临打破了事件之间因果关系的固定格局，使相关关系的可用性浮出水面。而工业大数据的智能故障诊断正是一种大数据相关关系分析方法。工业大数据的相关关系分析适当地放弃“因果”，将关注点转为“相关”，有助于我们更迅速、更全面地把握事件的发生，我们可以从“出现问题-逻辑分析-找出原因”的事后补救模式转换到“收集数据-预测问题-解决问题”的主动预警模式。相关关系分析利用传感器获取发动机监测信号监测信号与历史正常信号进行比对预测出发动机有可能发生的故障因果关系分析发动机无法启动冷却液温度传感器短路混合气过于稀薄，发动机无法启动124.1.3工业大数据驱动的智能故障诊断工业大数据驱动的智能故障诊断框架质量改善数据评价准则数据清洗数据质量增强…数据获取传感器组数据采集设备分布式存储器…大数据质量改善

工业大数据信号来源分散、采样形式多变、随机因素干扰等特点，需要依据一定标准对数据进行筛选，剔除冗余和噪声数据，提高机械大数据的可靠性。134.1.3工业大数据驱动的智能故障诊断工业大数据驱动的智能故障诊断框架质量改善数据评价准则数据清洗数据质量增强…数据获取传感器组数据采集设备分布式存储器…健康监测循环神经网络支持向量回归自适应阈值…大数据健康监测

通过信号处理方法提取多域特征，表征设备的健康状态。并结合历史健康状态信息设置自适应阈值或结合人工智能模型进行定量评估，实现设备的健康监测。144.1.3工业大数据驱动的智能故障诊断工业大数据驱动的智能故障诊断框架质量改善数据评价准则数据清洗数据质量增强…数据获取传感器组数据采集设备分布式存储器…健康监测循环神经网络支持向量回归自适应阈值…智能诊断浅层神经网络支持向量机K均值聚类…大数据智能诊断

