前言：傳統(tǒng)工業(yè)中，維修時花費的大部分時間都在故障的診斷上，而不是進行實際的補救，因為故障診斷是機器維修中最具挑戰(zhàn)性的階段。在能源行業(yè)中，精確的故障診斷直接影響到供能的穩(wěn)定性。

隨著傳感器技術(shù)，數(shù)據(jù)存儲和互聯(lián)網(wǎng)的飛速發(fā)展，工廠變得越來越智能，并且生成更多的過程數(shù)據(jù)。針對大量數(shù)據(jù)的數(shù)據(jù)分析需求應運而生，通過基于數(shù)據(jù)的機器學習技術(shù)能有效改善故障診斷。

本文將簡要介紹幾種在故障診斷領域廣泛應用的機器學習技術(shù)及其各自的應用方向，并對每種技術(shù)的優(yōu)缺點進行簡單分析。包括：貝葉斯網(wǎng)絡（BN），人工神經(jīng)網(wǎng)絡（ANN），支持向量機（SVM）和隱馬爾可夫模型（HMM）技術(shù)。

貝葉斯網(wǎng)絡（BN，Bayesian Network）

貝葉斯網(wǎng)絡是故障檢測的一種常用的機器學習技術(shù)。BN是有向無環(huán)圖，即網(wǎng)絡結(jié)構(gòu)要求節(jié)點之間不能形成任何閉環(huán)，其節(jié)點表示隨機變量，其條件相關性由鏈接節(jié)點的有向弧表示。

BN是白盒模型，因為圖形表示使用戶可以直觀地輕松理解模型變量之間的交互。這對于建模不確定性十分有益，并且可以較容易地使用來自多個來源的數(shù)據(jù)（通常在制造系統(tǒng)中找到）來對多個原因和結(jié)果的層次級別進行建模。訓練BN的主要挑戰(zhàn)在于樹結(jié)構(gòu)的構(gòu)建。

BN廣泛應用于故障監(jiān)測及可靠性分析領域，1995年 Microsoft公司將 BN 運用于打印機的故障診斷，通過不斷計算在不同步驟下可能需要的維修方案的功效確定最優(yōu)的維修路徑。在半導體行業(yè)，Yang&Lee和Nguyen等人使用BN評估工藝變量對晶圓質(zhì)量的影響，從而使用歷史工藝數(shù)據(jù)診斷缺陷晶圓的根本原因。可靠性分析一般包括分析故障發(fā)生的概率和時間、系統(tǒng)冗余，需要綜合考慮系統(tǒng)的多狀態(tài)單元、動態(tài)變化、運行條件等因素。在能源領域，例如電廠運行可靠性，核能系統(tǒng)的可行性中都有著成功應用。此外BN 還廣泛應用于發(fā)動機轉(zhuǎn)子、電網(wǎng)、車輛電源系統(tǒng)、液壓泵、電力變壓器、太陽能發(fā)電廠、移動通信網(wǎng)絡、制造過程的故障診斷。

人工神經(jīng)網(wǎng)絡（ANN， Artificial Neural Network）

人工神經(jīng)網(wǎng)絡是一種非參數(shù)的機器學習算法，受人類中樞神經(jīng)系統(tǒng)功能的啟發(fā)。自適應特性提供了強大的建模功能，適用于特征之間的非線性關系。

人工神經(jīng)網(wǎng)絡目前沒有一個統(tǒng)一的正式定義。不過，具有下列特點的統(tǒng)計模型可以被稱作是“神經(jīng)化”的：

具有一組可以被調(diào)節(jié)的權(quán)重（被學習算法調(diào)節(jié)的數(shù)值參數(shù)）這些可調(diào)節(jié)的權(quán)重可以被看做神經(jīng)元之間的連接強度。

可以估計輸入數(shù)據(jù)的非線性函數(shù)關系

人工神經(jīng)網(wǎng)絡與生物神經(jīng)網(wǎng)絡的相似之處在于，它可以集體地、并行地計算函數(shù)的各個部分，而不需要描述每一個單元的特定任務。

