基于機(jī)器學(xué)習(xí)的設(shè)備異常分析研究

鄭龍 朱瑞龍 林碩

摘要：文章通過對(duì)煙草企業(yè)生產(chǎn)線自動(dòng)化生產(chǎn)設(shè)備的異常診斷問題進(jìn)行分析，根據(jù)生產(chǎn)設(shè)備運(yùn)行時(shí)生產(chǎn)數(shù)據(jù)的采集，選擇了CNN和LSTM網(wǎng)絡(luò)這兩種機(jī)器學(xué)習(xí)的算法對(duì)設(shè)備異常診斷進(jìn)行了研究。通過對(duì)仿真實(shí)驗(yàn)的數(shù)據(jù)對(duì)比，選擇了LSTM網(wǎng)絡(luò)作為設(shè)備異常診斷模型的核心算法。通過算法的仿真實(shí)驗(yàn)，以及煙草企業(yè)的實(shí)際需求，驗(yàn)證了LSTM網(wǎng)絡(luò)算法在異常診斷上的可用性和先進(jìn)性。在面對(duì)大量的實(shí)時(shí)設(shè)備運(yùn)行數(shù)據(jù)時(shí)，能夠快速地判斷設(shè)備狀況，并且在出現(xiàn)異常時(shí)能夠迅速準(zhǔn)確地分析出異常的類型，進(jìn)而快速地制定設(shè)備異常解決方案，使設(shè)備能夠快速地恢復(fù)正常生產(chǎn)狀態(tài)，減少企業(yè)的經(jīng)濟(jì)損失。

關(guān)鍵詞：煙草;設(shè)備異常;機(jī)器學(xué)習(xí);CNN;LSTM

中圖分類號(hào)：TP393? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）10-0089-02

1 引言

煙草行業(yè)不同于其他行業(yè)，它的產(chǎn)品受到多方面的制約，而且在全球范圍內(nèi)其產(chǎn)品也具有一定的特殊性。其特殊性在于總產(chǎn)能受政府支配，與市場(chǎng)需求關(guān)系不大。因此，對(duì)于煙草企業(yè)其產(chǎn)能近乎固定，但是企業(yè)要生存就必須要有利潤(rùn)，并且利潤(rùn)還要不斷增長(zhǎng)。所以，煙草企業(yè)需要在自身不停地發(fā)掘潛力，在多方面降低生產(chǎn)和運(yùn)營(yíng)的成本。從生產(chǎn)的角度來看，設(shè)備占企業(yè)資產(chǎn)的比例很高，其運(yùn)行成本和維修保養(yǎng)成本也在生產(chǎn)成本中占據(jù)了較大的比例。如果能夠在設(shè)備管理方面進(jìn)行優(yōu)化，那么煙草企業(yè)就可以很好地降低生產(chǎn)成本，創(chuàng)造新的利潤(rùn)增長(zhǎng)點(diǎn)。

本文從煙草企業(yè)的實(shí)際問題出發(fā)，對(duì)企業(yè)的生產(chǎn)設(shè)備管理優(yōu)化進(jìn)行研究，針對(duì)設(shè)備運(yùn)行時(shí)的異常狀況，提出了一種快速解決設(shè)備異常狀況的方案，目的在于能夠快速地處理生產(chǎn)設(shè)備異常，使生產(chǎn)能夠盡快恢復(fù)正常運(yùn)轉(zhuǎn)。本文的研究?jī)?nèi)容是基于煙草企業(yè)的實(shí)際問題，也是在企業(yè)中進(jìn)行了實(shí)際的調(diào)研和驗(yàn)證，對(duì)企業(yè)的設(shè)備運(yùn)行管理起到了一定的積極作用，使設(shè)備停機(jī)時(shí)間占比有明顯下降。