将分类、聚类等人工智能算法用于机械设备的故障诊断中，对设备故障信息进行知识挖掘，获得与故障有关的诊断规则，进而识别设备故障状态，以便制订维修策略。15讲义提纲引言4.1工业大数据质量改善4.2大数据健康监测4.3大数据智能诊断4.4大数据健康管理案例4.5164.2.1工业大数据质量定义与成因工业大数据质量定义定义：工业大数据质量受人、机、环境交互作用，用以描述获得数据与所监测设备健康状态的相关程度。即数据质量越高代表数据与所监测设备健康状态相关程度越强，可用性越大，价值性高，反之亦然。数据质量数据可用性人人机环境数据质量工业大数据质量影响因素工业大数据质量评价数据质量与可用性关系174.2.1工业大数据质量定义与成因工业大数据质量改善的意义残缺数据漂移数据失真数据无关数据非结构化数据正所谓“进来是垃圾，出去也是垃圾”，基于低质量数据建立的相关健康监测与智能诊断模型，会对设备的健康状态进行误判，制定出错误的运维策略。低质量数据的存储占据大量存储空间，加剧了数据分析的计算负荷，降低了分析效率。184.2.1工业大数据质量定义与成因工业大数据质量降低成因数据传输过程中，传输通道数据遗漏、拥堵。数据传输传感器未进行校准、硬件故障或超出其额定使用寿命。硬件故障信号时间尺度不一致、多物理源信号的存储数据多样性机械设备实际作业环境恶劣，测试环境受随机干扰因素影响。外界干扰工业大数据质量降低194.2.2工业大数据质量的评价指标工业大数据质量的评价指标准确性:数据与所描述机械设备健康状态的一致程度，是数据能否客观反映设备健康状态的一个重要指标。完整性:监测数据采集的完整性，涵盖数据采集时间段完整性、多源信号完整性、数据值无缺失等。时效性:数据时效性越高，则数据分析结果越能反映设备当前的运行状态。一致性:机械设备监测大数据涉及多物理源信号，如振动信号、声发射信号、温度信号等。204.2.3工业大数据质量改善流程工业大数据质量改善流程21检查硬件设备传感器电缆采集设备……检查数据源及优化传感器布置：重点检查并确保传感器、电缆、采集设备等硬件运行完好；根据机械设备的具体情况优化传感器布置，使传感器能够全面捕捉机械健康状态信息，从数据源头保障大数据质量。4.2.3工业大数据质量改善流程工业大数据质量改善流程22检查硬件设备传感器电缆采集设备……数据收集与规整结构化数据非结构化数据半结构化数据数据收集与规整：针对多物理源信号，需要分别进行重采样、尺度与维度转换、统一数据格式等相关数据规整和对命名冲突、结构冲突等数据的修正工作，以提高数据的一致性。源数据库4.2.3工业大数据质量改善流程工业大数据质量改善流程23检查硬件设备传感器电缆采集设备……数据收集与规整结构化数据非结构化数据半结构化数据脏数据噪声过滤脏数据检测数据填充非脏数据数据清洗源数据库可用数据库数据清洗与填充：数据清洗包括噪声过滤和异常检测。前者指利用去噪方法对监测数据进行预处理。异常检测则主要包括异常点和异常段的检测。数据填充指已知的辅助信息，为缺失数据寻找替代值。4.2.3工业大数据质量改善流程工业大数据质量改善流程24检查硬件设备传感器电缆采集设备……数据收集与规整结构化数据非结构化数据半结构化数据脏数据噪声过滤脏数据检测数据填充非脏数据数据清洗数据质量增强数据融合数据降维……源数据库可用数据库高质量数据库数据质量增强：多源数据融合通过检测融合、估计融合、数据关联等，充分挖掘分散、异构数据中所隐含的设备健康状态信息。数据降维将数据从高维映射至低维空间，克服了高维工业大数据分析所面临的“维数灾难”。讲义提纲引言4.1工业大数据质量改善4.2大数据健康监测4.3大数据智能诊断4.4大数据健康管理案例4.5254.3大数据健康监测大数据背景下的健康监测基于故障阈值的健康监测基于智能模型的健康监测故障点报警阈值10大数据背景下的机械设备健康监测在充分挖掘监测数据中所隐含的设备健康状态信息的基础上，通过设置故障阈值定性判断机械设备的健康状态或应用智能模型定量评估机械设备的健康状态。264.3.1基于故障阈值的健康监测基于故障阈值的健康监测主要步骤特征提取：机械设备的监测信号中虽然蕴含了设备的健康状态信息，需要凭借统计分析手段，如时域分析、频域分析、时频分析等，提取信号的数字特征，发现特征量的变化规律，表征设备的健康状态。振动声发射温度……高质量数据库时域分析频域分析时频分析……特征提取274.3.1基于故障阈值的健康监测基于故障阈值的健康监测主要步骤健康状态定性判断：设备在服役过程中，监测信号的特征值会随着时间不断发生变化。因此，通过设置特征值的故障阈值来定性判断机械设备健康状态是健康状态监测的常用手段。振动声发射温度……高质量数据库时域分析频域分析时频分析……特征提取固定阈值相对阈值3σ阈值……健康状态定性判断284.3.1基于故障阈值的健康监测时域特征提取1.均值5.峰值9.裕度指标2.标准差6.波形指标10.偏斜度3.方根幅值7.峰值指标11.峭度4.均方根值8.脉冲指标x(n)为信号的时域序列，n=1,2,…,N；N为样本点数。294.3.1基于故障阈值的健康监测频域特征提取1213141516171819s(k)为信号x(n)的频谱，k=1,2,…,K；K为谱线数；fk是第K条谱线的频率值。304.3.1基于故障阈值的健康监测频域特征提取2021222324s(k)为信号x(n)的频谱，k=1,2,…,K；K为谱线数；fk是第K条谱线的频率值。314.3.1基于故障阈值的健康监测健康状态定性判断通过设置特征值的故障阈值是定性判定机械设备健康状态的常用手段。故障阈值分为固定阈值和自适应阈值。固定阈值指用以判定机械设备健康状态的是固定数字，是在测定方法确定后所指定的标准。自适应阈值指以同类机械设备的总体情况为依据或者以同一机械设备的状态变化趋势为依据，考虑设备自身状态变化因素而设定的阈值。比如典型的3σ阈值。324.3.1基于故障阈值的健康监测3σ阈值若随机变量的概率密度函数为X

