基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的智能工廠設(shè)備健康評估方法研究*

高柯柯,于重重,晏 臻

(北京工商大學(xué) 人工智能學(xué)院，北京 100048)

0 引 言

隨著工業(yè)4.0和智能制造技術(shù)的興起,智能工廠的建設(shè)逐漸被各國企業(yè)所重視[1，2]。在這種趨勢下,工業(yè)設(shè)備日益向復(fù)雜化和智能化的方向發(fā)展,設(shè)備的安全問題越來越受到企業(yè)的重視。同時(shí),由于工業(yè)設(shè)備系統(tǒng)運(yùn)行工況繁雜多變、運(yùn)行環(huán)境相對惡劣,更增加了系統(tǒng)性能退化失效的速率和發(fā)生故障的概率。更為重要的是,工廠生產(chǎn)線上的設(shè)備一旦由于失效引發(fā)故障,將會(huì)對工廠經(jīng)濟(jì)造成重大的損失。因此,在大數(shù)據(jù)背景的時(shí)代下,利用工廠實(shí)時(shí)采集的海量數(shù)據(jù),在設(shè)備性能退化的早期,及時(shí)且有效地對設(shè)備進(jìn)行健康狀態(tài)評估,合理制定維護(hù)計(jì)劃和維修方案變得極為重要。

健康評估是一種通過對系統(tǒng)的狀態(tài)信息進(jìn)行收集和學(xué)習(xí),分析健康狀態(tài),洞悉系統(tǒng)故障,提取規(guī)避風(fēng)險(xiǎn),從而保證系統(tǒng)運(yùn)行可靠性的一項(xiàng)技術(shù)。GASPERIN M等[3]從包絡(luò)譜中提取出了齒輪嚙合頻率的功率密度,并且據(jù)此對齒輪的健康狀態(tài)進(jìn)行了評估。JAVED K等[4]利用模糊聚類的方法,對系統(tǒng)的健康狀態(tài)進(jìn)行了自動(dòng)評估。YAN J等[5]利用logistic回歸函數(shù),對電梯門運(yùn)動(dòng)系統(tǒng)的健康狀態(tài)進(jìn)行了評估。WANG C等[6]提出了一種結(jié)合有效特征提取方法和模糊c均值聚類算法的深度森林算法,實(shí)現(xiàn)了對軌道航天器當(dāng)前健康狀態(tài)的評估。余道明等[7]提出了一種集新型深度自編碼和最小量化誤差相結(jié)合的,應(yīng)用于滾動(dòng)軸承全壽命周期的健康評估方法。王村松等[8]采用一種多變量深度森林分類器,實(shí)現(xiàn)了設(shè)備健康狀態(tài)的離線訓(xùn)練和在線評估。林濤等[9]采用改進(jìn)棧式自編碼器的方法,實(shí)現(xiàn)了對風(fēng)電機(jī)組發(fā)電機(jī)的健康評估。

盡管以上的建模評估方法已經(jīng)取得了較好的理論成果,但在實(shí)際應(yīng)用的場景中,由于場景設(shè)置的復(fù)雜性不同,設(shè)備運(yùn)行狀況也受到許多其他因素的影響?？紤]到運(yùn)行環(huán)境的復(fù)雜性,前述的建模方式難度倍增,這就使得分析不同工況下設(shè)備的運(yùn)行狀態(tài),找出主要影響設(shè)備運(yùn)行的因素,進(jìn)而對設(shè)備進(jìn)行健康評估變得尤為重要。

本文主要對某壓縮機(jī)工廠的設(shè)備進(jìn)行健康評估。由于該工廠生產(chǎn)線上各設(shè)備協(xié)同運(yùn)行共同完成生產(chǎn),中間任何一個(gè)環(huán)節(jié)發(fā)生故障,都會(huì)影響后續(xù)的生產(chǎn),進(jìn)而影響整個(gè)流程的產(chǎn)出;且同一生產(chǎn)線上各設(shè)備之間存在著關(guān)聯(lián)性,各設(shè)備的運(yùn)行狀況實(shí)時(shí)都在發(fā)生變化。