2 設(shè)備異常診斷研究現(xiàn)狀

從人類發(fā)明了機(jī)械開始，設(shè)備故障就是人們必須面對(duì)的問題[1]。從折斷的杠桿到停機(jī)的數(shù)控機(jī)床，都需要盡快更換新的杠桿和維修機(jī)床[2]。因?yàn)樵O(shè)備的停機(jī)，企業(yè)會(huì)造成大量的經(jīng)濟(jì)損失[3]。停工停產(chǎn)使生產(chǎn)速度降低，訂單不能及時(shí)交付，為了滿足合同上的交貨期，需要對(duì)生產(chǎn)計(jì)劃重新規(guī)劃，導(dǎo)致其他訂單受到影響，人員也需要在設(shè)備恢復(fù)生產(chǎn)后加班工作?？梢姡O(shè)備的運(yùn)行狀態(tài)直接影響企業(yè)能否正常運(yùn)轉(zhuǎn)，是生產(chǎn)過程中關(guān)鍵的一環(huán)。為了保證設(shè)備盡量保持一個(gè)正常的運(yùn)行狀態(tài)，如何處理設(shè)備異常，早已經(jīng)成為研究的重點(diǎn)。但是隨著科學(xué)技術(shù)的快速發(fā)展，生產(chǎn)設(shè)備越來越精密，計(jì)劃排產(chǎn)越來越詳細(xì)，設(shè)備異常所帶來的影響也越來越大。如何避免設(shè)備異常，或者快速解決設(shè)備異常，仍然是研究的重點(diǎn)[4-7]。

寧毅等針對(duì)重型機(jī)械的工況特點(diǎn)，提出了一種基于綜合改進(jìn)的經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）和小波閾值的算法，通過對(duì)設(shè)備關(guān)鍵部件的震動(dòng)信號(hào)進(jìn)行分析，判斷設(shè)備的異常類型，進(jìn)而能夠快速地提出解決方案[8]。張?chǎng)稳鸬纫怖媚Ｊ阶R(shí)別的技術(shù)，對(duì)特征向量進(jìn)行分類，識(shí)別軸承的故障類型，其實(shí)驗(yàn)?zāi)Ｐ妥C明了方法的有效性[9]。鄧飛躍等也是針對(duì)軸承故障難以診斷的問題，提出了一種基于稀疏編碼和極限學(xué)習(xí)機(jī)（ELM） 的故障識(shí)別方法。也是通過實(shí)驗(yàn)，證明其模型具備一定的可靠性[10]。呂德深等對(duì)診斷光電探測(cè)設(shè)備故障進(jìn)行研究，因?yàn)槠淙菀资艿酵饨绺蓴_，導(dǎo)致較高的誤診率，提出了一種利用粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)算法，降低了設(shè)備故障診斷時(shí)的誤診率和虛警率，具有相當(dāng)好的應(yīng)用價(jià)值[11]。張西寧等對(duì)深度學(xué)習(xí)技術(shù)進(jìn)行了深入的研究，并且廣泛討論了該技術(shù)在故障診斷方面的應(yīng)用前景。通過全面分析當(dāng)前故障診斷的特點(diǎn)和需求，將4種基本的機(jī)器學(xué)習(xí)算法和框架應(yīng)用到復(fù)雜的設(shè)備故障檢測(cè)任務(wù)中。并且還對(duì)幾種方法進(jìn)行了比較，最后展望了技術(shù)方面的應(yīng)用前景，為后來的研究者提供了一定的研究基礎(chǔ)和支撐[12]。

3 算法選擇概述

目前，煙草企業(yè)的生產(chǎn)設(shè)備已經(jīng)完成自動(dòng)化升級(jí)改造，下一步是信息化升級(jí)，部分企業(yè)的部分生產(chǎn)線已經(jīng)實(shí)現(xiàn)了智能化生產(chǎn)。但是隨著設(shè)備升級(jí)的完成，其對(duì)生產(chǎn)條件的要求也大大提高，如果工人不能按照要求進(jìn)行操作和生產(chǎn)，極有可能使設(shè)備出現(xiàn)異常而停工。完成自動(dòng)化和信息化升級(jí)的生產(chǎn)線設(shè)備上有大量的數(shù)據(jù)采集點(diǎn)，通過對(duì)采集到的數(shù)據(jù)進(jìn)行分析，能夠獲得設(shè)備運(yùn)行的狀況。但是因?yàn)闊煵萆a(chǎn)工藝復(fù)雜，結(jié)合了離散生產(chǎn)和流程生產(chǎn)的特點(diǎn)，并且在煙絲制備工藝上，需要對(duì)配方保密，所以生產(chǎn)線上的設(shè)備在運(yùn)行時(shí)，會(huì)實(shí)時(shí)地生成大量的數(shù)據(jù)。這些數(shù)據(jù)記錄了設(shè)備的運(yùn)行情況，也可以通過分析數(shù)據(jù)了解設(shè)備的實(shí)際運(yùn)行情況。