若-∞<x<+∞，则称X服从参数为μ和σ2的正态分布。由正态分布概率密度曲线的性质可知，服从正态分布的随机变量只有0.26%的可能落在(μ-3σ，μ+3σ)区间之外。通常把正态分布的这种概率法则称为3σ法则。基于该法则的故障阈值称为3σ阈值。式中，σ为标准差，μ为均值。334.3.1基于故障阈值的健康监测时间/10min幅值/g下图所示为滚动轴承在全寿命周期内的振动信号时域波形。由图可以看出，轴承振动信号的幅值随着时间推移有增大趋势。以滚动轴承为监测对象，判断滚动轴承的健康状态。在测试轴承上加装加速度传感器采集轴承的振动信号。343σ方法在轴承健康状态监测中的应用4.3.1基于故障阈值的健康监测时间/10min均方值均方根故障阈值首先，提取振动信号的均方根特征。然后，根据提取的均方根特征计算时刻t的3σ故障阈值μt+3σt。最后，对比时刻t的均方根特征和故障阈值的大小。由下图可知，从5330min开始，均方根值开始大于故障阈值，判定该时刻为轴承的故障起始点。353σ方法在轴承健康状态监测中的应用4.3.2基于智能模型的健康监测基于智能模型的健康监测主要步骤振动声发射温度……高质量数据库时域分析频域分析时频分析……特征提取循环神经网络支持向量机逻辑回归……健康状态定量评估基于智能模型的健康监测定量评估，其输出为具有特定取值区间的连续值。因此，该类方法所用的智能模型一般是机器学习中的“回归模型”，即通过训练集对回归模型进行学习，从而建立特征空间到连续取值空间的映射关系。364.3.2基于智能模型的健康监测循环神经网络循环神经网络（Recurrentneuralnetwork,RNN）是一类用于处理时序信号的深度神经模型。RNN允许网络中出现环形结构，从而可让一些神经元的输出反馈回来作为输入信号。这种结构与信息反馈过程，使得网络在时刻t的输出不仅与时刻t的输入有关，还与时刻t-1的网络隐含层的输出有关，从而RNN能处理与时间有关的动态信息。374.3.2基于智能模型的健康监测RNN在轴承健康状态监测中应用时间/10s幅值/g对17个滚动轴承进行加速寿命实验，分别记录为B1-B17。下图为轴承B1在全寿命周期内的振动信号。以滚动轴承为监测对象，定量评估滚动轴承的健康状态。在测试轴承上加装加速度传感器采集轴承的振动信号。384.3.2基于智能模型的健康监测RNN在轴承健康状态监测中应用时间/10s健康评估然后，选取轴承B2-B17的数据作为训练数据集，训练RNN模型。首先，提取振动信号的14种特征构成特征向量。最后，以轴承B1的数据测试训练好的模型。如下图所示，测试轴承的健康评估值随时间出现增长趋势。轴承的健康评估值分布在0到1之间。39讲义提纲引言4.1工业大数据质量改善4.2大数据健康监测4.3大数据智能诊断4.4大数据健康管理案例4.5404.4.1问题描述人为故障诊断遭遇“大数据”机械设备的故障信息隐含在振动、声发射、温度等监测数据中，有效捕捉监测数据变化所传递的故障信息，能够准确识别设备故障。长期地“经验”积累使工程人员能够敏锐地捕获监测数据变化中所蕴含的设备健康状态信息。“大数据”为设备故障诊断提供了海量的监测数据，仅依靠人类自身“经验”积累易于“迷失”在数据的海洋，难以满足大数据驱动下的故障诊断需求。振动声发射温度…海量机械监测数据人为故障诊断迷失于数据海洋414.4.1问题描述大数据智能诊断的基本内涵机器学习赋予计算机学习能力，使之能够分析数据、归纳规律、总结经验，代替人类学习或“经验”累积过程，将人类从纷繁复杂的数据海洋中解放出来。大数据智能诊断可理解为：利用大数据识别机械设备健康状态的科学，即以传感器系统获取数据为基础、机器学习积累经验知识为途径、智能判别设备健康状态为目的，保障机械设备运行的可靠性。