摘要
数据驱动的管理决策是管理科学与工程的研究热点，其中故障诊断决策是利用管理科学与工程的决策、预测与评价等理论指导工业过程健康管理的具体问题。随着制造和信息技术的快速迭代更新，人工智能对智能制造等工业系统在自主感知、异常检测、健康管理和预防性维护等方面做出了巨大贡献，对传统制造业向智能制造转型具有重要作用。 随着工业设备投入运行的时间增长，不可避免地出现设备性能下降，导致故障的概率不断提升。由于设备故障对安全性、可靠性和可维护性具有重要的影响，有必要进行有效的设备管理和生产决策，同时尽可能优化工业设备的维护成本。但是，一方面，制造业的发展使得工业设备数据中包含的信息呈现高维、非线性的特点；另一方面，设备故障的多样化对数据状态的标签带来很大的困难。因此，需要从未标记的复杂数据中提取可以正确反映故障的表征，并保证高精度的诊断结果。而传统的故障诊断方法多采取监督学习或半监督学习的方式，对未知故障难以准确反映其表征，导致诊断出现偏差。自编码网络是一种典型的无监督学习网络，本文对其提取特征的能力进行深入研究，并在此基础上研究工业设备的故障诊断决策方法。 首先，基于工业设备故障诊断决策中常用的一维振动信号，建立一维卷积自编码网络，将振动信号输入网络，通过多次迭代，提取其中的隐藏特征，将特征去除冗余后，用聚类器进行故障聚类，将每个样本聚类的概率应用到三元损失函数中，对自编码网络进行重新训练，得到优化后的特征用于聚类，实验结果证实了该方法能够有效地提取无标签数据的特征并得到合适的诊断结果。 其次，在对一维卷积自编码网络进行深入研究的基础上，将一维卷积自编码网络中各卷积层的输出生成特征向量，输入到二维卷积神经网络中提取隐藏特征，对其特征进行降维后，同样使用聚类器进行故障聚类，再将基于概率的三元损失函数应用到自编码网络中，对模型进行重新训练，优化后的特征用于聚类。该实验同样取得了优异的聚类结果，为用深度神经网络诊断一维信号提供了一种可行方法，并在一定程度上解释了自编码网络中间层数据的传递。 最后，研究自编码网络提取预测特征的能力。将已被证明适用于时序序列的门控神经单元（GRU）应用到自编码网络中，替代卷积层。将迭代后解码器的输出作为特征向量，用于计算统计过程参数，检测设备的故障过程。同时，用GRU对统计过程参数进行预测，以提前估计故障的关键转变点。结果表明，GRU用于自编码网络能够准确预测设备故障，且证明了自编码网络解码器的输出作为表征的可行性。
NETL