基于深度學(xué)習(xí)的電力計(jì)量檢定流水線故障預(yù)警技術(shù)

張淑云

摘要：近些年，我國的科學(xué)技術(shù)水平不斷進(jìn)步?，F(xiàn)階段，傳統(tǒng)故障診斷系統(tǒng)通過傳感網(wǎng)絡(luò)、采集網(wǎng)絡(luò)、日志報(bào)文等技術(shù)收集檢定系統(tǒng)的運(yùn)行數(shù)據(jù)，但采集數(shù)據(jù)量較少，專家判斷法、決策樹法、SDG模型等傳統(tǒng)的數(shù)據(jù)挖掘方式效率較低、診斷效果差。針對現(xiàn)狀，文中將深度學(xué)習(xí)技術(shù)引入自動(dòng)化流水線的檢定系統(tǒng)，實(shí)現(xiàn)故障預(yù)警、診斷一體化，基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)構(gòu)建針對自動(dòng)化流水線的故障分類模型，并用實(shí)際系統(tǒng)運(yùn)行數(shù)據(jù)對模型預(yù)警效果進(jìn)行測試驗(yàn)證。算法驗(yàn)證最終以概率形式給出故障預(yù)警結(jié)果，充分考慮流水線及設(shè)備相互間影響的因素，結(jié)果表明，該方法具有理想的故障預(yù)警效果，為自動(dòng)化流水線的故障排查與預(yù)防提供更精確的信息。

關(guān)鍵詞：電力智能化;計(jì)量自動(dòng)化流水線;故障預(yù)警模型;深度學(xué)習(xí);神經(jīng)網(wǎng)絡(luò)

引言

隨著我國電力信息化建設(shè)的不斷深入，同時(shí)由于智能電網(wǎng)和人工智能技術(shù)的發(fā)展，智能化的計(jì)量設(shè)備需求日益增大，迫使計(jì)量檢定的自動(dòng)化、標(biāo)準(zhǔn)化、流程化向智能化方向發(fā)展。同時(shí)計(jì)量管理領(lǐng)域的一體化、智能化的研究，也成為計(jì)量檢定行業(yè)廣泛研究的熱點(diǎn)課題之一。隨著自動(dòng)化檢定系統(tǒng)的建設(shè)，檢定設(shè)備的集成度、復(fù)雜度越來越高，傳統(tǒng)依靠維修人員的經(jīng)驗(yàn)進(jìn)行維修、維護(hù)的方法變得越發(fā)困難。人們對檢定流水線的依賴越來越大，一旦檢定流水線發(fā)生故障，將造成的嚴(yán)重?fù)p失。因此，如何做好故障預(yù)警和快速定位故障是計(jì)量檢定人工智能發(fā)展的質(zhì)量基本要求。目前，國內(nèi)檢定流水線采用的檢定算法主要是采用傳統(tǒng)數(shù)據(jù)挖掘方法，總體存在采集的數(shù)據(jù)不全面、數(shù)據(jù)量相對偏少、診斷效果不佳且效率低的缺陷。同時(shí)，現(xiàn)有的設(shè)備故障診斷是通過單個(gè)硬件報(bào)錯(cuò)，并沒有從整個(gè)流水線和流水線相互之間的影響去考慮及分析，整體診斷效果不佳。針對現(xiàn)有檢定技術(shù)的不足，本文提供了一種基于K-Means聚類分析的計(jì)量自動(dòng)化流水線故障診斷方法。方法全面收集檢定自動(dòng)化流水線的運(yùn)行數(shù)據(jù)，根據(jù)采集到的數(shù)據(jù)通過數(shù)據(jù)訓(xùn)練和聚類分析，從而構(gòu)建針對自動(dòng)檢定系統(tǒng)故障的算法模型。并根據(jù)采集到數(shù)據(jù)中的異常值，來對流水線運(yùn)行故障進(jìn)行定位診斷。方法模型從自動(dòng)化系統(tǒng)本身出發(fā)進(jìn)行全面的故障診斷，充分考慮流水線及設(shè)備相互之間的影響關(guān)系，從而提高診斷全面性與準(zhǔn)確性。