机械监测大数据机器学习故障位置内圈故障类型磨损故障程度严重故障智能识别424.4.1问题描述大数据智能诊断的基本问题特征空间标签空间智能诊断模型f(·)训练样本测试样本正常内圈故障外圈故障智能诊断模型的输入为机械设备监测数据的样本；输出为一系列离散值。通过对训练样本进行学习，建立特征空间到标签空间的非线性映射关系f(·)，即智能诊断模型训练。434.4.1问题描述大数据智能诊断的基本问题智能诊断模型的输入为机械设备监测数据的样本；输出为一系列离散值。通过对训练样本进行学习，建立特征空间到标签空间的非线性映射关系f(·)，即智能诊断模型训练。将训练完成的智能诊断模型，用于预测健康状态未知时采集的样本（测试样本）的标签，即实现故障智能诊断。特征空间标签空间智能诊断模型f(·)训练样本测试样本正常内圈故障外圈故障444.4.2基于浅层模型的智能诊断基于浅层模型的智能诊断流程特征提取：机械设备的监测信号中虽然蕴含了设备的健康状态信息，需要凭借统计分析手段，如时域分析、频域分析、时频分析等，提取信号的数字特征，发现特征量的变化规律，表征设备的健康状态。振动声发射温度……高质量数据库时域分析频域分析时频分析……特征提取454.4.2基于浅层模型的智能诊断基于浅层模型的智能诊断流程特征优选：大数据下机械设备的监测数据体量大、价值密度低，提取的大量数据特征中存在不相关或冗余信息，因此，需要借助特征选择技术，剔除冗余或不相关特征，避免“维数灾难”，提高智能诊断效率，达到去粗取精的目的。振动声发射温度……高质量数据库时域分析频域分析时频分析……特征提取主成分分析特征评估信息熵……特征优选464.4.2基于浅层模型的智能诊断基于浅层模型的智能诊断流程故障分类：优选得到的敏感特征隐含机械设备不同的健康信息，需要结合浅层模型，建立敏感特征与机械设备健康状态之间的非线性映射关系，获得智能诊断模型，最终高效、自动地识别机械设备的健康状态。振动声发射温度……高质量数据库时域分析频域分析时频分析……特征提取主成分分析特征评估信息熵……特征优选ANFISNNKNN……故障分类474.4.2基于浅层模型的智能诊断特征评估技术特征评估技术通过特征间的距离大小来评估特征敏感度，其评估原则是：同类样本的类内距离最小，不同类样本的类间距离最大。符合这一原则的特征为敏感特征。若属于同一健康状态样本的某一特征的类内距离越小、不同健康状态的类间距离越大，则该特征对此类健康状态越敏感。假设具有C类健康状态的特征集为：属于第c类健康状态的第m个样本的第j个特征。第c类健康状态的样本数。每一类健康状态的特征个数。484.4.2基于浅层模型的智能诊断特征评估技术特征评估技术的一般步骤：步骤一：计算属于第c类健康状态样本的第j个特征的类内距离。步骤二：计算C类健康状态样本的第j个特征的类内距离的平均值。494.4.2基于浅层模型的智能诊断特征评估技术步骤三：计算属于第c类健康状态的Mc个样本的第j个特征的平均值。步骤四：计算属于C类健康状态的第j个特征的平均值。步骤五：计算属于C类健康状态的第j个特征的平均值。反映了利用第j个特征对C类健康状态进行分类的难易程度。该值越大则第j个特征对C类健康状态越敏感。504.4.2基于浅层模型的智能诊断自适应模糊神经网络（ANFIS）ANFIS是一个集成的模糊Sugeno模型，通过神经网络实现并优化模糊推理系统。ANFIS构建了一些列if-then规则和隶属度函数来描述复杂系统的输入和输出之间的关系。首先，通过专家经验初始化模糊规则和隶属度函数；其次，通过修正if-then模糊规则和隶属度函数达到最小化输出误差的目的。假设模糊推理系统的输入x、y与输出z之间存在如下模糊规则：规则1：if(xisA1)and(yisB1)then(z1=p1x+q1y+r1)规则2：if(xisA2)and(yisB2)then(z2=p2x+q2y+r2)