通過上一節(jié)對(duì)設(shè)備故障診斷領(lǐng)域的研究成果進(jìn)行分析和總結(jié)，結(jié)合煙草企業(yè)的生產(chǎn)設(shè)備實(shí)際特點(diǎn)，選擇卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks， CNN） 算法和長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)（LSTM，Long Short-Term Memory） 對(duì)設(shè)備異常數(shù)據(jù)進(jìn)行分析診斷。

CNN是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)（Feedforward Neural Networks） ，是機(jī)器學(xué)習(xí)最新領(lǐng)域的代表算法之一。CNN具有表征學(xué)習(xí)能力，能夠按其階層結(jié)構(gòu)對(duì)輸入信息進(jìn)行平移不變分類。LSTM是一種時(shí)間循環(huán)神經(jīng)網(wǎng)絡(luò)，是為了解決一般的RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)，Recurrent Neural Network） 存在的長(zhǎng)期依賴問題而專門設(shè)計(jì)出來的，他在分析結(jié)果和效率上都比RNN更好。

神經(jīng)網(wǎng)絡(luò)模仿人的神經(jīng)元處理信號(hào)，當(dāng)信號(hào)的閾值超過設(shè)定的范圍，就下達(dá)指令，否則的話就等待。利用這個(gè)原理，可以對(duì)數(shù)據(jù)進(jìn)行分類，只要滿足一定的條件，那么整件事就屬于一個(gè)特定的類型。對(duì)于多維數(shù)據(jù)來說，使用神經(jīng)元進(jìn)行分類，相當(dāng)于在多維空間中劃分區(qū)域，每一個(gè)區(qū)域內(nèi)的數(shù)據(jù)更集中，就好像憑借一個(gè)或者幾個(gè)特征對(duì)物品進(jìn)行分類，例如顏色、形狀、大小等。

神經(jīng)網(wǎng)絡(luò)可以用于對(duì)數(shù)據(jù)的分析并分類，通過對(duì)設(shè)備運(yùn)行時(shí)采集的數(shù)據(jù)進(jìn)行分析，可以將該設(shè)備的異常運(yùn)行狀態(tài)和正常運(yùn)行狀態(tài)區(qū)分開。首先需要將采集的數(shù)據(jù)進(jìn)行初始化，因?yàn)樯窠?jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)集可以為多維數(shù)據(jù)，所以可以將多種數(shù)據(jù)輸入，每一個(gè)數(shù)據(jù)采樣點(diǎn)，或者一個(gè)區(qū)域的、一個(gè)類型的數(shù)據(jù)采集器采集到的數(shù)據(jù)經(jīng)過初始化后，作為一個(gè)維度輸入到神經(jīng)網(wǎng)絡(luò)中，進(jìn)行分析。對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后，就建立起了設(shè)備異常診斷模型，將初始化后的設(shè)備數(shù)據(jù)輸入到診斷模型中，則可以得到設(shè)備異常的類型。相關(guān)人員可以根據(jù)異常類型選擇對(duì)應(yīng)的解決方案。這樣就可以大大減少故障分析診斷的時(shí)間。

