工业互联网环境下数据驱动与知识驱动的预测性维护研究
时间：2023-02-16 12:00:08 来源：千叶帆 本文已影响人
文/牛冲丽，刘宇鑫
新兴技术和互联网在工业系统中的应用正在引领工业物联网的发展。工业物联网通过自动化智能对象来感知、收集、处理和实现通信工业系统中的实时数据在工业领域中的新愿景。在工业4.0的背景下，智能工厂使用先进的传感和数据分析技术来理解和监控制造过程，应用数据驱动方法来提高效率。目前，业界虽然有大量的方法阐述了数据驱动在预测性维护中的重要性，却少有研究从工业数据中提取的知识在预测性维护中的应用。本文旨在探究结合数据驱动和知识驱动的方法在当前预测性维护中的应用前景。
在当今的制造业中，日益激烈的全球竞争、快速的技术发展和客户对产品质量的认知引发了对未来战略计划和先进制造技术的需求。为了应对这些挑战，传统制造企业正在利用智能和数字技术来实现更先进的生产率和更高程度的自动化。这将导致一个新的工业阶段的到来，即横向和纵向的制造过程集成与产品连接正在帮助企业实现更高的工业性能。工业4.0的核心思想是，在制造过程中实现应用自动化、连通性和大数据交换。在智能工业应用中，自动化不仅限于生产，还包括决策的自动化。其中一个应用领域是预测性维护，而探究结合数据驱动和知识驱动的方法在当前预测性维护中的应用前景具有重要意义。
由于数据量的指数增长和数据采集技术的快速发展，数据驱动方法在工业设备的预测性维护方面引起了广泛关注。“数据驱动预测”通常使用人工智能或统计模型来学习并预测未来状况。一个基于多个数据驱动模型的系统在不考虑对实际系统或参数的解释力的情况下自动运行。虽然数据驱动方法的计算成本不高，但它们通常能提供良好的预测结果，通常用于监控磨损行为或系统故障。然而，由于工业生产中停机时间的巨大成本，故障已经以各种可能的方式被预防，因此，诸如与故障相关的关键数据往往是丢失的。在预防性定期更换部件过程中，这往往是一种昂贵的防止故障发生的方法。基于知识的系统维护一个知识库，知识库以关于域的语句形式存储计算模型的符号，并通过操作这些符号来执行推理。这种类型的系统度量新的观察结果与先前描述情况的数据库之间的相似性，并推断出适当的决策。基于知识的方法可以进一步分为知识图谱和本体论、基于规则的系统和模糊系统。基于规则的系统是一种基于知识的方法，这种类型的系统根据一组情景-动作规则对领域专家解决问题的知识进行编码；
而模糊系统常应用于需要灵活决策的情况，通过基于变量的“真度”对数据进行划分。
预测性维护是许多工业的智能解决方案，它基于预测所连接设备的故障时间的数学模型，使用户能够在设备发生故障之前修复其设备。[1]预测性维护解决方案对于任务关键型系统非常重要。数学模型可以预测任何机器的运行，这种预测的结果取决于从这些机器中收集的数据的数量和准确性。另外，故障早期检测组件通过使用推理引擎来处理事实和规则，并在早期阶段检测到异常时触发维护警告。根据检测到的异常，维护警告可能导致不同的维护操作，即纠正、预防或预测。一旦检测到需要维护干预，相关设备根据当前生产状态和维护资源可用性来进行干预，从而实现设备运维的智能优化。
基于机器学习的预测性维护是用于监控工业系统最突出的数据驱动方法之一，旨在最大限度地提高可靠性和效率。机器学习以先进的监测和诊断技术被不少学者研究，且在预测性维护中的应用已经取得了良好的进展。如Arena等人开发了一种基于决策树的新决策支持系统，该系统指导预测性维护实施的决策过程。Paplanti等人研究了一种基于随机森林的预测性维护架构。传统的机器学习在故障诊断和预测性维护中已经取得了一定的成绩，但本质上仍为浅层学习，在很大程度上取决于提取的故障特征是否准确。深度学习以其强大的特征提取能力可用于实现对未来状况或剩余使用寿命的预测建模。[2]深度学习算法的主要优点是，从新数据中自动学习隐含特征。分层顺序的非线性变换使得从粗数据中推断信息变得容易，而无须特征提取和选择步骤。对于大数据时代而言，数据具有巨大的价值。传感器可在长时间内定期记录有关设备健康状态的数据，形成巨大的数据集。与机器学习相比，深度学习算法适用于应对大数据分析的挑战，在预测性维护中有更深层次的研究价值。随着智能计算和深度学习研究的不断深入，基于数据驱动的方法在预测性维护中取得了巨大的进步。但目前主流的深度学习类数据驱动方法存在“黑盒子”性质，在数据建模的过程中难以解释，阻碍了更多的深度学习算法在预测性维护中的应用。随着工业大数据的急剧增长，时域信号和振动信号等多形式数据的出现，利用传统的数据分析方法难以挖掘出数据属性间内在关系和隐藏信息，以致剩余寿命预测和故障诊断等任务的精度不足。
