风机故障诊断方法短述

风机故障诊断方法短述

问题描述

风机故障诊断主要包括状态监测、风机故障预测两类任务。

风机状态监测将风机运行参数（如SCADA数据、振动信号等）作为输入，输出当前风机是否存在故障，例如风机叶片覆冰检测，能够通过风机的运行参数判断当前叶片是否存在覆冰。

风机故障预测将风机运行参数作为输入，输出风机整体（或部件）未来一段时间发生故障的概率。

基于模型的方法

基于模型的方法基于物理或数学模型对风机的而运行状态建模，对风机的运行状态进行判断，例如对振动信号进行时频域分析，通过不同频率分量进行分析，来判断风机是否处于故障状态。

graph LR; A[输入] --> B[手工设计的程序]; B --> C[输出]; D[物理模型] -.-> B;

传统机器学习

传统机器学习首先对数据进行处理，并且手工进行特征选择，然后使用机器学习模型对数据进行分类，对风机的状态进行判断。

基于模型的方法简单有效，但是风机运行环境往往复杂多变，而简单的物理模型很难描述风机在各种运行环境下的状态。而机器学习方法是数据驱动的模型，模型根据风机的历史数据学习风机运行的特征，使得模型能够更好地对特定环境下的风机运行状态进行描述。

然而，传统机器学习需要手工进行特征提取和特征设计，这仍然需要一定的专家知识，不合理的特征设计可能导致重要特征被遗漏，又或者导致模型过拟合。

graph LR; A[输入] --> B[手工特征工程]; B --> C[机器学习模型]; C --> D[输出]; E[专家知识] -.-> B;

表示学习

表示学习使用模型对数据的特征自动进行学习，包括一些自动进行特征选择的算法，以及一些嵌入算法。所谓的嵌入，就是用一个向量来表示样本，这个过程就相当于把样本放到了一个多维空间中，就像把葡萄干嵌入到蛋糕里面一样，这样就能使用向量来表示样本，并且不同样本在嵌入空间中的距离能够很好地表示这两个样本的关联，比如在自然语言处理中，就会进行“词嵌入”，将词语嵌入到多维空间中，而“长城”和“中国”在嵌入空间中距离可能就很近，这种距离表示的就是词语语义信息的关系很近。

graph LR; A[输入] --> B[表示学习]; B --> C[机器学习模型]; C --> D[输出]; E[专家知识] -.-> B;

端到端学习

所谓的端到端学习，就是把表示学习模型和后面的机器学习模型直接拼起来，在训练的时候可以直接一次性更新两个模型中所有参数。将表示学习和后续的分类模型分开，可能导致表示学习学到的特征表示并不能很好用于分类，而端到端学习就能很好地解决这个问题。神经网络是端到端学习中最常用的模型，通过修改神经网络结构和超参数，能够形成极其复杂的模型，从而使其更好地适应具体的任务，由于端到端学习同时包括了表示学习和分类模型，往往模型相对复杂，所以也称为深度学习。

端到端学习不但效果更好，同时免去了大量手工特征选择的过程，成为了目前人工智能的主流。

graph LR; A[输入] --> B[端到端模型]; B --> C[输出];