齒輪，是工業(yè)機(jī)械設(shè)備中最常見和重要的組成部件之一，能源、礦山、水利、紡織、建筑、汽車、航空、船舶……各個行業(yè)里隨處可見TA的身影，驅(qū)動著機(jī)械的順利運(yùn)轉(zhuǎn)。

點(diǎn)蝕，是齒輪上的一種易發(fā)故障。齒輪間的相互作用力會讓齒面上產(chǎn)生細(xì)小的疲勞裂紋，還會導(dǎo)致小塊金屬脫落、形成點(diǎn)狀小坑。齒輪點(diǎn)蝕會產(chǎn)生振動與噪音，降低齒輪的使用壽命，甚至?xí)绊懝I(yè)設(shè)備的正常工作。

不同類型程度的齒輪點(diǎn)蝕

如何通過工業(yè)領(lǐng)域設(shè)備狀態(tài)監(jiān)測常用的振動信息分析，為齒輪精準(zhǔn)“把脈”、判斷點(diǎn)蝕的具體情況？

國際工業(yè)界權(quán)威的數(shù)據(jù)分析賽事之一——2023年故障預(yù)測與健康管理數(shù)據(jù)挑戰(zhàn)賽（PHM Conference Data Challenge），以“齒輪點(diǎn)蝕程度預(yù)測”作為唯一任務(wù)，吸引了全球33支勁旅參與。最終，科大訊飛研究院聯(lián)合國家智能語音創(chuàng)新中心、中國礦業(yè)大學(xué)智能信息處理團(tuán)隊(duì)以472分脫穎而出、收獲冠軍，展現(xiàn)在工業(yè)設(shè)備預(yù)測性維護(hù)和故障診斷領(lǐng)域的強(qiáng)勁實(shí)力。

有趣的是，這樣的好成績遠(yuǎn)超賽事主辦方預(yù)期，評委們都忍不住給出了“How good is a score”的肯定

榜單成績

PHM Conference Data Challenge由國際故障預(yù)測與健康管理協(xié)會主辦，自2008年至今已連續(xù)舉辦15年。來自全球各地高等院校和業(yè)界機(jī)構(gòu)積極參與，既有清華大學(xué)、西安交通大學(xué)、馬里蘭大學(xué)、辛辛那提大學(xué)、首爾國立大學(xué)等國內(nèi)外知名高校，也有昆侖數(shù)據(jù)K2Data、荷蘭鐵路等工業(yè)領(lǐng)域相關(guān)企業(yè)，以及洛克馬丁、NASA、SAS、MathWorks等各行業(yè)龍頭企業(yè)機(jī)構(gòu)。

分辨11種點(diǎn)蝕程度，尋找得分最優(yōu)解

今年的賽事考查基于振動信號、在不同轉(zhuǎn)速工況（使用過程中產(chǎn)生的轉(zhuǎn)速變化情況）下對齒輪點(diǎn)蝕程度的預(yù)測能力，振動信號數(shù)據(jù)通過齒輪箱試驗(yàn)臺上的三向加速度傳感器采集而來。

任務(wù)實(shí)際場景

比賽中的數(shù)據(jù)包含齒輪11種點(diǎn)蝕程度，從0級的健康到10級的完全點(diǎn)蝕；還有18種轉(zhuǎn)速工況，從100轉(zhuǎn)/分到2600轉(zhuǎn)/分。參賽隊(duì)伍需要對測試集中每個樣本的點(diǎn)蝕程度概率進(jìn)行預(yù)測，判斷出點(diǎn)蝕程度屬于哪一級，并給出每條樣本預(yù)測結(jié)果的置信度。

比賽官方僅提供了7種點(diǎn)蝕程度和15種轉(zhuǎn)速工況的訓(xùn)練集供模型訓(xùn)練，也就是說在最終的比賽中會遇到?jīng)]有見過的數(shù)據(jù)和情況，無疑對模型算法“舉一反三”的泛化性和穩(wěn)定發(fā)揮的魯棒性提出更高挑戰(zhàn)。

想要像“把脈”一樣，通過振動信號來精準(zhǔn)判斷齒輪“生病”的情況并不容易。相對于聲音信號來說，振動信號通過固體傳播、不容易受到其他設(shè)備運(yùn)行聲音和環(huán)境噪音的干擾，而且故障特征在時域譜圖上更加明顯。

但對于齒輪點(diǎn)蝕來說，點(diǎn)蝕程度的增大會讓故障特征的變化極難區(qū)分，相同的點(diǎn)蝕程度在不同的轉(zhuǎn)速下也會呈現(xiàn)完全不同的時頻域特征。復(fù)雜的點(diǎn)蝕程度和轉(zhuǎn)速工況，無疑為比賽疊加了雙層難度。

