夫唯域名网设备状态监测与维护管理（PHM）的内涵与实施策略 小术晓术
PHM涵盖了对设备运行状况的识别、评估和预测，需充分运用特征量及各类经验知识（涵盖设备构造，失效机制，运动学或动力学原理，设计、制造、安装、运行、维护知识等），以评估设备状态是否正常，并锁定故障成因、位置及严重性。例如，旋转设备（包括发电机、汽轮机、压缩机、泵、通风机、电动机等）的故障指设备功能异常或动态性能下降导致其不符合技术标准，包括失稳、异常振动和噪声、工作转速和输出功率变化，以及介质的温度、压力、流量异常等。设备故障成因各异，表现亦不同。依据设备的特定信息，可对故障进行判断。然而，设备故障往往非单一因素导致，而是多种因素共同作用的结果。因此，需对旋转设备的故障判断进行全方位、综合性的分析。旋转设备的故障判断过程与医疗诊断过程相似，基于病理学原理，结合病情、病史、检查结果（体温、验血、心电图等）进行综合分析，才能得出诊断结论，并提出治疗方案。
依据数据分析内容，可将PHM划分为6个主题：传感器数据处理、状态评估、维护管理、故障判断、故障预测和运维优化。这些主题基于设备及环境的监测数据和设备的全方位历史数据（此处称为设备档案模型）。PHM分析框架如图4-4所示。该框架与OSA-CBM体系[8]存在差异：①将故障判断与故障预测分离，事后进行故障判断，事前进行故障预测，其分析算法明显不同；②在数据采集方面，将监测数据与设备管理数据分开，其在IT系统中通常是独立的，且数据建模技术不同。
状态评估依据近期的状态评估信息及时发现状态异常。与传统的SCADA、DCS的阈值报警相比，PHM需处理基于多个时间序列的异常模式检测、异常趋势识别等更复杂的报警规则，根据多传感器融合及趋势分析消除误报，根据故障的传播机理进行报警信息的归并，消除报警风暴（Alarm Shower）。有时统计分析方法也可以自适应地为SCADA、DCS的阈值报警规则提供更合适的阈值估计。
故障预测基于故障的征兆指示和设备的退化过程建模，预测设备的剩余寿命、失效时间及失效风险。当系统、分系统或部件可能出现微小缺陷和早期故障或逐渐降低到不能以最佳性能完成其规定功能的状态时，可以通过选用相关检测方式和设计预测系统来检测这些微小缺陷、早期故障或性能降低，使装备维护人员能够预测故障发生时间，从而采取一系列预防性维护措施，不必等到故障发生才做出被动响应。故障征兆指在故障模式发生前或故障模式演变初期可以观察到的异常。
维护管理指在各系统处于运行状态或工作状态时，通过各种方式监测系统的运行参数，并判断系统在当前状况下是否能正常工作（任务能力）。健康评估与判断为提高装备的可靠性、可维护性和有效性开辟了一条新的途径。为了避免某些运行过程发生故障而引起整个装备系统崩溃，必须在故障发生后迅速处理，维持基本功能正常，提高装备的利用效率和使用安全性，保证安全可靠的运行。
故障判断的前提是了解设备的故障机制。例如，汽轮机、压缩机等流体旋转设备的异常振动和噪声信号在时域和频域为故障判断提供了重要信息，这只是故障信息的一部分；流体设备的负荷及介质温度、压力、流量的变化，对设备的运行状态具有重要影响，往往是导致设备异常和运行失稳的重要因素。因此，对旋转设备的故障判断，只有在获取机器的稳态数据、瞬态数据、过程参数和运行工作状态等信息的基础上，通过故障征兆计算、故障敏感参数提取和综合性分析判断，才能确定故障原因，得出符合实际的判断结论，并提出治理方案。
在上述分析的基础上，根据系统的特点及复杂程度，可以采用合适的方法实现运维优化。综合费用、时间、效能、设备使用寿命等多个目标，考虑资源约束、时间窗要求、合规性要求等约束条件，可以优化维修人员分配、维修计划和其他后勤保障活动。广义的优化还包括提供运维过程中的知识等，以提高维修效率。
在众多场景中，企业希望数据分析师能够从企业生态和经营的角度出发，梳理智能运维的规划，形成智能运维大数据分析问题。PHM主要有3种应用模式，如表4-9所示。
推荐阅读：《工业大数据分析实践》，全方位了解工业数据分析相关知识。
编辑于刚刚