4 故障診斷算法設(shè)計(jì)及仿真

在應(yīng)用神經(jīng)網(wǎng)絡(luò)算法對(duì)設(shè)備運(yùn)行數(shù)據(jù)進(jìn)行訓(xùn)練前，需要對(duì)數(shù)據(jù)進(jìn)行初始化。在神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元的傳輸函數(shù)應(yīng)當(dāng)在[0，1]中，因?yàn)楫?dāng)超出這個(gè)范圍時(shí)，區(qū)別不是很大。另外，由于設(shè)備在運(yùn)行中，有些數(shù)據(jù)采集設(shè)備所監(jiān)視的數(shù)據(jù)是非常關(guān)鍵和重要的，不用參與到算法中去，便可以直接進(jìn)行判斷。例如制絲線上的烘干設(shè)備，當(dāng)烘干機(jī)溫度超過一定范圍的時(shí)候，一定會(huì)停止加熱，防止溫度過高，影響產(chǎn)品的質(zhì)量。類似的行為，不需要算法，那么就不需要將其加入數(shù)據(jù)集中，進(jìn)行分析。當(dāng)然也可以將這類數(shù)據(jù)加入，但是可能會(huì)影響最后的結(jié)果。

因?yàn)闊煵萜髽I(yè)的生產(chǎn)非常重要，其生產(chǎn)計(jì)劃是嚴(yán)格計(jì)劃和執(zhí)行的，所以對(duì)設(shè)備的運(yùn)行狀態(tài)要求得也很嚴(yán)格，那么直接使用生產(chǎn)線上的設(shè)備進(jìn)行驗(yàn)證是不行的。使用類似的數(shù)據(jù)集，對(duì)算法進(jìn)行分析驗(yàn)證，保證其應(yīng)用于實(shí)際工程項(xiàng)目中時(shí)能夠穩(wěn)定可靠地運(yùn)行。數(shù)據(jù)集我們選擇了mnist數(shù)據(jù)集，該數(shù)據(jù)集有很多科研工作者正在使用，可以證明其可靠性。例如，可以使用CNN網(wǎng)絡(luò)對(duì)mnist手寫數(shù)字?jǐn)?shù)據(jù)集進(jìn)行處理，橫坐標(biāo)為測(cè)試集學(xué)習(xí)的次數(shù)，縱坐標(biāo)為損失函數(shù)，最終分類結(jié)果達(dá)90%以上，結(jié)果如圖1所示。

使用另外一種神經(jīng)學(xué)習(xí)的算法LSTM網(wǎng)絡(luò)，對(duì)相同的數(shù)據(jù)集進(jìn)行處理。LSTM網(wǎng)絡(luò)是一種含有LSTM區(qū)塊的神經(jīng)網(wǎng)絡(luò)。每一個(gè)LSTM都是一個(gè)智能單元，用來記憶不定時(shí)長(zhǎng)的數(shù)據(jù)，內(nèi)部的gate決定input的重要性，重要的input就會(huì)被記住，并將結(jié)果輸出。相對(duì)于普通的RNN，LSTM網(wǎng)絡(luò)能夠避免普通RNN中會(huì)出現(xiàn)的長(zhǎng)期依賴現(xiàn)象。同樣的，讓橫坐標(biāo)為測(cè)試集學(xué)習(xí)的次數(shù)，縱坐標(biāo)為損失函數(shù)，最終分類的準(zhǔn)確率達(dá)到95%左右，結(jié)果如圖2所示。

通過對(duì)比兩種算法在處理相同數(shù)據(jù)集的表現(xiàn)可以看出，LSTM和CNN都能達(dá)到較好的準(zhǔn)確率，其中LSTM達(dá)到較好準(zhǔn)確率的速度更快，且穩(wěn)定性較好。所以可以采用LSTM網(wǎng)絡(luò)，對(duì)設(shè)備異常診斷建立模型，用于設(shè)備異常的分析和診斷。

5 結(jié)論

通過對(duì)CNN和LSTM網(wǎng)絡(luò)的仿真實(shí)驗(yàn)，結(jié)合實(shí)際煙草企業(yè)生產(chǎn)線上自動(dòng)化生產(chǎn)設(shè)備的運(yùn)行管理需求，可以將LSTM網(wǎng)絡(luò)應(yīng)用到煙草生產(chǎn)設(shè)備的異常診斷上。因?yàn)樵O(shè)備運(yùn)行時(shí)的數(shù)據(jù)采集設(shè)備數(shù)量較多，靠人工管理和分析無法滿足需求，所以利用LSTM網(wǎng)絡(luò)算法正好能夠滿足企業(yè)的實(shí)際需求。而且通過仿真的實(shí)驗(yàn)也證明了算法的可行性。后續(xù)的工作主要圍繞研究設(shè)備的運(yùn)行數(shù)據(jù)、如何對(duì)數(shù)據(jù)進(jìn)行選擇進(jìn)行，即哪些數(shù)據(jù)參與設(shè)備異常診斷分析，數(shù)據(jù)如何進(jìn)行初始化，系統(tǒng)的開發(fā)上線和實(shí)際應(yīng)用。

