工業(yè)大數(shù)據(jù)創(chuàng)新競賽（2018-2019）白皮書

一種新的資產(chǎn)、資源和生產(chǎn)要素，技術(shù)創(chuàng)新和應(yīng)用實(shí)踐日趨活躍，正成為驅(qū)動制造業(yè)智能化已連續(xù)舉辦了三屆工業(yè)大數(shù)據(jù)創(chuàng)新競賽，這也是首個由政府主管部門指導(dǎo)的工業(yè)大數(shù)據(jù)領(lǐng)域競賽在組織方式上充分借鑒了發(fā)達(dá)國家推動工業(yè)大數(shù)據(jù)創(chuàng)多聚焦行業(yè)細(xì)分領(lǐng)域的算法模型，吸引了海內(nèi)外近6800人參賽，同時品牌逐漸走向國際，第一屆競賽后，結(jié)合獲勝選手分析模型和方法發(fā)布故障分析指南）》引起社會廣泛關(guān)注。時隔兩年，為進(jìn)一步總結(jié)優(yōu)秀第二屆、第三屆工業(yè)大數(shù)據(jù)創(chuàng)新競賽算法，中國信息通信研究院組織參賽者編寫了《工業(yè)大數(shù)據(jù)創(chuàng)新競賽（2018-大數(shù)據(jù)發(fā)展。Ancefndutrnternet《工業(yè)大數(shù)據(jù)創(chuàng)新競賽（2018-2019）白皮考。白皮書的編寫過程得到大賽組委會和參賽選手的大力支持，相關(guān)參賽人員根據(jù)自己對競ndu:trAncefnternetndu:tr序中國工業(yè)大數(shù)據(jù)創(chuàng)新競賽自創(chuàng)辦以來，就被寄予了厚望，很欣喜地看到它正在蓬勃發(fā)展。它作為產(chǎn)業(yè)界與學(xué)術(shù)界的重要橋梁之一，對工業(yè)大數(shù)據(jù)這一跨學(xué)科領(lǐng)域創(chuàng)新人才的培養(yǎng)起到了重要的作在近幾年中，我有幸參與大賽的籌劃和評審工作，代表IMS供幫助。大賽獲得的關(guān)注程度以及選手們的出色表現(xiàn)都令人感到驚喜。如今，信通院將第二屆和第三屆大賽中的優(yōu)秀成果集結(jié)成為《工業(yè)大數(shù)據(jù)創(chuàng)新競賽白皮書2018-2019》，相信能夠?yàn)閺氖鹿I(yè)在工業(yè)互聯(lián)網(wǎng)的發(fā)展過程中，人工智能技術(shù)與工業(yè)結(jié)合的探索得到了進(jìn)一步推進(jìn)，工業(yè)人工智工業(yè)人工智能是由多個技術(shù)元素整合而成的一個系統(tǒng)工程。這六個字母分別代表Analytics（建模分實(shí)依據(jù)）、Feedback（反饋閉環(huán)）。前三個技術(shù)要素同時也是AI技術(shù)的三個要素（數(shù)據(jù)、計(jì)算能力和算法但是與工業(yè)人工智能有所區(qū)別。在分析建模方面，前者以算法為核心，后者以場景和鮮明的工業(yè)特質(zhì)的技術(shù)要素，也是人工智能與工業(yè)系統(tǒng)相融合的接口。在這兩次的工業(yè)大數(shù)據(jù)競賽評審中，我非常欣慰地看到多支優(yōu)勝隊(duì)伍，在解決相關(guān)問題時，并沒有局限于基礎(chǔ)機(jī)器學(xué)習(xí)方法的套用，而是非常深入地學(xué)習(xí)了相關(guān)的領(lǐng)域知識。還有的獲勝隊(duì)伍結(jié)合數(shù)據(jù)驅(qū)動的方法彌補(bǔ)對機(jī)理了中國未來要實(shí)現(xiàn)智能制造需要什么樣的人才？在這兩屆大賽中我也有了更深的體會。我認(rèn)為，工業(yè)的未來屬于年輕人。我非常欣慰地看到，信通院舉辦的工業(yè)大數(shù)據(jù)競賽每年都有數(shù)千位參賽選手參與競賽，更有90%以上是學(xué)生。愿各位工業(yè)大數(shù)據(jù)領(lǐng)域的開發(fā)者、實(shí)踐者，可以一直保持衷心祝愿中國工業(yè)大數(shù)據(jù)創(chuàng)新競賽越辦越好，成為全球產(chǎn)學(xué)界共同推崇的傳統(tǒng)和品牌，為中國JayLee（李杰2020年8月目目錄序工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟AnceAncefndutranternet42（五）基于多模型融合的轉(zhuǎn)子部件脫落故障識別方法聯(lián)盟展戰(zhàn)略，系統(tǒng)推進(jìn)工業(yè)互聯(lián)網(wǎng)基礎(chǔ)設(shè)施和數(shù)據(jù)資源管理體系建設(shè)，發(fā)揮數(shù)據(jù)的基礎(chǔ)資源和創(chuàng)新引擎作用，加快形成以創(chuàng)新為主要引領(lǐng)和支撐的數(shù)字經(jīng)濟(jì)。中國是制造大國，也是數(shù)據(jù)資源大國和應(yīng)用大國，預(yù)計(jì)到2020年，我國數(shù)據(jù)總量全球占比將達(dá)20%，將成為數(shù)據(jù)量最大、數(shù)據(jù)類型最豐富的國家之一。工業(yè)大數(shù)據(jù)正成為引領(lǐng)工業(yè)互聯(lián)網(wǎng)創(chuàng)新發(fā)展的基礎(chǔ)戰(zhàn)競賽在組織方式上充分借鑒了發(fā)達(dá)國家推動工業(yè)大數(shù)據(jù)創(chuàng)新應(yīng)用的先進(jìn)模式，基于制造企業(yè)真實(shí)數(shù)據(jù)資源和需求場景，面向全社會征集優(yōu)秀解決方案，在發(fā)掘?qū)I(yè)技術(shù)人才的同時，助近5000名參賽選手，其中80%以上來自于高校學(xué)生，涉及計(jì)算機(jī)、自動化控制、機(jī)械工程、統(tǒng)計(jì)、動力工程等多個領(lǐng)域。第二屆競賽設(shè)置兩道賽題，分別為富士康的機(jī)床加工刀具壽命預(yù)測，和積微物聯(lián)（四川攀枝花鋼鐵旗下企業(yè)）的鋼卷吞吐量預(yù)測。第三屆競賽與全球研究人員和創(chuàng)業(yè)者們提供了成果轉(zhuǎn)移轉(zhuǎn)化的交流平臺，在產(chǎn)業(yè)界競賽還獲得了來自于華為、北京工業(yè)大數(shù)據(jù)創(chuàng)新中心、昆侖數(shù)據(jù)、天澤智云、蒂森克虜伯、賽務(wù)的組織和管理工作，提供了數(shù)據(jù)下載、競賽結(jié)果評分、參賽交流、算法培訓(xùn)、算法工具66配送、物流金融、電子商務(wù)及總部基地多功能為一體的綜合產(chǎn)業(yè)園。為提升園區(qū)運(yùn)賽題要求選手通過對達(dá)海產(chǎn)業(yè)園歷年的歷史銷售、訂單敏處理）分析建模，并結(jié)合國家未來發(fā)展趨勢、鋼鐵供需市場等外在因素，實(shí)現(xiàn)對未來一個1.按照兩大類貨品類型（冷卷、熱卷），分別預(yù)測未來4個周鋼鐵的周入庫量和周出賽題為選手提供了兩大類數(shù)據(jù)，包括：網(wǎng)產(chǎn)業(yè)聯(lián)盟賽題通過以下方式進(jìn)行評分。比賽中會開放六次測試集，第一次開放的測試段的測試集，該階段的分?jǐn)?shù)不計(jì)入最終的成績排名。決賽階段開放五次測試集，最終的成績77在切削加工領(lǐng)域，刀具的狀態(tài)及其壽命是加工過程中主程度）是影響加工工件質(zhì)量的關(guān)鍵因子，刀具失效可能造成工件表面粗糙度和尺寸精度的下降，或造成更嚴(yán)重的工件報(bào)廢或機(jī)床受損。采取過度的保護(hù)策略又會造成刀具剩余壽命的浪費(fèi)以及不必要的換刀停機(jī)時間浪費(fèi)。因此如果能夠精準(zhǔn)預(yù)測刀具的剩余壽命，將有效地優(yōu)化賽題提供了機(jī)床控制器(PLC)信號和外置傳感器(Sensor)信號，包括加工過程中的工況信息和傳感器數(shù)據(jù)。數(shù)據(jù)來源為實(shí)際CNC加工過程中，一把全新的刀具開始進(jìn)行正常加工程序，直到刀具壽命終止時停止數(shù)據(jù)采集。并data)以及5組測試數(shù)據(jù)(testingdata)。4組訓(xùn)練數(shù)據(jù)將提供加工過程的PLC信號以及震動傳感器的原始信號值，同時提供當(dāng)組實(shí)驗(yàn)數(shù)據(jù)的完整加工「刀具全壽命時間」，單位為時即為實(shí)驗(yàn)結(jié)束前最終5分鐘的擷取數(shù)據(jù)內(nèi)容。在數(shù)據(jù)采樣頻率方面，PLC信號采樣頻率為88AnceAncefndutranternet預(yù)測（lateprediction當(dāng)預(yù)測值<真實(shí)值時，為過早預(yù)測（99本屆大賽開發(fā)出諸多針對鋼卷倉儲吞吐量預(yù)測以及刀具）（團(tuán)隊(duì)名稱互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟 ）（——刀具剩余壽命預(yù)測題目均采用了機(jī)理分析與機(jī)器學(xué)習(xí)相結(jié)合的方法，充分體現(xiàn)了工業(yè)大數(shù)據(jù)建模的跨學(xué)科特點(diǎn)，方#12345基于DWT-LSTM網(wǎng)絡(luò)的刀具剩余使用壽命預(yù)測工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟需求檔次提高，增長速度有所降低。隨著中國制造2025的提出，越來越多的資金投入到我國機(jī)械設(shè)備的自主研發(fā)中。高端數(shù)控機(jī)床作為檢驗(yàn)一個國家綜合制造水平的指標(biāo)，越來越受到重視。目前，我國的機(jī)床需求量正逐年上升，但是我國的高端機(jī)床研制尚不成熟。大量的刀具是自動加工系統(tǒng)中最容易磨損和部件失效的。刀具狀態(tài)監(jiān)測可以有效保證自動加工過程順利進(jìn)行，同時可以有效提高生產(chǎn)效率、降低成本、保證產(chǎn)品質(zhì)量。研究表明，由數(shù)控機(jī)床故障引起的停機(jī)時間為總停機(jī)時間為20%-30%[1]。刀具在加工過程中會因?yàn)槟Σ廉a(chǎn)生磨損，引起切削力增大，甚至出現(xiàn)振動現(xiàn)象，導(dǎo)致加工工件表面精度降低，粗糙度增加，使機(jī)床的切削設(shè)備無法正常工作。如圖1-3-2所示，根據(jù)德國著名學(xué)者W．