基于機(jī)器學(xué)習(xí)的壓力傳感器故障診斷及剩余壽命預(yù)測(cè)模型研究*

白同元，黃瀚宇，林琳淳，鐘曉瑩，趙志紅

（北京理工大學(xué)珠海學(xué)院，廣東 珠海519088）

壓力傳感器在生產(chǎn)線上大量應(yīng)用，實(shí)現(xiàn)了壓力閉環(huán)伺服控制，而工作環(huán)境高溫，存在水汽、多粉塵現(xiàn)象，使其造成經(jīng)濟(jì)損失。因而工廠希望達(dá)到對(duì)傳感器健康工作狀態(tài)進(jìn)行實(shí)時(shí)自檢的目的，做到及時(shí)提前預(yù)報(bào)，方能有效預(yù)防和解決故障問題，防患于未然，有效節(jié)省工廠原材料和設(shè)備采購(gòu)費(fèi)用。進(jìn)一步提高生產(chǎn)能效比，降低成本，保障良好的經(jīng)濟(jì)效益。

目前我國(guó)把設(shè)備壽命預(yù)測(cè)技術(shù)作為我國(guó)未來發(fā)展的主要方向，通過文獻(xiàn)查閱，從20世紀(jì)以來，國(guó)內(nèi)外學(xué)者針對(duì)工廠設(shè)備壽命預(yù)測(cè)問題分別從傳統(tǒng)統(tǒng)計(jì)角度和機(jī)器學(xué)習(xí)角度進(jìn)行深入研究。傳統(tǒng)統(tǒng)計(jì)方法通過大量的數(shù)據(jù)選擇合適的模型進(jìn)行訓(xùn)練，根據(jù)閾值理論，對(duì)數(shù)據(jù)進(jìn)行診斷，相對(duì)于其他類型的方法，相對(duì)簡(jiǎn)單，工作量較少。文獻(xiàn)[1]采用時(shí)間序列的預(yù)報(bào)算法，對(duì)傳感器的輸出數(shù)據(jù)進(jìn)行預(yù)處理，得到具有故障特征的有用信息，達(dá)到對(duì)序列預(yù)測(cè)的目的；文獻(xiàn)[2]采用時(shí)間序列對(duì)溫室傳感器節(jié)點(diǎn)數(shù)據(jù)進(jìn)行建模，提取數(shù)據(jù)特征，據(jù)此用遺傳BP神經(jīng)網(wǎng)絡(luò)尋找最優(yōu)的網(wǎng)絡(luò)連接權(quán)值，實(shí)現(xiàn)故障診斷；文獻(xiàn)[3]利用AR模型對(duì)測(cè)取的信號(hào)進(jìn)行估計(jì)和分析，得到故障發(fā)生的范圍，并從其中提取參數(shù)作為特征向量，以此作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，進(jìn)而實(shí)現(xiàn)故障診斷。

另外，目前國(guó)內(nèi)外研究學(xué)者主要研究基于機(jī)器學(xué)習(xí)的方法，提出灰色模型、LSTM時(shí)間序列預(yù)測(cè)模型及馬爾科夫模型等對(duì)設(shè)備壽命進(jìn)行預(yù)測(cè)，目前的研究結(jié)果模型精度較高，預(yù)測(cè)較準(zhǔn)確。文獻(xiàn)[4]基于LSTM網(wǎng)絡(luò)的時(shí)間序列異常檢測(cè)算法，利用重建值與原始值之間的誤差對(duì)序列進(jìn)行異常概率估計(jì)，并通過異常報(bào)警閾值實(shí)現(xiàn)異常檢測(cè)；文獻(xiàn)[5]基于數(shù)據(jù)維度高、規(guī)模大的特點(diǎn)，提出LSTM時(shí)間序列對(duì)單一傳感器進(jìn)行時(shí)間序列預(yù)測(cè)。

本文基于時(shí)間序列分析方法和機(jī)器學(xué)習(xí)LSTM的壓力傳感器故障預(yù)測(cè)方法，可分為故障選取、模型優(yōu)化和模型預(yù)測(cè)3個(gè)過程：

