工业大数据分析算法实战-day19

day19

今天是第19天，昨日是针对线性规划、整数规划建模技巧进行阐述，今天开启第九章节—行业知识沉淀的方法，该章节主要是对行业知识的范畴进行探讨，将讨论限制在研判类的知识沉淀上，将业务范围侧重在PHM中（故障预测与健康管理），然后从沉淀方法、模型要素、设备对象、典型问题建模方法、软件系统技术这5个维度进行讨论

讨论范畴介绍

知识这个名称可以从不同角度和以不同方式进行介绍，以下是三个方面对知识的介绍：

• 信息的高度结构化的浓缩成果
• 专业思考的基础
• 专家和非专家的分水岭

知识从知识用途可以分为2类

• 概念型知识：集中在概念、属性、关系的描述，主要回答是什么、什么是这样的问题

• 过程型知识：集中在过程方法或过程约束方面的描述，主要回答如何做的问题

知识表达明确度可分为3种

• 显性知识：采用书面、图标、数字、公式等有形的符号系统进行表达的知识，比如物理定律这些
• 隐性知识：目前没有但潜在可以用有形形式表达的知识，比如研判经验
• 缄默知识：实际很有效，但是难以表达的偏向个人感觉的知识、例如直觉洞察等

本章节侧重隐性的过程型知识，该项是工业专家针对一些工业过程研判、操作管理的经验。

知识工程

广义上的知识工程指的是提高知识的有用性、可用性、实用性、重用度的各种技术。主要包含下图环节，本章节针对知识表达主要集中在规则模型、分类模型等数据驱动的研判类模型，是对各种工业过程的刻画和研判，并侧重沉淀过程（包含：知识获取、知识表达、知识检验）

知识沉淀方法的维度模型

在PHM这一领域范畴下，知识沉淀由以下4个维度：

模型要素维度

PHM领域可分解为如下图所示6大问题

PHM问题分析的前提是工况、工质、环境等共性要素，有两种建模技术路线

• 系统的设计和运行机理明确约定不同工况状态和工质情形，并且有明确的状态转移研判条件
• 基于历史数据的聚类分片，形成稳定的分类

传感器异常报警

传感器的可靠性比一般工业设备要低，传感器异常研判是其他分析的基础，该异常研判有两种技术路线

• 建立多模态无监督检测模型，多是数据驱动
  • 典型做法：研究传感器相关系统设备的运行机理和基本工况，综合考虑传感器之间的物理冗余、解析冗余、统计相关性，选择一组合适的传感器建立数据驱动模型计算监测统计量对异常进行监测，该模型可捕获传感器之间的时间关联性、空间关联性、工况关联性，主要方法包括：多变量状态估计法（MSET）、时间序列分解方法、ARMA、非线性PCA、独立森林、One-Class SVM、Auto-Encoder等以及多模型的研判方法
• 建立传感器特定故障的研判模型，多是专家规则驱动

下图为传感器异常的研判要素

该表格为振动传感器失效原因、表征和研判逻辑

异常预警的范式：特征量-征兆量-研判规则

从传感器获取的数据其特征是不明显、不直观的，很难研判，数据处理的目标就是把采集的数据按照一定方法进行变换和处理，获得与异常类型最相关的特征信息，称之为特征变量，特征变量在一段时间内的变化模式被称为征兆。一些常见的征兆有：短序列的形状（如缺头波、尖峰、毛刺等）、时序趋势（如缓慢上升）或周期模态（例如，低频振荡），多个时序相关性（如不同步）、相位图形状（如形状异常）等

故障模式的研判规则有四种表现形式：

• 加权平均，即征兆-故障模式的系数矩阵，输出的是某种故障类型的概率
• if-then构成的规则集，条件部分时多个征兆变量的逻辑或简单数学运算，输出的时故障类型的研判结果
• 规则流，用于表达复杂的逻辑关系
• 函数，内部可嵌入机器学习模式，输出时故障类型及其概率

健康评估的范式：劣化度-健康度-综合评价

健康评估模型包含：评价指标体系、劣化度评价基准和评价方法、综合评价方法，如下图所示

• 评价指标体系：根据行业标准，确定劣化度，采用模糊函数，将劣化度转换为不同健康等级的隶属度，根据健康等级的健康分值，通过隶属度计算健康得分
• 劣化度评价基准和评价方法：可以基于失效/故障风、参考基准或者是专家规则
• 综合评价方法：通过劣化度和健康得分计算，部套的健康度时其下属部件健康度的加权平均、逐层进行健康度计算

故障类型研判范式：特征量-证据/现象-推理逻辑

故障定位模型一般可分为特征量、证据/现象、推理逻辑三个部分，在梳理的时候可采用故障模式-征兆-故障原因的关联关系进行分解，根据故障模式的分析思路如下图

故障处理效果监控范式：症状-异常类型/严重等级-处理措施-状态

故障预测

故障预测一般时评估缓慢劣化导致设备性能下降，一般有4种思路：

• 根据性能指标：如果是领域公认的健康性能指标，且指标可以相对密集地获得，则可以通过插值，相对直接地估算剩余寿命;
• 根据故障结果数据和诱因数据(如环境、累积冲击)：通过生存分析，预测剩余寿命或故障概率，以初步评价剩余寿命;
• 故障结果数据与设备状态监测数据：通过设备状态的相似度或状态轨迹变化的相似度，相对精准地估计设备的故障概率;
• 根据故障过程数据：在设备的故障过程(可能是加速故障实验)中，有相对完整密集的环境、工况、设备状态的演化过程数据，通过插值等方式，获取相对精确的剩余寿命估算。