基于机器学习的故障诊断研究现状与未来发展趋势

2019年4月基于机器学习的故障诊断研究现状与未来发展趋势谢思翔（北京市第九中学，北京市100041）

诊断效率和准确率不高。近几年，由于机【摘要】随着机械设备的大型化和复杂化，设备的故障是无法避免的。传统人为故障排查费时费力，

本文综述了现有机器学习的方法，分析了他们在故障诊断领域器学习在人工智能诊断故障方面上的高效性和准确性，逐渐受到了人们的青睐。

各自的优缺点以及技术难点，提出了可能的解决方案。并对机器学习在未来故障诊断领域中的应用进行展望。

故障诊断【关键词】机器学习；人工智能；

【中图分类号】【文献标识码】【文章编号】（2019）TP181A1006-422204-0312-02

引言当今科技的迅速发展袁使得现有的机械设备逐渐的趋于自动化袁复杂化和大型化遥由于设备使用年限的增长和人为的使用不当遥这些设备的故障往往无法避免袁同时又难以排查遥传统人为的故障诊断耗费时间长袁诊断效率和准确率不高遥往往会造成设备的停机时间过长袁给使用者或者企业造成巨大的经济损失遥因此袁寻找一种高效的故障诊断方法有着极为重要的意义遥近年来袁人工智能的兴起为高效准确的故障诊断提供了可能遥其中机器学习方法作为人工智能的重要组成部分袁越来越受到了人们的重视遥机器学习是将人对问题的处理和思考方式赋予计算机袁让计算机拥有自我学习的能力遥通常人是根据已有的知识和经验对要解决的问题进行推理和判断遥而在机器学习中袁计算机是通过已有的数据来训练模型袁通过这样的训练来获得类似于人已有的经验和知识袁从而对问题进行一个预测遥这里的训练可以理解为人的一个学习知识的过程袁这里的预测可以认为是人的一个推理和判断的过程遥目前现有的主要机器学习方法有院支持向量机尧人工神经网络尧贝叶斯网络袁决策树等方法[1]袁同时他们也拥有各自的优缺点遥

习方法复杂遥

渊3冤支持向量机是依据统计学原理袁以VC维理论和结构风险最小原理为基础的一种分类数学模型遥可以解决在样本稀少时数据分类问题遥这类算法还能用于解决高维的问题袁但它受缺失数据的影响较大袁并且通常只能同时区分两种数据袁传统的支持向量机只支持二分类方式遥

对于一个大型的机械设备来讲袁他的故障多种多样袁可能是电路方面的故障渊电路短路冤袁可能是机械方面的故障渊齿轮传动故障或者零部件老化或者磨损冤袁又比如人为操作失误方面的故障渊操作人员对设备进行过载操作冤遥对于不同故障原因导致的设备体现不同的故障状态遥目前以机器学习为主的故障诊断方法诊断速度快袁诊断精度高袁但同时他们也存在着各种各样的问题遥

渊1冤对于机器学习模型来讲袁它前期的训练尤为重要袁尤其神经网络和贝叶斯网络这种需要较为庞大的训练样本才能达到一定的精度要求遥如果训练样本越多袁数据量越庞大袁训练后所得到的诊断模型精度越高袁但由于大型设备故障数据难以获得袁即使拥有着故障数据袁但很难能将一个设备的故障数据获取完备遥为此袁传感器融合技术得到了快速的发展袁在数据获取时期袁单一的传感器并不能全部反应设备的运行状态袁利用单一传感器建立的数据特征并不完善袁因此在数据采集过程中袁我们往往需要多种传感器遥如振动传感器来监测设备的运转过程中的振动状态袁温度传感器来监测设备运转过程中的温度变化袁功率传感器来监测电路中的电流变化等等袁如果将多传感器所采集到的数据信息进行融合袁便可以建立完善的设备运转信息袁包含设备在出故障时的故障信息袁即可以得到较为完备的故障数据即作为机器学习所需要的训练数据遥