KoeningH.K.Tonshoff教授的研究，有效的刀具狀態(tài)監(jiān)測可使數(shù)控系統(tǒng)配置設(shè)備減少10%-60%的工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟Aancef工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟Aancefndutranternet圖1-3-2機(jī)床停機(jī)時間占比的影響，刀具的工作異常會對在很大程度上降低加工質(zhì)量以及生產(chǎn)效率，嚴(yán)重的情況下會對機(jī)構(gòu)的運(yùn)行以及人身生命安全產(chǎn)生極大危害，造成難以估量的損失，在美國肯納公司的研究表明，刀具監(jiān)控系統(tǒng)可以節(jié)省超過30%的加工成本。刀具狀態(tài)監(jiān)測的重要性不言而喻，就制造系統(tǒng)的生產(chǎn)率的刀具磨損狀態(tài)的精確估計(jì)更重要。刀具狀態(tài)監(jiān)測技術(shù)的應(yīng)用，對提高企業(yè)的經(jīng)濟(jì)效益也會有很大的幫助，主要有如下一些機(jī)械狀態(tài)監(jiān)測與故障診斷就像醫(yī)學(xué)診斷一樣，人們獲程、信息論、控制理論、電子技術(shù)、計(jì)算機(jī)技術(shù)、信息處理技術(shù)、人工智能和現(xiàn)代科學(xué)技術(shù)的發(fā)展成為一個綜合性的獨(dú)立學(xué)科[4]。近年來預(yù)測技術(shù)領(lǐng)域進(jìn)行了非常多的研究工作，作為先進(jìn)自動化加工技術(shù)的關(guān)鍵技術(shù)，人們也清楚地認(rèn)識到了其重要的實(shí)際意義，該領(lǐng)域也逐步形成和完善，而且在發(fā)展過程中因?qū)嶋H情況的圖1-3-3維護(hù)策略的演變種維護(hù)策略能保證加工器械的使用時間最大化。但是，由于其本質(zhì)是一種被動性維護(hù)策略，加工器械在失效過程有可能產(chǎn)生對整個加工機(jī)械的損壞，或是使得產(chǎn)品質(zhì)量產(chǎn)生較大如果加工機(jī)械是冗余的并且失效產(chǎn)生的影響是不大的，該種策略可以實(shí)施。但是對于刀具加工過程，一旦刀具發(fā)生損毀，其損毀之前的一段時間很可能已經(jīng)處于失效可以提前設(shè)定一個檢測間隔，達(dá)到檢測間隔時間即進(jìn)行重復(fù)性檢查。顯然，這種策略比反應(yīng)性維護(hù)要保守。一旦在某個檢測過程中發(fā)現(xiàn)了早期失效特征，則進(jìn)行停機(jī)維修或更換失效零部件。所以在此種策略下，檢測的時間間隔設(shè)定變得尤為重要。過大的時間間隔可能導(dǎo)致失效時刻被錯過，造成宕機(jī)的后果；而過小的時間間隔會導(dǎo)致頻繁的檢測及更換，產(chǎn)生大量的時間和人力財(cái)力成本。而且，對于某些高速運(yùn)轉(zhuǎn)設(shè)備，檢測basedmaintenance，CBM即基于監(jiān)測信息采取維護(hù)策略。通過監(jiān)測加工過程中的各種數(shù)據(jù)和參數(shù)變化，利用已經(jīng)構(gòu)建好的退化模型，對當(dāng)前機(jī)器所處健康狀態(tài)進(jìn)行預(yù)測，當(dāng)預(yù)測結(jié)工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟Aancefndutranternet工工聯(lián)產(chǎn)聯(lián)盟fn信號處理的方式可以總結(jié)為三種：時域分析、頻域分析和時頻域分析。Lei總結(jié)了信號處理圖1-3-5信號處理與特征提取（來源：INTELLIGENTFAULTDIAGNOSISANDREMAININGUSEFULLIFEPREDICT傳統(tǒng)的時域分析方法是直接基于采樣數(shù)據(jù)進(jìn)行分析。由于實(shí)器以預(yù)設(shè)的采樣頻率進(jìn)行采樣，所以獲得的信號可以看作一個離散時間序列。時間序列的均被證明可以一定程度反映加工器械的健康狀態(tài)。這些統(tǒng)計(jì)量被稱為信號的時域特征。除此之頻域分析方法是信號處理領(lǐng)域常用的方法，最著名的則為域分析在信號處理中的地位。頻域處理的基本思想為將信號轉(zhuǎn)換到頻域進(jìn)行分析，基于原始信號的頻率進(jìn)行處理。相較于傳統(tǒng)的時域分析方法，頻域分析方法最大的優(yōu)勢在于能將信號基于頻率進(jìn)行分解，獲取一系列頻率分量，進(jìn)而對不同的頻率帶進(jìn)行分析，更具有物理可解釋性并提高了分析精度。其中，較為常用的頻域分析方法包括快速傅里葉變換（fastFourier針對于頻域分析方法的弊端，以及實(shí)際場景中獲取的信號大多不平穩(wěn)的現(xiàn)實(shí)，時頻分析方法被引入到信號處理中。時頻分析方法能夠同時對信號的時域和頻域進(jìn)行分析，能夠更好的反映機(jī)器的失效模式。常用的時頻分析技術(shù)包括短時傅里葉變換（short-timeFourier希爾伯特-黃變換（Hilbert-Huangtransform，HHT）[12信號處理提取健康特征之后，需要基于特性對機(jī)器的健康狀態(tài)進(jìn)行診斷和建模。診斷是一個識別特征空間和失效空間關(guān)系的過程。好的診斷能夠基于特定的的診斷變得更加智能化和非專家化。這里常用的機(jī)器學(xué)習(xí)算法包括：聚類算法，支持向量機(jī)預(yù)測階段即利用現(xiàn)有的數(shù)據(jù)對當(dāng)前機(jī)器狀態(tài)進(jìn)行估計(jì)。其和診斷過程不同。診斷過程主要用于識別各種特征和機(jī)器健康狀態(tài)之間的關(guān)系，只有故障發(fā)生后才可以進(jìn)行，診斷過程無法阻止宕機(jī)等情況的發(fā)生。而預(yù)測是利用預(yù)測的方法對機(jī)器未來的性能進(jìn)行預(yù)測，從而獲關(guān)于三種方法的研究現(xiàn)狀及綜述，請參考D.A．Tobon-Mejia，etl(2012)[13]以及Yaguo維護(hù)策略制定階段即根據(jù)預(yù)測結(jié)果，制定合理的維護(hù)策略以保證損失的最小化。更多關(guān)⑴由于是真實(shí)加工數(shù)據(jù)，數(shù)據(jù)的噪聲較大，信噪比較低，同時由于振動數(shù)據(jù)的采樣頻⑷對于刀具的信號處理方法尚不成熟，其故障模式也不清楚。針對刀具數(shù)據(jù)特點(diǎn)，處工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟Ancefndutranternet針對以上總結(jié)的刀具數(shù)據(jù)的特點(diǎn)和難點(diǎn)，本文提出配壽命預(yù)測方法。該方法主要分為訓(xùn)練和測試兩部分。在訓(xùn)練過程中，對刀具全壽命周期訓(xùn)1-3-7所示。經(jīng)過計(jì)算發(fā)現(xiàn)：分解后得到的低頻信號基于此發(fā)現(xiàn)，對分解后的低頻信號進(jìn)行時域和頻域的特征刀具磨損過程的主要特征，再構(gòu)造出主要特征與刀具剩余壽命的關(guān)聯(lián)函本文提出了一種新的相關(guān)性函數(shù)對測試集刀具主要特征與訓(xùn)練集刀具主要特征進(jìn)行匹配來預(yù)可以準(zhǔn)確地預(yù)測測試刀具的剩余壽命。并且，與其他基于機(jī)器學(xué)習(xí)的預(yù)測方法相比，提出的方法僅需較少的訓(xùn)練時間而達(dá)到較高的預(yù)測精度，有利于進(jìn)一步實(shí)現(xiàn)在線自適應(yīng)訓(xùn)練集更新與軸承或齒輪的磨損具有較大差別，所以考慮一種能夠?qū)ふ遗c壽命變化變化相對應(yīng)模式的模式匹配方法對剩余壽命進(jìn)行預(yù)測。本文的技術(shù)路線圖如圖1-3-8：工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟Ancefndutranternet圖1-3-8技術(shù)路線圖于1998年提出的一種信號分析方法。EMD是一種自適應(yīng)的數(shù)據(jù)處理或挖掘方法，非常適合非線性，非平穩(wěn)時間序列的處理，本質(zhì)上是對數(shù)據(jù)序列或信號的平穩(wěn)化處理。如圖1-3-9原理:任何信號都是由一些不同的基本模式分量組成的；每個模式可以是線性的，也可以是非線性的，該方法的關(guān)鍵是它能使復(fù)雜信號分解為有限個本征模函數(shù)（IntrinsicMode⑶如果數(shù)據(jù)沒有極值點(diǎn)但有拐點(diǎn)，則可以通過對數(shù)據(jù)微分一次或多次求得極值，然后互·特征提取首先通過經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）對信號進(jìn)行分解，共得到7層取的時域信號進(jìn)行傅里葉變換生成對應(yīng)的頻域信號，然后對頻域信號進(jìn)行分析，最終共提取i)表2-1-2：頻率特征及計(jì)算公式為了選擇出有效的指標(biāo)表征預(yù)測的適用性，設(shè)分性和單調(diào)性[3，4]?？煞中允紫裙收显\斷領(lǐng)域，因?yàn)楣收显\斷是的方法之一。Aancefndutranternet特征的方差。針對壽命預(yù)測，對可分性評估關(guān)注的間數(shù)據(jù)的分離是否連續(xù)?？煞侄鹊木禌Q定了一個其中，T代表整個時間序列的段數(shù)，α是25%~最大幅值會有一個逐漸增大的過程。所以最大幅值頻率是一個有用的特征。雖然在訓(xùn)練集2訓(xùn)練集1_IMF6最大幅值頻率_x120100806040200050010001500200025003000350040004500訓(xùn)練集1_IMF6最大幅值頻率_y807060504030200050010001500200025003000350040004500傳統(tǒng)的機(jī)器學(xué)習(xí)方法需要大量的相關(guān)特征以及輸出標(biāo)注，然后進(jìn)行模型的選由于數(shù)據(jù)量較大，相關(guān)特征很多不能明顯的反映壽命變換，本文提出了一種基于自定義相關(guān)函數(shù)的非參數(shù)模式匹配方法，通過該方法，可以將測試刀具的特征信號與訓(xùn)練集刀具的特征信號進(jìn)行匹配，利用定義的相關(guān)函數(shù)對模式匹配程度進(jìn)行評估，進(jìn)而選擇最優(yōu)的模式匹配區(qū)本文最終選擇的特征為IMF6的最大幅值頻率信號，IMF6為EMD分解的低頻段，該頻率段隨時間有較為明顯的趨勢變化，所以本文認(rèn)為隨著加工過程的進(jìn)行，刀具逐漸磨損的信號變化主要反映在低頻段。