單個神經(jīng)元示意圖，f為函數(shù)關系，w為權(quán)重

ANN的非參數(shù)性質(zhì)及其以高精度對非線性復雜問題進行建模的能力，使ANN可應用于故障診斷問題。該模型易于初始化，因為不需要像BN一樣指定網(wǎng)絡結(jié)構(gòu)。但是，缺點包括“黑匣子”性質(zhì)，這使得模型難以解釋。此外，人工神經(jīng)網(wǎng)絡通常無法處理輸入中的不確定性，并且計算量大，因此在訓練過程中收斂通常會較慢。人工神經(jīng)網(wǎng)絡容易過度擬合，需要大量的多樣化數(shù)據(jù)集進行訓練以防止出現(xiàn)此問題。

ANN以大規(guī)模并行能力，適應學習能力，分布式信息存儲、魯棒性等特點，在故障監(jiān)測及診斷領域大受關注。大量多樣的神經(jīng)網(wǎng)絡算法被開發(fā)及利用。神經(jīng)網(wǎng)絡算法可以說是機器學習技術(shù)中的明星。其應用范圍十分廣泛，在能源領域有著相對成熟的應用，包括負荷預測，各類故障診斷等等。

支持向量機（SVM， supportvector machine）

SVM使用不同的核函數(shù)（例如徑向基函數(shù)（RBF）或多項式內(nèi)核）來找到一種能將數(shù)據(jù)最好地分離的超平面，并且在與小型訓練集一起使用時具有良好的分類性能。支持向量機的成功應用領域包括面部識別，手寫字符識別，語音識別，圖像檢索，預測等。

SVM是建模線性和非線性關系的出色技術(shù)。與其他非參數(shù)技術(shù)（例如ANN）相比，計算時間相對較快。大型訓練數(shù)據(jù)集的可用性是機器學習中的一個挑戰(zhàn)，但是，即使在訓練數(shù)據(jù)量有限的情況下，SVM也有不錯的效果。

支持向量機在故障定位中的應用不像BN和ANN常見。支持向量機是工業(yè)生產(chǎn)系統(tǒng)的非常有效的監(jiān)視和診斷工具，例如使用該技術(shù)來診斷在不同切削條件下的端面銑削過程中的刀具破損故障。以及SVM在風力發(fā)電機組中的故障監(jiān)測，此外在醫(yī)學領域，SVM被用于各種疾病的診斷，例如用于癌癥及糖尿病的監(jiān)測。在能源領域，支持向量機還被應用于負荷預測，例如房屋冷熱負荷預測，風電發(fā)電量預測及用戶負荷預測等。

隱馬爾可夫模型（HMM， Hidden Markov Model）

隱馬爾可夫模型是馬爾可夫鏈模型的擴展，用于估計動態(tài)過程中狀態(tài)轉(zhuǎn)換和測量輸出的概率分布，假定過程的狀態(tài)不可觀察。描述一個含有隱含未知參數(shù)的馬爾可夫過程，是一個雙重隨機過程（包括馬爾可夫鏈和一般隨機過程）。

HMM是一種概率模型，在建模過程中具有不可觀察的狀態(tài)（例如化學過程或設備的健康狀況）方面非常出色，因此非常適合故障診斷。但是，訓練過程通常需要大量計算。

HMM已用于連續(xù)和離散制造系統(tǒng)的故障診斷。例如，診斷軸承的磨損及故障，應用于復雜化工過程的故障監(jiān)測，感應電動機的故障診斷等。此外，HMM廣泛應用在語音識別，詞性自動標注，音字轉(zhuǎn)換，概率文法等各個自然語言處理、算術(shù)編碼、地理統(tǒng)計學、企業(yè)產(chǎn)品市場預測、人口過程、生物信息學（編碼區(qū)域或基因預測）等應用領域。在能源領域，也被應用于房屋負荷預測。