【《基于卷积神级网络的故障诊断研究国内外文献综述》6300字】

基于卷积神级网络的故障诊断研究国内外文献综述目录TOC\o"1-3"\h\u29461基于卷积神级网络的故障诊断研究国内外文献综述 1150501.1故障诊断方法应用研究 1204101.2国内外故障诊断技术研究发展现状 25601.3国内外有关卷积神经网络研究发展现状 4140011.4国内外协同管理理论研究发展现状 55748参考文献 61.1故障诊断方法应用研究故障诊断方法主要分为基于专家知识经验的故障诊断方法和基于数据驱动的故障诊断方法[6]。分析手段主要采用振动分析、红外分析、超声分析、油液分析和电流频谱分析等[7]。基于知识的故障诊断方法即机理建模，主要依靠有经验丰富的设备管理专家，基于设备规则知识的专家系统高度依赖专家个人经验去建立机理模型，根据诊断对象、系统、设备生产过程的内部结构机理或者物质在设备中流动的传递机理建立起来的准确数学模型，如热力学公式。机理模型要求从设备上采集到的数据具有非常明确的物理意义（如电流、电压等），能够解释过程的具体机理，该模型输入输出参数易于调整，有时是预设一定的条件下所得出模型具有很强的针对性。机理模型最大的缺点当某些系统、设备工艺机理很复杂时，不一定能用数学表达式呈现，或者表达式中如果有些系数还不能确定时模型就不能适用；同时机理模型的参数很多是经验数据，当工况发生变化时经验参数就不一定适用，也会影响模型的仿真效果。基于机理模型建立的故障诊断专家系统需要获取完整的知识体系，需要在庞大的知识系统中进行相应的匹配进行故障诊断，专家知识维护困难，知识库覆盖面不全将会导致故障分析失败或者不准确。基于数据驱动的故障诊断方法，通过对工业过程数据进行采集并加以分析，以监督生产过程设备运行状态，采用模型预测与趋势识别技术，提前预警预测，分析故障原因并分离出故障变量，从而使生产系统处于最佳运行状态[8]。该方法的核心思想是如何充分利用从设备采集到的在线实时数据和原系统中存储的大量历史离线数据，利用生产过程中产生的大量反应生产工艺过程运行机理和设备运行状态的数据，分析无法依靠传统方法建立精确物理诊断模型的系统或设备，是基于机理模型方法的重要补充。基于工业大数据平台的设备诊断不仅使设备自我调整、自我优化和自诊断能力，而且能够及时响应生产需求，避免设备损坏与非停带来的损失，满足企业全流程智能建模、管理和优化需求[9]。基于知识的机理建模和基于大数据建模需要根据不同行业、不同应用场景进行选择。工业设备机理复杂，很难建立准确的数学模型，当前对设备故障的预警和预测存在一定的偏差，基于数据驱动的机器学习设备故障预测由于样本数据不足与不完备，这将导致模型训练的局部过度拟合和模型的泛化能力较弱，生产环境产生误报警现象。机理建模和大数据建模两种设备故障诊断方法的优势和劣势对比分析见表1.1.1。表1.1.1两种诊断方法的优劣分析故障诊断方法主要使用的技术手段优势劣势基于机理模型的设备诊断（基于知识的故障诊断）设备工况特性分析振动分析声学分析油液分析红外检测电流频谱分析单次或少量检测数据即可进行诊断分析，准确度高；故障部位、故障原型、改善方案三位一体。设备特性、故障模式多样，成因机理复杂，诊断专家知识库建立难度大；部分特征参数检测困难，必须要到现场检测试验；自身不具备学习能力。基于大数据模型的设备诊断BP神经网络SVMCNN不需要清楚参数扰动导致故障的原理；非常适合针对设备状态劣化提前预警。需要大量的数据甚至是故障数据来训练模型，需要长期的数据积累实践并全面涵盖工作条件；工业大数据与互联网大数据的差异性，决定了必须根据设备特性来选择特征参数。通过上表对比分析发现，单纯采用基于机理模型的设备诊断或采用基于大数据模型驱动的设备故障诊断在一定程度上都会有缺陷，需要根据不同的应用场景将传统的基于设备故障机理规则库诊断与基于大数据神经网络等AI诊断技术进行融合，取长补短，消除彼此的缺点，实现故障预测、预警、定性、定位、危害性评估、维修决策及设备联动功能。1.2国内外故障诊断技术研究发展现状设备诊断技术是指在设备不拆卸不解体的情况下，通过对设备及其生产实时数据采集和分析，对设备及其生产过程进行判断和定量评估的技术[10]。