1傳統(tǒng)流水線托盤簡介

自動(dòng)化流水線的運(yùn)行過程中，需要對被檢器具分別進(jìn)行移栽、定位、固定、耐壓試驗(yàn)、功耗測試、外觀和標(biāo)志檢查、準(zhǔn)確度檢定和多功能試驗(yàn)、下料、封裝、緩存等一系列流程動(dòng)作。在整個(gè)檢定過程中，被檢器具借助計(jì)量托盤的引領(lǐng)，迅速、平穩(wěn)的從一個(gè)特定工位流向下一個(gè)特定工位，使其自動(dòng)完成預(yù)設(shè)的檢定任務(wù)。自動(dòng)化流水線的建設(shè)造價(jià)高昂，傳統(tǒng)流水線托盤只能針對單一被檢器具進(jìn)行檢定（見圖1），效率低下，且浪費(fèi)資源。但是，由于被檢器具的尺寸大小各有差異，要實(shí)現(xiàn)兼容式的流水線的生產(chǎn)，不僅僅是在檢定軟件上實(shí)現(xiàn)相關(guān)的檢定功能，最重要的是怎樣讓不同尺寸的被檢器具能在流水線上完成一系列的流轉(zhuǎn)動(dòng)作。文中旨在設(shè)計(jì)出一種自動(dòng)化流水線兼容式計(jì)量托盤，最大化利用流水線，提高生產(chǎn)效率。

圖中：1為托盤基板，2為雙表托盤浮動(dòng)塊，3為彈簧，4為襯套，5為底托長邊，6為底托短邊，7為托盤襯板，8為RFID安裝法蘭，9為RFID載碼體，10為無油軸套，11為鎂鋅鐵片1，12為鎂鋅鐵片2，13為圓柱頭內(nèi)六角螺釘，14為平墊圈，15為彈簧墊圈。

2基于深度學(xué)習(xí)的故障預(yù)警方法

2.1樣本數(shù)據(jù)集選取

為提高該模型識別故障的準(zhǔn)確性，本文收集了海南電網(wǎng)基地采集到的現(xiàn)場流水線數(shù)據(jù)。對該模型進(jìn)行測試，開展模型訓(xùn)練和驗(yàn)證工作。為保證樣本數(shù)據(jù)集的全面性，同時(shí)保證足夠數(shù)量的樣本，隨機(jī)選取了特定數(shù)量作為無標(biāo)簽預(yù)訓(xùn)練樣本。提供的數(shù)據(jù)相同時(shí)，則以帶標(biāo)簽的樣本數(shù)據(jù)為準(zhǔn)，并進(jìn)行數(shù)據(jù)的微調(diào)。

2.2模型測試

為驗(yàn)證本文所提出模型的準(zhǔn)確性，利用海南電網(wǎng)提供的流水線數(shù)據(jù)，對故障預(yù)警進(jìn)行實(shí)地檢測，驗(yàn)證故障預(yù)警的靈敏度。本文旨在找出模型性能與AE層數(shù)、預(yù)訓(xùn)練集樣本數(shù)量間的關(guān)系。因此對AE層數(shù)為1～5層的模型分開進(jìn)行性能測試，分別選取了3000個(gè)正常運(yùn)行和故障運(yùn)行的時(shí)間點(diǎn)進(jìn)行測試。在該樣本中，隨機(jī)選擇500個(gè)、1000個(gè)、1500個(gè)數(shù)據(jù)進(jìn)行3組識別檢測，并通過檢測的結(jié)果進(jìn)行對比。在檢測的結(jié)果中，隨機(jī)選取300個(gè)已知故障/正常測試樣本集對模型性能進(jìn)行驗(yàn)證，測試其故障預(yù)警的精準(zhǔn)度。由實(shí)際數(shù)據(jù)進(jìn)行試驗(yàn)測試，得到結(jié)果如圖2所示。結(jié)果表明，隨著模型規(guī)模和預(yù)訓(xùn)練樣本數(shù)量的增加，模型故障預(yù)測的精準(zhǔn)度也隨著提高。且在對于實(shí)際系統(tǒng)運(yùn)行數(shù)據(jù)具有較好的故障預(yù)警性能，精準(zhǔn)度可達(dá)90%以上，可適用于檢定中心的整體故障預(yù)警系統(tǒng)。