動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)可以實(shí)現(xiàn)實(shí)時(shí)故障診斷,隨著毗鄰時(shí)間步驟將不同變量聯(lián)系起來,本文采用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)對設(shè)備的健康狀態(tài)進(jìn)行評估。

1 基于隨機(jī)森林算法的主要故障提取

本文的實(shí)驗(yàn)數(shù)據(jù)來源于某壓縮機(jī)工廠的相關(guān)數(shù)據(jù),數(shù)據(jù)來自該工廠2017年9月3日到2018年3月30日共半年的數(shù)據(jù),主要包括了監(jiān)測數(shù)據(jù)、故障數(shù)據(jù)和產(chǎn)量數(shù)據(jù)。

監(jiān)測數(shù)據(jù)主要是指生產(chǎn)過程中設(shè)備上傳感器采集上傳的實(shí)時(shí)數(shù)據(jù),不同的設(shè)備有著不同的狀態(tài)參數(shù),主要包括電壓、電流、轉(zhuǎn)速、焊接時(shí)間等,采集間隔固定,基本都在5 min左右進(jìn)行一次采集。

監(jiān)測數(shù)據(jù)如表1所示。

表1 監(jiān)測數(shù)據(jù)

故障數(shù)據(jù)是指再生產(chǎn)過程中監(jiān)測出的設(shè)備故障類型。數(shù)據(jù)主要包括故障碼以及故障發(fā)生時(shí)間,故障碼為0的字段表示正常,非0字段表示故障,不同的故障碼對應(yīng)著相應(yīng)的故障類型。故障數(shù)據(jù)實(shí)時(shí)監(jiān)控采集,一旦出現(xiàn)故障,設(shè)備會(huì)上傳故障碼到工業(yè)系統(tǒng)。當(dāng)故障完成修復(fù),則會(huì)上傳故障碼0,表示設(shè)備已回復(fù)正常工作狀態(tài)。

不同設(shè)備有著不同的故障類型,故障數(shù)據(jù)如表2所示。

表2 故障數(shù)據(jù)

產(chǎn)量數(shù)據(jù)指生產(chǎn)線最后的成品產(chǎn)出數(shù)量。產(chǎn)量數(shù)據(jù)再生產(chǎn)過程中實(shí)時(shí)采集,每當(dāng)有1件成品產(chǎn)出,累計(jì)產(chǎn)數(shù)加1,同時(shí)記錄此刻的時(shí)間。

產(chǎn)量數(shù)據(jù)如表3所示。

表3 產(chǎn)量數(shù)據(jù)

1.1 特征構(gòu)造

該工廠所采集的數(shù)據(jù),除了監(jiān)測數(shù)據(jù)有著固定的采集頻率,故障數(shù)據(jù)和產(chǎn)量數(shù)據(jù)均沒有固定的采集頻率。(1)產(chǎn)量數(shù)據(jù)。產(chǎn)量數(shù)據(jù)是每當(dāng)新增一個(gè)產(chǎn)出,上傳一次數(shù)據(jù),每次生產(chǎn)一個(gè)產(chǎn)出所耗用的時(shí)間稱之為節(jié)拍。節(jié)拍數(shù)據(jù)在工況正常的時(shí)候通常維持在9 s左右;(2)故障數(shù)據(jù)。故障數(shù)據(jù)則是每當(dāng)發(fā)現(xiàn)一個(gè)故障或者異常的時(shí)候會(huì)上傳相應(yīng)的故障碼,因此,故障數(shù)據(jù)的采集沒有一個(gè)較為規(guī)律的周期。結(jié)合上述情況,需要對數(shù)據(jù)進(jìn)行劃分處理。

由于產(chǎn)量數(shù)據(jù)、故障數(shù)據(jù)都是實(shí)時(shí)采集的,時(shí)間精確到秒,同時(shí)采集間隔又是不固定的,為了更加直觀地發(fā)現(xiàn)故障和產(chǎn)量之間的聯(lián)系,本文對故障數(shù)據(jù)和產(chǎn)量數(shù)據(jù)按小時(shí)進(jìn)行切分。監(jiān)測數(shù)據(jù)基本有著固定的采樣間隔,采樣頻率為5 min。故本文選擇將監(jiān)測數(shù)據(jù)進(jìn)行二值處理,即分為正常和不正常兩種類型。