步驟1：基于大量樣本數(shù)據(jù)集，考慮到壓力傳感器隨機(jī)產(chǎn)生故障，且故障頻率逐漸升高的特點(diǎn)，對(duì)研究樣本進(jìn)行選取。

步驟2：將樣本數(shù)據(jù)集按照7：3的比例進(jìn)行分類，將70%的數(shù)據(jù)利用時(shí)間序列模型和LSTM模型對(duì)數(shù)據(jù)進(jìn)行分析，通過對(duì)比模型的精度值及預(yù)測(cè)準(zhǔn)確率，對(duì)模型優(yōu)化，進(jìn)而確定所選模型，便于提取模型的參數(shù)，以選定的模型參數(shù)對(duì)測(cè)試集數(shù)據(jù)進(jìn)行反復(fù)檢驗(yàn)。

步驟3：將數(shù)據(jù)集中剩余30%的數(shù)據(jù)集輸入到模型中，基于數(shù)據(jù)分類原則對(duì)壓力傳感器的設(shè)備運(yùn)行狀態(tài)進(jìn)行識(shí)別。

步驟4：根據(jù)選取的模型，建立壽命預(yù)測(cè)模型，采取實(shí)時(shí)預(yù)測(cè)，結(jié)合判斷準(zhǔn)則，推斷設(shè)備運(yùn)行時(shí)長(zhǎng)。

1 數(shù)據(jù)來源及處理

研究數(shù)據(jù)集來源于某廠鋼鐵軋制過程中壓力傳感器真實(shí)運(yùn)行數(shù)據(jù)集，分別選取5個(gè)時(shí)間段的數(shù)據(jù)集，每個(gè)數(shù)據(jù)集72000條觀測(cè)值和2個(gè)變量，根據(jù)數(shù)據(jù)集1s內(nèi)有10條觀測(cè)值的特性，為進(jìn)一步提高預(yù)測(cè)的精度與周期，提取壓力傳感器的運(yùn)行特性，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，以秒為單位，分別計(jì)算每個(gè)單位的測(cè)定值的平均值，將每個(gè)數(shù)據(jù)集的觀測(cè)值數(shù)量由72000條轉(zhuǎn)為7200條。整理得到的數(shù)據(jù)集如表1。

表1 預(yù)處理后數(shù)據(jù)集說明表

當(dāng)壓力傳感器存在故障時(shí)，所測(cè)得的壓力值會(huì)不斷變化，通過已得的模型預(yù)測(cè)未來的工作狀態(tài)，得到壓力傳感器的未來的運(yùn)行狀態(tài)數(shù)據(jù)，由此需要引入閾值以此判定該點(diǎn)是否為故障點(diǎn)。引入閾值判定方法[6]，降低故障的誤報(bào)率。

參數(shù)閾值的設(shè)定對(duì)算法的靈敏度和可靠性的影響很大，如果閾值設(shè)定過低，則易出現(xiàn)誤報(bào)警；如果閾值范圍太大，又會(huì)降低算法的靈敏度。函數(shù)表達(dá)式如公式（1）。

其中：Pt為閾值，為偏差率的平均值，σ為偏差率的標(biāo)準(zhǔn)偏差。和σ由樣本數(shù)據(jù)求得，通過設(shè)定的閾值對(duì)預(yù)測(cè)的數(shù)據(jù)點(diǎn)進(jìn)行判別。若n取0.05，且觀測(cè)點(diǎn)在區(qū)間內(nèi)則為正常點(diǎn)；若n取3，且觀測(cè)點(diǎn)在0.05倍的區(qū)間之外、3倍的區(qū)間之內(nèi)則為偏移點(diǎn)；若觀測(cè)點(diǎn)偏移程度高于3σ，則為異常點(diǎn)。

結(jié)合判別標(biāo)準(zhǔn)，采用無(wú)放回隨機(jī)抽樣的方式，以06：00-08：00時(shí)段為例，以7：3的比例拆分成訓(xùn)練集和測(cè)試集并對(duì)數(shù)據(jù)點(diǎn)進(jìn)行分類，如表2。

