基于改進工作流的故障預(yù)測系統(tǒng)設(shè)計

楊繼聰，周偉，王林琳

(湖北工業(yè)大學(xué)機械工程學(xué)院，湖北武漢 430068)

0 前言

2019年3月，一架客機波音737Max因傳感器故障引起飛機失控，導(dǎo)致了機毀人亡的悲劇。同年4月，甘肅某風(fēng)電場在進行維護保養(yǎng)時，風(fēng)電機組發(fā)生倒塌事故，造成重大人員傷亡和巨額財產(chǎn)損失。這些由于設(shè)備故障而引起的重大事故，時刻提醒著人們對裝備健康進行狀態(tài)監(jiān)測和故障預(yù)測極為重要。

彭飛和張堯基于物聯(lián)網(wǎng)和數(shù)據(jù)驅(qū)動對交通軌道軸承進行了故障診斷。劉冰冰等提出了一種基于隨機森林的故障預(yù)警模型，對風(fēng)電變頻器進行了研究。郇雙宇等針對混合動力鏟運機的故障預(yù)測，提出了一種把最小二乘支持向量機和隱馬爾科夫模型相結(jié)合改進的故障預(yù)測方法。黃新波等提出了一種基于時間序列和支持向量機的預(yù)測模型，對變壓器進行了故障預(yù)測。滕偉等人提出了一種改進粒子濾波的方法，對重型燃氣輪機的跳機故障進行了預(yù)測。

上述研究都是針對單一裝備使用特定算法進行故障預(yù)測，其中最大的限制是缺乏合適的用戶界面來根據(jù)不同的設(shè)備自定義設(shè)計合適的實驗?zāi)Ｐ?暴露出模型構(gòu)建難、復(fù)用性差等問題。

相對于單一算法進行故障預(yù)測，機器學(xué)習(xí)算法更加全面。張星星等將機器學(xué)習(xí)應(yīng)用于對滾動軸承進行故障分類和診斷。針對實驗建模難和參數(shù)配置繁瑣的問題，將實驗步驟可視化顯得十分重要。趙玲玲等提出了一種基于Spark的可視化流程式機器學(xué)習(xí)方法。

本文作者提出一種不需要修改源代碼，根據(jù)具體的業(yè)務(wù)需求來自定義算法模型的系統(tǒng)架構(gòu)。將工作流技術(shù)進行改進，應(yīng)用于故障預(yù)測實驗。將實驗的每一個步驟抽象成一個組件，通過將組件以可視化的方式、拖拉拽的形式來進行算法建模，導(dǎo)入數(shù)據(jù)源調(diào)整某些初始參數(shù)就能夠適應(yīng)用戶需求的變化。該系統(tǒng)已成功應(yīng)用于國內(nèi)某鑄造車間表干爐設(shè)備的故障預(yù)測。

1 工作流技術(shù)

工作流是在將輸出結(jié)果呈現(xiàn)給用戶之前如何處理和格式化輸入數(shù)據(jù)的說明。工作流提供了一種直觀的能力，可以從算法概念躍進到物理機器上實際實現(xiàn)，又不會失去對需要完成事務(wù)的控制，提供了決定“如何”執(zhí)行的自由。工作流可以抽象為具有任務(wù)節(jié)點(即活動)和流程(即任務(wù)節(jié)點之間的轉(zhuǎn)換)的網(wǎng)絡(luò)。黃達毅討論了基于工作流應(yīng)用程序的優(yōu)勢，如靈活性、集成性和可重用性。所有工作流管理系統(tǒng)都具有以下特征:

