7 PHM算法PHM算法 故障诊断建模方法.docxVIP

【PHM算法】PHM算法 | 毛病诊断建模方法 2020-03-17 原文 以下文章来源于天泽智云CyberInsight ，作者天泽智云 HYPERLINK 天泽智云CyberInsight 天泽智云是工业智能实践者。供应以CPS信息物理系统为架构，以工业智能算法及行业领域学问为驱动的端到端处理方案。我们以服务为核心，以实现客户最终价值为导向，提升资产的经济效益，加速产业的智能化升级和价值转型。 天泽智云CyberInsight 本文将从毛病诊断的概念、常用算法及使用案例三个方面，解读毛病诊断建模方法。 1 什么是毛病诊断？ ? ?? 诊断是指通过检查观看到的症状来确定问题的本质。毛病诊断的目标是将高维特征向量转换为形态标识，即标识出健康/毛病，其中毛病又分为多种失效模式。 ? 数据驱动的毛病诊断分为两个阶段：训练阶段和测试阶段。 训练阶段：训练毛病诊断模型 ? 在训练阶段，需要大量的历史数据、样本及多维特征。有些历史数据可以通过机理/阅历丰富专家的阅历对当前形态打标签（如能否健康/毛病是什么等级等），但工业领域的数据多数情况都缺少标签，要么全部都是健康数据，要么根本不晓得是毛病/健康数据。这两种情况分别对应有监督学习和无监督学习，可以运用相应算法训练出毛病诊断模型。 测试阶段：测试当前形态识别 ? 在测试阶段，将设备的特征提取出来，放到训练好的毛病诊断模型里，从而计算出当前的形态标识。 2 毛病诊断常用算法 ?? 支持向量机（SVM） ? 支持向量机（SVM）最早于1963年由VladimirN. Vapnik和Alexey Ya. Chervonenkis提出，在处理小样本、非线性及高维模式识别中表现出很多特有优势，并能够推广使用到函数拟合等其他机器学习问题中。 ? 线性问题 ? 支持向量机（SVM）可以实现线性问题分类，无效处理二分类问题。 ? 核心思想：找到最优分类面将正负样本分开，使得样本到分类面的距离尽可能远。 ? ? 如上图所示，在二维图中是一条直线，在多维高维空间里则是一个超平面。通过运用数学规划和优化算法，让正负样本到超平面的距离尽可能的远，从而找到最优分类面。 ? 非线性可分问题 ? 支持向量机算法除了能对线性问题进行分类之外,还可以对非线性可分的问题进行分类,我们可以使用1992年提出的核函数技巧（The Kernel Trick）的方法，利用函数把低维特征映射到高维的空间。 ? ? 如图所示，左边图样本特征在二维空间里是不行线性可分的，但是把它映射到高维空间中，就以找到一个平面将其分开。 ? 常用的核函数包括多项式函数（Polynomial）、高斯函数（Gaussian）、径向基函数（Radial Basis Function）、Sigmoid函数等。在Python和Matlab中都有格外成熟的算法包供大家调用，而且也可以选择不同的核函数来处理线性不行分的问题。 ?多分类的毛病诊断问题 ? SVM虽然是二分类问题，但是也可以处理多分类的毛病诊断问题，具体如何实现？ ? 举例而言，比如说已知共有ABCD四类，A是健康，BCD是三种不同毛病模式，首先可以用一个分类器去分类是健康/毛病，即是A/不是A；之后在不是A的部分中再训练一个分类器来分类，是B毛病/不是B毛病。简言之就是用层层迭代的方法，通过多种SVM分类器的组合来实现多分类问题。 ? 除了SVM支持向量机的方法，机器学习中还有很多其他常用的分类算法，如随机森林、AdaBoosting、人工神经网络等，这些都是能格外强大的工具，可以更清楚地处理分类问题。 ? 以上几种方法都需要有明确的毛病标签，是一个有监督的学习过程。而在工业场景中的数据大多是无标签的/健康的，无法满足以上方法的基础条件，这就需要通过其他方法来进行处理。 ? 自组织映射神经网络（SOM） ? SOM的优点在于能够不断学习训练数据的内在模态和模式，构成神经网络模型，把高维特征矩阵转化为二维蜂窝状的映射图，实现整个毛病的分类。 ? ? 其核心机制是竞争学习。首先依据训练数据的样本大小和特征的维度，来构造初始SOM网络的模型结构，上面的每一个神经元通过不同的群众向量来表达；之后基于竞争学习的更新策略不断迭代更新，移动神经元的位置构成不同的BMU，最大程度靠近所属聚类。 ? SOM在进行毛病诊断和健康评估时并非完全相同，区分如下： 在进行毛病诊断时，把形态样本放到训练好的SOM模型中计算出BMU，找到所属类别，则认为是当前形态的毛病类别。 而在健康评估的时候，需要在此基础上进一步计算当前形态和BMU之间的距离，作为健康形态的评价目标。 SOM的数据可视化的效果格外好，可以把高维的数据转化为一个蜂窝状的映射图。 ? 映射图是如上所示的U-matrix，其中的不同颜色表示相邻神经