參考文獻(xiàn)：

[1] 賈京龍，余濤，吳子杰，等.基于卷積神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法[J].電測(cè)與儀表，2017，54（13）：62-67.

[2] 羅金，童靳于，鄭近德，等.基于EEMD和堆疊稀疏自編碼的滾動(dòng)軸承故障診斷方法[J].噪聲與振動(dòng)控制，2020，40（2）：115-120.

[3] Cheng F Z，Wang J，Qu L Y，et al.Rotor-current-based fault diagnosis for DFIG wind turbine drivetrain gearboxes using frequency analysis and a deep classifier[C]//IEEE Transactions on Industry Applications.IEEE，2017：1062-1071.

[4] Wang H Q，Li S，Song L Y，et al.A novel convolutional neural network based fault recognition method via image fusion of multi-vibration-signals[J].Computers in Industry，2019，105：182-190.

[5] Tran V T，AlThobiani F，Ball A.An approach to fault diagnosis of reciprocating compressor valves using Teager-Kaiser energy operator and deep belief networks[J].Expert Systems With Applications，2014，41（9）：4113-4122.

[6] Guo L，Lei Y G，Xing S B，et al.Deep convolutional transfer learning network：a new method for intelligent fault diagnosis of machines with unlabeled data[J].IEEE Transactions on Industrial Electronics，2019，66（9）：7316-7325.

[7] Wehrmann J，Becker W，Cagnini H E L，et al.A character-based convolutional neural network for language-agnostic Twitter sentiment analysis[C]//2017 International Joint Conference on Neural Networks （IJCNN）.May 14-19，2017，Anchorage，AK，USA.IEEE，2017：2384-2391.

[8] 寧毅，魏志剛，周建雄.基于改進(jìn)EMD和小波閾值的混合機(jī)低速重載軸承故障診斷[J].噪聲與振動(dòng)控制，2020，40（6）：134-139.

[9] 張?chǎng)稳穑脑?，王藝華.基于PSO-ELM的滾動(dòng)軸承故障診斷模式識(shí)別方法[J].科學(xué)技術(shù)創(chuàng)新，2020（36）：160-161.

[10] 鄧飛躍，強(qiáng)亞文.基于稀疏編碼和極限學(xué)習(xí)機(jī)的設(shè)備故障診斷方法及應(yīng)用[J].石家莊鐵道大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，33（4）：30-35.

[11] 呂德深，梁承權(quán).粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的光電探測(cè)設(shè)備故障診斷[J].激光雜志，2020，41（9）：216-220.

[12] 張西寧，郭清林，劉書語.深度學(xué)習(xí)技術(shù)及其故障診斷應(yīng)用分析與展望[J].西安交通大學(xué)學(xué)報(bào)，2020，54（12）：1-13.

【通聯(lián)編輯：梁書】

收稿日期：2021-12-07

作者簡(jiǎn)介：鄭龍（1978—） ，男，吉林延吉人，工程師，工學(xué)學(xué)士，研究方向?yàn)楣I(yè)企業(yè)信息管理和網(wǎng)絡(luò)信息技術(shù)與應(yīng)用;朱瑞龍（1984—） ，男，內(nèi)蒙古赤峰人，副研究員，工學(xué)碩士，研究方向?yàn)樯a(chǎn)運(yùn)作與管理設(shè)計(jì)與應(yīng)用;林碩（1981—） ，男，遼寧沈陽人，副教授，工學(xué)博士，研究方向?yàn)樯a(chǎn)執(zhí)行系統(tǒng)設(shè)計(jì)與應(yīng)用。