測試模型中，選取算法的不同m數(shù)值，判斷分組識別效果與閱讀器反應(yīng)。同時(shí)比較吞吐率，如表1所示。

2.3實(shí)驗(yàn)結(jié)果分析

在較多實(shí)際工作場景下，故障情況的種類繁多、不易收集。所以，在少樣本的數(shù)據(jù)集和中無監(jiān)督學(xué)習(xí)的優(yōu)勢明顯大于其他需要先驗(yàn)知識或精確標(biāo)簽的算法。利用K-Means的學(xué)習(xí)方法可以做到在較少有人工標(biāo)記的情況下還能準(zhǔn)確分離出故障樣本和正常樣本，其理解樣本數(shù)據(jù)的能力在這種數(shù)據(jù)集中要高于其他算法。同時(shí)也就說明了，其泛化性能更好。當(dāng)出現(xiàn)數(shù)據(jù)集中的孤立樣本時(shí)，能有更好的判斷結(jié)果。另外，K-Means算法需要的人工標(biāo)記少于其他算法，甚至有時(shí)可以實(shí)現(xiàn)無監(jiān)督學(xué)習(xí)。在減少了人工干預(yù)的基礎(chǔ)上，能保證其預(yù)測精度不下降，能節(jié)省在數(shù)據(jù)收集和數(shù)據(jù)標(biāo)注上的開銷。流水線工業(yè)數(shù)據(jù)因?yàn)槠涔收下时旧磔^低，所以樣本量不高和故障數(shù)據(jù)不齊全是導(dǎo)致大部分算法失效的主要原因。K-Means算法因?yàn)槠錈o監(jiān)督、自動(dòng)聚類的特性，在這種數(shù)據(jù)集上表現(xiàn)優(yōu)良，基本可以滿足工廠對于故障報(bào)警的需求。雖然基礎(chǔ)K-Means算法還有許多不足，但在后續(xù)中加入更多對數(shù)據(jù)的操作，可以得到更加優(yōu)化的性能。所以，K-Means算法更適用于更多的工業(yè)數(shù)據(jù)場景。

結(jié)語

文中提出一種基于堆疊自動(dòng)編碼器深度學(xué)習(xí)算法的電力計(jì)量自動(dòng)化流水線故障預(yù)警方法，通過全面搜集檢定流水線歷史運(yùn)行數(shù)據(jù)和第三方廠家提供的特征數(shù)據(jù)，形成深度學(xué)習(xí)數(shù)據(jù)樣本。并結(jié)合SAE算法設(shè)計(jì)故障預(yù)警模型，通過BP方法實(shí)現(xiàn)算法模型的訓(xùn)練和優(yōu)化微調(diào)。最終，采用明確測試數(shù)據(jù)樣本對模型進(jìn)行性能測試。結(jié)果證明，在保證模型規(guī)模和訓(xùn)練樣本數(shù)量的基礎(chǔ)上，設(shè)計(jì)的故障預(yù)警模型能夠確保精準(zhǔn)性與穩(wěn)定性，可用于檢定系統(tǒng)的日常故障預(yù)警。驗(yàn)證實(shí)例表明，深度學(xué)習(xí)技術(shù)在故障預(yù)警識別方面具有較強(qiáng)優(yōu)勢。與其他技術(shù)相結(jié)合，可在實(shí)際應(yīng)用中發(fā)揮更大的作用。但目前深度學(xué)習(xí)技術(shù)有待提高，且神經(jīng)網(wǎng)絡(luò)方面的技術(shù)仍處于探索階段，對于實(shí)際自動(dòng)化流水線的故障預(yù)警識別尚且需要完善。

參考文獻(xiàn)：

[1] ?張小麗，陳雪峰，李兵，等.機(jī)械重大裝備壽命預(yù)測綜述[J].機(jī)械工程學(xué)報(bào)，2011，47（11）：100-116.

[2] ?朱彥.基于深度學(xué)習(xí)的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法[J].自動(dòng)化與儀器儀表，2017（9）：34-35，40.

[3] ?辛耀中，石俊杰，周京陽，等.智能電網(wǎng)調(diào)度控制系統(tǒng)現(xiàn)狀與技術(shù)展望[J].電力系統(tǒng)自動(dòng)化，2015（1）：2-8.

[4] ?蘇斌.智能電網(wǎng)時(shí)代電力信息通信技術(shù)的應(yīng)用和研究[D].保定：華北電力大學(xué)，2015.

（作者單位：國網(wǎng)新疆電力有限公司營銷服務(wù)中心（資金集約中心、計(jì)量中心））