基于大數據分析的工業控制系統故障檢測方法

胡 迪

(成都錦城學院 四川 成都 610000)

0 引言

互聯網已經在物聯網、無線通信、移動設備、電子商務和智能制造等領域收集了海量數據,這種數據的增長速度呈指數級[1]。這樣的爆炸式增長使得這些領域對于大數據的概念和力量產生了認識。大數據不僅有望為這些領域提供新的思路,以處理和發現有價值的信息,而且還有可能促進這些領域對其他領域的影響,例如工業控制系統的狀態監測和故障診斷領域[2]。在現代工業中,機器變得越來越自動化、精確和高效,使得機器的健康狀況監測變得更加困難。為了全面檢查機器的健康狀況,需要使用狀態監測系統收集機器的實時數據,并通過多個位移傳感器獲取大量的機械數據,由于數據的收集速度普遍快于診斷分析數據的速度,因此如何從機械大數據中有效地提取特征并準確識別相應的健康狀況已成為當前亟須解決的研究問題。智能故障診斷能夠快速有效地處理大量采集到的機械振動信號并提供準確的故障診斷結果,因此它可能成為處理工業控制系統中大數據的一種工具[3]。

傳統的智能故障診斷框架包括3個主要步驟:信號采集、特征提取和選擇以及故障分類[4]。在信號采集步驟中,振動信號被廣泛采用,因為它們提供了機械故障的內在信息。在第2步中,特征提取旨在使用信號處理技術從采集的信號中提取代表性特征,如時域統計分析、傅里葉譜分析和小波變換。然而,傳統的人工智能技術無法直接從原始數據中提取和組織判別信息。因此,智能診斷方法中的大量實際工作都被用于特征提取算法的設計,以從信號中獲取具有代表性的特征。但是特征通常是根據特定的診斷問題提取和選擇的,可能不適用于其他問題,在處理新的診斷任務時可能需要重新設計特征提取算法。

為了克服傳統智能故障診斷方法中的弱點,需要采用先進的人工智能技術來自適應地學習特征,而非手動提取和選擇特征。這將使智能故障診斷方法減少對先驗知識或人工的依賴,從而可以更快地應用于新的場景,實現真正的人工智能故障診斷。無監督特征學習是一種有潛力克服傳統方法弱點的技術,它的基本思想是訓練人工智能技術去學習一個非線性函數,將原始數據從原始空間轉換到特征空間[5]。因此,無監督特征學習是一組算法,研究如何利用未標記的原始數據很好地訓練人工智能技術,從而自動學習分類所需的判別特征。受無監督特征學習思想的啟發,提出了一種新的智能故障診斷框架。該框架直接從原始機械振動信號中學習特征,并使用分類器對整個工業控制系統故障進行分類。該框架的優勢在于,特征是使用通用學習程序從原始信號中自動學習得到,而不是由診斷人員手動提取。

1 故障診斷方法的總體框架

圖1 基于大數據分析的工業控制系統的故障檢測框架

稀疏濾波是一種無監督學習算法,它可以自適應地學習輸入數據的特征。與傳統的信號濾波算法不同,稀疏濾波不僅可以去除噪聲,還可以提取輸入數據中的有用信息,從而獲得更加緊湊、更具代表性的特征。其基本思想是,將輸入數據表示為一個稀疏的線性組合形式,其中每個組件(即濾波器)具有高度的稀疏性,即大部分權重都是零。這些稀疏的濾波器是自適應地學習的,可以從輸入數據中提取出最有代表性的特征。稀疏濾波的實現使用一種稱為L1正則化的方法來促進稀疏性[10-12]。L1正則化是指在目標函數中添加一個L1范數懲罰項,以鼓勵大部分權重為零。通過這種方式,稀疏濾波可以自適應地學習濾波器,同時保持高度的稀疏性。

Softmax回歸是一種用于多分類問題的機器學習算法,主要將輸入數據分為2個以上的互斥類別,并給出每個類別的概率預測。它是邏輯回歸的一種推廣,可以將邏輯回歸擴展到處理具有多個類別的問題,其目標是學習一個可以將輸入向量映射到每個可能的類別的概率分布的模型。Softmax回歸首先對每個可能的類別計算一個得分,然后將這些得分作為輸入,通過一個Softmax函數,將它們轉換為概率分布,最終確定輸入向量所屬的類別,并且將每個得分除以所有得分之和,從而確保它們都在0和1之間,并且它們的總和為1。