渊2冤对于一个较好的故障诊断模型来讲袁它的计算效率也作为衡量模型好坏的一个标准袁虽然机器学习中神经网络尧支持向量机尧贝叶斯网络等模型袁他们都有相较于其他模型较好的优点袁如神经网络模型便于理解袁训练方式简便袁贝叶斯网络算法原理简单袁计算效率相对较高等等袁但这些在庞大的训练数据面前袁计算效率都会受到较大幅度的影响遥因此袁提高算法效率也作为研究者重中之重的研究对象袁近年来量子计算由于其高效的计算方法和完备的理论模型袁逐步得到了人们的重视遥它可以解决传统计算机所能解决的所有问题袁因此研究者将量子计算和机器学习结合到一起袁提出了一种基于

2研究难点及可能的解决方案1机器学习研究现状大型的机械设备故障诊断主要面临着以下几个问题院故障位置不明显且难以发现袁容易出现误诊曰加工环境复杂袁获得故障信息繁复袁机械故障概率高发袁我们拥有的故障知识库不完备遥目前主要的故障诊断方法可分为两类院人工诊断方法和以机器学习为主的智能诊断方法遥主流的机器学习方法有人工神经网络袁贝叶斯网络和支持向量机遥

渊1冤人工神经网络院是模拟人脑神经元传递袁对数据进行处理的一个数学模型遥并且具有自主学习的能力袁拥有着训练模式简单尧易于使用者学习和使用的高性能算法的优点遥但是它也有缺点袁如在大多数情况下他是无法对自己的推理过程和结果进行说明袁并且人工神经网络模型计算效率不高袁对于越复杂的问题袁处理时间越长遥而且相比于其他机器学习算法人工神经网络对数据量的要求要大得多袁它虽然能很好的解决复杂或简单的问题袁但大多时候是建立在以庞大的数据量为基础的前提遥

渊2冤贝叶斯网络是通过变量之间的独立假设来获取我们所需要的信息遥它可以处理不确定性问题袁在数据稀少的情况下也能很好地解决问题遥它的原理相对简单袁相对于神经网络袁它的计算效率比较高遥缺点是训练模型相对于其他机器学

2019年4月论述313

基于数据手套的交互系统设计陈镇涛，林国铭刘续丹，侯红霞，杨钰淇，

天津300222）（天津职业技术师范大学自动化与电气工程学院，

弯曲度传感器、结合卡尔曼滤波、算数【摘要】基于数据手套的交互系统设计通过主控芯片、MPU6050等硬件电路实现数据手套的采集功能，

最终于VR眼镜结合成功实现虚拟交互功能。平均滤波，基于数据手套的交互系统设计的手势识别KNN算法对数据手套信息进行提取和处理，

具有良好的使用浸入感。具有较高的准确性、实时性和稳定性，

【关键词】数据手套；MPU6050；KNN算法【中图分类号】【文献标识码】【文章编号】（2019）TP391.9A1006-422204-0313-02

1.1核心芯片

本系统所研究的数据手套袁在功能上可实现实时检测使用者手指弯曲及整个手姿态变化的数据信息功能袁并对检测到的数据进行处理分析袁最终实现数据手套与终端的通讯遥

1硬件系统设计本系统核心芯片采用主流ARMSTM32F103RCT6作为数据手套核心控制器袁其低功耗尧低成本尧高性能的特点使得其在控制领域得到了较为广泛的应用遥Cortex-M3采用了Tail-Chaining中断技术袁完全基于硬件进行中断处理袁最多可减少12个时钟周期数袁在实际应用中可减少70%中断袁比STC系列的单片机处理精度要高袁稳定性好是本系统控制器的最佳选择遥

