基于卷積神經(jīng)網(wǎng)絡(luò)的經(jīng)編織機(jī)故障預(yù)測(cè)報(bào)警系統(tǒng)的研究

習(xí) 龍

(西安工程大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院,陜西 西安710600)

傳統(tǒng)紡織行業(yè)織機(jī)數(shù)量多,需要大量人員進(jìn)行運(yùn)維工作,而且織機(jī)的生產(chǎn)數(shù)據(jù)量龐大,傳統(tǒng)的信息管理系統(tǒng)已經(jīng)不能適應(yīng)工業(yè)智能化的要求。用傳感器對(duì)織機(jī)的數(shù)據(jù)進(jìn)行采集,并通過PLC得到織機(jī)的參數(shù)數(shù)據(jù),數(shù)據(jù)包括織機(jī)正常運(yùn)行和故障狀態(tài)時(shí)的轉(zhuǎn)速、單次工作時(shí)間、停機(jī)時(shí)間、溫度、濕度等,還有故障位置、故障參數(shù)等,將這些數(shù)據(jù)輸入到卷積神經(jīng)網(wǎng)絡(luò)(CNN)中進(jìn)行訓(xùn)練,得到CNN神經(jīng)網(wǎng)絡(luò)模型。利用此神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)織機(jī)車間的實(shí)時(shí)數(shù)據(jù),判斷此狀態(tài)是否為正常狀態(tài),是故障狀態(tài)還是接近故障狀態(tài),并對(duì)未來若干時(shí)間段的織機(jī)工作狀態(tài)做出判斷,達(dá)到實(shí)時(shí)故障預(yù)測(cè)并在還沒有任何損失的時(shí)候就做出響應(yīng),提前報(bào)警,及時(shí)處理故障問題。

卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)成功應(yīng)用在各大行業(yè),如交通、醫(yī)學(xué)、手機(jī)應(yīng)用、自動(dòng)駕駛等。考慮到織機(jī)車間管理復(fù)雜、人員繁多,常規(guī)織機(jī)故障檢測(cè)系統(tǒng)已經(jīng)不能滿足要求,所以提出了新型的織機(jī)故障實(shí)時(shí)預(yù)測(cè)系統(tǒng),旨在預(yù)測(cè)織機(jī)的工作狀態(tài),在織機(jī)還沒發(fā)生故障的時(shí)候,就可以預(yù)測(cè)到即將發(fā)生故障的位置、原因以及故障將要發(fā)生的時(shí)間,提高織機(jī)車間的數(shù)據(jù)管理系統(tǒng)和檢測(cè)系統(tǒng),盡早處理故障,以免帶來不必要的損失。

1 織機(jī)故障預(yù)測(cè)報(bào)警系統(tǒng)流程

織機(jī)故障預(yù)測(cè)報(bào)警系統(tǒng)構(gòu)架如圖1所示,其步驟為:

(1)通過傳感器得到織機(jī)正常情況下的數(shù)據(jù)和非正常情況下的數(shù)據(jù);

(2)將數(shù)據(jù)從傳感器中傳輸?shù)絇LC端;

(3)數(shù)據(jù)再由PLC端到數(shù)據(jù)庫(kù)存儲(chǔ)系統(tǒng)中;

(4)將織機(jī)歷史數(shù)據(jù)存儲(chǔ)為文本格式,輸入到卷積神經(jīng)網(wǎng)絡(luò)中對(duì)其進(jìn)行訓(xùn)練,并生成織機(jī)故障預(yù)測(cè)模型;

(5)從織機(jī)中傳輸過來的實(shí)時(shí)數(shù)據(jù)就可以通過織機(jī)故障預(yù)測(cè)模型來對(duì)此時(shí)間段的織機(jī)工作狀態(tài)進(jìn)行故障預(yù)測(cè);

(6)如果預(yù)測(cè)到有故障,會(huì)提示故障將會(huì)發(fā)生的位置及原因,并提供故障大約發(fā)生時(shí)間,并及時(shí)觸發(fā)報(bào)警系統(tǒng)。

圖1 織機(jī)故障預(yù)測(cè)報(bào)警構(gòu)架

從織機(jī)故障預(yù)測(cè)報(bào)警的構(gòu)架圖1中可以看出,織機(jī)的數(shù)據(jù)是通過傳感器傳輸?shù)絇LC,再到數(shù)據(jù)庫(kù)中,根據(jù)數(shù)據(jù)種類的不同,將數(shù)據(jù)分為了正常情況下和非正常情況下的數(shù)據(jù),并將其按照各自數(shù)據(jù)標(biāo)簽寫入文本文件中作為卷積神經(jīng)網(wǎng)絡(luò)的輸入。