2 第1學習階段

在第1階段,首先訓練稀疏濾波并獲得其權重矩陣W,然后使用經過訓練的稀疏過濾來捕獲每個樣本的局部特征,最后對這些局部特征進行平均,從而得到每個樣本的學習特征。

圖2 稀疏過濾訓練過程示意圖

fov(S)=EDET

(1)

其中,E是方差矩陣cov(S)的特征向量的正交矩陣,D是其特征向量的對角矩陣。因此,可以獲得白化的訓練片段集SWhite:

(2)

(3)

本方法使用平均的方式而不是直接合并的方式來得到特征:

(4)

平均的方式有助于增強不同片段彼此共享的判別特征并抑制由噪聲引起的隨機特征。

3 第2學習階段

(5)

其中,θ=[θ1,θ2,…,θK]T為Softmax回歸模型的參數,所有類別標簽上的概率總和為l。經過訓練后,hθ(xi)中最大的概率值對應了特征fi最終屬于的故障狀況標簽。

在2個學習階段之后,使用測試樣本來驗證所提出的方法。對于每個測試樣本,首先將其交替劃分為多個片段,然后使用訓練好的稀疏過濾模型從片段中獲取局部特征。接下來,通過對這些局部特征進行平均來獲得每個測試樣本的學習特征。最后,測試樣本的故障狀況由經過訓練的 Softmax 回歸模型使用學習到的特征來決定。

4 實驗與分析

為了驗證工業控制系統故障檢測方法,采用振動信號數據集來對工業控制系統的故障做模擬,對該框架進行訓練并測試。MFPT是一個常用的用于故障診斷和狀態監測研究的數據集。該數據集由美國賓夕法尼亞州貝克利大學的Machinery Failure Prevention Technology(MFPT)中心收集和發布。MFPT數據集的收集過程涵蓋了多個工業設備,包括齒輪箱、軸承、齒輪和軸等。為了模擬真實工業環境中的故障情況,這些設備在不同的工況下運行,并引入了多種常見的故障類型,如齒面磨損、軸承松動和齒輪缺陷等。采集數據集時,每個設備都安裝了用于測量振動信號的傳感器,這些傳感器以恒定的采樣頻率記錄振動數據。數據集中的振動信號以時間域和頻域2種形式提供。時間域數據是指原始的時域振動信號,頻域數據是通過對時間域信號進行傅里葉變換得到的頻譜特征。MFPT數據集還提供了故障標簽信息,用于指示每個設備在每個時間點是否存在故障。這些標簽信息對于訓練和評估機械故障診斷算法非常重要,可以幫助研究人員建立準確的故障預測模型。

用該數據集進行訓練和測試時:

(1)數據集準備:獲取MFPT軸承數據集并將其分為訓練集和測試集(訓練集與測試集比例為8∶2),其中訓練集用于訓練模型,而測試集用于評估模型的性能。

(2)數據預處理:對原始振動信號進行預處理,包括去除噪聲、歸一化和濾波等。

(3)特征提取:使用稀疏濾波從預處理的振動信號中提取局部判別特征,將這些局部特征平均為信號的學習特征。

(4)模型訓練:使用訓練集和學習特征來訓練 Softmax 回歸模型。訓練過程中,通過反向傳播算法來更新模型參數。

(5)模型評估:使用測試集來評估訓練好的模型的性能。

在實驗中,使用準確率、精確率、召回率和F1值4個指標進行模型評估,如表1所示。可以看出,實驗中大部分測試樣本都被正確分類,準確率達到了0.95,表明模型對于故障和非故障樣本的分類效果較好,能夠較準確地對樣本進行分類。精確率和召回率都比較接近,分別為0.94和0.96,表明系統在正確判別故障和非故障樣本方面表現都優秀。F1值是精確率和召回率的調和平均值,綜合考慮了模型的精確率和召回率。F1值為0.95,說明該方法具有良好的綜合故障診斷性能,能夠較好地平衡精確率和召回率之間的關系。

表1 MFPT數據集對模型訓練和評估結果

5 結語

在工業控制系統的大數據處理中,特征提取是智能故障診斷中的一個重要步驟。為了減少該過程對先驗知識和專業診斷知識的依賴,提出了一種基于無監督特征學習思想的兩階段學習方法。該方法的第1階段使用稀疏濾波器以無監督方式自適應地學習機械振動信號的代表性特征。在第2階段中,使用了一個雙層網絡的Softmax回歸器來自動分類機械的健康狀況。由于所提出的方法使用神經網絡學習特征,因此不依賴先驗知識和人工干預,可能更適用于處理海量信號的狀態監測和故障診斷領域。未來,擬將訓練好的模型部署到實際工業控制系統中進行故障診斷,該過程可能需要不斷優化和改進模型以提高其性能和穩定性。