與此同時，本文在進(jìn)行信號比對的過程中發(fā)現(xiàn)，IMF6最大幅常平穩(wěn)加工下，壽命前期的幅值峰值雖然有波動，但是波動很小，峰值也比后期小很多，在壽命中后期，峰值的出現(xiàn)頻率增大，間隔變小，被認(rèn)為是刀具磨損情況加劇，已進(jìn)入壽命后根據(jù)上述分析，本文定義的用來評估匹配程度的相關(guān)函數(shù)分為兩估最大幅值頻率信號的峰值，即模式一；第二部分用來評估最大幅值頻率信號的峰值頻率，考慮數(shù)據(jù)為實(shí)際加工過程真實(shí)數(shù)據(jù)，中間存在頻率驟降的突發(fā)情況，見1-3-1，于是在工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟Ance圖1-3-12特征信號中的頻率驟降nternet初賽共有5個測試集，分別對應(yīng)5把同樣工況下的同樣銑刀，表2-1-3給出了預(yù)測剩））工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟A工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟Aancefndutranternet決賽共有4個測試集，分別對應(yīng)4把同樣工況下的同樣銑刀，表2-1-4給出了預(yù)測剩通過為期2個月的競賽，我加深了對信號處理的認(rèn)識并提高了分析問題，解決問題的能力。在比賽前中期我試驗(yàn)了很多機(jī)器學(xué)習(xí)的方法，如支持向量機(jī)[15]，神經(jīng)網(wǎng)絡(luò)[16]，或者工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟是一個難題，我嘗試了自己將狀態(tài)分類，也嘗試了直接利用剩余壽命作為標(biāo)簽，在有限次的工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟比賽并沒有直接的標(biāo)簽，需要自行定義。所以標(biāo)簽的定義可能不太合選擇是提前已知的，比如刀具的磨損量，或者是提前分類好的。這也是今后主要研究的一個量機(jī)模型都對特征采用了標(biāo)準(zhǔn)縮放方法進(jìn)行特征處理，采用標(biāo)準(zhǔn)縮放的前提是數(shù)據(jù)大致服從訓(xùn)練批量大小等參數(shù)。在有限的測試機(jī)會中，超參數(shù)的選擇可能有問題，導(dǎo)致模型陷入局部最優(yōu)解而沒有達(dá)到全局最優(yōu)。在競賽中期我嘗試使用集成模型降低超參數(shù)設(shè)置的影響，分別使用的集成決策樹模型，集成支持向量機(jī)模型等，較單獨(dú)的模型，提升結(jié)果在15%左右，對于目前所采用的基于經(jīng)驗(yàn)?zāi)B(tài)分解的非參數(shù)模式匹配刀具學(xué)習(xí)方法，該方法有以下幾個優(yōu)點(diǎn)：一是該的參數(shù)學(xué)習(xí)過程，節(jié)省了寶貴的時間；二是找到了能高度反映壽命變化的信號特征及相關(guān)模式，對于刀具在銑削過程的信號變化情況有了進(jìn)一步的了解，為一定的啟發(fā)；三是該方法可擴(kuò)展性較強(qiáng)，經(jīng)過測試但是該方法還有改進(jìn)之處。目前該算法只能給出一個測試刀具剩可以在原有算法基礎(chǔ)上增加不確定性的因素，進(jìn)而得到刀具壽命預(yù)測的估計(jì)區(qū)間，對于刀具最后，再次感謝競賽組委會對我競賽期間問題的耐工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟會；感謝我的老師們對我的悉心指導(dǎo)，給予了我很多理論方面的幫助；感謝我的家人和朋友工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟[7]RaiVK，MohantyAR．BearingfaultdiagnosisusingFFTofintrinsicmodefunctionsinHilbert–Huangtransform[J]．MechanicalSystemsandSignal[8]YuD，ChengJ，YangY．ApplicationofEMDmethodandHilbert35(12):2862-2866.業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟diagnosticandprognosticbyusingdynamicBayesiannetworks[J]．Mechanical[18]D．Banjevic，A．K．S．Jardine;Calculationofrel工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟Aancefndutranternet工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟Aancefndutranternet411小分隊(duì)由中科院聲學(xué)所噪聲與振動重點(diǎn)實(shí)驗(yàn)室的兩名博士與一名博士后組成。聲學(xué)所是從事聲學(xué)和信息技術(shù)處理研究的綜合性研究所，其中噪聲與振動重點(diǎn)實(shí)驗(yàn)立足聲學(xué)所現(xiàn)有的噪聲與振動相關(guān)研究積累，重點(diǎn)開展噪聲源特性與傳播途徑、聲學(xué)材料結(jié)構(gòu)劉鋒：博士后，主要研究方向是振動聲學(xué)信號處理，工程經(jīng)驗(yàn)萬伊：博士研究生，主要研究方向?yàn)樾盘柵c信息處理，本提取。Ancefndutranternet工過程中主要關(guān)注的對象。刀具的健康維護(hù)是保證產(chǎn)品加工精度的重要因素之一，刀具失效可能造成工件表面粗糙度和尺寸精度的下降，或造成更嚴(yán)重的工件報(bào)廢或機(jī)床受損。刀具的有效管理可以提高生產(chǎn)效益、降低運(yùn)維成本。但采取過度的保護(hù)策略又會造成刀具剩余壽命和不必要的換刀停機(jī)時間的浪費(fèi)。精準(zhǔn)預(yù)測刀具的剩余壽命，將有效地優(yōu)化工作流程安排且可以大致分為基于物理模型的方法、由數(shù)據(jù)驅(qū)動的方法兩種[1]。傳統(tǒng)刀具壽命預(yù)測方法一般是試圖建立刀具剩余壽命與切削速度、切削深度以及進(jìn)給量等加工參數(shù)之間的顯式數(shù)學(xué)模型[2]。但模型參數(shù)的識別通常需要大量的實(shí)驗(yàn)或經(jīng)驗(yàn)數(shù)據(jù)，通常很難為復(fù)雜的現(xiàn)實(shí)系統(tǒng)建立精確的物理退化模型[3]。刀具的各種加工參量不便完全獲取，其非線性的退化過程也來了一定困難。數(shù)據(jù)驅(qū)動的方法避免了準(zhǔn)確建立物理模型的困難，可以構(gòu)建更簡單的基于數(shù)據(jù)的模型來估計(jì)復(fù)雜系統(tǒng)的使用壽命，目前已被廣泛的應(yīng)用[4]。數(shù)機(jī)器學(xué)習(xí)與統(tǒng)計(jì)學(xué)習(xí)兩大類，機(jī)器學(xué)習(xí)方法包括支持向量回歸機(jī)[5]、人工神經(jīng)網(wǎng)絡(luò)[6][7][8]、習(xí)方法與統(tǒng)計(jì)學(xué)習(xí)方法外，人工智能方法屬于數(shù)據(jù)n在實(shí)際的工業(yè)現(xiàn)場中，物理傳感器采集到的各種信號量差、Broken碎片化、BelowtheSurface隱匿性）為深入分析數(shù)據(jù)的內(nèi)在機(jī)理帶來了相當(dāng)?shù)奶魬?zhàn)[17]。競賽提供了3把同規(guī)格刀具在采用同種加工工藝進(jìn)行加工時，刀具從全新到報(bào)廢所采集到的全生命周期數(shù)據(jù)。其中，A刀與B刀在工作240分鐘后，C刀在工作185n表2-1刀具表2-1刀具A的具體數(shù)據(jù)內(nèi)容互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟du:tdu:tAA刀具加工分鐘任取1分鐘數(shù)據(jù)形成一份文件，置于將對應(yīng)時刻的控制器數(shù)據(jù)放anceancefn48raranteretetY方向振動PLC1XYY軸坐標(biāo)Z作的第1-5min，文件2來自第6-10min，以此準(zhǔn)確工作時間，只有一個大致的時間范圍，現(xiàn)有標(biāo)簽并不十分精準(zhǔn)，也可以說這是一個含噪在標(biāo)簽的選取方面，我們以A刀和C刀為例。A刀工作壽命為240分鐘，C刀壽命為185分鐘，簡單以剩余的工作分鐘數(shù)作為標(biāo)簽不如將其轉(zhuǎn)換為一個比值，用剩余的壽命除以更能實(shí)際的表征刀具的磨損狀態(tài)。