(1)使用建模工具或語言將應(yīng)用程序從復(fù)雜的過程定義中分離出來；

(2)有一個核心引擎，可以自動驅(qū)動有向無環(huán)圖形(DAG)，而無需用戶考慮其復(fù)雜性；

(3)具有可擴展的接口。

本文作者在傳統(tǒng)工作流的基礎(chǔ)上提出了錨點的概念，通過錨點來對工作流輸入輸出數(shù)據(jù)的個數(shù)和類型進行定義，嚴格控制任務(wù)節(jié)點之間數(shù)據(jù)傳遞的規(guī)范和輸入輸出錨點之間對應(yīng)關(guān)系以保證工作流的順利執(zhí)行。不同的角色在系統(tǒng)中有不同的責(zé)任，開發(fā)人員致力于開發(fā)一個可擴展的框架，包括故障預(yù)測實驗建模和工作流流程調(diào)度。部署工程師專注于利用組件組合管理進行實驗建模，并設(shè)置組件參數(shù)。用戶可以自定義實驗?zāi)Ｐ突驅(qū)σ延心Ｐ瓦M行調(diào)參。

2 系統(tǒng)架構(gòu)設(shè)計

由于故障預(yù)測系統(tǒng)的復(fù)雜性，很難在單一模型中討論所有信息，因此提出用實驗?zāi)Ｐ蛶?、資源庫和工具庫3個庫組成系統(tǒng)模型。對系統(tǒng)進行形式化定義并對系統(tǒng)的運行流程進行描述。系統(tǒng)架構(gòu)如圖1所示。

圖1 系統(tǒng)架構(gòu)

2.1 實驗?zāi)Ｐ蛶?/h3>

實驗?zāi)Ｐ蛶焓窃撓到y(tǒng)最重要的庫。每一個故障預(yù)測實驗都可以配置全局屬性，每一個實驗對應(yīng)一個實驗流程定義，所有不同的流程定義組成了故障預(yù)測的實驗?zāi)Ｐ蛶?。每一個實驗流程定義都由一系列組件和描述它們之間邏輯關(guān)系的有向弧所組成。一個故障預(yù)測實驗流程定義是由一個DAG來描述的，DAG還包括一些典型的邏輯節(jié)點，如分叉/連接邏輯。

對于每一個組件，有4種描述：屬性定義、行為腳本、資源映射和錨點。

(1)屬性定義。每個活動的屬性定義分為靜態(tài)和非靜態(tài)的。前者是指在實驗流程中不會改變的屬性，在系統(tǒng)中，這類屬性被定義為特征值、目標(biāo)值等；后者是指那些在運行時值會動態(tài)改變的屬性，這類屬性被定義為實際開始時間、完成時間和執(zhí)行狀態(tài)等。

(2)行為腳本指組件被調(diào)用后產(chǎn)生的活動。提供一些資源(如數(shù)據(jù)預(yù)處理和算法資源)具體操作的入口，通過shell、sql、python等腳本來對相應(yīng)的資源進行操作。

(3)資源映射指流程中每個活動的資源分配。資源映射在連接實驗?zāi)Ｐ蛶旌凸ぞ邘熘衅鹬匾淖饔谩ＹY源映射為計劃和調(diào)度提供了資源訪問的方法，這種映射是訪問數(shù)據(jù)源、算法和評估等資源的橋梁。這些資源模型將在資源庫中討論。

(4)錨點鑲嵌在組件上下兩端，用于連接有向弧，作為組件的輸入和輸出接口。每個組件除了根據(jù)DAG有向圖順序執(zhí)行外，還存在數(shù)據(jù)傳輸。上一個組件向下一個組件傳遞數(shù)據(jù)，用輸出錨點表示，鑲嵌在組件的下端；下一個組件接收上一個組件傳遞的數(shù)據(jù)，用輸入錨點表示，鑲嵌在組件的上端。錨點的數(shù)量決定了組件可輸入輸出數(shù)據(jù)集的個數(shù)，錨點的類型決定了組件可輸入輸出數(shù)據(jù)集的內(nèi)容形式。

2.2 資源庫

故障預(yù)測系統(tǒng)資源管理是一個真正復(fù)雜的過程。資源庫總體上可分為以下幾種：

(1)數(shù)據(jù)源資源。儲存故障預(yù)測實驗所需數(shù)據(jù)，通過自定義創(chuàng)建表生成數(shù)據(jù)源資源，可分為3個步驟：①創(chuàng)建表，分為可視化和sql命令創(chuàng)建(類似于數(shù)據(jù)庫可視化工具Navicat)；②導(dǎo)入數(shù)據(jù)，選擇文件導(dǎo)入數(shù)據(jù)，支持.txt和.csv的文件格式；③生成數(shù)據(jù)源資源，導(dǎo)入數(shù)據(jù)成功匹配對應(yīng)表字段類型和字段個數(shù)即可成功生成數(shù)據(jù)源資源。