为抽取输入-输出之间的模糊规则，构建如下具有五层结构的ANFIS网络结构：514.4.2基于浅层模型的智能诊断自适应模糊神经网络（ANFIS）模糊化层

模糊化层将输入变量模糊化，输出对应模糊集的隶属度。

以A1和A2节点为例，其模糊隶属度函数表示为：式中：钟形隶属度函数ai、bi、ci为第一层需要训练的条件参数。xyA1A2B1B2ANFIS网络结构模糊化层524.4.2基于浅层模型的智能诊断自适应模糊神经网络（ANFIS）模糊化层规则层

规则层的每个节点M充当简单的乘法器，其输出代表了每条推理规则的使用度，计算如下：xyA1A2B1B2MMANFIS网络结构模糊化层规则层534.4.2基于浅层模型的智能诊断自适应模糊神经网络（ANFIS）模糊化层规则层正规化层

正规化层节点N对规则层输出的各条规则的激励强度进行归一化处理，其输出的计算如下：xyA1A2B1B2MMNNANFIS网络结构模糊化层规则层正规化层

1

2544.4.2基于浅层模型的智能诊断自适应模糊神经网络（ANFIS）模糊化层规则层正规化层解模糊层

解模糊层每个节点Fi的传递函数为线性函数，用以计算每条规则的输出，其计算如下：式中：pi、qi、ri为需要训练的结论参数。xyA1A2B1B2MMNNF1F2xyx