表2 訓(xùn)練集和測(cè)試集數(shù)據(jù)概況

2 建立時(shí)間序列預(yù)測(cè)模型

本模型為提高模型的預(yù)測(cè)周期及預(yù)測(cè)精度，結(jié)合壓力傳感器測(cè)量計(jì)數(shù)間隔為0.1s的特點(diǎn)，引入偏離率的概念，即：測(cè)定值與設(shè)定值之間的偏離誤差，函數(shù)表達(dá)式如公式（2）。

其中，αm為測(cè)定值，βm為設(shè)定值，為偏離率。根據(jù)文獻(xiàn)[7]可知，AR模型結(jié)構(gòu)如公式（3）。

其中，xt為壓力傳感器的偏離率數(shù)據(jù)序列，εt為白噪聲的誤差項(xiàng)，為模型自回歸系數(shù)，對(duì)于模型階次的確定，采用赤池信息準(zhǔn)則（AIC）進(jìn)行確定。

為達(dá)到提前預(yù)測(cè)壓力傳感器運(yùn)行狀態(tài)的目的，需對(duì)壓力傳感器的運(yùn)行狀態(tài)進(jìn)行預(yù)測(cè)，根據(jù)文獻(xiàn)[1]可知，AR（n）模型為預(yù)測(cè)公式如公式（4）。

以06：00-08：00時(shí)段為例，繪制數(shù)據(jù)序列圖像，如圖1。

圖1 06：00-08：00時(shí)段時(shí)間序列圖像

通過圖1觀測(cè)，數(shù)據(jù)無(wú)周期性變化，并且無(wú)明顯的趨勢(shì)性，說明序列平穩(wěn)，滿足AR模型建模要求。對(duì)數(shù)據(jù)進(jìn)行自相關(guān)系數(shù)和偏自相關(guān)系數(shù)檢驗(yàn)，得到各個(gè)時(shí)段的自相關(guān)系數(shù)和偏自相關(guān)系數(shù)圖像，如圖2。

圖2 自相關(guān)系數(shù)和偏自相關(guān)系數(shù)圖像

由圖2可知，自相關(guān)系數(shù)圖像拖尾，偏自相關(guān)系數(shù)圖像隨周期數(shù)的增大，偏自相關(guān)系數(shù)逐漸趨近于0，由此按照AR模型進(jìn)行建模與預(yù)測(cè)。

針對(duì)自相關(guān)系數(shù)的拖尾性，偏自相關(guān)系數(shù)的p值確定為5、7和9。因此我們初步得到AR（5,0,0）、AR（7,0,0）和AR（9,0,0）三組模型，以06：00-08：00時(shí)段為例，利用AIC準(zhǔn)則，計(jì)算這3個(gè)模型所對(duì)應(yīng)AIC值，如表3。

表3 模型擬合結(jié)果表

同理，通過計(jì)算5個(gè)時(shí)間段的模型AIC值，根據(jù)AIC準(zhǔn)則，最終確定模型為AR（7,0,0）模型。3時(shí)間序列模型預(yù)測(cè)及精度分析

采取AR（7）模型對(duì)測(cè)試集進(jìn)行預(yù)測(cè)，在測(cè)試集中，正常點(diǎn)數(shù)為1256個(gè)，偏移點(diǎn)數(shù)為99個(gè)，異常點(diǎn)數(shù)為85個(gè)；在預(yù)測(cè)結(jié)果中，正常點(diǎn)數(shù)為1211個(gè)，偏移點(diǎn)數(shù)為125個(gè)，異常點(diǎn)數(shù)為104個(gè)。模型準(zhǔn)確率為96.42%。

對(duì)5組數(shù)據(jù)利用AR（7）進(jìn)行預(yù)測(cè)，平均準(zhǔn)確率為96.14%，表明模型預(yù)測(cè)準(zhǔn)確率較高，可以對(duì)壓力傳感器運(yùn)行狀態(tài)進(jìn)行較準(zhǔn)確的預(yù)測(cè)。

計(jì)算模型的均方誤差作為模型精度指標(biāo)的判斷標(biāo)準(zhǔn)，分別得到訓(xùn)練集和測(cè)試集的均方誤差值，如表4。

表4 模型的均方誤差值

由表4計(jì)算結(jié)果可知，模型的均方誤差值接近于零，說明模型的精度較高，可以準(zhǔn)確預(yù)測(cè)壓力傳感器的運(yùn)行狀態(tài)。