(2)數(shù)據(jù)預(yù)處理資源。提供一些對數(shù)據(jù)進行處理的方法，處理后輸出目標(biāo)數(shù)據(jù)。真實場景中的數(shù)據(jù)往往是混亂和雜亂無章的(數(shù)據(jù)缺失、重復(fù)、值為空等)，對挖掘出數(shù)據(jù)中的有效信息造成了困擾，因此需要采取一些數(shù)據(jù)處理方法提高數(shù)據(jù)的質(zhì)量。目前系統(tǒng)提供了類型轉(zhuǎn)換、拆分、歸一化、缺失值填充、標(biāo)準(zhǔn)化等方法。

(3)算法資源。通過shell、sql、python等腳本可選擇性調(diào)用不同的算法庫。這些算法庫包含了二分類、多分類、聚類、回歸等常見算法，通過輸入符合算法模型要求的數(shù)據(jù)后可成功運行。以多分類中的邏輯回歸多分類算法為例，輸入目標(biāo)數(shù)據(jù)源，對它進行字段設(shè)置，如選擇特征列、標(biāo)簽列，配置完成即可運行，最后輸出預(yù)測結(jié)果。

(4)評估資源。提供對實驗?zāi)Ｐ洼敵龅念A(yù)測結(jié)果表進行評估的方法。有二分類評估、回歸模型評估、聚類模型評估、混淆矩陣及多分類評估等方法。涉及到的評價指標(biāo)如表1所示，涉及的曲線有ROC-AUC曲線、PRC曲線和KS曲線等。

表1 評價指標(biāo)

表1中:為異常樣本數(shù);為正常樣本數(shù);為被正確檢測為異常的樣本數(shù);被正確檢測為正常樣本數(shù);被錯誤檢測為異常的樣本數(shù);被錯誤檢測為正常的樣本數(shù);為觀察到的符合比例；為由隨機產(chǎn)生的符合比例。

(5)實驗?zāi)Ｐ唾Y源。每一個實驗?zāi)Ｐ投紩M行保存。每份資源有部署狀態(tài)和非部署狀態(tài)兩種，在部署狀態(tài)下，可通過遠程調(diào)用接口來進行故障預(yù)測實驗訓(xùn)練；在非部署狀態(tài)下可對實驗?zāi)Ｐ瓦M行調(diào)參優(yōu)化。

(6)模板資源提供了一些SQL和算法腳本的基本使用模板，以及針對組件錨點與有向弧之間一一對應(yīng)動態(tài)模板的定義。

2.3 工具庫

工具庫提供了整個系統(tǒng)完美運行所需要的工具。這些工具的功能如下:

(1)實驗建模是一個可以直觀繪制出DAG模型的可視化建模工具，這個工具使得實驗建模更容易理解。通過圖形元素組成真實的實驗過程，如串行過程、并行過程和復(fù)雜過程。表2所示為實驗建模管理中的主要圖形元素。表3所示為不同實驗流程結(jié)構(gòu)的不同建模過程。

(2)流程調(diào)度是一個軟件程序。它包含DAG模型的調(diào)度信息，例如何時開始執(zhí)行給定的流程步驟以及要使用的資源，根據(jù)資源映射和當(dāng)前的實際能力提供準(zhǔn)確的資源。然而，關(guān)于調(diào)度器如何使用現(xiàn)有算法的問題不在文中討論范圍之內(nèi)。

(3)引擎是工作流領(lǐng)域的核心部分，它驅(qū)動實驗?zāi)Ｐ蛨?zhí)行的整個過程。通過ECA機制，可以在實驗?zāi)Ｐ蛨?zhí)行過程中實現(xiàn)數(shù)據(jù)收集和狀態(tài)反饋的功能。

