基于卷積神經網絡的經編織機故障預測報警系統的研究

習 龍

(西安工程大學 計算機科學學院,陜西 西安710600)

傳統紡織行業織機數量多,需要大量人員進行運維工作,而且織機的生產數據量龐大,傳統的信息管理系統已經不能適應工業智能化的要求。用傳感器對織機的數據進行采集,并通過PLC得到織機的參數數據,數據包括織機正常運行和故障狀態時的轉速、單次工作時間、停機時間、溫度、濕度等,還有故障位置、故障參數等,將這些數據輸入到卷積神經網絡(CNN)中進行訓練,得到CNN神經網絡模型。利用此神經網絡模型預測織機車間的實時數據,判斷此狀態是否為正常狀態,是故障狀態還是接近故障狀態,并對未來若干時間段的織機工作狀態做出判斷,達到實時故障預測并在還沒有任何損失的時候就做出響應,提前報警,及時處理故障問題。

卷積神經網絡已經成功應用在各大行業,如交通、醫學、手機應用、自動駕駛等。考慮到織機車間管理復雜、人員繁多,常規織機故障檢測系統已經不能滿足要求,所以提出了新型的織機故障實時預測系統,旨在預測織機的工作狀態,在織機還沒發生故障的時候,就可以預測到即將發生故障的位置、原因以及故障將要發生的時間,提高織機車間的數據管理系統和檢測系統,盡早處理故障,以免帶來不必要的損失。

1 織機故障預測報警系統流程

織機故障預測報警系統構架如圖1所示,其步驟為:

(1)通過傳感器得到織機正常情況下的數據和非正常情況下的數據;

(2)將數據從傳感器中傳輸到PLC端;

(3)數據再由PLC端到數據庫存儲系統中;

(4)將織機歷史數據存儲為文本格式,輸入到卷積神經網絡中對其進行訓練,并生成織機故障預測模型;

(5)從織機中傳輸過來的實時數據就可以通過織機故障預測模型來對此時間段的織機工作狀態進行故障預測;

(6)如果預測到有故障,會提示故障將會發生的位置及原因,并提供故障大約發生時間,并及時觸發報警系統。

圖1 織機故障預測報警構架

從織機故障預測報警的構架圖1中可以看出,織機的數據是通過傳感器傳輸到PLC,再到數據庫中,根據數據種類的不同,將數據分為了正常情況下和非正常情況下的數據,并將其按照各自數據標簽寫入文本文件中作為卷積神經網絡的輸入。

由此可以看出,研究的核心在于卷積神經網絡的引入,利用卷積神經網絡訓練織機的歷史數據,也就是這些帶各自標簽的文本文件,得到織機故障預測報警模型。從而,對每次織機傳輸進入此故障預測報警模型的數據進行判斷預測,預測此刻的數據對未來的影響,到底是正常數據,還是即將有故障要發生。如果預測到有故障要發生,那么,預測故障位置,原因及故障即將發生的時間。

2 織機故障預測報警架構分析

2.1 數據采集

利用傳感器向PLC傳輸織機各個數據,解析PLC中的數據,并將各個數據寫入文檔格式的文件,其數據類型為:

(1)正常情況下的數據:織機轉速、單次工作時間、車間溫度、車間濕度、停機次數、停機時間等;

(2)非正常情況下的數據:織機轉速、車間溫度、車間濕度、停機次數、停機時間、故障原因、故障參數、故障位置等。

2.2 數據處理

將織機車間正常情況下的數據和非正常情況下的數據作為卷積神經網絡的輸入,對數據進行訓練,卷積神經網絡(CNN)由輸入層(Input Layer),卷積層(Convolutional 0er)、池化層(Pooling Layer)、線性整流層(Rectified Linear Units Layer)、全 連 接 層(Fully-Connected Layer)和 輸 出 層(Output Layer)組成。一個卷積神經網絡一般有多組卷積池化層,卷積層后接一個池化層,并跟隨激活函數,重復此動作,在最后加入全連接層和一個分類器得到一個完整的卷積神經網絡。卷積神經網絡結構如圖2所示。

圖2 卷積神經網絡結構

在卷積神經網絡中,將正常情況下的數據和非正常情況下的數據輸入到網絡中,進行卷積操作,公式為:

其中,n為輸入矩陣的個數,X代表第k個輸入矩陣;W代表卷積核的第K個子卷積核矩陣;s(i,j)為卷積核W對應的輸出矩陣對應位置元素的值。

接著進入池化層,池化分為3種類型,向下采樣、向上采樣、還有平均采樣,本文使用的是向下采樣的方法,池化層主要是用來降維,防止過擬合,如圖3所示。

圖3 卷積層和池化層

從圖3中可以看出,池化層起到二次提取織機運行參數特征的作用,在通過降低特正面的維度來獲取其不變的特征,其公式為:

其中,tinnq代表池化層的第n個輸入特征面第q個神經元的輸出值,fmin代表取最小值函數。

在經過卷積層和池化層之后,選用Relu作為激活函數,加入非線性因素,使得分類結果具有非線性特征,其值在0到1之間。

最后一層全連接層的輸出值被傳遞到輸出層,采用Softmax邏輯回歸進行分類,Softmax邏輯回歸中,數據訓練樣本由n個帶標簽樣本組成:{(x(1),y(1))},{(x(2),y(2)),…,{(x(n),y(n))},其中輸入的特征x(i)∈Rn+1,n+1為特征向量x的維度,分類標簽為:y(i)∈{1,2,3,4,…,k},函數為:

其 中,θ1,θ2,θ3,…,θk∈Rn+1為 模 型 的 參 數,為歸一化處理。

在Softmax回歸中將樣本x分類為類別j的概率為:

最后得到織機故障預測模型,使得模型能分辨出織機的運行狀態,提前預測其故障位置以及故障原因,預測故障將要發生的時間段并及時報警。

3 結語

提出了基于卷積神經網絡的織機故障預測模型,在織機還在正常運行的狀態下就能預測到織機即將要發生的故障的位置及其原因,提高了傳統車間管理系統的性能,做到預測故障位置、故障原因、故障發生的時間段,并報警,及時處理問題,排除故障,使織機高效率工作。