4 建立LSTM預(yù)測(cè)模型

LSTM模型是一種RNN的變型，最早由Juergen Schmidhuber提出的。通過調(diào)節(jié)閥門的開關(guān)可以實(shí)現(xiàn)早期序列對(duì)最終結(jié)果的影響。

通過設(shè)定LSTM模型學(xué)習(xí)率lr為0.006對(duì)測(cè)試集進(jìn)行預(yù)測(cè)，在測(cè)試集中，正常點(diǎn)數(shù)為1256個(gè)，偏移點(diǎn)數(shù)為99個(gè)，異常點(diǎn)數(shù)為85個(gè)；在預(yù)測(cè)結(jié)果中，正常點(diǎn)數(shù)為1198個(gè)，偏移點(diǎn)數(shù)為130個(gè)，異常點(diǎn)數(shù)為112個(gè)。模型準(zhǔn)確率為95.38%。

對(duì)5組數(shù)據(jù)利用LSTM進(jìn)行預(yù)測(cè)，平均準(zhǔn)確率為95.49%，表明模型預(yù)測(cè)準(zhǔn)確率較高，可以對(duì)壓力傳感器運(yùn)行狀態(tài)進(jìn)行較準(zhǔn)確的預(yù)測(cè)。

5 建立設(shè)備剩余壽命預(yù)測(cè)模型

將壓力傳感器全壽命發(fā)展歷程可以劃分為3個(gè)階段，通過提取相同間隔的壓力傳感器數(shù)據(jù)，并以偏差率作為研究變量，由圖3正常期階段設(shè)備運(yùn)行時(shí)長(zhǎng)為240h；根據(jù)所設(shè)定的數(shù)據(jù)類別準(zhǔn)則，利用公式（1）設(shè)置報(bào)警閾值，定義若連續(xù)5h內(nèi)均為異常點(diǎn)則下一時(shí)間為退化起始點(diǎn)，當(dāng)運(yùn)行時(shí)長(zhǎng)約為264h時(shí)，軸承開始退化，隨著退化系數(shù)逐漸增大，當(dāng)偏差率超過失效閾值時(shí)，此時(shí)軸承已不能繼續(xù)工作，此時(shí)工作時(shí)長(zhǎng)為412h。壓力傳感器的壽命如圖3。

圖3 壓力傳感器壽命預(yù)測(cè)圖

6 結(jié)論

本文通過對(duì)壓力傳感器的運(yùn)行狀態(tài)利用時(shí)間序列分析和機(jī)器學(xué)習(xí)LSTM模型進(jìn)行建模，根據(jù)模型結(jié)合數(shù)據(jù)分類準(zhǔn)則對(duì)數(shù)據(jù)類別進(jìn)行區(qū)分，計(jì)算模型的精度，通過對(duì)比結(jié)果，時(shí)間序列分析AR（7）模型結(jié)果更加可靠、精確，充分利用時(shí)間序列分析的優(yōu)越性挖掘數(shù)據(jù)之間的關(guān)聯(lián)性，盡可能準(zhǔn)確預(yù)測(cè)數(shù)據(jù)類別，并對(duì)剩余壽命進(jìn)行判斷，在實(shí)際生產(chǎn)中，可以充分挖掘數(shù)據(jù)之間的有關(guān)信息，為工業(yè)生產(chǎn)提供了更加準(zhǔn)確的參考意見。

采用多組數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，并計(jì)算各個(gè)階數(shù)的模型誤差值，提高模型預(yù)測(cè)的準(zhǔn)確率，是學(xué)術(shù)知識(shí)直接指導(dǎo)實(shí)際生產(chǎn)，實(shí)現(xiàn)科技轉(zhuǎn)化的項(xiàng)目；采用模型對(duì)壓力傳感器進(jìn)行預(yù)測(cè)，解決工廠傳感器無(wú)法預(yù)知工作壽命的問題，更好地指導(dǎo)工廠生產(chǎn)。