表2 圖形元素

表3 各流程結(jié)構(gòu)建模過程

2.4 形式化定義

實驗?zāi)Ｐ?、資源和工具是組成此系統(tǒng)的基本元素，也是系統(tǒng)運作流程中數(shù)據(jù)的載體。為更清楚地描述系統(tǒng)整體架構(gòu)，對整個系統(tǒng)做如下定義：

定義1：系統(tǒng)框架定義

架構(gòu)F=(Models,Resources,Tools)其中：

(1)Modles={modle|modle=(Element,Transit),=1,2,…,}是所有故障預(yù)測實驗?zāi)Ｐ偷募希籈lement={element∈element∪element∪element∪element,,=1,2,…,}是所有組件的集合；Transit={transit|=1,2,…,}是所有有向弧的集合；

(2)Resources={resource|=1,2,…,}是系統(tǒng)提供所有資源的集合；

(3)Tools={tool|=1,2,…,}是系統(tǒng)提供所有工具的集合。

定義2:數(shù)據(jù)對象定義

(1)組件Desp(element)={ID,Name,Property,Resource_id,Anchors,Script,Status}，即每一個組件都具有獨一無二的ID、名稱、屬性、資源、錨點、執(zhí)行腳本、當(dāng)前狀態(tài)；

(2)錨點Desp(anchor)={ID,Type,Data}，即每一個錨點都具有獨一無二的ID、類型、接口數(shù)據(jù)。

(3)有向弧Desp(transit)={ID,Anchor_start_id,Anchor_end_id,}，即每一個有向弧都具有獨一無二的ID、起始錨點、終止錨點；

(4)資源Desp(resource)={ID,Name,Type,Script,Params}，即每一個資源都具有獨一無二的ID、名稱、類型、腳本、參數(shù)。

2.5 運行流程

通過闡述實驗?zāi)Ｐ蛷臉?gòu)建到完成部署的過程來說明故障預(yù)測系統(tǒng)的運行流程，并對其中的步驟進行描述。系統(tǒng)運行流程如圖2所示。

圖2 系統(tǒng)運行流程

3 實驗驗證

3.1 樣本選擇

本文作者基于國內(nèi)某發(fā)動機制造廠商的鑄造車間進行研究。通過長時間觀察和了解，發(fā)現(xiàn)該鑄造車間設(shè)備的正常運行是通過維修人員定時檢修或故障后維修的方式保證的，這種傳統(tǒng)的維修方式造成了大量人力和物力的浪費。在如今智能化的大環(huán)境下，有必要建立一個故障預(yù)測系統(tǒng)去提高該車間在設(shè)備維護方面的水平。

表干爐設(shè)備是通過循環(huán)風(fēng)機將燃燒室中的熱氣送入爐內(nèi)，再對運行在錕道上的浸涂砂芯進行射流烘干的。一般反映表干爐設(shè)備是否能正常工作的參數(shù)有4個，如表4所示。

表4 影響參數(shù)

從現(xiàn)場了解到，該車間會根據(jù)這4個因素，按照某些評估方法對表干爐設(shè)備每周進行1次健康狀態(tài)評估，并會給該設(shè)備的健康狀態(tài)進行等級劃分，如表5所示。結(jié)合在該車間現(xiàn)場采集表干爐設(shè)備的歷史數(shù)據(jù)，從中選取近3年數(shù)據(jù)作為訓(xùn)練樣本(150組進行健康狀態(tài)評估過的數(shù)據(jù))。

