前言：傳統(tǒng)工業(yè)中，維修時(shí)花費(fèi)的大部分時(shí)間都在故障的診斷上，而不是進(jìn)行實(shí)際的補(bǔ)救，因?yàn)楣收显\斷是機(jī)器維修中最具挑戰(zhàn)性的階段。在能源行業(yè)中，精確的故障診斷直接影響到供能的穩(wěn)定性。

隨著傳感器技術(shù)，數(shù)據(jù)存儲(chǔ)和互聯(lián)網(wǎng)的飛速發(fā)展，工廠變得越來越智能，并且生成更多的過程數(shù)據(jù)。針對(duì)大量數(shù)據(jù)的數(shù)據(jù)分析需求應(yīng)運(yùn)而生，通過基于數(shù)據(jù)的機(jī)器學(xué)習(xí)技術(shù)能有效改善故障診斷。

本文將簡要介紹幾種在故障診斷領(lǐng)域廣泛應(yīng)用的機(jī)器學(xué)習(xí)技術(shù)及其各自的應(yīng)用方向，并對(duì)每種技術(shù)的優(yōu)缺點(diǎn)進(jìn)行簡單分析。包括：貝葉斯網(wǎng)絡(luò)（BN），人工神經(jīng)網(wǎng)絡(luò)（ANN），支持向量機(jī)（SVM）和隱馬爾可夫模型（HMM）技術(shù)。

貝葉斯網(wǎng)絡(luò)（BN，Bayesian Network）

貝葉斯網(wǎng)絡(luò)是故障檢測的一種常用的機(jī)器學(xué)習(xí)技術(shù)。BN是有向無環(huán)圖，即網(wǎng)絡(luò)結(jié)構(gòu)要求節(jié)點(diǎn)之間不能形成任何閉環(huán)，其節(jié)點(diǎn)表示隨機(jī)變量，其條件相關(guān)性由鏈接節(jié)點(diǎn)的有向弧表示。

BN是白盒模型，因?yàn)閳D形表示使用戶可以直觀地輕松理解模型變量之間的交互。這對(duì)于建模不確定性十分有益，并且可以較容易地使用來自多個(gè)來源的數(shù)據(jù)（通常在制造系統(tǒng)中找到）來對(duì)多個(gè)原因和結(jié)果的層次級(jí)別進(jìn)行建模。訓(xùn)練BN的主要挑戰(zhàn)在于樹結(jié)構(gòu)的構(gòu)建。

BN廣泛應(yīng)用于故障監(jiān)測及可靠性分析領(lǐng)域，1995年 Microsoft公司將 BN 運(yùn)用于打印機(jī)的故障診斷，通過不斷計(jì)算在不同步驟下可能需要的維修方案的功效確定最優(yōu)的維修路徑。在半導(dǎo)體行業(yè)，Yang&Lee和Nguyen等人使用BN評(píng)估工藝變量對(duì)晶圓質(zhì)量的影響，從而使用歷史工藝數(shù)據(jù)診斷缺陷晶圓的根本原因?？煽啃苑治鲆话惆ǚ治龉收习l(fā)生的概率和時(shí)間、系統(tǒng)冗余，需要綜合考慮系統(tǒng)的多狀態(tài)單元、動(dòng)態(tài)變化、運(yùn)行條件等因素。在能源領(lǐng)域，例如電廠運(yùn)行可靠性，核能系統(tǒng)的可行性中都有著成功應(yīng)用。此外BN 還廣泛應(yīng)用于發(fā)動(dòng)機(jī)轉(zhuǎn)子、電網(wǎng)、車輛電源系統(tǒng)、液壓泵、電力變壓器、太陽能發(fā)電廠、移動(dòng)通信網(wǎng)絡(luò)、制造過程的故障診斷。

人工神經(jīng)網(wǎng)絡(luò)（ANN， Artificial Neural Network）

人工神經(jīng)網(wǎng)絡(luò)是一種非參數(shù)的機(jī)器學(xué)習(xí)算法，受人類中樞神經(jīng)系統(tǒng)功能的啟發(fā)。自適應(yīng)特性提供了強(qiáng)大的建模功能，適用于特征之間的非線性關(guān)系。

人工神經(jīng)網(wǎng)絡(luò)目前沒有一個(gè)統(tǒng)一的正式定義。不過，具有下列特點(diǎn)的統(tǒng)計(jì)模型可以被稱作是“神經(jīng)化”的：

具有一組可以被調(diào)節(jié)的權(quán)重（被學(xué)習(xí)算法調(diào)節(jié)的數(shù)值參數(shù)）這些可調(diào)節(jié)的權(quán)重可以被看做神經(jīng)元之間的連接強(qiáng)度。

可以估計(jì)輸入數(shù)據(jù)的非線性函數(shù)關(guān)系

人工神經(jīng)網(wǎng)絡(luò)與生物神經(jīng)網(wǎng)絡(luò)的相似之處在于，它可以集體地、并行地計(jì)算函數(shù)的各個(gè)部分，而不需要描述每一個(gè)單元的特定任務(wù)。