人工神经网络（Artificial Neural Networks，ANN）系统是20世纪40年代后出现的。它是由众多可调的神经元连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点。BP（Back Propagation）算法又称为误差反向传播算法，是人工神经网络中的一种监督式的学习算法。BP神经网络算法在理论上可以逼近任意函数，基本的结构由非线性变化单元组成，具有很强的非线性映射能力。而且网络的中间层数、各层的处理单元数及网络的学习系数等参数可根据具体情况设定，灵活性很大，在优化、信号处理与模式识别、智能控制、故障判断等许多领域都有着广泛的应用前景。人工神经元的研究起源于脑神经元学说。19世纪末，在生物、生理学领域，Waldeger等人创建了神经元学说。人们认识到复杂的神经系统是由数目繁多的神经元组合而成。大脑皮层包括有100亿个以上的神经元，每立方毫米约有数万个，它们互相联结形成神经网络，通过感觉器官和神经接受来自身体内外的各种信息，传递至中枢神经系统内，经过对信息的分析和综合，再通过运动神经发出控制信息，以此来实现机体与内外环境的联系，协调全身的各种机能活动。
人工神经网络（Artificial Neural Networks，ANN）系统是20世纪40年代后产生的。它由众多神经元通过可调节的连接权值相互连接，具备大规模并行处理、分布式信息存储、优良的自组织自学习能力等特点。BP（Back Propagation）算法又称误差逆向传播算法，是人工神经网络中的一种监督性学习算法。BP神经网络算法在理论上可逼近任意函数，基本结构由非线性变换单元构成，具有强大的非线性映射能力。而且网络的中间层数、各层处理单元数及网络的学习系数等参数可根据具体情况进行设定，灵活性较高，在优化、信号处理与模式识别、智能控制、故障诊断等众多领域具有广泛的应用前景。人工神经元的研究源于脑神经元学说。19世纪末，在生物学、生理学领域，Waldeger等人创立了神经元学说。人们认识到复杂的神经系统是由众多神经元组合而成。大脑皮层包含超过100亿个神经元，每立方毫米约有数万个，它们相互连接形成神经网络，通过感觉器官和神经接受来自身体内外的各种信息，传递至中枢神经系统内，经过对信息的分析和综合，再通过运动神经发出控制信息，以此实现机体与内外环境的联系，协调全身的各种机能活动。
神经元与其他类型的细胞一样，包括有细胞膜、细胞质和细胞核。但神经细胞的形态较为特殊，具有许多突起，因此分为细胞体、轴突和树突三部分。细胞体内有细胞核，突起的作用是传递信息。树突是作为引入输入信号的突起，而轴突是作为输出端的突起，它只有一个。
树突是细胞体的延伸部分，它由细胞体发出后逐渐变细，全长各部位都可与其他神经元的轴突末梢相互联系，形成所谓的“突触”。在突触处两神经元并未连通，它只是发生信息传递功能的结合部，联系界面之间间隙约为（15～50)×10米。突触可分为兴奋性与抑制性两种类型，它相应于神经元之间耦合的极性。每个神经元的突触数目正常，最高可达10个。各神经元之间的连接强度和极性有所不同，并且都可调整，基于这一特性，人脑具有存储信息的功能。利用大量神经元相互连接组成人工神经网络可显示出人的大脑的某些特征。
人工神经网络是由大量的简单基本元件——神经元相互连接而成的自适应非线性动态系统。每个神经元的结构和功能相对简单，但大量神经元组合产生的系统行为却非常复杂。
人工神经网络反映了人脑功能的若干基本特性，但并非生物系统的真实描述，只是某种模仿、简化和抽象。
与数字计算机相比，人工神经网络在构成原理和功能特点等方面更接近人脑，它不是按给定的程序一步一步地执行运算，而是能够自身适应环境、总结规律、完成某种运算、识别或过程控制。
人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对于识别写“A”、“B”两个字母为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。
因此网络学习的准则应该是：如果网络作出错误的判断，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图像模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说完全是随机的。这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能作出正确的判断。
