工业大数据环境下基于深度学习的设备健康指标自学习与PHM通用建模技术

Prognostics and Health Management(PHM) is important for improving the availability, safety and reducing the maintenance costs of industrial equipment. In general, modern industrial equipment has equipped with the mature data acquisition infrastructure, but the data processing technology of current PHM framework cannot effectively extract the health information from the industry big data. Aiming at meeting this urgent need, this project proposes a PHM general modeling framework based on deep learning, which integrates three modules: data preprocessing, health index self-learning and PHM model generation. It can automatically handle the large-scale, high-dimensional, multi-source raw monitoring data layer by layer, without the requirement of human intervention, and "translate" the raw data into a set of equipment health indicators which contains a certain degree of interpretation, at the same time, output the result of fault identification, diagnostics and prognostics as well. Thus, it partly overcomes the "black box model" drawback of deep learning. The achievements of this project can reduce the difficulty of applying deep learning technology in PHM applications, provide the useful health status information for maintenance engineers and PHM system developers, and support the maintenance decision and safety assessment work.

故障预测与健康管理技术（PHM）对提升工业设备可用性、安全性以及降低维护成本等方面具有重要意义。现代工业设备已普遍具备较为完善的数据采集设施，但目前PHM的数据处理技术并不能有效地将蕴含在工业大数据中的设备健康信息挖掘出来。本项目针对PHM在工业大数据环境下的这个迫切需求，建立了一套基于深度学习的PHM通用建模框架，集成了数据预处理、健康指标自学习和PHM模型生成三个模块，可在无人工支持的情况下，自动对大体量、高维度、多源性的原始监测数据进行逐层挖掘抽象，将其“翻译”成具备一定可解释性的设备健康指标，并输出故障识别、诊断和寿命预测的结果，在一定程度上克服了深度学习被人诟病的“黑箱模型”的缺点。本项目的研究成果可降低深度学习在PHM应用中的门槛，为维修工程师和PHM系统开发人员提供有效的设备健康状态信息，为设备的主动维护保障决策和安全完好性评估提供强有力的支持。

本项目研究了一系列基于深度学习的故障预测与健康管理（PHM）方法。首先针对深度神经网络运行机制不可视的问题，研究了基于梯度类激活图的特征可视化方法，能够在时域和频域上对振动信号进行标注，识别对故障诊断贡献最大信息量的特征区域，加强了神经网络执行故障诊断的可解释性；针对故障诊断模型在动态环境中性能不稳定的问题，提出了使用多层超限学习机和卷积神经网络的故障诊断模型生成方法，结合无监督迁移学习的训练方式，使得训练出的模型能够在不同工况、不同部件之间做迁移，提高了模型的适应性；针对深度神经网络训练调参需要大量人工经验且无法确保网络结构最优的问题，提出了基于one-shot的神经网络结构搜索算法，初步实现了故障诊断模型的自动训练，并对比验证了自动搜索神经网络的性能；最后将研究的故障诊断模型部署至树莓派轻量计算终端进行在线故障诊断，验证了其在工业互联网上进行边缘计算部署的可行性。