至此，我們的任務(wù)就演變?yōu)榻鉀Q一個在含噪的數(shù)據(jù)標(biāo)簽中AnceAncefndutranternetC刀C刀12230/240=0.9583工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟225/240=0.9384技術(shù)方案主要分為數(shù)據(jù)預(yù)處理、特征提取與預(yù)測算法三部分頻、時頻域特征提取與時間序列分析，實(shí)際采用的混合特征如下圖1-3-16所示；為提升數(shù)原始信號數(shù)據(jù)預(yù)處理特征提取數(shù)據(jù)增強(qiáng)模型原始信號數(shù)據(jù)預(yù)處理特征提取數(shù)據(jù)增強(qiáng)模型訓(xùn)練壽命預(yù)測第一相電流信號current振動信號Vibration_1Vibration_2負(fù)載信號Spindle_load訓(xùn)練集測試集數(shù)據(jù)預(yù)處理結(jié)合控制器數(shù)據(jù)去除異常文件、異常值、篩選靜音段等時域特征：均值,方差,標(biāo)準(zhǔn)差,偏度,峭度,峰峰值頻域特征：頻帶能量比,MFCCs,1/3倍頻程時頻域特征：小波分析，求解各信號特定的小波帶時間序列分析：AR系數(shù)多幀聯(lián)合、MIXUP數(shù)據(jù)增強(qiáng)DNN網(wǎng)絡(luò)，GBRT算法刀具剩余壽命預(yù)測工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟AanceAancefndutranternet在數(shù)據(jù)進(jìn)行預(yù)處理之前，我們首先將傳感器數(shù)據(jù)與控制器數(shù)據(jù)進(jìn)行聯(lián)合觀察，發(fā)現(xiàn)現(xiàn)（1）傳感器數(shù)據(jù)含噪，質(zhì)量較差，且控制器數(shù)據(jù)采樣頻率不穩(wěn)定于33Hz，導(dǎo)致傳感器（2）傳感器數(shù)據(jù)中的y方向振動異常情況較多，根據(jù)加工機(jī)理進(jìn)行推測，可能是傳感針對現(xiàn)有數(shù)據(jù)特點(diǎn)，鑒于y方向的振動異常數(shù)據(jù)較多，且y方向振動應(yīng)與x方向振動標(biāo)，繪制刀具測量各文件時的移動軌跡，刪除數(shù)據(jù)集中刀具并未進(jìn)行加工的異常空文件；然后將某刀的所有文件進(jìn)行合并，去除數(shù)據(jù)中的極大值；再利用控制器數(shù)據(jù)中的主軸負(fù)載信號篩選出數(shù)據(jù)集中的靜音段，人工選擇刪去部分靜音段；令幀長為0.5s，對該刀的所有數(shù)據(jù)去除篩選刪去靜音段去除篩選刪去靜音段去除極大值生成標(biāo)簽文件數(shù)據(jù)合并數(shù)據(jù)這里我們將測量時間選取為該范圍的中值，將其設(shè)定為3min,8min等以此類推，再統(tǒng)一除工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟傳統(tǒng)刀具壽命預(yù)測方法一般是試圖建立刀具剩余壽命與切傳統(tǒng)刀具壽命預(yù)測方法一般是試圖建立刀具剩余壽命與切及控制器數(shù)據(jù)，無法簡單提取出傳統(tǒng)壽命預(yù)測方法中常用的加工參量。信息的缺失導(dǎo)致難以根據(jù)刀具的加工機(jī)理進(jìn)行建模，只有盡可能的挖掘、利用手中的數(shù)據(jù)，從數(shù)據(jù)出發(fā)進(jìn)行回歸頻域信號處理、時頻信號處理及時間序列分析等方法提取了電流信號與振動信號的時域統(tǒng)計(jì)參考結(jié)構(gòu)損傷分析方法，使用時間序列分析，計(jì)算振動信號的AR系數(shù)作為特征。各信號的第20-45維第46-75維MFCCs系數(shù)此外，我們對數(shù)據(jù)進(jìn)行頻譜分析，發(fā)現(xiàn)刀具的磨損特針對特定頻帶，使用小波包分析提取了該頻段的振動和電流信號，并對該頻段的振動和電流信號進(jìn)行時域統(tǒng)計(jì)指標(biāo)分析，并以此作為樣本的特征之一。至此，傳感器數(shù)據(jù)中的特征提取我們可以從傳感器數(shù)據(jù)中提取各種各樣的特征及特征組合，來直接確定當(dāng)前刀具的磨根據(jù)機(jī)床的加工機(jī)理，我們推測控制器數(shù)據(jù)中的主軸負(fù)載可以在一定程度體現(xiàn)加工過能合理建立模型。在務(wù)必聯(lián)合傳感器與控制器數(shù)據(jù)的共識下，鑒于控制器數(shù)據(jù)與傳感器數(shù)據(jù)無法準(zhǔn)確對齊，我們僅對刀具的各個文件求取主軸負(fù)載的平均值，并將這個值作為一個新的ncefndutranternet表2-4各樣本的所有特征維度76-150226-231232-237238-243在算法選擇方面，我們首先嘗試了GBRT算法，以此作為剩余壽命預(yù)測的Baseline，再利用DNN網(wǎng)絡(luò)進(jìn)行回歸建模。在建立模型的初期，在得到特征包后，對各樣本進(jìn)行隨機(jī)打亂，直接輸入至4層DNN網(wǎng)絡(luò)中進(jìn)行模型訓(xùn)練，此時DNN網(wǎng)絡(luò)的預(yù)測結(jié)果略差于經(jīng)實(shí)驗(yàn)驗(yàn)證，采用以上兩點(diǎn)改進(jìn)措施后，DNN網(wǎng)絡(luò)的性能得到了較大改善，預(yù)測結(jié)果更佳。同時，為增強(qiáng)算法的泛化能力，我們基于Bagging思想，將已知的3把刀具的訓(xùn)練數(shù)據(jù)進(jìn)行排列組合，訓(xùn)練出多個模型。而后分別對決賽刀具進(jìn)行壽命預(yù)測，對同一文件內(nèi)的工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟樣本求取均值，獲得該文件的平均“磨損比”。由于決賽數(shù)據(jù)中各刀具均有10個文件，將工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟各文件的平均“磨損比”轉(zhuǎn)化為刀具的壽命，然后去掉預(yù)測壽命的最大值與最小值，再求取策樹最大深度為5，最多500棵樹，學(xué)習(xí)率0.1，訓(xùn)練結(jié)果如圖1-3-18所示。此外，利用將已知標(biāo)簽的三把刀的訓(xùn)練數(shù)據(jù)進(jìn)行不同的排列組合，決賽刀具進(jìn)行預(yù)測后，可采用求均值的方式減小隨機(jī)噪聲對預(yù)測的影響。下圖1-3-20為以訓(xùn)練數(shù)據(jù)的某種組合進(jìn)行訓(xùn)練的模型，對決賽數(shù)據(jù)的預(yù)測輸出。在得到如下圖所示的預(yù)測結(jié)業(yè)聯(lián)r盟net工業(yè)聯(lián)r盟net工圖1-3-20模型對決賽數(shù)據(jù)的預(yù)測結(jié)果個文件的查看數(shù)據(jù)情況，有針對性的對數(shù)據(jù)進(jìn)行了清洗、分幀等預(yù)處理?；陉?duì)員們的信號處理經(jīng)驗(yàn)，我們對預(yù)處理后的數(shù)據(jù)進(jìn)行各種時域、頻域和時頻域特征提取，將刀具磨損類比于結(jié)構(gòu)損傷，引入時間序列分析技術(shù)，并合理地利用控制器數(shù)據(jù)中的主軸負(fù)載信息，將其均值加入到特征集中，以彌補(bǔ)不確定的工況帶來的影響，花費(fèi)大量的精力深入探討特征，試圖找出各類特征與磨損量之間的映射關(guān)系。在最開始進(jìn)行模型訓(xùn)練時我們得到的結(jié)果與我們選定的Baseline也就是GBRT算法相競賽中使用普通i7處理器對數(shù)據(jù)進(jìn)行預(yù)處理與特征提取，總耗時4分半，平均每個樣將決賽數(shù)據(jù)4把刀的樣本輸入到訓(xùn)練好的模型中進(jìn)行預(yù)測的時長大約為5到6s，平均到每從十二月初決定參加比賽開始到?jīng)Q賽答辯結(jié)束撰寫本文的頗豐，工業(yè)互聯(lián)網(wǎng)這一概念在我們的腦海中逐步清晰，對如何利用工業(yè)大數(shù)據(jù)為產(chǎn)業(yè)賦能也有了更實(shí)際的體會。就本次競賽而言，對可用數(shù)據(jù)及其特征進(jìn)行深入的分析是本次我們得到的重要經(jīng)驗(yàn)，我們不僅要從信號處理的角度去看待問題，更要嘗試去學(xué)習(xí)與理解機(jī)床的加工機(jī)理，獲取領(lǐng)域知識，了解各類信號中蘊(yùn)含的物理信息才能更全面的利用手中的數(shù)據(jù)去解決刪除工作，可能會對模型的泛化能力產(chǎn)生一定影響；特征集中的部分維度可能并不包physics-basedprognosticsalgorithmswithreviews[J]．ReliabilityEngineering&[2]Taylor，F(xiàn)rederickWinslow.überDreharbeitundWerkzeugst?hle:prognosticsapproaches，trendsofprognosticsapplicationsandopenissues[8]Sun，H.，Zhang，X．a(chǎn)ndNiu，W.，2016．In-processcuttingtool4040[11]HuangZ，XuZ，KeX，etal．Remainingusefullanadaptiveskew-Wienerprocessmodel[J]．MechanicalSystemsandSignallifeestimationinaeronautics:Combiningdata-drivenandKalmanfiltering[J].indicatorforremainingusefullifepredictionofbearings[J]．AncefndutranternetneuralnetworkforremainingusefullifepredictionofnonlineardeteriorationAncefndutranternet團(tuán)隊(duì)的兩位成員都來自于華中科技大學(xué)人工智能與自動化學(xué)院。指導(dǎo)老師程騁于2018年獲得英國帝國理工學(xué)院博士學(xué)位，2018年起在華中科技大學(xué)人工智能與自動化學(xué)院擔(dān)任博士后研究員，從事鋁電池壽命預(yù)測、機(jī)械故障診斷以及遷移學(xué)所以在切削過程中，刀具會出現(xiàn)變形。一般將刀具磨損過程分為三個階段：初期磨損階段、面的光滑性，致使產(chǎn)品達(dá)不到對工藝的要求。當(dāng)?shù)毒吣p較為嚴(yán)重時，會造成材料的大量浪費(fèi)甚至是加工機(jī)床的損壞，加大生產(chǎn)成本。通過引入刀具壽命預(yù)測并實(shí)時監(jiān)控，在刀具磨損嚴(yán)重之前及時換刀，可以有效提高生產(chǎn)效率、保證產(chǎn)品質(zhì)量，這對于機(jī)械加工智能化有重大基于物理知識的模型，首先需要對刀具加工的環(huán)境進(jìn)4242找出那些影響刀具剩余壽命的關(guān)鍵因素，從而從數(shù)學(xué)物理方程上推導(dǎo)出剩余壽命受關(guān)鍵因素影響的方程式，然后進(jìn)行預(yù)測?；诒孀R預(yù)測的模型的主要步是辨識，辨識就是按照一個準(zhǔn)則在一組模型類中選擇一個與數(shù)據(jù)擬合最好的模型[2]。這得到的模型對系統(tǒng)將來的狀態(tài)進(jìn)行預(yù)測（在這里是剩余使用壽命），這就是第二步。