2020年8月29日，為期三天的2020工業(yè)互聯(lián)網(wǎng)大會(huì)在云端拉開帷幕。30日晚，因聯(lián)科技算法工程師胡翔受邀在“工業(yè)互聯(lián)網(wǎng)新生代”議題上分享了他在第三屆工業(yè)大數(shù)據(jù)創(chuàng)新競賽上奪冠的經(jīng)驗(yàn)，詳細(xì)介紹轉(zhuǎn)子部件脫落故障預(yù)測的內(nèi)容。

以下是演講內(nèi)容整理。

我是來自西安因聯(lián)信息科技有限公司的算法工程師胡翔，今天給大家分享的是2019年第三屆工業(yè)大數(shù)據(jù)創(chuàng)新競賽的賽題內(nèi)容——轉(zhuǎn)子部件脫落故障預(yù)測，將從以下幾個(gè)方面進(jìn)行闡述：1. 賽題分析；2. 模型驗(yàn)證與模型優(yōu)化；3. 總結(jié)展望。

賽題分析

2019屆大賽賽題“大型高速旋轉(zhuǎn)機(jī)組轉(zhuǎn)子部件脫落故障預(yù)測”屬于工業(yè)領(lǐng)域典型的異常檢測和故障診斷問題。大型高速旋轉(zhuǎn)機(jī)組一旦發(fā)生轉(zhuǎn)子部件脫落問題，將會(huì)帶來巨大的經(jīng)濟(jì)損失以及安全隱患。由于大型高速旋轉(zhuǎn)機(jī)組轉(zhuǎn)子部件脫落故障的早期特征難以捕捉，主辦方希望通過運(yùn)用大數(shù)據(jù)的分析方法來識(shí)別轉(zhuǎn)子部件脫落和故障征兆強(qiáng)度。

初賽時(shí)組委會(huì)提供了5臺(tái)機(jī)組數(shù)據(jù)用于訓(xùn)練，其中包含兩臺(tái)故障機(jī)組，同時(shí)另外提供5臺(tái)機(jī)組數(shù)據(jù)用于測試。而決賽則需要識(shí)別8臺(tái)機(jī)組的故障情況，包括兩個(gè)預(yù)測目標(biāo)：一是識(shí)別哪些機(jī)組發(fā)生了轉(zhuǎn)子脫落故障，二是針對存在轉(zhuǎn)子脫落故障的機(jī)組按照故障程度對所有數(shù)據(jù)進(jìn)行排序。

在采樣信息提取方面，每個(gè)機(jī)組提供6到7個(gè)測點(diǎn)的數(shù)據(jù)，包括聯(lián)端徑向X、聯(lián)端徑向Y等位移測點(diǎn)；同時(shí)機(jī)組還提供5個(gè)不同故障階段即不同故障程度的數(shù)據(jù)。每個(gè)位移測點(diǎn)包含5個(gè)字段，如轉(zhuǎn)子轉(zhuǎn)動(dòng)的周數(shù)、總采樣點(diǎn)數(shù)、波形數(shù)組、采樣頻率、轉(zhuǎn)速等。對每個(gè)測點(diǎn)數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)采樣的旋轉(zhuǎn)周數(shù)不變，為32轉(zhuǎn)，采樣的總樣本量也不變，為1024個(gè)點(diǎn)，因此可得出結(jié)論是等角度采樣而非等時(shí)間采樣，采樣率為32點(diǎn)/轉(zhuǎn)。

在數(shù)據(jù)可視化方面，對位移波形進(jìn)行FFT(Fast Fourier Transformation)變換之后可得階次譜。通過對正常機(jī)組和故障機(jī)組的階次譜進(jìn)行分析發(fā)現(xiàn)，在轉(zhuǎn)子脫落故障的不同階段，正常機(jī)組的1X轉(zhuǎn)頻能量無明顯變化，而故障機(jī)組隨著故障的不斷加劇，1X轉(zhuǎn)頻能量不斷增加。

此外，對同一個(gè)測點(diǎn)X向和Y向的振動(dòng)進(jìn)行合成得到軸心軌跡。分析發(fā)現(xiàn)，正常機(jī)組的軸心軌跡在不同階段幾乎沒有變化，而故障機(jī)組的軸心軌跡隨著故障加劇變化明顯。

經(jīng)上述分析，我的解題思路主要分為兩點(diǎn)，一是識(shí)別轉(zhuǎn)子部件是否存在脫落，二是識(shí)別存在脫落故障機(jī)組的征兆強(qiáng)度。第一個(gè)問題可歸結(jié)為二分類的問題，第二個(gè)問題的思路是通過分類概率大小來識(shí)別脫落故障的征兆強(qiáng)度。