1.2.1弯曲度传感器

下的导通电阻值约为9k赘袁随着弯曲程度的不断加大袁电阻值也不断增加遥传感器弯曲程度与输出电阻值呈线性关系遥当传感器弯曲程度到达90毅时袁其电阻值约为14k赘曰在弯曲180毅时电阻值约为22k赘遥经测试传感器可承受360毅以上的弯曲袁该传感器可准确反映手指的变化角度袁具有灵敏度高袁成本低袁使用方便等特点遥在本设计中采用电阻分压的方法袁将电阻值的变化转化为电压值的变化袁然后再通过LM324运算放大器对输出信号进行放大从而得到比较稳定的电压袁为核心芯片ARMSTM32F103RCT6采集数据提供便利遥

1.2.2MPU-6050角度传感器

1.2传感器模块

本系统弯曲度传感器采用一种具有柔韧性的弯曲传感器袁保证用户在数据手套时可以进行自由的活动遥弯曲度传感器工作原理是通过传感器弯曲时电阻值发生变化袁从而判断出传感器弯曲的程度遥本系统弯曲传感器在正常不弯曲状态

MPU-6050是InvenSense公司推出的全球首款整合性6轴运动处理组件袁相较与其他型号传感器袁其解决了组合陀螺仪与加速器轴间差问题袁减少了安装空间遥其内部整合了3轴陀螺仪与3轴加速传感器与一个第二IIC接口袁可以方便的连接外部磁力传感器袁并利用自带的数字运动处理器硬件加速引擎袁将数据从主ICC接口传向应用端袁进而成功输出完整的9轴融合数据遥故角度传感器具有以数字输出6轴或9轴的旋转矩阵尧四元数渊quaternion冤尧欧拉角格式渊EulerAnglefor鄄

量子计算的机器学习方法袁极大的地提高了机器学习的计算效率[2]遥

渊3冤对于支持向量机的机器学习方法来讲袁由于其算法原理袁在处理小样本问题上袁有着独特的优势袁往往它更适合解决如有着小样本数据的大型机械设备故障诊断问题遥但它只适合区分两种数据袁面对大型设备故障这种高维度袁高数据类型复杂的模式分类问题袁它明显不适合袁但我们可将多个二类支持向量机的组合或将支持向量机和其他类机器学习方法相结合来诊断具有小样本的故障诊断问题[3]遥

不断进步和提高的科技水平袁对机器学习的发展起着重要的作用袁硬件与软件的提升让机器学习在故障诊断方面的计算效率不断的增加袁设备故障数据的积累尧共享也会让机器学习在未来故障诊断领域达到一个更高的准确度遥未来机器的故障诊断离不开机器学习袁但是目前来看袁机器学习在故障诊断领域中的应用还有着局限性遥因此袁未来机器学习在故障诊断里的应用可从以下几方面入手院淤寻找更为高效的计算方法袁进一步提升机器学习的计算效率遥于建立企业间或者网络的数据库共享袁使得故障样本数据更加的完善遥盂融合多机

器学习方法袁兼顾和利用各个机器学习方法之间的优势袁建立一个更为准确可靠的机器学习故障诊断模型遥我们始终相信随着算法的更新进步袁机器学习也会向着可以应对更多不同种类的复杂问题的方向发展遥并且具有更加完善的深度学习能力[4-5]袁可以像人类一样对复杂问题进行分析遥

参考文献

3未来的发展方向[1]张润袁王永滨.机器学习及其算法和发展研究[J].中国传媒大学学报自然科学版袁2016渊23冤2院10-18.

[2]黄一鸣袁雷航袁李晓瑜.量子机器学习算法综述[J].计算机学报袁2018渊41冤1院145-163.

[3]袁胜发袁褚福磊.支持向量机及其在机械故障诊断中的应用[J].振动与冲击袁2007袁26渊11冤院29-35.

[4]李柏袁张友民袁邵之江.自动驾驶车辆运动规划方法综述[J].控制与信息技术袁2018袁6院1-6.

[5]张炜.基于机器学习的智能家居系统设计与实现[D].吉林大学袁2016.

收稿日期：2019-3-15