根据设备不同的特性采用恰当的手段对设备情况进行检测，判断设备当前或者未来一段时间内是否存在潜在故障，早期识别劣化迹象并预警，避免设备损坏与非停带来的损失，保证设备的安全正常使用。国外电力工业设备专家诊断研究比较早，美国电力科学研究院从20世纪70年代末就研究电力设备的精准运维与故障诊断技术，现在向以设备可靠性为中心的检修模式（ReliabilityCenteredMaintenance，RCM）发展，设计了使用低成本传感器收集数据的变电站一体化系统，使用先进的诊断方法来监视变电站设备的健康状况和工作性能，并根据重要性和性能数据优化电气设备的监视和维护任务，降低变电站的实时监控成本，并提高系统了的可靠性。RCM设备的维护方式可以有效减少维护成本，保障企业走向市场具有竞争力[11]。日本是20世纪80年代开始对设备开展精准运维与故障诊断技术方面的研究，使用在线检测工具即时了解设备运行状态并对设备状态进行分析为研究核心，在钢铁行业、化工行业、铁路等领域的应用推广较快，在探索专业诊断技术和研制开发专业的故障分析诊断仪器方面处于国际领先水平。欧洲的诊断技术各国虽然根据国情自行研究，但也是集中在故障诊断与设备精准检修运维方向，如瑞典埃司彼姆仪器有限公司（SPM）的轴承监测技术、艾格玛（AGEMA）公司的红外热像技术、丹麦必凯（B&K）公司的噪声和振动监测技术。英国机器健康和状况监视协会（MHMG＆CMA）70年代初开始进行故障诊断技术的研究，英国原子能研究机构通过噪声分析来监测原子反应炉，并对锅炉本体、压力容器和管道进行了无损检测，促进了英国设备故障数据中心的发展。意大利电气委员会（IEC）指导并负责电力行业中振动监测系统的开发，该系统已用于大多数重要的电气设备中。我国电力工业设备运维管理与西方发达工业国家相比较，在维修技术和故障诊断模式方面还存在一定的差距，我国故障诊断技术发展始于70年代末，虽然起步晚，但紧跟国外研究步伐，在设备运维管理方面取得了较大的进步，发展经历了四个阶段。第一阶段，在设备发生故障后进行事后维修，对设备使用周期和维护费用只做简单统计分析。第二阶段，采用全员维护的理念来维护和提高设备的可靠性，并实施现场点检管理。第三阶段，根据设备的技术状况，与计划性等级检修相结合设备预防性维护制度，加强理论研究，逐渐通过采用设备状态检测手段，结合设备故障诊断等科学方法，制定了科学的预防性维护策略，避免过修欠修。第四阶段，即当前阶段，在探索智慧电网、智慧电厂建设过程中，充分将大数据、人工智能技术用于设备管理，开展智慧维护等方面的研究，将是IT行业与工业领域最佳的一次交互融合，这个阶段在某些理论研究方面已和国外不相上下。当前OT/IT的深度融合，特别是与计算技术的融合，已经成为了企业数字化转型升级的重要发展方向[12]。故障诊断的关键技术主要包含表征故障的数据获取、故障信号特征量提取、信息处理技术和故障诊断分析技术。依托人工智能、工业互联网、物联网等新型技术的发展，在完善和发展了各种监测手段和诊断方法基础上，通过数据驱动模式来对设备状态进行监测、诊断、预测，可以更好地、更全面的感知设备运行状态及未来劣化趋势，实现精准的调度生产负荷、精准的运维设备，保障生产过程安全可靠。深度学习理论最初是用来解决人脸识别问题的，由于其处理海量信息的高速性和智能化，广泛应用在图像缺陷识别[13]、语音识别[14]中。近年来很多专家学者将深度学习引入到设备故障诊断中，如深度学习在电机故障诊断[15]、异步电机故障诊断[16]、交流电机轴承故障诊断[17]、齿轮箱故障诊断[18]、变压器故障检测[19]和自驱风电机组故障诊断[20]等方面的研究，均取得较好故障诊断的效果。基于深度学习的高速智能诊断技术不再先通过过程复杂、误差大、效率低、耗时大的传统手动提取信号故障特征方法，而是通过网络自动提取故障特征，实现了自动的特征提取过程与故障诊断紧密结合融入一体，有效提高了故障诊断分类的准确性，并具有较好的稳定性。1.3国内外有关卷积神经网络研究发展现状采用基于栈式自编码（StackedAutoEncoder,SAE）的故障诊断方法、基于深度置信网络（DeepBeliefNetwork，DBN）的故障诊断方法、基于卷积神经网络的故障诊断方法及基于循环神经网络（RecurrentNeuralNetwork，RNN）的故障诊断方法等基于深度学习的复杂系统故障诊断潜力巨大[21]。