之所以選擇分類概率大小來識(shí)別脫落故障征兆強(qiáng)度，實(shí)際上是我通過對比三個(gè)不同的解題思路后得出的結(jié)論。第一個(gè)思路是通過特征融合的方法，形成單一指標(biāo)指示脫落故障，但這只適合機(jī)理簡單的場景，而大賽賽題屬于典型的機(jī)理復(fù)雜場景；第二個(gè)思路是通過回歸的方法，對訓(xùn)練集數(shù)據(jù)故障賦予不同的“征兆強(qiáng)度標(biāo)簽”，但由于賽題提供的數(shù)據(jù)存在時(shí)間上的中斷，并且該數(shù)據(jù)集的樣本屬于小樣本問題，回歸方法效果不好；第三個(gè)思路是通過分類概率大小作為故障征兆強(qiáng)度的指標(biāo)，該思路最符合此次大賽數(shù)據(jù)集特點(diǎn)，因此采用第三個(gè)思路。

在采樣信息提取方面，每個(gè)機(jī)組提供6到7個(gè)測點(diǎn)的數(shù)據(jù)，包括聯(lián)端徑向X、聯(lián)端徑向Y等位移測點(diǎn)；同時(shí)機(jī)組還提供5個(gè)不同故障階段即不同故障程度的數(shù)據(jù)。每個(gè)位移測點(diǎn)包含5個(gè)字段，如轉(zhuǎn)子轉(zhuǎn)動(dòng)的周數(shù)、總采樣點(diǎn)數(shù)、波形數(shù)組、采樣頻率、轉(zhuǎn)速等。對每個(gè)測點(diǎn)數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)采樣的旋轉(zhuǎn)周數(shù)不變，為32轉(zhuǎn)，采樣的總樣本量也不變，為1024個(gè)點(diǎn)，因此可得出結(jié)論是等角度采樣而非等時(shí)間采樣，采樣率為32點(diǎn)/轉(zhuǎn)。

在特征工程方面，提取時(shí)域特征和頻域特征。時(shí)域特征包括位移峰峰值，頻域特征包括1X、2X、3X轉(zhuǎn)頻的幅值，以及1X、2X、3X轉(zhuǎn)頻能量占比。

模型驗(yàn)證與模型優(yōu)化

在建模數(shù)據(jù)的選擇上，考慮到最接近故障發(fā)生的a組數(shù)據(jù)與實(shí)際故障數(shù)據(jù)最為相似，因此，以a組數(shù)據(jù)作為分類正例，而無故障的數(shù)據(jù)作為分類反例組成訓(xùn)練數(shù)據(jù)集進(jìn)行建模。

在模型驗(yàn)證方面，選擇LightGBM作為分類算法模型，然后通過五折交叉驗(yàn)證，同時(shí)在這個(gè)階段需要保證驗(yàn)證集的數(shù)據(jù)來源平衡，最后根據(jù)驗(yàn)證結(jié)果優(yōu)化分類閾值。在預(yù)測階段實(shí)際上是取每一組數(shù)據(jù)集預(yù)測的最終統(tǒng)計(jì)結(jié)果作為最終結(jié)果。

在模型優(yōu)化方面，主要從兩個(gè)方向出發(fā)，一是特征優(yōu)化和篩選，二是數(shù)據(jù)清洗。特征篩選包括兩個(gè)點(diǎn)，一是特征在故障數(shù)據(jù)上的單調(diào)程度。下圖是1X轉(zhuǎn)頻能量隨著故障的演變劣化的趨勢圖，從圖中可以看出，1X轉(zhuǎn)頻能量隨著故障的劣化具有比較好的單調(diào)性。二是考慮特征在未知數(shù)據(jù)即未知工況上的泛化能力。由于無量綱特征不受工況影響，而有量綱特征受工況影響，因此建模過程中我刪除了大部分有量綱特征，強(qiáng)化了模型的泛化能力。

在數(shù)據(jù)清洗方面，從實(shí)際數(shù)據(jù)分析發(fā)現(xiàn)，大機(jī)組的轉(zhuǎn)速存在完全恒定無變化的情況，而從實(shí)際業(yè)務(wù)角度出發(fā)，大機(jī)組不可能存在轉(zhuǎn)速完全無波動(dòng)的情況，因此這部分?jǐn)?shù)據(jù)為異常數(shù)據(jù)，將其進(jìn)行清洗，不參與建模。

總結(jié)展望

十分開心能獲得第一名的好成績，通過這次競賽經(jīng)歷，我個(gè)人也有一些心得體會(huì)和大家分享。一是在分析問題時(shí)一定要從實(shí)際業(yè)務(wù)層面出發(fā)，業(yè)務(wù)理解對特征提取和使用具有決定性影響；二是合適的解題思路關(guān)系到解決方案的泛化能力；三是數(shù)據(jù)的預(yù)處理在整個(gè)過程中是第一步也是至關(guān)重要的一步。

此外，我認(rèn)為在能夠提供連續(xù)的故障程度數(shù)據(jù)的情況下，可嘗試?yán)没貧w方法作為解決方案思路。本次比賽僅考慮了轉(zhuǎn)子部件脫落這一個(gè)故障，但大型高速旋轉(zhuǎn)機(jī)組在現(xiàn)實(shí)中往往存在非常多的故障模式，因此在實(shí)際過程中需重點(diǎn)分析多故障模式及考慮工況主要是轉(zhuǎn)速的影響，這些都是非常值得去深入研究的。

以上就是我的分享內(nèi)容，謝謝大家的聆聽！