單個(gè)神經(jīng)元示意圖，f為函數(shù)關(guān)系，w為權(quán)重

ANN的非參數(shù)性質(zhì)及其以高精度對(duì)非線性復(fù)雜問題進(jìn)行建模的能力，使ANN可應(yīng)用于故障診斷問題。該模型易于初始化，因?yàn)椴恍枰馚N一樣指定網(wǎng)絡(luò)結(jié)構(gòu)。但是，缺點(diǎn)包括“黑匣子”性質(zhì)，這使得模型難以解釋。此外，人工神經(jīng)網(wǎng)絡(luò)通常無法處理輸入中的不確定性，并且計(jì)算量大，因此在訓(xùn)練過程中收斂通常會(huì)較慢。人工神經(jīng)網(wǎng)絡(luò)容易過度擬合，需要大量的多樣化數(shù)據(jù)集進(jìn)行訓(xùn)練以防止出現(xiàn)此問題。

ANN以大規(guī)模并行能力，適應(yīng)學(xué)習(xí)能力，分布式信息存儲(chǔ)、魯棒性等特點(diǎn)，在故障監(jiān)測及診斷領(lǐng)域大受關(guān)注。大量多樣的神經(jīng)網(wǎng)絡(luò)算法被開發(fā)及利用。神經(jīng)網(wǎng)絡(luò)算法可以說是機(jī)器學(xué)習(xí)技術(shù)中的明星。其應(yīng)用范圍十分廣泛，在能源領(lǐng)域有著相對(duì)成熟的應(yīng)用，包括負(fù)荷預(yù)測，各類故障診斷等等。

支持向量機(jī)（SVM， supportvector machine）

SVM使用不同的核函數(shù)（例如徑向基函數(shù)（RBF）或多項(xiàng)式內(nèi)核）來找到一種能將數(shù)據(jù)最好地分離的超平面，并且在與小型訓(xùn)練集一起使用時(shí)具有良好的分類性能。支持向量機(jī)的成功應(yīng)用領(lǐng)域包括面部識(shí)別，手寫字符識(shí)別，語音識(shí)別，圖像檢索，預(yù)測等。

SVM是建模線性和非線性關(guān)系的出色技術(shù)。與其他非參數(shù)技術(shù)（例如ANN）相比，計(jì)算時(shí)間相對(duì)較快。大型訓(xùn)練數(shù)據(jù)集的可用性是機(jī)器學(xué)習(xí)中的一個(gè)挑戰(zhàn)，但是，即使在訓(xùn)練數(shù)據(jù)量有限的情況下，SVM也有不錯(cuò)的效果。

支持向量機(jī)在故障定位中的應(yīng)用不像BN和ANN常見。支持向量機(jī)是工業(yè)生產(chǎn)系統(tǒng)的非常有效的監(jiān)視和診斷工具，例如使用該技術(shù)來診斷在不同切削條件下的端面銑削過程中的刀具破損故障。以及SVM在風(fēng)力發(fā)電機(jī)組中的故障監(jiān)測，此外在醫(yī)學(xué)領(lǐng)域，SVM被用于各種疾病的診斷，例如用于癌癥及糖尿病的監(jiān)測。在能源領(lǐng)域，支持向量機(jī)還被應(yīng)用于負(fù)荷預(yù)測，例如房屋冷熱負(fù)荷預(yù)測，風(fēng)電發(fā)電量預(yù)測及用戶負(fù)荷預(yù)測等。

隱馬爾可夫模型（HMM， Hidden Markov Model）

隱馬爾可夫模型是馬爾可夫鏈模型的擴(kuò)展，用于估計(jì)動(dòng)態(tài)過程中狀態(tài)轉(zhuǎn)換和測量輸出的概率分布，假定過程的狀態(tài)不可觀察。描述一個(gè)含有隱含未知參數(shù)的馬爾可夫過程，是一個(gè)雙重隨機(jī)過程（包括馬爾可夫鏈和一般隨機(jī)過程）。

HMM是一種概率模型，在建模過程中具有不可觀察的狀態(tài)（例如化學(xué)過程或設(shè)備的健康狀況）方面非常出色，因此非常適合故障診斷。但是，訓(xùn)練過程通常需要大量計(jì)算。

HMM已用于連續(xù)和離散制造系統(tǒng)的故障診斷。例如，診斷軸承的磨損及故障，應(yīng)用于復(fù)雜化工過程的故障監(jiān)測，感應(yīng)電動(dòng)機(jī)的故障診斷等。此外，HMM廣泛應(yīng)用在語音識(shí)別，詞性自動(dòng)標(biāo)注，音字轉(zhuǎn)換，概率文法等各個(gè)自然語言處理、算術(shù)編碼、地理統(tǒng)計(jì)學(xué)、企業(yè)產(chǎn)品市場預(yù)測、人口過程、生物信息學(xué)（編碼區(qū)域或基因預(yù)測）等應(yīng)用領(lǐng)域。在能源領(lǐng)域，也被應(yīng)用于房屋負(fù)荷預(yù)測。

責(zé)任編輯：ct