工業(yè)互聯(lián)網(wǎng)環(huán)境下數(shù)據(jù)驅(qū)動與知識驅(qū)動的預測性維護研究

文/牛沖麗，劉宇鑫

新興技術(shù)和互聯(lián)網(wǎng)在工業(yè)系統(tǒng)中的應用正在引領工業(yè)物聯(lián)網(wǎng)的發(fā)展。工業(yè)物聯(lián)網(wǎng)通過自動化智能對象來感知、收集、處理和實現(xiàn)通信工業(yè)系統(tǒng)中的實時數(shù)據(jù)在工業(yè)領域中的新愿景。在工業(yè)4.0的背景下，智能工廠使用先進的傳感和數(shù)據(jù)分析技術(shù)來理解和監(jiān)控制造過程，應用數(shù)據(jù)驅(qū)動方法來提高效率。目前，業(yè)界雖然有大量的方法闡述了數(shù)據(jù)驅(qū)動在預測性維護中的重要性，卻少有研究從工業(yè)數(shù)據(jù)中提取的知識在預測性維護中的應用。本文旨在探究結(jié)合數(shù)據(jù)驅(qū)動和知識驅(qū)動的方法在當前預測性維護中的應用前景。

一、概述

在當今的制造業(yè)中，日益激烈的全球競爭、快速的技術(shù)發(fā)展和客戶對產(chǎn)品質(zhì)量的認知引發(fā)了對未來戰(zhàn)略計劃和先進制造技術(shù)的需求。為了應對這些挑戰(zhàn)，傳統(tǒng)制造企業(yè)正在利用智能和數(shù)字技術(shù)來實現(xiàn)更先進的生產(chǎn)率和更高程度的自動化。這將導致一個新的工業(yè)階段的到來，即橫向和縱向的制造過程集成與產(chǎn)品連接正在幫助企業(yè)實現(xiàn)更高的工業(yè)性能。工業(yè)4.0的核心思想是，在制造過程中實現(xiàn)應用自動化、連通性和大數(shù)據(jù)交換。在智能工業(yè)應用中，自動化不僅限于生產(chǎn)，還包括決策的自動化。其中一個應用領域是預測性維護，而探究結(jié)合數(shù)據(jù)驅(qū)動和知識驅(qū)動的方法在當前預測性維護中的應用前景具有重要意義。

由于數(shù)據(jù)量的指數(shù)增長和數(shù)據(jù)采集技術(shù)的快速發(fā)展，數(shù)據(jù)驅(qū)動方法在工業(yè)設備的預測性維護方面引起了廣泛關(guān)注。“數(shù)據(jù)驅(qū)動預測”通常使用人工智能或統(tǒng)計模型來學習并預測未來狀況。一個基于多個數(shù)據(jù)驅(qū)動模型的系統(tǒng)在不考慮對實際系統(tǒng)或參數(shù)的解釋力的情況下自動運行。雖然數(shù)據(jù)驅(qū)動方法的計算成本不高，但它們通常能提供良好的預測結(jié)果，通常用于監(jiān)控磨損行為或系統(tǒng)故障。然而，由于工業(yè)生產(chǎn)中停機時間的巨大成本，故障已經(jīng)以各種可能的方式被預防，因此，諸如與故障相關(guān)的關(guān)鍵數(shù)據(jù)往往是丟失的。在預防性定期更換部件過程中，這往往是一種昂貴的防止故障發(fā)生的方法。基于知識的系統(tǒng)維護一個知識庫，知識庫以關(guān)于域的語句形式存儲計算模型的符號，并通過操作這些符號來執(zhí)行推理。這種類型的系統(tǒng)度量新的觀察結(jié)果與先前描述情況的數(shù)據(jù)庫之間的相似性，并推斷出適當?shù)臎Q策。基于知識的方法可以進一步分為知識圖譜和本體論、基于規(guī)則的系統(tǒng)和模糊系統(tǒng)。基于規(guī)則的系統(tǒng)是一種基于知識的方法，這種類型的系統(tǒng)根據(jù)一組情景-動作規(guī)則對領域?qū)＜医鉀Q問題的知識進行編碼；而模糊系統(tǒng)常應用于需要靈活決策的情況，通過基于變量的“真度”對數(shù)據(jù)進行劃分。

預測性維護是許多工業(yè)的智能解決方案，它基于預測所連接設備的故障時間的數(shù)學模型，使用戶能夠在設備發(fā)生故障之前修復其設備。[1]預測性維護解決方案對于任務關(guān)鍵型系統(tǒng)非常重要。數(shù)學模型可以預測任何機器的運行，這種預測的結(jié)果取決于從這些機器中收集的數(shù)據(jù)的數(shù)量和準確性。另外，故障早期檢測組件通過使用推理引擎來處理事實和規(guī)則，并在早期階段檢測到異常時觸發(fā)維護警告。根據(jù)檢測到的異常，維護警告可能導致不同的維護操作，即糾正、預防或預測。一旦檢測到需要維護干預，相關(guān)設備根據(jù)當前生產(chǎn)狀態(tài)和維護資源可用性來進行干預，從而實現(xiàn)設備運維的智能優(yōu)化。