時間序列預(yù)測模型則是一種定量預(yù)測，其基本原理是一方面承認(rèn)事物發(fā)展的延續(xù)性，運(yùn)用過去時間序列的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，推斷出系統(tǒng)將來的發(fā)展趨勢；另一方面，又要考慮實(shí)際過程中的偶然因素而產(chǎn)生的隨機(jī)性，為了消除隨機(jī)波動的影響，利用歷史數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，并對數(shù)識，對模型做出判斷和篩選，然后進(jìn)行辨識，通常是知道模型類，只需要辨識參數(shù)，這說明所以在某種程度上，這也是一種辨識。事實(shí)上，很多機(jī)器學(xué)習(xí)算法特別是有監(jiān)督學(xué)習(xí)也可以從系統(tǒng)辨識的角度理解，例如神經(jīng)網(wǎng)絡(luò)模型，是利用誤差方向傳播來辨識權(quán)重和偏置值。從實(shí)施難度上來看，基于物理知識的預(yù)測模型最困難，這種方法對假設(shè)的合理性和完全性依賴程度高，并且難以找到一個可以恰當(dāng)描述的切削規(guī)律的系統(tǒng)方程。而基于系統(tǒng)辨識和時間序列的預(yù)測模型則最受歡迎，也最容易實(shí)施，例如，文獻(xiàn)[5],[6]和[7]均采用ARMA模型預(yù)測滾動軸承的剩余壽命。文獻(xiàn)利用神經(jīng)網(wǎng)絡(luò)模型建立軸承剩余壽命的預(yù)測模型,采用支持向量機(jī)工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟PLCplc.csvvibration2第一把刀vibration3PLCplc.csvvibration2第一把刀vibration3vibration11.csv2.csv2.csvSensorcurrentSensorcurrent?48.csv圖1-3-20刀具剩余壽命預(yù)測數(shù)據(jù)的文件4343信號，收集加工過程中的工況信息和傳感器數(shù)據(jù)，初賽共提供9組CNC加工數(shù)據(jù)，數(shù)據(jù)來源為實(shí)際CNC加工過程中，一把全新的刀具開始進(jìn)行正常加工程序，直到刀具壽命終止時停止數(shù)據(jù)采集。更多詳細(xì)的數(shù)據(jù)信息描述，可以參考競賽官在給定的刀具訓(xùn)練數(shù)據(jù)中，一共有三把刀的數(shù)據(jù)，第一把刀文件目錄下包含plc和第三把刀的數(shù)據(jù)文件結(jié)構(gòu)與此類似。具體來看，圖1-3-21分別展示了外置z三軸的原始信號，它們在初始時刻、剩余時候壽命的一半、以及使用壽命結(jié)束時信號變化情況。可以得出兩個基本的觀察結(jié)果：首先觀察vibration_1，可以發(fā)現(xiàn)在初始時刻，切削震動信號振幅整體較小，震動均勻，隨著剩余壽命的減少，振幅變大，剩余壽命快結(jié)束時，工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟Aancefndutranternet幾乎同時接近零，同時增大或變小。那再具體到單幅圖，每一幅圖1-3-22這樣的圖都是由間里，幅值非常?。ǚ到咏?說明刀具雖然在轉(zhuǎn)動，但是沒有與物體接觸，我們稱4444圖1-3-22x軸震動信號展示圖1-3-23信號異常值中列出了幾個異常值，左邊是它們的在文件中的序號，有的是空值NaN，有的數(shù)值達(dá)到了10的100次方以上，這種情況下，設(shè)置閾值，對每個csv文件絕對值降序排列，統(tǒng)計(jì)發(fā)現(xiàn)異常值的比例低于1%。業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟Ancef4.方法ranternet根據(jù)以上的數(shù)據(jù)理解部分，我們知道了數(shù)據(jù)的基本特性，用這些僅選用處于切削狀態(tài)采集到的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，這是因?yàn)榈毒吲c工件接觸時的震動情況，4545圖1-3-24選取的數(shù)據(jù)與整體數(shù)據(jù)的方差比值保持在60%以上具體來說，對單個csv文件中的數(shù)據(jù)取絕對值，然后降序排列，計(jì)算排名區(qū)間位于5%第二，剔除空轉(zhuǎn)狀態(tài)的數(shù)據(jù)，這些數(shù)據(jù)位于后30%。另外，第三個優(yōu)點(diǎn)，如圖1-3-24所示，通過這些規(guī)則選取的數(shù)據(jù)，經(jīng)過計(jì)算發(fā)現(xiàn)，該區(qū)間的數(shù)據(jù)的方差對整體方差的貢獻(xiàn)率達(dá)將前面的數(shù)據(jù)預(yù)處理流程運(yùn)用到單個vibration的數(shù)據(jù)處理，可以得到相應(yīng)的方差和均這就是輸入數(shù)據(jù)，作為特征信號。對于第一、第二把刀，k有48種不同的取值，第后文為了簡化敘述，將得到的訓(xùn)練數(shù)據(jù)集記為(X,Y)，分別儲存了訓(xùn)練數(shù)據(jù)的所有特征和標(biāo)簽。從系統(tǒng)辨識的角度看，給定恰當(dāng)?shù)哪Ｐ皖?，在有監(jiān)督框架下數(shù)據(jù)的擬合問題同樣也是4646不同的數(shù)據(jù)科學(xué)工程師在進(jìn)行數(shù)據(jù)擬合時，選取的模型各不這也是沒有免費(fèi)的午餐所描述的[9]。所以，通常的做法是不斷嘗試經(jīng)典的擬合方法。常見的有監(jiān)督學(xué)習(xí)框架又分為線性擬合和非線性擬合。注意到，線性與非線性是相較而言的，在這里，線性擬合指的是函數(shù)輸出相對于模型未知參數(shù)是線性的，并不意味著模型本身就一定是x%的，這也是一個容易被誤解的地方。在這種情況下，經(jīng)典的最小二乘法[10]，以及近些年逐而在非線性擬合領(lǐng)域，最受歡迎的莫過于近些年影響巨大的神經(jīng)網(wǎng)絡(luò)模型，隨著深度學(xué)習(xí)的普適逼近理論[19]又從理論上證明前饋神經(jīng)網(wǎng)絡(luò)可以估計(jì)緊集上的任意連續(xù)函數(shù)。所以在模工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟Ancefndutranternet圖1-3-25神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖具體來說，給定訓(xùn)練數(shù)據(jù)集(X,Y)，我們構(gòu)造了一個含有兩個層有6個神經(jīng)元，中間藍(lán)色的兩個隱藏層各含25個神經(jīng)元，最后一層有一個神經(jīng)元用來輸m網(wǎng)絡(luò)結(jié)構(gòu)如圖1-3-26所示，特征數(shù)據(jù)經(jīng)過一系列線性函數(shù)和非線性激勵函數(shù)函數(shù)的復(fù)圖1-3-26圖1-3-26擬合誤差收斂效果Aancefndutranternet在構(gòu)建好前饋神經(jīng)網(wǎng)絡(luò)以后，需要相應(yīng)的學(xué)習(xí)算法獲得未知權(quán)值和偏置。目前為止，誤差反向傳播（BP）算法是最成功的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，所以在現(xiàn)實(shí)任務(wù)中使用神經(jīng)網(wǎng)絡(luò)AancefndutranternetCaffe等都是基于此開發(fā)的，我們選用的工具是TensorFlow。圖1-3-26展示了一個訓(xùn)練最終實(shí)現(xiàn)預(yù)測任務(wù)。第二，訓(xùn)練速度較快。這一點(diǎn)主要是由于兩方面的原因引起的：一方面是因?yàn)檩斎霐?shù)據(jù)量維度較低，訓(xùn)練樣本也不大，另一方面是根據(jù)數(shù)據(jù)量小而選擇了模型連接4848方式較為簡單的全連接網(wǎng)絡(luò)結(jié)構(gòu)，沒有使用卷積神經(jīng)網(wǎng)絡(luò)等結(jié)構(gòu)復(fù)雜的大型網(wǎng)絡(luò)（大型網(wǎng)絡(luò)用所有數(shù)據(jù)，拋棄了控制器信號（PLC）以及外置傳感器（Sensor）中了Sensor采集到的三軸振動信號，這樣容易造成數(shù)據(jù)挖掘不充分，潛在信息得不到充分利用也會導(dǎo)致預(yù)測結(jié)果不夠精確。其次是選用的數(shù)字特征較少，只有均值和方差，在進(jìn)行決賽又如近些年在辨識領(lǐng)域應(yīng)用廣泛的稀疏辨識算法Lasso1它們都是稀疏壓縮變量選擇算法，即通過加入懲罰項(xiàng)進(jìn)而使得Ancefndutranternet占用內(nèi)存高。而采用Lasso算法，由于懲罰項(xiàng)是不光滑的，通常涉及梯度下降，導(dǎo)致時間成本較高。第二個問題體現(xiàn)在預(yù)測的效果不好，這主要是由原始數(shù)據(jù)沒經(jīng)過預(yù)處理以及將特征和標(biāo)簽直接線性相連的簡單結(jié)構(gòu)這兩個原因造成的。所以，最開始提交的結(jié)果排名較為靠4949這100s的時間主要用于圖3-6中的前一萬次收斂迭代訓(xùn)練，不包含其后的兩萬次迭代，同時也不包含數(shù)據(jù)預(yù)處理時間。由于競賽給定的數(shù)據(jù)量大的原因，讀取數(shù)據(jù)本身耗費(fèi)的時間特在答辯時，組委會的評委給了我們很多建議。其中，令我重方法論，而忽略了對生產(chǎn)車間的實(shí)際加工情況的調(diào)研與了解，缺乏與相關(guān)從業(yè)人員的信息交流。單純的依靠不斷嘗試并改變模型來換取較好擬合效果，以預(yù)測結(jié)果為導(dǎo)向而不是以實(shí)際情況為依據(jù)進(jìn)行合理分析。這樣的做法容易造成時間的浪費(fèi)，在某種程解工業(yè)實(shí)際應(yīng)用背景的機(jī)會。畢竟，工業(yè)數(shù)據(jù)競賽的一個目的是為了促進(jìn)理論研究與工業(yè)生產(chǎn)之間的結(jié)果，建立模型的最終結(jié)果要落到實(shí)際應(yīng)用中才能發(fā)揮最終的意義。總結(jié)下來，本（1）應(yīng)了解實(shí)際加工情況。有條件的同學(xué)應(yīng)考慮參觀實(shí)際加工車間，機(jī)床加工過程和數(shù)據(jù)采集流程，或者與車間工作人員、相關(guān)專業(yè)人員等深入交流。