如果输出为“0”(即结果错误)，则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。如此操作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得成功，它已将这两个模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，能够作出迅速、准确的判断和识别。一般来说，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。（1）人类大脑具有很强的自适应与自组织特性，后天的学习与训练可以开发许多各具特色的活动功能。如盲人的听觉和触觉非常灵敏；聋哑人善于运用手势；训练有素的运动员可以表现出非凡的运动技巧等等。
普通计算机的功能取决于程序中给出的知识和能力。显然，对于智能活动要通过总结编制程序将十分困难。
人工神经网络也具有初步的自适应与自组织能力。在学习或训练过程中改变突触权重值，以适应周围环境的要求。同一网络因学习方式及内容不同可具有不同的功能。人工神经网络是一个具有学习能力的系统，可以发展知识，以致超过设计者原有的知识水平。通常，它的学习训练方式可分为两种，一种是有监督或称有导师的学习，这时利用给定的样本标准进行分类或模仿；另一种是无监督学习或称无为导师学习，这时，只规定学习方式或某些规则，则具体的学习内容随系统所处环境（即输入信号情况）而异，系统可以自动发现环境特征和规律性，具有更近似人脑的功能。
（2）推广能力
推广能力指对未训练过的样本，有很好的预测能力和控制能力。特别是，当存在一些有噪声的样本，网络具备很好的预测能力。
泛化能力指对未经训练的样本，具有出色的预测和调控能力。尤其是，面对含有噪声的样本时，网络展现出卓越的预测能力。
(3)非线性映射能力
对于系统，当设计人员对其有深刻或清晰的认识时，通常采用数值分析、偏微分方程等数学工具建立精确的数学模型。然而，当系统复杂或未知，信息量有限，难以建立精确模型时，神经网络的非线性映射能力便显现出优势。它无需深入了解系统，却能实现输入与输出的映射关系，从而大大降低了设计难度。
(4)高度并行性
并行性存在一定争议。认可其理由是：神经网络源于对人脑的抽象数学模型，鉴于人脑可以同时处理多项任务，从功能模拟角度看，神经网络也应具备强大的并行性。
多年来，从医学、生物学、生理学、哲学、信息学、计算机科学、认知学、组织协同学等多个领域，人们试图认识和解答这些问题。在探寻答案的过程中，逐渐形成了一个新兴的多学科交叉技术领域，即“神经网络”。神经网络的研究涉及众多学科领域，这些领域相互融合、渗透并相互促进。不同领域的科学家从各自学科的兴趣与特色出发，提出不同问题，从不同角度进行研究。
下面将人工神经网络与通用计算机的工作特点进行对比：
若从速度角度看，人脑神经元传递信息的速度远低于计算机，前者为毫秒级，后者频率可达几百兆赫。然而，由于人脑是大规模并行与串行组合处理系统，在许多问题上可以快速判断、决策和处理，速度远超串行结构的普通计算机。人工神经网络的基本结构模仿人脑，具有并行处理特性，可大幅提高工作速度。
人脑存储信息的特点是利用突触效能的变化来调整存储内容，即信息存储在神经元之间连接强度的分布上，存储区与计算机区合为一体。尽管人脑每日有大量神经细胞死亡（平均每小时约一千个），但不会影响大脑的正常思维活动。
普通计算机具有独立的存储器和运算器，知识存储与数据运算互不相关，只有通过人编写的程序才能沟通，这种沟通无法超越程序编制者的预想。元器件局部损坏及程序中的微小错误都可能引起严重故障。心理学家和认知科学家研究神经网络的目的在于探索人脑加工、存储和搜索信息的机制，揭示人脑功能的机理，建立人类认知过程的微观结构理论。
生物学、医学、脑科学专家试图通过神经网络研究推动脑科学向定量、精确和理论化体系发展，并期待临床医学的新突破；信息处理和计算机科学家研究这一问题的目的在于寻求解决难以解决或解决难度极大的问题的途径，构建更接近人脑功能的新一代计算机。