二、數(shù)據(jù)驅(qū)動和知識驅(qū)動的預測性維護方法

基于機器學習的預測性維護是用于監(jiān)控工業(yè)系統(tǒng)最突出的數(shù)據(jù)驅(qū)動方法之一，旨在最大限度地提高可靠性和效率。機器學習以先進的監(jiān)測和診斷技術(shù)被不少學者研究，且在預測性維護中的應用已經(jīng)取得了良好的進展。如Arena等人開發(fā)了一種基于決策樹的新決策支持系統(tǒng)，該系統(tǒng)指導預測性維護實施的決策過程。Paplanti等人研究了一種基于隨機森林的預測性維護架構(gòu)。傳統(tǒng)的機器學習在故障診斷和預測性維護中已經(jīng)取得了一定的成績，但本質(zhì)上仍為淺層學習，在很大程度上取決于提取的故障特征是否準確。深度學習以其強大的特征提取能力可用于實現(xiàn)對未來狀況或剩余使用壽命的預測建模。[2]深度學習算法的主要優(yōu)點是，從新數(shù)據(jù)中自動學習隱含特征。分層順序的非線性變換使得從粗數(shù)據(jù)中推斷信息變得容易，而無須特征提取和選擇步驟。對于大數(shù)據(jù)時代而言，數(shù)據(jù)具有巨大的價值。傳感器可在長時間內(nèi)定期記錄有關(guān)設備健康狀態(tài)的數(shù)據(jù)，形成巨大的數(shù)據(jù)集。與機器學習相比，深度學習算法適用于應對大數(shù)據(jù)分析的挑戰(zhàn)，在預測性維護中有更深層次的研究價值。隨著智能計算和深度學習研究的不斷深入，基于數(shù)據(jù)驅(qū)動的方法在預測性維護中取得了巨大的進步。但目前主流的深度學習類數(shù)據(jù)驅(qū)動方法存在“黑盒子”性質(zhì)，在數(shù)據(jù)建模的過程中難以解釋，阻礙了更多的深度學習算法在預測性維護中的應用。隨著工業(yè)大數(shù)據(jù)的急劇增長，時域信號和振動信號等多形式數(shù)據(jù)的出現(xiàn)，利用傳統(tǒng)的數(shù)據(jù)分析方法難以挖掘出數(shù)據(jù)屬性間內(nèi)在關(guān)系和隱藏信息，以致剩余壽命預測和故障診斷等任務的精度不足。

知識圖譜作為一個新興的研究領域，在人工智能領域內(nèi)逐漸取得重要的地位。[3]傳統(tǒng)意義上的人工智能大多以數(shù)據(jù)驅(qū)動為核心，但離智能化還有一定的差距。知識圖譜作為以知識為驅(qū)動的核心，將促使人工智能應用以知識賦能，促使計算機更具有推理力、解釋性。知識圖譜通過抽取數(shù)據(jù)內(nèi)部機理關(guān)系，轉(zhuǎn)化為領域知識，從而構(gòu)建知識圖譜。知識驅(qū)動方法基于知識工程的角度，通過對設備故障診斷來進行知識化表達和分析，為大數(shù)據(jù)背景下的預測性維護提供了全新思路。例如，如王巖等人[4]提出了面向采煤機智能運維的知識圖譜構(gòu)建方法；Berghout等人[5]在知識驅(qū)動型方法中利用標簽信息預測滾動軸承剩余使用壽命，該方法利用標簽信息來關(guān)聯(lián)輸入和標簽。應用基于知識驅(qū)動的方法構(gòu)建知識圖譜，進一步結(jié)合其他算法完成建模，一方面可實現(xiàn)多模態(tài)數(shù)據(jù)的知識提取和融合，另一方面可實現(xiàn)在大數(shù)據(jù)背景下實時、快速地進行預測性維護的目的。

知識驅(qū)動、數(shù)據(jù)驅(qū)動以及常見的基于模型的方法各有其應用場景，大部分研究是如何將其優(yōu)勢互補，最小化數(shù)據(jù)驅(qū)動方法或者知識驅(qū)動方法的缺陷，一般來說都是將二者相結(jié)合互補。相比于傳統(tǒng)預測性維護方法，基于單一機理知識或設備數(shù)據(jù)，難以解決現(xiàn)實條件下的多工況、超復雜的設備故障診斷。因此，上述結(jié)合了知識驅(qū)動和數(shù)據(jù)驅(qū)動的方法具有較強的機理知識，增強了數(shù)據(jù)間的關(guān)聯(lián)性，提高了工業(yè)設備現(xiàn)實條件下的故障診斷率和診斷速度。

三、結(jié)語

近年來，深度學習模型在預測性維護系統(tǒng)的開發(fā)方面不斷取得突破，成為解決工業(yè)問題的技術(shù)主流。預測性維護的大多數(shù)深度學習工作都專注于實現(xiàn)高度準確的最先進結(jié)果。然而，其他重要方面需要進一步研究，包括可解釋性、實時執(zhí)行和不確定性建模。目前，一些新興的研究趨勢可以解決差距，例如結(jié)合可解釋的人工智能和領域知識來解釋更準確的“灰盒”模型和“黑盒”模型的行為；開發(fā)集成簡化架構(gòu)的邊緣計算系統(tǒng)，降低復雜性以實現(xiàn)在線數(shù)據(jù)處理，并利用每個預測的概率來豐富模型輸出，以模擬不確定性。

此外，通過知識驅(qū)動方法來指導深度學習過程，學習會更有導向性和更加智能。知識驅(qū)動方法有理論支持，分析結(jié)果合理。雖然可信的、純數(shù)據(jù)驅(qū)動的人工智能方法可以挖掘出數(shù)據(jù)規(guī)則，但它們的解釋難以令人信服。當系統(tǒng)結(jié)構(gòu)發(fā)生變化等新場景出現(xiàn)時，收集新信息完成更新需要時間，但僅依靠知識驅(qū)動的分析很難保證特征提取的有效性、全面性和準確性。同時，數(shù)據(jù)驅(qū)動的方法可以捕獲數(shù)據(jù)中反映但可能被忽視或過度簡化的特征。因此，今后的研究有必要將知識驅(qū)動和數(shù)據(jù)驅(qū)動的檢測方法結(jié)合起來。