知识图谱作为一个新兴的研究领域，在人工智能领域内逐渐取得重要的地位。[3]传统意义上的人工智能大多以数据驱动为核心，但离智能化还有一定的差距。知识图谱作为以知识为驱动的核心，将促使人工智能应用以知识赋能，促使计算机更具有推理力、解释性。知识图谱通过抽取数据内部机理关系，转化为领域知识，从而构建知识图谱。知识驱动方法基于知识工程的角度，通过对设备故障诊断来进行知识化表达和分析，为大数据背景下的预测性维护提供了全新思路。例如，如王岩等人[4]提出了面向采煤机智能运维的知识图谱构建方法；
Berghout等人[5]在知识驱动型方法中利用标签信息预测滚动轴承剩余使用寿命，该方法利用标签信息来关联输入和标签。应用基于知识驱动的方法构建知识图谱，进一步结合其他算法完成建模，一方面可实现多模态数据的知识提取和融合，另一方面可实现在大数据背景下实时、快速地进行预测性维护的目的。
知识驱动、数据驱动以及常见的基于模型的方法各有其应用场景，大部分研究是如何将其优势互补，最小化数据驱动方法或者知识驱动方法的缺陷，一般来说都是将二者相结合互补。相比于传统预测性维护方法，基于单一机理知识或设备数据，难以解决现实条件下的多工况、超复杂的设备故障诊断。因此，上述结合了知识驱动和数据驱动的方法具有较强的机理知识，增强了数据间的关联性，提高了工业设备现实条件下的故障诊断率和诊断速度。
近年来，深度学习模型在预测性维护系统的开发方面不断取得突破，成为解决工业问题的技术主流。预测性维护的大多数深度学习工作都专注于实现高度准确的最先进结果。然而，其他重要方面需要进一步研究，包括可解释性、实时执行和不确定性建模。目前，一些新兴的研究趋势可以解决差距，例如结合可解释的人工智能和领域知识来解释更准确的“灰盒”模型和“黑盒”模型的行为；
开发集成简化架构的边缘计算系统，降低复杂性以实现在线数据处理，并利用每个预测的概率来丰富模型输出，以模拟不确定性。
此外，通过知识驱动方法来指导深度学习过程，学习会更有导向性和更加智能。知识驱动方法有理论支持，分析结果合理。虽然可信的、纯数据驱动的人工智能方法可以挖掘出数据规则，但它们的解释难以令人信服。当系统结构发生变化等新场景出现时，收集新信息完成更新需要时间，但仅依靠知识驱动的分析很难保证特征提取的有效性、全面性和准确性。同时，数据驱动的方法可以捕获数据中反映但可能被忽视或过度简化的特征。因此，今后的研究有必要将知识驱动和数据驱动的检测方法结合起来。
猜你喜欢 预测性图谱驱动 基于图对比注意力网络的知识图谱补全北京航空航天大学学报(2022年8期)2022-08-31“植物界大熊猫”完整基因组图谱首次发布军事文摘(2022年16期)2022-08-24动作自主性与结果性质对不同预测性条件下施动感的影响*心理学报(2022年7期)2022-07-09数据驱动世界。你得懂它 精读英语文摘(2022年4期)2022-06-05基于模糊PI控制的驱动防滑仿真系统分析汽车实用技术(2022年7期)2022-04-20深入实施创新驱动发展战略当代陕西(2019年8期)2019-05-09图表新城乡(2018年6期)2018-07-09AMD VS微软 SSD的AHCI驱动选哪家电脑爱好者(2015年3期)2015-09-10创新范式转移科学与管理(2014年3期)2014-08-12中国知名官方智库图谱中国报道(2009年12期)2009-01-15 相关热词搜索：驱动，互联网，维护，