由此可以看出,研究的核心在于卷積神經(jīng)網(wǎng)絡(luò)的引入,利用卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練織機(jī)的歷史數(shù)據(jù),也就是這些帶各自標(biāo)簽的文本文件,得到織機(jī)故障預(yù)測(cè)報(bào)警模型。從而,對(duì)每次織機(jī)傳輸進(jìn)入此故障預(yù)測(cè)報(bào)警模型的數(shù)據(jù)進(jìn)行判斷預(yù)測(cè),預(yù)測(cè)此刻的數(shù)據(jù)對(duì)未來的影響,到底是正常數(shù)據(jù),還是即將有故障要發(fā)生。如果預(yù)測(cè)到有故障要發(fā)生,那么,預(yù)測(cè)故障位置,原因及故障即將發(fā)生的時(shí)間。

2 織機(jī)故障預(yù)測(cè)報(bào)警架構(gòu)分析

2.1 數(shù)據(jù)采集

利用傳感器向PLC傳輸織機(jī)各個(gè)數(shù)據(jù),解析PLC中的數(shù)據(jù),并將各個(gè)數(shù)據(jù)寫入文檔格式的文件,其數(shù)據(jù)類型為:

(1)正常情況下的數(shù)據(jù):織機(jī)轉(zhuǎn)速、單次工作時(shí)間、車間溫度、車間濕度、停機(jī)次數(shù)、停機(jī)時(shí)間等;

(2)非正常情況下的數(shù)據(jù):織機(jī)轉(zhuǎn)速、車間溫度、車間濕度、停機(jī)次數(shù)、停機(jī)時(shí)間、故障原因、故障參數(shù)、故障位置等。

2.2 數(shù)據(jù)處理

將織機(jī)車間正常情況下的數(shù)據(jù)和非正常情況下的數(shù)據(jù)作為卷積神經(jīng)網(wǎng)絡(luò)的輸入,對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練,卷積神經(jīng)網(wǎng)絡(luò)(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(gè)卷積神經(jīng)網(wǎng)絡(luò)一般有多組卷積池化層,卷積層后接一個(gè)池化層,并跟隨激活函數(shù),重復(fù)此動(dòng)作,在最后加入全連接層和一個(gè)分類器得到一個(gè)完整的卷積神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在卷積神經(jīng)網(wǎng)絡(luò)中,將正常情況下的數(shù)據(jù)和非正常情況下的數(shù)據(jù)輸入到網(wǎng)絡(luò)中,進(jìn)行卷積操作,公式為:

其中,n為輸入矩陣的個(gè)數(shù),X代表第k個(gè)輸入矩陣;W代表卷積核的第K個(gè)子卷積核矩陣;s(i,j)為卷積核W對(duì)應(yīng)的輸出矩陣對(duì)應(yīng)位置元素的值。

接著進(jìn)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(jī)運(yùn)行參數(shù)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(gè)輸入特征面第q個(gè)神經(jīng)元的輸出值,fmin代表取最小值函數(shù)。

在經(jīng)過卷積層和池化層之后,選用Relu作為激活函數(shù),加入非線性因素,使得分類結(jié)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(jìn)行分類,Softmax邏輯回歸中,數(shù)據(jù)訓(xùn)練樣本由n個(gè)帶標(biāo)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(biāo)簽為:y(i)∈{1,2,3,4,…,k},函數(shù)為:

其 中,θ1,θ2,θ3,…,θk∈Rn+1為 模 型 的 參 數(shù),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(jī)故障預(yù)測(cè)模型,使得模型能分辨出織機(jī)的運(yùn)行狀態(tài),提前預(yù)測(cè)其故障位置以及故障原因,預(yù)測(cè)故障將要發(fā)生的時(shí)間段并及時(shí)報(bào)警。

3 結(jié)語(yǔ)

提出了基于卷積神經(jīng)網(wǎng)絡(luò)的織機(jī)故障預(yù)測(cè)模型,在織機(jī)還在正常運(yùn)行的狀態(tài)下就能預(yù)測(cè)到織機(jī)即將要發(fā)生的故障的位置及其原因,提高了傳統(tǒng)車間管理系統(tǒng)的性能,做到預(yù)測(cè)故障位置、故障原因、故障發(fā)生的時(shí)間段,并報(bào)警,及時(shí)處理問題,排除故障,使織機(jī)高效率工作。