其次，充分利用互聯(lián)網(wǎng)資數(shù)據(jù)采集流程，或者與車間工作人員、相關(guān)專業(yè)人員等深入交流。其次，充分利用互聯(lián)網(wǎng)資Aancefndutranternet這個時候要及時分析原因。我們的原因就是最開始使用了簡單的線性擬合方法來嘗試，這個時候應(yīng)該及時嘗試更多、更復(fù)雜的方法，在不同方法之間形成對比，最好有合理驗(yàn)證來判斷Aancefndutranternet[1]Sikorska,J.Z.,MelindaHodkiewicz,andLinMa."Prognosticmodelling[2]Ljung,Lennart."Systemidentification."Signalanalysisandprediction.工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟Ancefndutranternet[12]Rudy,SamuelH.,etal."Data-drivendiscoveryofpartialdifferentialgoverningequationsfromdatabysparseidentificationofnonlineardynamical7533,pp.436-444,20[16]K.Heetal,“Deepresiduallearningforimagerecognition,”ontheAancefndutranternet度的下降，或造成更嚴(yán)重的工件報(bào)廢或機(jī)床受損。在一次不間斷的同工序加工過程中，切削力隨著刀具磨損量的增加而增加，因此切削力信號能夠代表刀具的退化過程[1，2]?，F(xiàn)有的刀具剩余壽命預(yù)測方法主要可分為基于模型的方法和基于數(shù)據(jù)驅(qū)動的方法?；谀Ｐ偷姆椒?，AncefndutranternetAncefndutranternet機(jī)器學(xué)習(xí)方法進(jìn)行特征映射和剩余壽命預(yù)測[3，4]。本次競賽數(shù)據(jù)，同樣也面臨同樣的問題，而且對于同種工況下的不同樣本之間的信號差異較大。本組的核心思想是從數(shù)據(jù)中提取退化指標(biāo)；基于信號和退化指標(biāo)建立映射關(guān)系，以建立不同樣本之間的關(guān)系；最后對退化指標(biāo)進(jìn)行回歸預(yù)測。本組的技術(shù)路包括訓(xùn)練刀具主軸負(fù)載信號的預(yù)處理和基于預(yù)處理信號提取的退化指標(biāo)2）卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練。經(jīng)過預(yù)處理的主軸負(fù)載信號和提取的退化指標(biāo)分別作為卷積神經(jīng)網(wǎng)絡(luò)的輸入和輸出進(jìn)行模型的訓(xùn)練3）測試刀具的剩余壽命結(jié)果預(yù)測。將經(jīng)過預(yù)處理的測試刀具主軸負(fù)載信號輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型中得到測試刀具的退化指標(biāo)?；谥С窒蛄繖C(jī)回歸算法，對訓(xùn)練集刀具的退化指標(biāo)進(jìn)行訓(xùn)練后去預(yù)測測試集刀具的退化指標(biāo)，得到最終的剩我們以訓(xùn)練樣本中最大長度（2457）作為基準(zhǔn)，使用三次B樣條曲線插值法對主軸負(fù)分析方法：動態(tài)時間規(guī)整算法（DWT）計(jì)算數(shù)據(jù)之間的相似度，以提取以5分鐘為單位的退化指標(biāo)。DWT的基本思想是對離散的數(shù)據(jù)點(diǎn)求最短距離，兩個樣本之間的數(shù)據(jù)點(diǎn)進(jìn)行滑工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟A工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟Ancefndutranternet最小歸一化處理，結(jié)果如圖1-3-28所示。特點(diǎn)三：測試集樣本是加工過程中間某一段的信號，不能同訓(xùn)練集樣本一樣基于第信號提取退化指標(biāo)。需要一種方法能夠?qū)W習(xí)訓(xùn)練集的信號-退化指標(biāo)的對應(yīng)關(guān)系，預(yù)測測試的不確定性，而卷積神經(jīng)網(wǎng)絡(luò)能夠克服特征提取困難、精確度受限的技術(shù)問題。2）訓(xùn)因此整個訓(xùn)練過程不到5min3）擬合能力強(qiáng)。卷積神經(jīng)網(wǎng)絡(luò)能夠通過多個非線性函數(shù)的組合得到輸入輸出近似的映射關(guān)系，而不需要任何精確的函數(shù)關(guān)系，擬合精度就可以達(dá)到理利用支持向量機(jī)回歸進(jìn)行壽命預(yù)測。對于訓(xùn)練集退化指標(biāo)和工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟A工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟Aancefndutranternet圖1-3-29：卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)4.方法圖1-3-30：算法流程圖（2）將預(yù)處理的測試信號代入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型中，得到測試信號的退化（3）將測試信號的退化指標(biāo)代入到訓(xùn)練好的支持向量機(jī)回歸模型中，以滑窗的方式預(yù)主軸負(fù)載信號的時域退化特性更加明顯；其次，本組使用DTW方法提取更加接近退化過程的虛擬非線性退化指標(biāo)，防止訓(xùn)練過程的過擬合；最后，本組的使用的方法不需要復(fù)雜的手工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟Ancef5.驗(yàn)證ranternet本組采用基于交叉驗(yàn)證的網(wǎng)格搜索方法進(jìn)行支持向量回歸中，我們采用滑動窗口的方法建立訓(xùn)練樣本集。對于三個訓(xùn)練樣本的退化指標(biāo)，使用基于交叉驗(yàn)證的網(wǎng)格搜索達(dá)到最優(yōu)的擬合效果和參數(shù)，基于此模型對測試集的退化指標(biāo)以滑動預(yù)測本組分別使用線性退化指標(biāo)和非線性退化指標(biāo)擬合模型并本組采用的卷積神經(jīng)網(wǎng)絡(luò)對基于時間的退化指標(biāo)進(jìn)行訓(xùn)練的過程中觀察到一定的過現(xiàn)象，但未進(jìn)行詳細(xì)原因分析。后續(xù)可在原始數(shù)acousticemissionsbydominant-featureidentification[J]．IEEEtransactionson劉重黨：清華大學(xué)自動化系2016級博士研究生，研究興趣為機(jī)器學(xué)習(xí)，故障預(yù)測與健姚榮：清華大學(xué)自動化系2017級碩士研究生，研究興趣為深度學(xué)習(xí)，故障診斷。在本損破裂等失效會對產(chǎn)品質(zhì)量、設(shè)備效率、生產(chǎn)成本等造成較大影響。此外，刀具不可預(yù)測的健康狀況也會對加工設(shè)備的其它部件帶來影響，從而造成整個加工網(wǎng)技術(shù)的發(fā)展，更好的傳感技術(shù)有望實(shí)現(xiàn)對刀具運(yùn)行過程的實(shí)時監(jiān)測?；诒O(jiān)測數(shù)據(jù)刀具進(jìn)行剩余使用壽命的預(yù)測，有助于對刀具進(jìn)行預(yù)測性維護(hù)，從而提高其運(yùn)維效率與加工vibration_2、vibratio在數(shù)據(jù)采樣頻率方面，PLC信號采樣頻率為33Hz，震動傳感器采樣頻率25600Hz，因此需要首先對二者的數(shù)據(jù)在時間維度上進(jìn)行對齊。在初期本文采用的方案為：將每個刀具PLC中對應(yīng)于每個csv的數(shù)據(jù)與Sensor中對應(yīng)的csv的數(shù)據(jù)均平均分為600份（每份對應(yīng)的時間約為0.1秒對每一份中的數(shù)據(jù)區(qū)段提取相關(guān)特征。最終將每個刀具中Sensor考慮到PLC數(shù)據(jù)與Sensor中數(shù)據(jù)對齊之間存在誤差，即某一負(fù)載值區(qū)段（PLC中的數(shù)據(jù)）對應(yīng)的振動與電流信號區(qū)段（Sensor中的數(shù)據(jù)）并不能嚴(yán)格對齊。因此本文針對采其次本文對原始數(shù)據(jù)中的異常值進(jìn)行了清洗。如其中頻信息提取，主要采用三種方法：離散小波變化（DWT）[1]、小波包分解（WPD）[2]、經(jīng)驗(yàn)?zāi)B(tài)圖2-5-1特征選擇與提取框架圖2-5-1特征選擇與提取框架對于時頻信息提取后的數(shù)據(jù)，本文針對每段數(shù)據(jù)提取以下16個統(tǒng)計(jì)量作為預(yù)選特征。詳情見表2-5-1。MVMFMESRMSFRVFRMSσMAx6EnergyKFx7KurtosisEntropy4.方法4.方法本文基于CPS框架收集控制器(PLC)和外置傳感器(Sensor)收集的加工過程中的工況信給出了刀具壽命預(yù)測的技術(shù)路線。首先，基于已有的傳感器數(shù)據(jù)構(gòu)建訓(xùn)練集與測試集，進(jìn)行數(shù)據(jù)清洗，包括去噪、異常值剔除、數(shù)據(jù)結(jié)構(gòu)整理等操作。得到清洗后的數(shù)據(jù)并用離散小波信號提取系列統(tǒng)計(jì)特征，如均值、中值、方差、能量、RMS等。統(tǒng)計(jì)特征獲取后，利用單調(diào)性、相關(guān)性、殘差等分析方法進(jìn)行最優(yōu)特征選擇，從而得到性能較優(yōu)的特征集合。然后，基于自編碼器對獲取的特征集合進(jìn)行非線性降維，實(shí)現(xiàn)有效特征再提取并減少計(jì)算復(fù)雜度。另外，由于預(yù)測模型主要分析振動信號，因此除刀4.2預(yù)測模型-LSTM結(jié)構(gòu)，在傳統(tǒng)RNN中，每一個循環(huán)的神經(jīng)網(wǎng)絡(luò)單元表現(xiàn)為簡單的鏈?zhǔn)浇Y(jié)構(gòu)，例如只有一個tanh層。