結(jié)合上述特征,筆者對某機(jī)械工廠生產(chǎn)線本體A設(shè)備組上的各個(gè)設(shè)備在每個(gè)小時(shí)段上進(jìn)行統(tǒng)計(jì),可以構(gòu)造出特征表。其中,設(shè)備1_108表示設(shè)備1發(fā)生故障108的時(shí)長,以此類推。該表一共包括日期、產(chǎn)量、故障時(shí)長(以s為單位)、監(jiān)測參數(shù)狀態(tài),共計(jì)122維。

部分特征表的數(shù)據(jù)截圖如表4所示。

表4 特征表

1.2 相關(guān)性分析

在動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)中,需要將特征轉(zhuǎn)化為節(jié)點(diǎn)構(gòu)造出圖模型。而上述得到的特征表維度較多,且特征表具有明顯的稀疏性。為了減少動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的節(jié)點(diǎn)個(gè)數(shù),減少計(jì)算消耗,提高動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)實(shí)時(shí)評估的效率,同時(shí)剔除由于異?；驁?bào)警而上傳的故障類型,本文通過分析不同故障與產(chǎn)量之間的相關(guān)性,找出影響產(chǎn)量的主要故障。

首先筆者統(tǒng)計(jì)出頻率發(fā)生較高的故障類型及其故障的修復(fù)時(shí)長,對重點(diǎn)故障進(jìn)行初步的篩選。同時(shí),由于設(shè)備的工作情況直接或者間接影響到生產(chǎn)線的產(chǎn)量,不同故障的故障時(shí)間對產(chǎn)量有著不同程度的影響,可以采用隨機(jī)森林算法,將故障對產(chǎn)量的影響程度進(jìn)行排序,從而提取出重點(diǎn)故障類別來。

筆者對產(chǎn)品的產(chǎn)量進(jìn)行統(tǒng)計(jì)分析,將每小時(shí)的產(chǎn)量進(jìn)行分為A、B、C、D、E、F 6個(gè)等級。其中,每小時(shí)產(chǎn)量>400為A等,每小時(shí)產(chǎn)量∈(350,400]為B等,產(chǎn)量∈(300,350]為C等,產(chǎn)量∈(250,300]為D等,產(chǎn)量∈(200,250]為E等,每小時(shí)產(chǎn)量<200為F等。

最后筆者得到產(chǎn)量的分布圖,如圖1所示。

圖1 每小時(shí)產(chǎn)量分布

1.3 隨機(jī)森林提取主要故障

隨機(jī)森林是決策樹的延伸方法之一,是一種由多顆決策樹構(gòu)成的集成學(xué)習(xí)算法[10]。由于決策樹存在易發(fā)生過擬合的現(xiàn)象[11],為了改善該缺點(diǎn),隨機(jī)森林的預(yù)測通過組合多個(gè)弱分類器,最終結(jié)果通過投票或取均值,使得整體模型的結(jié)果具有較高的精確度和泛化性能[12]。

筆者將每小時(shí)不同故障的發(fā)生次數(shù)和故障恢復(fù)時(shí)間作為特征輸入到隨機(jī)森林,產(chǎn)量等級作為分類標(biāo)簽;對模型的分類結(jié)果的準(zhǔn)確率進(jìn)行排序,排名靠前的特征即為影響產(chǎn)量的重要特征。

隨機(jī)森林算法模型結(jié)構(gòu)圖如圖2所示。

圖2 隨機(jī)森林模型

筆者最終選定排序在前10的故障作為影響產(chǎn)量的主要故障,依次是設(shè)備:1(108,128,190),設(shè)備2(103,106,113,114),設(shè)備3(121),設(shè)備4(134),設(shè)備5(126);括號內(nèi)為設(shè)備的故障碼。

