原创 | 工业场景中的预测性维护

在社会整体安全水平日益提升的大背景下，因工业设备的故障导致的重大事故愈发受到社会的深切关注。以化工行业为例，令人痛心的安全事故屡屡发生，2019年甚至被称为化工行业的“本命年”，自19年年初至19年4月25日，以响水“3•21”爆炸事故为代表的重大事故致使148人死亡或失联。

生产管理学中著名的“海恩法则”指出: 每一起严重事故的背后，必然有29次轻微事故和300起未遂先兆以及1000起事故隐患。经分析，相当多的恶性事故发生前，现场的传感器数据都表现出了明显的异常，完全可以通过监测、报警等方式及时预警并启动预案，防患于未然。本文结合个人实践经验，主要从监督学习与异常检测这两种视角看待问题，尝试在适当的假定下解决之。

监督学习视角

如果数据容易标记，可以标记到时间窗，做有监督学习分类模型。这里分为两种方式：

第一种是传统特征工程设计，将生成的特征输入到机器学习模型中。工业场景中常见的数据不平衡、样本量小、过拟合等问题，都应纳入基本考量。

图 机器学习分类框架

第二种是：用NN模型直接进行序列分类。值得一提的是，LSTM-FCN和ALSTM-FCN在序列信号进行分类的任务中表现出很好的效果。

 

在许多工业场景中，手工设计特征需要工业领域甚至是特定工艺的深入业务理解，要设计基本统计、功率谱参数、业务衍生等多层次特征。特别是业务衍生特征，如果现场工程师提供了一个超强的特征（即magic feature），例如某真空蒸发器在同时出现负压超过68kPa，温度超过90℃的情况下极易致使损坏，那么该真空蒸发器的预警建模难度就会大大降低。

树模型给出的特征重要度可为特征提供优良的可解释性，对异常追根溯源有很好的指导作用。

<