因此傳統(tǒng)RNN結(jié)構(gòu)中一個單元接收到t時刻的網(wǎng)絡(luò)輸入xt，并輸出一個值ht，RNN已經(jīng)被證明了在一些經(jīng)典序列數(shù)據(jù)如文本、語言等數(shù)據(jù)上有著良好的表現(xiàn)。但是值得注意的是，由于在RNN的單元之間只有狀態(tài)信息的傳播，所以其不同單元之間的關(guān)聯(lián)信息始終是有限的，某個單元能夠使用的之前時刻的單元信息始終是有限的，這個問題被稱作長業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)Ance業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)Ancefndutranternet如圖1-3-33所示，xt、ht和ct分別表示第t個單元的輸解決長期依賴問題，LSTM在RNN的基礎(chǔ)上，引入了門結(jié)構(gòu)以實(shí)現(xiàn)不同單元之間的信息更好地傳遞，包括遺忘門、輸入門和輸出門。其中遺忘門實(shí)現(xiàn)了對于上一個單元狀態(tài)信息的信的能力，從而在一些時序數(shù)據(jù)上的處理上表現(xiàn)出了更加優(yōu)上一步中進(jìn)行了特征的提取，但是得到的依舊是時序上的數(shù)據(jù)，非常適合LSTM的應(yīng)用。除了上述剩余使用壽命預(yù)測方法以外，作為探索，本文同樣采用了LGBM，雙向LSTM和支持向量回歸算法（SupportVectorRegression，SVR）對數(shù)據(jù)比實(shí)驗(yàn)過程中，本文選取了三把刀具中的第二把刀具數(shù)據(jù)作為測試集，其他兩把刀具作為訓(xùn)練集，對幾種算法進(jìn)行測試，計(jì)算第二把刀具的退化過程中各個時刻的平均RUL預(yù)測得分其中，S()表示RUL計(jì)算中定義的score計(jì)算函數(shù)，xt,x;t分別表示t時刻的真實(shí)RUL值以及算法預(yù)測得到的RUL值，通過比較各個算法在測試集得到的平均得分，本文最在參加本次比賽的過程中，收獲頗豐，但是也有諸多不足之處。工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟上的數(shù)據(jù)，其中蘊(yùn)含了刀具的走刀路徑等，根據(jù)其可對工況等進(jìn)行分析，在本次比賽當(dāng)中由第三，可采用物理模型與混合模型的方法構(gòu)建表征刀具磨損狀態(tài)的健康因子（HealthCPUsystem[J].AppliedSoftComputing,2018,68:13-23.聯(lián)盟[4]HochreiterS,SchmidhuberJ.Longshort-termememory.[J].Neural[5]ZhangP,XueJ,LanC,etal.AddingAttentivenesstotheNeuronsin大型旋轉(zhuǎn)機(jī)組，如壓縮機(jī)、蒸汽汽輪機(jī)、燃?xì)廨喰袠I(yè)的核心裝備。因設(shè)備高速旋轉(zhuǎn)、動能巨大，轉(zhuǎn)子部件脫落故障給設(shè)備安全運(yùn)行帶來巨大威脅。由于部件脫落而導(dǎo)致的機(jī)組多級動靜葉片/葉輪損傷的維修成本高、耗時長，因此而造成企業(yè)經(jīng)濟(jì)效益的重大損失。轉(zhuǎn)子部件脫落的早期征兆難以捕捉，是故障預(yù)測的世界性難題。如果能通過大數(shù)據(jù)方法，實(shí)現(xiàn)此故障征兆的早期發(fā)現(xiàn)和程度預(yù)測，將帶來顯著的安全價(jià)數(shù)據(jù)描述：本次競賽所使用的數(shù)據(jù)來自大型透平旋轉(zhuǎn)機(jī)組一般采用承載力強(qiáng)的滑動軸工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟AancefndutranternetCycles：轉(zhuǎn)子轉(zhuǎn)動的周數(shù),初賽訓(xùn)練數(shù)據(jù)描述:第一階段的競賽提供了5臺機(jī)組的數(shù)據(jù)，其中有2臺故障機(jī)組取數(shù)據(jù)之后的至少一年以上，未發(fā)生此類故障。數(shù)據(jù)文件夾名稱：初賽測試數(shù)據(jù)描述：共有5臺機(jī)組的數(shù)據(jù)，每臺機(jī)組有5組數(shù)據(jù)。數(shù)據(jù)文件夾名稱：工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟Ancefndutranternet決賽數(shù)據(jù)描述：共有6臺機(jī)組的數(shù)據(jù)。每臺機(jī)組提供5組數(shù)據(jù)。數(shù)據(jù)文件夾名稱：進(jìn)行給分S，根據(jù)時間順序由近至遠(yuǎn)正確且連續(xù)的序列的個數(shù)多少給出得分。最臨近的一個工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟Aancefndutranternet本屆大賽開發(fā)出諸多針對轉(zhuǎn)子部件脫落故障預(yù)測的算法模工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟Ancefndutranternet——轉(zhuǎn)子部件脫落故障預(yù)測這些解法各不相同，各有巧思，充分體現(xiàn)了工業(yè)大數(shù)據(jù)建模的跨學(xué)科特點(diǎn)，方法具備較強(qiáng)的#123456基于變分模態(tài)分解與時間-全譜分析的旋轉(zhuǎn)機(jī)械7AancefAancefndutranternet通過提供創(chuàng)新的有線、無線感知產(chǎn)品，實(shí)現(xiàn)工業(yè)設(shè)備智能化在線監(jiān)測和預(yù)測性維護(hù)，業(yè)大數(shù)據(jù)驅(qū)動，提供機(jī)理模型和數(shù)據(jù)模型為用戶實(shí)現(xiàn)智能預(yù)警、智能診斷和一系列工業(yè)云服務(wù)，幫助工業(yè)企業(yè)提升生產(chǎn)效率、保障安全生產(chǎn)、優(yōu)化生產(chǎn)決策，助力企業(yè)向智能制造升級的預(yù)測性維護(hù)算法研究上，在石化、水泥、鋼鐵行業(yè)的設(shè)備大數(shù)據(jù)分析和多項(xiàng)目實(shí)戰(zhàn)，尤其是在設(shè)備智能預(yù)警、智能診斷、性能分析等大型旋轉(zhuǎn)機(jī)組，如壓縮機(jī)、蒸汽汽輪機(jī)、燃?xì)廨喰袠I(yè)的核心裝備。因設(shè)備高速旋轉(zhuǎn)、動能巨大，轉(zhuǎn)子部件脫落故障給設(shè)備安全運(yùn)行帶來巨大威脅[1]。由于部件脫落而導(dǎo)致的機(jī)組多級動靜葉片/葉輪損傷而造成企業(yè)經(jīng)濟(jì)效益的重大損失[2]。轉(zhuǎn)子部件脫落的早期征兆難以捕捉，是故障預(yù)測性難題。如果能通過大數(shù)據(jù)方法，實(shí)現(xiàn)此故障征兆的早期發(fā)現(xiàn)和程度預(yù)測，將帶來顯著的安大型旋轉(zhuǎn)機(jī)組軸系容易發(fā)生斷裂的部件主要由轉(zhuǎn)風(fēng)板等，可分為轉(zhuǎn)子跨度內(nèi)和背靠輪兩種失重類型來考察[3]。監(jiān)測保護(hù)系統(tǒng)、汽機(jī)振動數(shù)據(jù)采集和故障診斷系統(tǒng)。目前基于振動特征識別脫落故障是主要的分析手段之一，有學(xué)者提出利用諧分量平衡法識別轉(zhuǎn)動部件脫落故障，這種方法能精確計(jì)算出轉(zhuǎn)動部件脫落故障軸向位置和質(zhì)量，正確診斷突發(fā)性振動故障，并且通過建立旋轉(zhuǎn)機(jī)械轉(zhuǎn)動部件脫落振動模型，仿真分析了轉(zhuǎn)動部件脫落位置對軸承振動響應(yīng)的影響。分析結(jié)果表子端部部件脫落，同時激發(fā)一階不平衡分量和二階不平衡分量，對臨界轉(zhuǎn)速與工作轉(zhuǎn)速振動均有較大影響[4]。據(jù)統(tǒng)計(jì)目前國產(chǎn)大型機(jī)組和國外大型機(jī)組中葉片斷裂故障幾乎全發(fā)生在低壓缸內(nèi)，這些故障在診斷和處理過程中容易誤判為軸承開裂、開焊或其他故障，即使診葉片斷裂，也未必會采取揭缸操作，最后可能導(dǎo)致二次嚴(yán)重事故的發(fā)生[5]。在文獻(xiàn)[6]中提到使用無損探傷技術(shù)對大型旋轉(zhuǎn)機(jī)組葉片進(jìn)行故障檢測，但是這種檢測技術(shù)只能在機(jī)組停機(jī)時進(jìn)行，應(yīng)用時有較大的局限性，無法實(shí)時在線識別尤其是轉(zhuǎn)子葉片斷裂的識別檢測，主要還是集中在利用機(jī)組的振動監(jiān)測系統(tǒng)采集的機(jī)組轉(zhuǎn)子位移數(shù)據(jù)進(jìn)行轉(zhuǎn)動部件脫落的識別和檢測[7]。目前通過有限元仿真技術(shù)建立轉(zhuǎn)動模型，對轉(zhuǎn)動部件脫落的振動特性進(jìn)行分析的研究非常普遍，通過仿真分析可以給出轉(zhuǎn)動部件脫落位置對轉(zhuǎn)子振動的影響，并對提取相關(guān)振動特征進(jìn)行分析，為現(xiàn)場機(jī)組轉(zhuǎn)子部件脫大型透平旋轉(zhuǎn)機(jī)組一般采用承載力強(qiáng)的滑動軸承。機(jī)傳感器用來測量轉(zhuǎn)子軸向振動、位移值，圖2-3-2。圖2-3-1圖2-3-1圖2-3-2機(jī)組振動位移數(shù)據(jù)對應(yīng)的信息包括轉(zhuǎn)子轉(zhuǎn)動的周數(shù)、轉(zhuǎn)速、ncefndutranternet決賽需要判斷8臺機(jī)組那些機(jī)組存在轉(zhuǎn)子部件脫落故障，對存在轉(zhuǎn)子部件脫落的機(jī)組4.方法4.方法①是檢測轉(zhuǎn)子部件是否脫落？