具體故障及其解釋如表5所示。

表5 主要故障及其說明

2 基于動(dòng)態(tài)貝葉斯的設(shè)備健康評估

2.1 動(dòng)態(tài)貝葉斯理論

動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)(DBN)是一種以概率論和圖論為基礎(chǔ),將時(shí)間維融入到貝葉斯網(wǎng)絡(luò)(BN),以表示時(shí)間關(guān)聯(lián)性,最終形成了能夠處理時(shí)序信息的動(dòng)態(tài)概率推理模型[13]。

和貝葉斯網(wǎng)絡(luò)不同的是,動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)在貝葉斯網(wǎng)絡(luò)的基礎(chǔ)上考慮到了時(shí)間因素,因此更適合對非靜態(tài)的時(shí)序數(shù)據(jù)進(jìn)行分析[14,15]。動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)能夠反映出貝葉斯網(wǎng)絡(luò)隨著時(shí)間變化的動(dòng)態(tài)特性,從而進(jìn)一步可發(fā)現(xiàn)各變量之間的因果關(guān)系;同時(shí),當(dāng)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)搭建完成以后,除了能夠給出變量之間的關(guān)系,還能夠在線輸入真實(shí)案例對網(wǎng)絡(luò)模型的條件概率表(conditional probability table,CPT)進(jìn)行推理和更新。因此,在故障健康評估過程中,分析人員通過動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)能夠直觀地、實(shí)時(shí)地找出系統(tǒng)各環(huán)節(jié)之間的因果關(guān)系,從而有效地制定設(shè)備的健康評估方案。

參照貝葉斯網(wǎng)絡(luò),動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)同樣采用概率積分來表述其不確定性,并且對于概率積分,最基本的規(guī)則就是采用關(guān)聯(lián)實(shí)踐的概率,即:

P(A,B)=P(A/B)×P(B)

(1)

式中:P(A,B)—事件A和B發(fā)生的實(shí)際概率;P(B)—事件B的絕對概率;P(A/B)—給定事件B發(fā)生的情況下事件A發(fā)生的條件概率。

P(A/B)可以由式(1)變換為下式:

(2)

而當(dāng)涉及多源融合信息時(shí),貝葉斯網(wǎng)絡(luò)的公式如下式所示:

(3)

2.2 數(shù)據(jù)預(yù)處理

動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)同貝葉斯網(wǎng)絡(luò)相同,節(jié)點(diǎn)類型通常為有限的離散值,而不同時(shí)段的故障時(shí)長是一個(gè)真實(shí)采集的實(shí)數(shù)。考慮到貝葉斯網(wǎng)絡(luò)的實(shí)時(shí)計(jì)算性能,各節(jié)點(diǎn)可取的離散值個(gè)數(shù)不宜過大的原因,筆者將不同時(shí)段的故障時(shí)長劃分為高、低、無3檔。當(dāng)故障時(shí)長超過了不同時(shí)段發(fā)生該故障的時(shí)間的平均值,則用“high”表示。同理,故障時(shí)長低于在不同時(shí)段發(fā)生該故障的時(shí)間的平均值,則用“l(fā)ow”表示,而在該時(shí)段沒有發(fā)生故障則用“none”表示。不同故障中“high”、“l(fā)ow”、“none”的先驗(yàn)概率則取值為訓(xùn)練樣本中各檔的比值。

筆者將表4中提出的特征表進(jìn)行調(diào)整,得到和貝葉斯網(wǎng)絡(luò)相匹配的樣本格式,如表6所示。

表6 樣本數(shù)據(jù)

表6中,“IDnum”為樣本的標(biāo)號,“yield”表示產(chǎn)量等級,共分為A、B、C、D、E、F 6個(gè)等級。命名規(guī)則如下:首個(gè)字符表示設(shè)備名稱,“S”表示狀態(tài),“H”表示健康程度。如“equipment_5_121”表示設(shè)備5發(fā)生故障121的時(shí)長,共分為“high”、“l(fā)ow”、“none” 3個(gè)等級?！癳quipment_5_H”表示設(shè)備5的健康情況,分為“healthy”和“unhealthy”兩個(gè)等級。

同樣地,“equipment_5_S”表示設(shè)備5的監(jiān)控?cái)?shù)據(jù)狀態(tài),分為“normal”和“unnormal”兩個(gè)等級,其余以此類推。