yANFIS网络结构模糊化层规则层正规化层解模糊层

1

2

2

2554.4.2基于浅层模型的智能诊断自适应模糊神经网络（ANFIS）xyA1A2B1B2MMNNSF1F2xyxy模糊化层规则层正规化层解模糊层输出层

输出层的节点S计算所有规则的输出之和，其计算如下：ANFIS网络结构模糊化层规则层正规化层解模糊层输出

1

2

2

1z1

2z2

2564.4.2基于浅层模型的智能诊断ANFIS在滚动轴承故障智能诊断中的应用以电机滚动轴承为诊断对象，识别其4种健康状态：正常、外圈故障、内圈故障与滚动体故障。在电机驱动端安装加速度传感器采集轴承的振动信号。截取轴承振动信号的采样点组成监测数据样本，再由样本组建轴承故障数据集。健康状态振动信号训练样本数测试样本数样本标签正常50501内圈故障50502滚动体故障50503外圈故障50504实验平台滚动轴承故障数据集574.4.2基于浅层模型的智能诊断ANFIS在滚动轴承故障智能诊断中的应用提取数据集样本的11种时域特征与13种频域特征，将这24中特征组成特征数据集。利用特征评估技术计算样本特征之间的距离，评估特征对故障的敏感度。特征特征评估因子每种特征对轴承健康状态的敏感程度不一。将特征评估因子降序排列，选取特征评估因子最大的前4种敏感特征作为智能诊断模型的输入。584.4.2基于浅层模型的智能诊断ANFIS在滚动轴承故障智能诊断中的应用利用带标签训练样本的优选特征训练智能诊断模型，再识别无标签的测试样本。基于ANFIS的智能诊断模型对无标签的测试样本具有较高的分类精度，测试样本中仅有极少数的样本被错误分类，测试精度达到98.5%。正常内圈故障滚动体故障外圈故障分类精度训练样本（+/M）50/5050/5049/5050/5099.5%测试样本（+/M）50/5049/5048/5050/5098.5%基于ANFIS的智能诊断模型的分类效果注：表中“+”为正确分类样本数，“M”为样本总数。594.4.3基于深度学习的智能诊断基于深度学习的智能诊断流程基于深度学习的智能诊断利用深度学习方法，如深度置信网络、栈式自编码神经网络、卷积神经网络，逐层将初始的“底层”特征转换为“高层”特征表达。振动声发射温度……高质量数据库深度置信网络栈式自编码网络卷积神经网络……特征表征及故障分类将特征提取与故障分类过程合二为一，建立“高层”特征与设备健康状态之间的非线性映射关系，获得智能诊断模型。604.4.3基于深度学习的智能诊断栈式自编码机（SAE）自编码机（AE）是SAE的基本组成单元，由编码网络和解码网络组成。编码网络将输入数据有高维特征空间映射到低维的编码空间。解码网络基于编码空间的编码向量重构对应的输入数据。SAE的网络结构………编码网络解码网络614.4.3基于深度学习的智能诊断栈式自编码机（SAE）自编码机（AE）是SAE的基本组成单元，由编码网络和解码网络组成。编码网络将输入数据有高维特征空间映射到低维的编码空间。解码网络基于编码空间的编码向量重构对应的输入数据。SAE的网络结构……AE1SAE通过堆叠AE组成，即前一层AE编码网络的输出作为后一层AE编码网络的输入。…………AE2AEN624.4.3基于深度学习的智能诊断栈式自编码机（SAE）在行星齿轮箱故障智能诊断中的应用以两级行星齿轮箱为诊断对象，应用SAE识别其8种健康状态。健康状态样本个数工况数样本标签正常188881第一级太阳轮点蚀188882第一级太阳轮齿根裂纹188883第一级行星轮齿根裂纹188884第一级行星轮剥落188885第一级行星轮轴承裂纹188886第二级太阳轮剥落188887第二级太阳轮缺齿188888两级行星齿轮箱故障数据集每种健康状态的信号均在4种不同转速（2100r/min、2400r/min、2700r/min、3000r/min）及2种不同负载工况（空载与加载）下采集。每截取2560个采样点组成一个样本，最终获取的数据集共含有15104个样本。634.4.3基于深度学习的智能诊断栈式自编码机（SAE）在行星齿轮箱故障智能诊断中的应用在数据集中选取不同百分比训练样本训练基于SAE的智能诊断模型，剩余样本模型测试。重复实验10次。训练样本占数据集百分比分类精度/%时间/s智能诊断模型对测试样本的分类精度大于99%。随着训练样本数量的增加，模型的测试精度提高、方差减小，但训练时间延长，说明该智能诊断模型能够满足大数据驱动下的机械设备故障智能诊断的需要。64讲义提纲引言4.1工业大数据质量改善4.2大数据健康监测4.3大数据智能诊断4.4大数据健康管理案例4.5654.5.1案例背景大数据健康管理系统GE推出的Predix平台66陕鼓设备远程监测平台三一重工挖机监测平台华电新能源远程诊断平台大数据驱动的健康管理技术典型案例4.5.1案例背景风力发电风力发电具有资源丰富、产业基础好、经济竞争力较强、环境影响微小等优势，是最具市场效益和发展潜力的可再生能源技术之一。风力发电机向大型化、复杂化、高速化的方向演进，机械结构日趋复杂，部件间相互联系耦合愈发紧密，一个部件出现故障将可能快速引起连锁反应导致整台风力发电机损毁，带来巨大的经济损失，甚至造成人员伤亡。需要对风电机组状态进行监测，并从监测数据中挖掘风电装备的运行状态信息，从而有的放矢地制订维护维修计划，减少强迫停机的次数，同时降低事故发生率。674.5.2大数据驱动的新能源诊断平台华电新能源远程诊断平台监测数据68每日存储数据约120G目前累积存储量约237T数据量极大大量重复的正常状态数据传感器故障等导致垃圾数据价值密度低SCADA数据：转速、功率等CMS数据：振动数据类型多样监测数据源源不断要求能够实时分析数据数据时效性强规模大测点多采频高历时长风力发电机健康状态监测大数据4.5.2大数据驱动的新能源诊断平台华电新能源远程诊断平台流程图西安交通大学和中国华电集团公司华电电力科学研究院（浙江杭州）合作开发了大数据驱动的风电机组故障监测算法，对风电机组主传动链的健康状态进行监测。监测风电机组主传动链健康状态流程图如下：69获取数据数据质量改善特征提取健康判定结果可视化功率、转速等SCADA数据CMS振动数据停转空采数据幅值突变数据低速或无转速数据……时域特征频域特征……报警阈值（3

阈值）故障逻辑（连续触发机制）总体健康预览故障雷达图诊断报告4.5.2