②是若存在故障，需要識別故障征兆強(qiáng)度，以此對所提（1）相比較于基于特征融合形成單一故障指標(biāo)進(jìn)行故障判別和故障強(qiáng)度識別的方法，本方法本質(zhì)特點(diǎn)在于數(shù)據(jù)驅(qū)動，而特征融合適合簡單故障機(jī)理，并不適合此次轉(zhuǎn)子部件脫落（2）相較于通過機(jī)器學(xué)習(xí)回歸算法對數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測的方法，由于需要對訓(xùn)練數(shù)因此利用分類概率大小作為故障征兆強(qiáng)度指標(biāo)，是最符合所提供數(shù)據(jù)集的特點(diǎn)的一種圖2-3-3技術(shù)路線理，將測點(diǎn)名稱標(biāo)準(zhǔn)化；第二步是對振動位移數(shù)據(jù)進(jìn)行可視化分析，考慮到大機(jī)組的振動采樣特性和典型的位移振動分析方法特點(diǎn)，通過總采樣點(diǎn)與轉(zhuǎn)子旋轉(zhuǎn)周數(shù)相除得到了采樣頻率為每轉(zhuǎn)32點(diǎn)（等角度采樣獲取采樣頻率后利用FFT變（1）分析故障機(jī)組和無故障機(jī)組的階次譜發(fā)現(xiàn)，故障機(jī)組的階次譜較無無故障機(jī)組的一倍轉(zhuǎn)頻幅值明顯偏大，且一倍頻在階次譜能量中占據(jù)主導(dǎo)，見圖2-3-4。在階次譜中提取了1倍轉(zhuǎn)頻，2倍轉(zhuǎn)頻，3倍轉(zhuǎn)頻等特征，并觀察這些特征在有故障機(jī)組和無故障機(jī)組中歷史趨勢，進(jìn)而選擇有效特征；互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟Ancefndutrantert圖2-3-4一倍轉(zhuǎn)頻在轉(zhuǎn)子脫落故障中變化特性故障機(jī)組軸心軌跡在各個時段幾乎沒有較大變化如圖2-3-5，而出現(xiàn)轉(zhuǎn)子部件脫落故障機(jī)組圖2-3-5無故障機(jī)組各時段典型軸心軌跡圖2-3-6故障機(jī)組各時段典型軸心軌跡對所有機(jī)組的轉(zhuǎn)速特征進(jìn)行分析發(fā)現(xiàn)，部分設(shè)備的轉(zhuǎn)速中存在轉(zhuǎn)速不變情況，轉(zhuǎn)速為恒定值。查閱相關(guān)資料發(fā)現(xiàn)，從大型機(jī)組工作機(jī)理出發(fā)，在機(jī)組實(shí)際運(yùn)行過程中不存在轉(zhuǎn)速完全無波動的情況。因此可定義轉(zhuǎn)速恒定的數(shù)據(jù)為異常數(shù)據(jù)，需要刪除，避免干擾和影響正工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟Ancefndutranternet圖2-3-7故障具有較高的區(qū)分度。因此針對振動時域數(shù)據(jù)和頻域數(shù)據(jù)進(jìn)行兩大類特征提取。位移振動在算法選擇方面，我選擇了LightGBM算法作為轉(zhuǎn)子部件脫落的預(yù)測算法。相比較其他分類算法，LightGBM具有高效并行的優(yōu)勢，同時LightGBM使用GBDT框架，在分類和回歸問題中具有非常高的準(zhǔn)確度。LightGBM提出的主要原因就是為了解決GBDT在海量數(shù)據(jù)遇到的問題，讓GBDT可以更好更快地用于工業(yè)實(shí)踐。在防止模型過擬合方面，LightGBM在Leaf-wise之上增加了一個最大深度限制，在保證高效率的同時驗(yàn)證過程其實(shí)很簡單，與傳統(tǒng)機(jī)器學(xué)習(xí)驗(yàn)證方法并沒有太大區(qū)別。唯一需要注意的是，劃分大。最后選取了最接近故障時間的數(shù)據(jù)作為二分類的正例數(shù)據(jù)進(jìn)行訓(xùn)練。，這樣選取的原因是，理論上轉(zhuǎn)子部件脫落故障征兆在最接近故障發(fā)生時刻表現(xiàn)最強(qiáng)，因此最接近故障時間的數(shù)據(jù)與實(shí)際故障數(shù)據(jù)是最相似的。在分類概率大小排序問題中，最大的挑戰(zhàn)在于如何篩選特征，因?yàn)樘卣鞯倪x擇關(guān)系到模型的性能結(jié)果和模型泛化能力，考慮到目標(biāo)是區(qū)分故障征兆強(qiáng)度，對于機(jī)械部件故障來說越接近故障發(fā)生時刻，征兆的表現(xiàn)也越強(qiáng)，因此特征若是與故初賽訓(xùn)練集和測試集的劃分方式為：將M1a、M2a和M3、M4、M5作為訓(xùn)練集，M6、M7、M8、M9、M10作為測試集。決賽訓(xùn)練集和測試集的劃分方式為：將M1a、近故障的a組數(shù)據(jù)（即理論上轉(zhuǎn)子部件脫落故障征數(shù)據(jù)作為分類反例。這種訓(xùn)練數(shù)據(jù)組成方式可以很有效的曾強(qiáng)模型對故障機(jī)組的識別檢測能力，更好的區(qū)分了故障與無故障之間的差異。為基于分類概率識別故障機(jī)組和故障征兆強(qiáng)度據(jù)上的單調(diào)程度進(jìn)行篩選，保證特征與故障征兆強(qiáng)度具有正確的相關(guān)關(guān)系；二是考慮特征在未知工況上的泛化能力，因此剔除了有量綱數(shù)據(jù)，因?yàn)橛辛烤V特征與機(jī)組的運(yùn)行條件具有非常強(qiáng)關(guān)聯(lián)，為了保證建立的模型在不同運(yùn)行工況條件下能輸出一致的結(jié)果，因此盡量選擇無在本次競賽過程中，我通過查閱文獻(xiàn)資料了解機(jī)理，將主要提取特征參數(shù)集中在振動幅值和相對幅值變化上，并且通過機(jī)組軸心軌跡的可視化有效掌握了故障演變機(jī)理，這些業(yè)務(wù)知識的理解和分析都對后續(xù)的數(shù)據(jù)預(yù)處理、特征工程、特征選擇和優(yōu)化起到了非常關(guān)鍵的作用。根據(jù)對賽題所涉及的工業(yè)領(lǐng)域業(yè)務(wù)和機(jī)理的分（1）解決利用機(jī)組軸系多個互相垂直測點(diǎn)的位移振動數(shù)據(jù)識別轉(zhuǎn)子部件是否脫落的分（2）解決利用機(jī)組軸系多個互相垂直測點(diǎn)的位移振動數(shù)據(jù)識別轉(zhuǎn)子部件脫落故障征兆基礎(chǔ)上，通過可視化手段逐個機(jī)組查看各個參數(shù)變化情況，據(jù)此有針對性的對數(shù)據(jù)進(jìn)行了清洗預(yù)處理，為特征提取建立堅(jiān)實(shí)的分析基礎(chǔ)。基于位移振動信號處理方法，我對預(yù)處理后的從參加比賽開始到?jīng)Q賽答辯結(jié)束，整個過程認(rèn)識了很多工業(yè)屆通過多次數(shù)據(jù)分析經(jīng)驗(yàn)的積累和總結(jié)，我發(fā)現(xiàn)凡是區(qū)分度明顯的特征都是和業(yè)務(wù)強(qiáng)相關(guān)的，這次比賽我尤其注重對問題的業(yè)務(wù)分析和理解，最終提取了多個區(qū)分度強(qiáng)的業(yè)務(wù)特征，最終大的距離。首先第一點(diǎn)是算法模型的精度上需要提升，以滿足工業(yè)應(yīng)用的更高要求，這一點(diǎn)上需要更加深入的理解和分析轉(zhuǎn)子部件脫落故障的發(fā)生機(jī)理，在數(shù)據(jù)分析上提取出更具區(qū)分度和解釋力的特征；其次是算法模型并不僅僅只考慮轉(zhuǎn)子部件脫落故障，還需要考慮除此之外的其余故障對算法模型的影響，這是因?yàn)楣I(yè)領(lǐng)域中面臨的機(jī)組故障往往比較復(fù)雜，轉(zhuǎn)子部件脫落的主要表現(xiàn)和質(zhì)量不平衡高度相似，是否具有其他類型的故障存在并影響現(xiàn)有的分析結(jié)果，這需要詳盡的分析和論證，只有解決了這個關(guān)鍵問題，現(xiàn)有的算法模型才有可能在自動化,2007(04):86-89.Sirius隊(duì)由蘇州大學(xué)工業(yè)測控與設(shè)備診斷技術(shù)研究所博士研究生組成。蘇州大學(xué)工業(yè)聲控制等研究基礎(chǔ)上成立的校級研究機(jī)構(gòu)。研究所的主要針對軌道交通車輛和軌道交通供電系統(tǒng)的科學(xué)和工程問題開展研究工作，具體研究方向包括軌道車輛系鍵部件狀態(tài)監(jiān)測與故障診斷、深度學(xué)習(xí)方法及其應(yīng)用、振動噪聲控制和軌道交通供電系統(tǒng)分析等方面。戴俊，博士研究生，主要研究方向是振動信號處理，深度學(xué)習(xí)方法及其應(yīng)用。競賽指導(dǎo)教師：朱忠奎，蘇州大學(xué)教授、博士生導(dǎo)師，主要研究方向?yàn)闄C(jī)械系統(tǒng)狀態(tài)監(jiān)測與故障診斷、振動信號分析與處理、車輛系統(tǒng)動力學(xué)。王俊，蘇州大學(xué)副教授、碩士生導(dǎo)師，大型旋轉(zhuǎn)機(jī)組，如壓縮機(jī)、蒸汽汽輪機(jī)、燃?xì)廨啓C(jī)等是能源、化工、發(fā)電等行業(yè)的核積累經(jīng)驗(yàn)知識為途徑、智能判別設(shè)備健康狀態(tài)為目的，來保障機(jī)械設(shè)備運(yùn)行的可靠性[1-3]。習(xí)在學(xué)術(shù)界和工業(yè)界的浪潮，深度學(xué)習(xí)開始被廣泛運(yùn)用于圖像識別、高效、準(zhǔn)確地從機(jī)械大數(shù)據(jù)中挖掘有效狀態(tài)信息，深度學(xué)習(xí)在機(jī)械故障診斷中也得到了廣network,DBN)[8-11]、的一種新型網(wǎng)絡(luò)結(jié)構(gòu)[15]，是一種基于博弈場景的無監(jiān)督特征學(xué)習(xí)算法。隨著對抗學(xué)習(xí)思想的不斷完善，GAN已經(jīng)在圖像生成、圖像辨識和風(fēng)格遷移等領(lǐng)域有了較多的應(yīng)用[16]。在機(jī)轉(zhuǎn)子脫落故障預(yù)測比賽中所采用的數(shù)據(jù)集包含徑向數(shù)據(jù)訓(xùn)練數(shù)據(jù)集中包含有5臺機(jī)組的數(shù)據(jù)，其中機(jī)組M1，M2是發(fā)生轉(zhuǎn)子部件脫落故障生此類故障，即正常數(shù)據(jù)。每一臺機(jī)組數(shù)據(jù)中包含有五個文件，代表機(jī)組不同的五個健康階離故障發(fā)生的時間的遠(yuǎn)近，依照字母順序，a表示數(shù)據(jù)采集自臨近故障發(fā)生時，e表示數(shù)據(jù)采集自故障發(fā)生前較久遠(yuǎn)時。每個階段又包含三種數(shù)據(jù)，即轉(zhuǎn)子聯(lián)端位移數(shù)據(jù)、轉(zhuǎn)子非聯(lián)端業(yè)壓縮機(jī)聯(lián)端X/Y業(yè)ncef聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)CycelsCycelstttnnUrannerne壓縮機(jī)非聯(lián)端X/YCycels壓縮機(jī)軸位移A