其中卷积神经网络CNN更加适合处理海量数据，学习并提取海量信息中的关键信息，实现非线性的复杂特征提取，因其模型的泛化能力、高效的检测能力以及结构易于调整的优点已经在图像识别和语音识别领域获得了极高的成就，在某些故障诊断领域诊断准确率提高到100%。卷积神经网络更适用于海量数据处理，从海量信息中学习和提取关键信息以及实现非线性复杂特征提取，由于其模型泛化能力、高效的检测能力和易于结构调整的特点。在某些故障诊断领域，诊断准确性提高到100％。主要应用于目标跟踪、图像分类、特征提取等领域，如在手写体数字的识别取得较好的效果[22]，在人脸识别研究也得到了较高的准确率[23]。深度学习卷积神经网络已经进入爆发期，训练数据量越大，分类准确率越高，同时随着具备大规模计算能力GPU的应用，模型的训练时间大大缩短，深度卷积神经网络的必然得到高速发展。自AlexNet[24]卷积神经网络取得2012年ImageNet视觉挑战赛冠军以来，几乎每年都有新的卷积神经网络产生，最著名的模型是ZFNet[25]、VGGNet[26]、GoogLeNet[27]和ResNet[28]这四种。近年来，卷积神经网络CNN逐渐应用于无人驾驶[29]、低空平台偏振高光谱目标检测[30]、自然场景建筑物识别[31]、风力发电机叶片裂缝识别[32]、变电站异常[33]和绝缘子识别[34]等各类场景监测中。随着人工智能的发展与工业大数据的提出，将利用AI技术对工业的采购、设计、生产、销售等环节所产生的数据进行分析，优化生产过程，是提高工业水平的主要手段之一。越来越多的专家学者也开始利用卷积神经网络CNN建立故障诊断模型，以监测与分析对设备健康状态，如输电线路[35]、异步电机[36]、轴承[37]、变压器[38]、齿轮箱[39]、冷水机组[40]、太阳能光伏组件[41]、逆变器[42]等设备利用卷积神经网络对设备开展故障诊断，充分发挥卷积神经网络的特点，取得了一定的应用成果。卷积神经网络依然还在不断地发展创新，每一次进步都是在以前神经网络结构的基础上进行的改进与创新，都是对已有网络不足之处的弥补。AlexNet之后，出现了两个大方向的创新，一个是网络结构的改进，另一个是网络深度的改进。但目前神经网络的参数量庞大，对计算能力的要求还是很高，如何选择合适的超参数（包括学习率、卷积核大小、网络层数等），需要在不断调试中积累技术和经验，需要更深入的研究。1.4国内外协同管理理论研究发展现状随着社会分工越来越详细，社会生产活动越来越复杂，很多工作任务需要各方分工和协调。为了更好地研究多方协同工作的运行机制，各个领域的学者从各自的研究视角和熟悉的学科出发，研究协作工作现象、本质特征和协作工作开展的规律，即协同科学。在协同管理理论的研究中，学术界主要关注企业内部业务部门之间和直接上下游企业之间的协作。协同作用的目的是通过产生协同效应以提高工作效率达成既定的目标，将复杂系统中大量子系统之间通过约定的规则进行相互协作而产生远远优于单体工作的整体效应或集体效应。企业按照业务板块建立的部门，业务协同往往需要加强跨部门之间协调能力，高度重视企业标准化建设、建立任务分工责任机制、强化信息沟通，对增强企业跨部门协同能力具有一定促进作用[43]。协同是敏捷企业及其伙伴的运行基础，其协同质量直接决定着敏捷企业及其伙伴的兴衰[44]。通过协同管理系统建设，可以增强企业部门沟通，提高办公效率，促进企业运营健康发展[45]。除企业内部组织之间的业务协同外，上下游企业之间也存在业务协同，比如供应链协同[46]、电子商务供应链协同[47]、科技创新协同[48]、战略协同[49]、营销模式协同[50]、高技术产业化协同[51]等，这些具体的协同方面的研究都涉及协调机制的探讨，这些研究对学术研究和构想具有重要的启发意义。在互联网技术快速发展的形势下，企业协同实现的需求、场景、关键步骤和要素发生了相应的变化。随着现代科学技术的加速进步和工业制造技术的快速发展，现代设备越来越大型化、结构越来越复杂化、操作越来越自动化智能化，设备检修维护的复杂性成倍增加，人员素质要求更高[52]。