相同轉(zhuǎn)速下

不同點(diǎn)蝕程度的時域波形、頻譜和包絡(luò)譜對比

相同點(diǎn)蝕程度下

不同轉(zhuǎn)速的時域波形、頻譜和包絡(luò)譜對比

同時，置信度低的樣本得分會乘以0.2的系數(shù)，置信度高的樣本得分會乘以1的系數(shù)；如果有一條高置信度的樣本預(yù)測偏差大，最高會被扣掉4分。所以，每個團(tuán)隊(duì)還需要考慮怎樣冒最小的風(fēng)險拿最高的分。

奪冠秘籍：分類加回歸串行融合方案

面對棘手的任務(wù)與評分方案，科大訊飛聯(lián)合團(tuán)隊(duì)創(chuàng)新性地運(yùn)用了特征解耦策略，設(shè)計(jì)出分類加回歸的串行融合方案，實(shí)現(xiàn)了對不同工況下所有故障級別的預(yù)測。

方案解析圖示

串行融合方案共分為三個階段：

第一階段，訓(xùn)練故障級別和工況的分類模型，利用特征解耦器對故障級別和工況特征進(jìn)行解耦，同時引入重構(gòu)損失保證信息完整性。采用解耦后的故障級別特征可以顯著提高訓(xùn)練集覆蓋故障級別的預(yù)測精度。

第二階段，采用故障級別回歸模型替換第一階段中的分類模型，同時采用取值范圍更大的large-scale Sigmoid回歸函數(shù)，進(jìn)一步提升訓(xùn)練集未覆蓋的故障級別的預(yù)測能力。

第三階段，由于訓(xùn)練集未覆蓋的故障級別預(yù)測準(zhǔn)確率較低，聯(lián)合團(tuán)隊(duì)針對性地提出了修正方案。基于第一階段解耦后的特征向量訓(xùn)練K近鄰模型，利用K近鄰模型對二階段的結(jié)果進(jìn)行修正，可以大大提高未見故障級別的預(yù)測精度。

最終將三個階段的預(yù)測結(jié)果進(jìn)行了融合，得到了比賽最優(yōu)結(jié)果。

“工業(yè)六感”再升級大模型加持為工業(yè)健康護(hù)航

齒輪點(diǎn)蝕這一看似微小的問題，背后卻事關(guān)工業(yè)設(shè)備運(yùn)行的大健康。

近年來，PHM故障預(yù)測與健康管理越來越受到業(yè)內(nèi)的關(guān)注。此次在挑戰(zhàn)賽上奪冠的技術(shù)對于實(shí)際場景中為設(shè)備進(jìn)行預(yù)測性維護(hù)頗具價值，不僅有助于解決復(fù)雜工況下的設(shè)備故障診斷難題，而且通過對較輕的故障級別進(jìn)行早期預(yù)警，可以避免故障進(jìn)一步加深導(dǎo)致的設(shè)備異常停機(jī)。

在實(shí)際應(yīng)用中，科大訊飛已經(jīng)將PHM領(lǐng)域的算法技術(shù)應(yīng)用于制造業(yè)、礦山、電力等領(lǐng)域。通過模擬有經(jīng)驗(yàn)工人師傅的“聽視嗅味觸思”，以“工業(yè)六感”傳感器硬件為采集底座的工業(yè)設(shè)備衛(wèi)士產(chǎn)品，實(shí)現(xiàn)了多維度智能解決工業(yè)客戶關(guān)鍵設(shè)備非計(jì)劃停機(jī)、安全事故風(fēng)險等問題，保障工業(yè)設(shè)備運(yùn)行始終處于可控、在控的狀態(tài)。此次比賽所使用的技術(shù)，就屬于工業(yè)六感中“觸覺”的部分。

在前不久的科大訊飛全球1024開發(fā)者節(jié)上，訊飛工業(yè)設(shè)備衛(wèi)士升級為2.0，已經(jīng)構(gòu)建了250余個智能分析模型，包含150余種工況，覆蓋通風(fēng)機(jī)、空壓機(jī)、離心泵等40余類關(guān)鍵設(shè)備，并為多個企業(yè)提供了設(shè)備故障預(yù)測與健康管理服務(wù)。

1024開發(fā)者節(jié)科博展的科技館里，“工業(yè)檢測與知識問答”展項(xiàng)為逛展觀眾們直觀呈現(xiàn)了訊飛工業(yè)設(shè)備衛(wèi)士的“神奇”，同樣應(yīng)用了此次比賽的技術(shù)成果，具有多維數(shù)據(jù)分析、進(jìn)行早期故障預(yù)警、生成故障診斷報告等功能。有了訊飛星火認(rèn)知大模型能力的加持，未來，工業(yè)設(shè)備智能服務(wù)與設(shè)備運(yùn)維模式還將煥發(fā)全新的可能。