自動化制造設備的電氣故障檢測技術

摘 要：自動化制造設備包括多個子系統，其電氣故障檢測是領域內的技術難點。因此本文提出了一種基于循環神經網絡的故障檢測技術，可應用于自動化制造設備的故障檢測。將自動化制造設備的各種可能故障作為輸入，經注意力機制模塊處理后通過循環神經網絡完成檢測。最后通過驗證性試驗證實了本文所提檢測技術對自動化制造設備電氣故障檢測的有效性。

關鍵詞：自動化制造設備；電氣系統；故障檢測；循環神經網絡

中圖分類號：TM 76 " " " 文獻標志碼：A

計算機技術革命至今，各領域都受到深刻影響并隨之產生適應性變革。對制造行業來說，計算機作為控制裝置后，制造設備的自動化程度顯著提高，甚至可以達到無人化的程度。隨著制造設備自動化程度不斷提升，其系統構成也日趨復雜。除了具有常規制造設備具備的機械裝置、刀具和裝夾裝置外，自動化制造設備還具有控制裝置和各種類型的傳感器，從而形成了一個多類型部件交織的復雜系統。自動化制造裝備的整體系統還可以細分出機械系統、液壓系統、控制系統、電氣系統和傳感系統等。在這些系統中，電氣系統為包括控制系統、傳感系統在內的其他系統提供動力任務。一旦電氣系統出現故障，自動化制造設備就無法正常工作。因此，對電氣系統進行故障檢測具有非常重要的意義。但是，自動化制造設備構成復雜，其他子系統與電氣系統交錯排布，一旦電氣系統出現故障，其成因是十分復雜的。在這種情況下，為了更有效地分析自動化制造設備電氣故障的原因并完成檢測，本文提出了一種基于循環神經網絡的檢測技術。

1 自動化制造設備的電氣故障分析

為了有效完成自動化制造設備故障檢測，需要區分電氣故障同機械故障，區分的原則如下：將完全因機械零部件、機械組件、機械構件、機構引發的故障劃歸到機械類故障，其他由傳感系統、控制系統以及電氣系統自身引發的故障劃歸到電氣類故障。根據這種劃分方式，可以將自動化制造設備的電氣故障分為3類，分類結構如圖1所示。

根據圖1的劃分標準，自動化制造設備的電氣故障又可以分為3類，即電線路出現問題引發的電氣故障、控制問題引發的電氣故障以及老化問題引發的電氣故障。

2 基于循環神經網絡的檢測方法設計

2.1 檢測方法的總體設計

根據圖1提供的電氣故障分類情況，當自動化制造設備出現某種故障后，可由檢測人員進行現場定位和查驗，進而判斷出其故障類型并采取有效方法。人工檢測是電氣故障檢測的傳統方法，但存在檢測困難、檢測效率低下等普遍問題。尤其是自動化制造設備的復雜度強、集成度高，進一步增加了人工檢測的難度。

為了構建自動化、智能化程度更高的檢測方法，本文對多種智能方法進行了比較，各種方法的性能優劣見表1。

從表1可以看出，循環神經網絡方法優勢明顯。一方面，深度學習獲得了快速發展。另一方面，自動化制造設備的故障檢測與深度學習具有較好的對應性。這2個條件的疊加，為在自動化制造設備的故障檢測中應用深度學習提供了最大可能。因此本文才構建出基于循環神經網絡的自動化制造設備電氣故障檢測方法，該方法的總體框架如圖2所示。

自動化制造設備的電氣故障深度學習檢測包括2個步驟。首先，將各種電氣故障的歷史數據信息作為訓練樣本輸入循環神經網絡中，通過大量迭代學習達成深度網絡穩定。其次，將某一個時間段內的數據作為輸入，用穩定的深度網絡進行故障檢測和故障類型的判斷。從圖2可以看出，整個電氣故障檢測方法的框架包括語義模型處理模塊、輸入模塊、隱含層模塊、注意力機制模塊以及輸出模塊。

2.2 循環神經網絡的結構設計

在整個電氣故障檢測方法中，循環神經網絡處于核心位置。本文對其進行的結構設計如圖3所示。

基于圖3給出的循環神經網絡的結構，輸入層到隱含層、隱含層再到輸出層的數學處理如公式（1）、公式（2）所示。

Hm=f（wxxm+whHm-1） （1）

ym=g（wyHm） （2）

式中：f（）是自動化制造設備電氣故障檢測深度學習過程中的非線性激活函數；g（）是自動化制造設備電氣故障檢測深度學習過程中的激活函數；wx是自動化制造設備電氣故障檢測深度學習過程中的輸入權重；wh是自動化制造設備電氣故障檢測深度學習過程中的隱含權重；wy是自動化制造設備電氣故障檢測深度學習過程中的輸出權重。