人工神经网络早期研究可追溯至上世纪40年代。以下以时间顺序，以著名人物或突出成果为线索，简要介绍人工神经网络的发展历程。
1943年，心理学家W·Mcculloch和数理逻辑学家W·Pitts在分析、总结神经元基本特性的基础上，首先提出神经元的数学模型。此模型沿用至今，并直接影响着该领域研究的进展。因此，他们两人可称为人工神经网络研究的先驱。
1945年，冯·诺依曼领导的设计小组成功研制出存储程序式电子计算机，标志着电子计算机时代的开始。1948年，他在研究工作中比较了人脑结构与存储程序式计算机的根本区别，提出了以简单神经元构成的再生自动机网络结构。然而，由于指令存储式计算机技术的发展迅速，迫使他放弃了神经网络研究的新途径，继续投身于指令存储式计算机技术的研究，并在此领域作出了巨大贡献。尽管冯·诺依曼的名字与普通计算机联系在一起，但他也是人工神经网络研究的先驱之一。
50年代末，F·Rosenblatt设计制作了“感知机”，这是一种多层的神经网络。这项工作首次将人工神经网络的研究从理论探讨付诸工程实践。当时，世界上许多实验室仿效制作感知机，分别应用于文字识别、声音识别、声纳信号识别以及学习记忆问题的研究。然而，这次人工神经网络的研究高潮未能持续很久，许多人陆续放弃了这方面的研究工作。这是因为当时数字计算机的发展处于全盛时期，许多人误以为数字计算机可以解决人工智能、模式识别、专家系统等方面的一切问题，使感知机的工作得不到重视；其次，当时的电子技术工艺水平比较落后，主要元件是电子管或晶体管，利用它们制作的神经网络体积庞大、价格昂贵，要制作出与真实神经网络相似的规模完全不可能；另外，在1968年一本名为《感知机》的著作中指出线性感知机功能有限，不能解决如异感这样的基本问题，而且多层网络还不能找到有效的计算方法，这些论点促使大批研究人员对人工神经网络的前景失去信心。60年代末期，人工神经网络的研究进入低谷。
另外，在60年代初期，Widrow提出了自适应线性元件网络，这是一种连续取值的线性加权求和阈值网络。后来，在此基础上发展了非线性多层自适应网络。当时，这些工作虽未标出神经网络的名称，而实际上就是一种人工神经网络模型。
随着人们对感知机兴趣的衰退，神经网络的研究沉寂了相当长的时间。80年代初期，模拟与数字混合的超大规模集成电路制作技术达到新的水平，完全付诸实用化。此外，数字计算机在若干应用领域遇到困难。这一背景预示，向人工神经网络寻求出路的时机已经成熟。美国的物理学家Hopfield于1982年和1984年在美国科学院院刊上发表了两篇关于人工神经网络研究的论文，引起了巨大的反响。人们重新认识到神经网络的威力以及付诸应用的现实性。随即，一大批学者和研究人员围绕着Hopfield提出的方法展开了进一步的工作，形成了80年代中期以来人工神经网络的研究热潮。
随着人们对感知机的热情降低，神经网络的研究陷入了长时间的沉寂。在80年代初，模拟与数字结合的超大规模集成电路制造技术达到了新的高度，并完全实现了实用化。此外，数字计算机在多个应用领域遇到了挑战。这一背景预示着，转向人工神经网络寻求解决方案的时机已经到来。美国的物理学家Hopfield在1982年和1984年分别在《美国科学院院刊》上发表了关于人工神经网络研究的两篇论文，引起了巨大的关注。人们重新认识到神经网络的强大威力以及其实际应用的可能性。随后，许多学者和研究人员围绕Hopfield提出的方法进行了深入研究，形成了自80年代中期以来的人工神经网络研究热潮。
1985年，Ackley、Hinton和Sejnowski将模拟退火算法应用于神经网络训练，提出了Boltzmann机。该算法具有避免极值的优点，但训练所需时间较长。
1986年，Rumelhart、Hinton和Williams提出了多层前馈神经网络的学习算法，即BP算法。该算法从理论角度证明了算法的正确性，为学习算法提供了理论依据。从学习算法的角度来看，这是一项重大的进步。
1988年，Broomhead和Lowe首次提出了径向基网络：RBF网络。
总体而言，神经网络经历了从高潮到低谷，再到高潮的起伏过程，充满了曲折。