表5 設(shè)備健康等級

3.2 實驗建模分析

表干爐設(shè)備的故障預(yù)測實驗建模分為以下幾個步驟：(1)通過導(dǎo)入文本數(shù)據(jù)的方式導(dǎo)入表干爐數(shù)據(jù)源，使原始數(shù)據(jù)成為單一的數(shù)據(jù)源組件，拖到畫布中進行實驗建模；(2)健康等級轉(zhuǎn)換組件調(diào)用數(shù)據(jù)預(yù)處理資源中類型轉(zhuǎn)換方法，使用SQL腳本對原始數(shù)據(jù)進行類型轉(zhuǎn)換，將健康等級轉(zhuǎn)換為數(shù)字表示；(3)特征值歸一化組件調(diào)用數(shù)據(jù)預(yù)處理資源中的歸一化方法選擇訓(xùn)練特征列(此處的特征列為表4中的4個參數(shù))進行歸一化處理；(4)訓(xùn)練拆分組件調(diào)用數(shù)據(jù)預(yù)處理資源中的拆分方法對處理后的數(shù)據(jù)按0.8的比例來拆分為訓(xùn)練數(shù)據(jù)和預(yù)測數(shù)據(jù)，訓(xùn)練數(shù)據(jù)作為回歸算法訓(xùn)練錨點輸入，預(yù)測數(shù)據(jù)輸出到故障預(yù)測組件的第2個輸入錨點；(5)回歸算法訓(xùn)練組件屬性定義選擇訓(xùn)練特征列和目標(biāo)列，調(diào)用算法資源中的邏輯回歸多分類方法對拆分后的訓(xùn)練數(shù)據(jù)進行回歸訓(xùn)練，將訓(xùn)練結(jié)果輸入故障預(yù)測組件第1個輸入錨點；(6)故障預(yù)測組件調(diào)用算法資源中的預(yù)測資源，字段設(shè)置選擇特征列，將結(jié)果輸入到預(yù)測結(jié)果評估組件調(diào)用評估資源即可進行預(yù)測結(jié)果評估，設(shè)置原分類結(jié)果列和預(yù)測分類結(jié)果列后點擊模型運行，運行成功與否組件右邊會有狀態(tài)展現(xiàn)，成功即可查看預(yù)測結(jié)果。系統(tǒng)界面如圖3所示。

圖3 系統(tǒng)界面

表6所示為預(yù)測結(jié)果(此處僅展現(xiàn)了10條數(shù)據(jù))，每一條數(shù)據(jù)由其原結(jié)果和進行預(yù)測后的評價屬性值組成(輸出結(jié)果、輸出分數(shù)、輸出詳細)。表6中清晰、直觀地給出了預(yù)測結(jié)果。

表6 預(yù)測結(jié)果

模型評估報告分為混淆矩陣、比例矩陣、統(tǒng)計信息、總覽四部分，分別如圖4、圖5、表7、表8所示?？傆[通過精度、Kappa系數(shù)和宏平均(MacroAveraged)對所有類別進行總體分析，而統(tǒng)計信息是對每個類別分別進行指標(biāo)分析?；煜仃嚭捅壤仃囃ㄟ^矩陣圖像來反映分類結(jié)果的精準(zhǔn)。由表8所示的模型評估報告總覽可以看到精確率達到了93.33%，驗證了該模型故障預(yù)測的可行性。

圖4 混淆矩陣 圖5 比例矩陣

表7 統(tǒng)計信息

表8 模型評估報告總覽

將該模型進行部署，通過Postman調(diào)用生成的接口進行測試，輸入生成的Token和需要預(yù)測的數(shù)據(jù)：

[{″main_tmpt″:213,″:3.5,″air_volume″:34}]

得到如下形式的預(yù)測結(jié)果：[{″ifhealth″:3}]。

4 結(jié)論

本文作者采用基于改進工作流的可視化建模思想設(shè)計構(gòu)建了故障預(yù)測系統(tǒng)。系統(tǒng)整個架構(gòu)分為3個模塊，對實驗?zāi)Ｐ蛶爝M行了介紹，重點對組件的組成進行了詳細描述,提出了錨點的概念；對系統(tǒng)的資源做出了介紹，將系統(tǒng)的資源劃分為幾個部分以降低復(fù)雜度，對每一部分的資源進行了詳細描述；介紹工具庫，著重對可視化建模的圖形結(jié)構(gòu)和流程形式進行了討論；對系統(tǒng)進行形式化定義，描述系統(tǒng)的數(shù)據(jù)資源與模塊的相互作用關(guān)系，并對系統(tǒng)的運行流程進行了詳細描述。通過對表干爐設(shè)備進行故障預(yù)測實驗及分析，證實了該系統(tǒng)架構(gòu)設(shè)計的可行性。