设备用户自己队伍维护、设备制造商原厂家维护或维护专业外包等单一方面的传统设备运维方式无法满足当前设备维护需求，远程运维、智能运维、统一集中运维和其他新形式的维护模式得到快速发展，设备维护也将成为设备制造商或供应商产品服务价值延伸的重要组成部分。运用协同理论通过互联网协同工作的设备故障诊断平台，以设备管理相关干系人为主体，通过网络协同开展设备诊断活动，进行设备维护知识的共享，从而实现横向上跨部门跨组织协作、纵向上涵盖设备全生命周期的设备运维管理[53]。参考文献唐文虎,牛哲文,赵柏宁,等.数据驱动的人工智能技术在电力设备状态分析中的研究与应用[J].高电压技术,2020,46(9):2985-2999方静,彭小圣,刘泰蔚,等.电力设备状态监测大数据发展综述[J].电力系统保护与控制,2020,48(23):117-118.任怡睿,林济铿,宁剑,等.一种基于占优度和Choquet积分的电力系统故障诊断方法综合评估策略[J].电力系统保护与控制,2021,49(06):145-146.丁海钢.设备诊断技术在火电厂设备检修管理中的应用[J].中国市场,2019,(19):112.孙才新,陈伟根,李俭,等.电气设备油中气体在线监测与故障诊断技术[M].北京:科学出版社,2003.文成林,吕菲亚,包哲静,刘妹琴.基于数据驱动的微小故障诊断方法综述[J].自动化学报,2016,42(09):285-1299.黄锡斌.刍议精密点检在燃机电厂的应用[J].中国科技纵横,2017,257(05):176-178.张妮,车立志,吴小进.基于数据驱动的故障诊断技术研究现状及展望[J].计算机科学,2017,44(6A):37-40.冯言勇,刘桐杰,李昱,方俊伟.通过大数据分析进行设备故障诊断的技术研究[J].技术纵横,2017,（12）:72-77.杨淑芹.设备诊断技术在火力发电厂设备检修管理中的应用[J].山东工业技术,2017,(17):213-214.常佳文.机电设备优化检修在电厂中的应用分析[J].山西能源学院学报,2017,30(03):68-69.洪学海,蔡迪.面向互联网+的OT与IT融合发展研究[J].中国工程科学,2020,22(4):18-22李文璞,谢可,李小宁,等.基于Faster+RCNN变电设备红外图像缺陷识别方法[J].南方电网技术,2019,(12):79-84.王蔚,胡婷婷,冯亚琴.基于深度学习的自然与表演语音情感识别[J].南京大学学报（自然科学版）,2019,(04):660-666.王惠中,贺珂珂,房理想.深度学习在电机故障诊断中的应用研究[J].计算机仿真,2019,36(10):423-428.王丽华,谢阳阳,张永宏,赵晓平,等.采用深度学习的异步电机故障诊断方法[J].西安交通大学学报,2017,51(10):128-134.郑大勇,张品佳.交流电机定子绝缘故障诊断与在线监测技术综述[J].中国电机工程学报,2019,39(02):395-406.赵晓平,吴家新,钱承山,等.基于多任务深度学习的齿轮箱多故障诊断方法[J].振动与冲击,2019,38(23):271-278.石鑫,朱永利,宁晓光,等.基于深度自编码网络的电力变压器故障诊断［J］.电力自动化设备,2016,36(5):122-126.王春明,朱永利.基于深度降噪极限学习机的变压器故障诊断[J].电测与仪表,2019,56(15):143-147.许伯强,何骏驰，孙丽玲.基于SAE与改进LightGBM算法的笼型异步电动机故障诊断方法[J].电机与控制学报,2021,(23):120-121.杨淑芹.基于改进Inception卷积神经网络的手写体数字识别[J].山东工业技术,2017(17):213-214.李春利,柳振东,惠康华.基于卷积神经网络的人脸识别研究[J].软件导刊,2017,16(05):186-188.A.Krizhevsky,I.Sutskever,andG.E.Hinton,“Imagenetclassficationwithdeepconvolutionalneuralnetworks,”inAdvancesinneuralinformationprocessingsystems,2012,pp.1097–1105.ZeilerMD,FergusR.Visualizingandunders