报告题目：场景约束下的设备健康管理方法研究
报告人： 谢天明 博士（合肥工业大学）
时间：2024年12月13日14:30
地点：管理学院A北202
报告内容摘要：
随着人工智能技术的快速发展，各国纷纷布局智能制造战略，推动制造业发展。在此背景下，设备健康管理的有效性直接影响到整个生产系统的安全性、可靠性及维护成本。人工智能的崛起为设备健康管理提供了更加精准、高效的检测和诊断手段，提升了故障预测和预防能力。然而，鉴于工业设备的复杂性和精密性，其运行状态往往与不同的场景密切相关。因此，现有的未充分考虑场景约束的人工智能方法在工业设备健康管理的准确性、稳定性和解释性方面仍有待提升。大数据时代，如何基于特定场景约束，设计相应人工智能方法，以提升其在关键设备健康管理中的准确性、稳定性和解释性，仍然是一个亟待克服的挑战。
为此，本次汇报聚焦于“场景约束下的设备健康管理方法研究”这一主题，针对以上挑战，尝试分别考虑数据、部件、设备、专家决策四个层面场景约束。基于正常行为建模思想，提出考虑数据多指标约束、轴承转频约束、设备变转速约束、设备多工况约束、专家决策约束下的设备健康管理方法。开展的主要研究工作如下：
（1）针对传感器多指标间相关性难以捕捉的问题，提出基于多尺度卷积循环变分自编码器（MSCRVAE）模型的异常检测方法。首先，收集传感器正常多指标数据，构建多尺度相关性矩阵以捕捉指标间的时空依赖关系。其次，利用一个改进的MSCRVAE模型学习设备的正常行为模式，并基于相关性矩阵和重构输出生成残差矩阵。再次，将表示的设备多指标的相关性矩阵与模型MSCRVAE融合，用于检测设备异常状态。最后，通过在公开数据集和工业设备数据集上的实验，验证该方法在提升模型解释能力、异常检测精度及实用性方面的有效性。
（2）针对设备运行过程中轴承转频不稳定导致故障诊断准确性受限的问题，提出了一种新型的故障频率先验融合深度学习（FFP-DL）框架。FFP-DL框架包含两个分支：故障频率先验学习分支（FFPLB）和自学习分支（SLB）。此外，提出了一种预训练算法，该算法能够缩短整体训练时间，特别是在同时训练多个模型时。为了验证其有效性，在FFP-DL框架中采用卷积神经网络（CNN）作为具体的深度学习模型（FFP-CNN），并将FFP-CNN模型应用于私人海上风力涡轮机（OWTs）数据。实验结果表明，FFP融合确实有助于提高故障诊断的准确性和Marco-F1-score，并通过预测的FFP特征为诊断结果提供了良好的可解释性。通过减少训练数据，FFP-CNN模型的性能并没有迅速下降，这表明该框架也适用于数据较少的情况。此外，结果表明预训练算法确实减少了收敛周期，这有助于加快FFP-CNN模型在训练过程中的训练速度。
（3）针对关键设备变转速运行导致数据出现的概念漂移现象，提出基于结合谱残差的自注意力变分自编码器（SR-SAVAE）模型的异常检测方法。首先，分析关键设备在变转速运行过程中数据的概念漂移现象，采用谱残差技术处理带有变转速信息的数据。其次，构建一个自注意力变分自编码器（SAVAE），以捕捉指标数据的正常行为模式。再次，基于输入数据和模型重构的输出，生成残差序列，检测设备的异常状态。最后，通过在公开数据集和工业关键设备数据集上的实验，验证该方法的有效性和鲁棒性，展示其在应对设备变转速运行时的显著潜力和实用性。
（4）针对关键设备运行过程中出现的多工况现象，提出基于聚类对比自编码器（CBCL-AE）设备异常检测方法。首先，利用聚类对比学习技术对关键设备的工况进行有效聚类，从而实现对多工况信息的捕捉与关联。其次，设计并实现CBCL-AE模型作为核心工具，该模型不仅能够捕捉设备各工况下的正常行为特征，还能自适应地进行工况聚类。再次，基于聚类对比自编码器在特征空间中的聚类结果，对不同工况采用不同的异常检测门限策略。最后，通过在两个关键设备数据集上的应用实例，验证该方法的有效性和实用性，展示其在多工况条件下的卓越性能。
（5）针对专家决策信息与设备异常之间的强关联，提出基于推理堆叠循环自编码器的设备异常检测方法。首先，通过背景展开强调专家决策信息的重要性并揭示其对基于人工智能模型异常检测的限制。其次，构建推理堆叠循环自编码器（ISRAE）。最后，通过关键设备数据集上的应用，验证该方法在专家决策信息强关联背景下的有效性和实用性，展示在复杂工业环境中整合深度学习与专家知识的潜力。
【谢天明个人简介】
谢天明博士，预计于2024年12月获得合肥工业大学管理学院管理科学与工程专业（双一流）管理学博士学位。其研究领域包括智能制造、设备健康管理、异常检测和故障诊断，专业涵盖但不限于机器学习、深度学习、统计模型、统计过程控制和时间序列分析。熟练掌握Python、Matlab和R语言等编程工具。
目前，谢博士已以第一作者或共同作者身份，在多个国际权威或知名SCI期刊上投稿9篇论文，其中7篇已正式发表，2篇正在返修。作为主要参与者，曾参与多项国家级、省部级以及企业委托项目。此外，谢博士还担任多个国际权威期刊的审稿人，如：IEEE Transactions on Industrial Informatics、IEEE Transactions on Industrial Electronics、IEEE Transactions on Systems, Man, and Cybernetics: Systems、Renewable Energy、ISA Transactions和IEEE Access等。
在2020年2月至2023年8月期间，谢博士曾在安徽容知日新科技股份有限公司智能算法部门担任实习生，负责设备启停机智能识别算法的开发与维护，以及设备常识别智能算法的预研工作。
欢迎有兴趣的教师，全体博士生、硕士生参加。
管理学院人才办公室
2024-12-12