2.3 實(shí)驗(yàn)與結(jié)果分析

經(jīng)筆者初步構(gòu)建的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)圖,如圖3所示。

圖3 動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)圖

筆者將已經(jīng)處理好的數(shù)據(jù)集輸入動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)中,當(dāng)貝葉斯網(wǎng)絡(luò)對樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)后,可以發(fā)現(xiàn),原先設(shè)定的先驗(yàn)概率由于對樣本的學(xué)習(xí)而發(fā)生了改變,如圖4所示。

圖4 學(xué)習(xí)后的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)圖

由于學(xué)習(xí)的樣本數(shù)據(jù)中,所有的監(jiān)控節(jié)點(diǎn)均為“normal”,可以看到:學(xué)習(xí)后的檢測數(shù)據(jù)節(jié)點(diǎn)也從圖3中的95%的可能性為“normal”上升到圖4中的97.5%;而故障數(shù)據(jù)也隨著輸入樣本中相應(yīng)故障數(shù)據(jù)為“none”,對“none”置信度有了一定程度的提升。

同時(shí),由以上分析可得知:本文每小時(shí)產(chǎn)量數(shù)據(jù)分布集中在B等級,產(chǎn)量節(jié)點(diǎn)隨著輸入數(shù)據(jù)為B等級,對B的預(yù)估也由初始的38.4%上升到了64.1%。

綜合以上分析可以看出:動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)有著出眾的學(xué)習(xí)能力,當(dāng)輸入的樣本足夠多,先驗(yàn)概率會(huì)越來越趨近于真實(shí)分布。

通過實(shí)時(shí)上傳的數(shù)據(jù),動(dòng)態(tài)貝葉斯健康評估網(wǎng)絡(luò)可以實(shí)時(shí)在線學(xué)習(xí)。動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)根據(jù)上一時(shí)間點(diǎn)的推理結(jié)果與當(dāng)前時(shí)間點(diǎn)的證據(jù)信息更新節(jié)點(diǎn)概率,從而實(shí)現(xiàn)實(shí)時(shí)的健康評估。

筆者對訓(xùn)練好的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)進(jìn)行驗(yàn)證,對未來5個(gè)時(shí)刻的產(chǎn)量進(jìn)行了預(yù)測,得到的預(yù)測結(jié)果如表7所示。

表7 動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)實(shí)驗(yàn)結(jié)果

從表7的實(shí)驗(yàn)結(jié)果可以看出:在5個(gè)時(shí)刻中,動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)評估最大概率對應(yīng)的等級都與真實(shí)的健康等級相同,該結(jié)果驗(yàn)證了動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)在實(shí)時(shí)健康評估上的有效性。

3 結(jié)束語

隨著工業(yè)設(shè)備智能化的快速發(fā)展,制造企業(yè)對設(shè)備的可靠性分析不再停留在設(shè)備的故障與否,而是更多地考慮到設(shè)備未來長期的健康狀況。

本文提出了一種基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的設(shè)備健康評估方法,首先利用生產(chǎn)線上實(shí)時(shí)采集的數(shù)據(jù)對工廠數(shù)據(jù)進(jìn)行了特征提取,再利用隨機(jī)森林算法提取出了主要故障類型,構(gòu)建了動(dòng)態(tài)貝葉斯網(wǎng)絡(luò),最后進(jìn)行了設(shè)備健康評估。

該方法具有以下特點(diǎn):

(1)反映出了采集數(shù)據(jù)與產(chǎn)量之間的隱層關(guān)系;

(2)提取出了主要故障類型并對生產(chǎn)線設(shè)備進(jìn)行了健康評估,解決了傳統(tǒng)工廠主要設(shè)備故障類型提取無特點(diǎn)以及設(shè)備間的交互不明顯問題;

(3)對設(shè)備的健康評估取得了較為理想的效果,驗(yàn)證了動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)在實(shí)際工程應(yīng)用中的有效性和結(jié)果的可解釋性。

在后續(xù)的研究工作中,需要繼續(xù)優(yōu)化動(dòng)態(tài)貝葉斯網(wǎng)絡(luò),使得該模型能更廣泛地應(yīng)用于實(shí)際工程之中。