2.3 注意力機制的設計

自動化制造設備電氣故障檢測過程中存在很多冗余的無效數據，會影響深度學習的過程和故障檢測效率。為此，可以通過引入注意力機制，有效精簡數據、提升深度學習效率和故障檢測的準確性。本文中，自動化制造設備電氣故障檢測中的注意力機制如圖4所示。圖4中的自動化制造設備電氣故障檢測中的注意力機制實施過程如下所示。

首先，根據自動化制造設備電氣故障類型數據，生成如公式（3）所示的3個矩陣。

（3）

式中：T是自動化制造設備電氣故障檢測深度學習過程中的特征向量；QT是自動化制造設備電氣故障檢測深度學習過程中的查詢矩陣；KT是自動化制造設備電氣故障檢測深度學習過程中的鍵矩陣；VT是自動化制造設備電氣故障檢測深度學習過程中的值矩陣；wQ是自動化制造設備電氣故障檢測深度學習過程中的查詢權重；wK是自動化制造設備電氣故障檢測深度學習過程中的鍵權重；wV是自動化制造設備電氣故障檢測深度學習過程中的值權重。

其次，計算出各headi，如公式（4）所示。

（4）

式中：Attention（）是自動化制造設備電氣故障檢測深度學習過程中的注意力機制函數；Same（）是自動化制造設備電氣故障檢測深度學習過程中的歸一化函數；DK是矩陣KT的維度。

再次，反復執行上一個步驟，得到headi的多次計算結果。

最后，將多個headi的多次計算結果融合處理，得到自動化制造設備電氣故障檢測深度學習過程中的語義表達，如公式（5）所示。

Multihead_Y（QT，KT，VT）=Fusion（head1，head2，…，headi）w0 （5）

式中：Multihead_Y是自動化制造設備電氣故障檢測深度學習過程中的特征語義向量；Fusion（）是自動化制造設備電氣故障檢測深度學習過程中的融合函數；w0是自動化制造設備電氣故障檢測深度學習過程中的線性變換矩陣。

3 自動化制造設備電氣故障檢測試驗

為了有效解決自動化制造設備的電氣故障檢測問題，本文提出了一種基于循環神經網絡的深度學習檢測方法，對循環神經網絡進行了結構設計，并使用新的注意力機制模塊。為了驗證該方法的檢測效果，本文進行了試驗研究。

試驗分為2個階段。第一階段，利用自動化制造設備的電氣系統歷史運行數據對深度網絡進行訓練，尤其是利用其電氣故障數據進行訓練。第二階段，對未知故障信息和未知故障類型的數據進行基于深度學習的檢測。在試驗過程中選擇3種對比方法，以驗證所提方法的有效性。這3種對比方法分別是CNN檢測方法、RNN檢測方法以及RNN-Attention檢測方法。

在試驗過程中，以電氣故障的檢測精度為具體指標，對圖1中給出的3類電氣故障進行檢測，結果見表2。

考慮表2中數據比較不夠直觀，以圖形化的方式比較4種方法電氣故障檢測結果，如圖5所示。

從圖5的比較結果可以看出，本文檢測方法的自動化制造設備電氣故障檢測準確性明顯高于其他方法。

4 結論

自動化制造設備具有更好的加工制造能力和效率，是制造領域的未來發展趨勢。但自動化制造設備系統復雜性導致其電氣故障檢測的難度加大，為此本文提出了一種基于深度學習的檢測方法。該方法將循環神經網絡作為深度學習的主體框架，并結合新的注意力機制模塊。試驗過程中，本文將3類電氣故障數據作為輸入納入深度網絡中，其他3種方法作為對比方法。試驗結果顯示，本文電氣故障檢測方法對不同類型的電氣故障數據都具有較高的檢測精度，性能明顯優于其他3種方法。

參考文獻

[1]呂晉，王益.電力系統高壓生產設備電氣故障自動化監測研究[J].自動化與儀器儀表，2019（7）：66-69.

[2]張鶴，張勁松.西門子焊接車間設備故障自動診斷及焊機群控系統[J].汽車制造業，2023，35（2）：110-113.

[3]潘鈺哲.淺析電氣自動化控制設備的故障預防與維修技術[J].中國設備工程，2022，27（3）：68-70.