基于XGBoost神經(jīng)網(wǎng)絡(luò)模型的無傳感器驅(qū)動故障診斷技術(shù)

陳育中

（1.南京高等職業(yè)技術(shù)學(xué)校，南京 210019；2.南京高職校工程檢測有限公司，南京 210019）

隨著各領(lǐng)域生產(chǎn)經(jīng)營建設(shè)對自動化包裝生產(chǎn)水平要求的不斷提升，自動化包裝生產(chǎn)線中的電機(jī)驅(qū)動故障診斷缺陷問題顯得更為突出。僅采用單一故障診斷方式難以使電機(jī)在復(fù)雜的生產(chǎn)環(huán)境下安全可靠運(yùn)行，需要配合使用更為先進(jìn)的故障診斷技術(shù)，著重預(yù)測電機(jī)驅(qū)動故障問題，結(jié)合導(dǎo)致電機(jī)驅(qū)動故障問題的成因制定前期預(yù)控對策，確保自動化包裝生產(chǎn)線電機(jī)無傳感器驅(qū)動能夠高質(zhì)量、高可靠地工作。

1 故障診斷技術(shù)的重要性

自動化包裝生產(chǎn)線在現(xiàn)代科學(xué)技術(shù)的帶動下，逐步呈現(xiàn)出生產(chǎn)流程復(fù)雜、生產(chǎn)環(huán)節(jié)關(guān)聯(lián)密切等特征。在包裝生產(chǎn)線中任何一臺機(jī)械設(shè)備或者核心電器驅(qū)動環(huán)節(jié)出現(xiàn)故障問題，均有可能導(dǎo)致整體生產(chǎn)質(zhì)量不合格。因此，需要分析現(xiàn)有生產(chǎn)任務(wù)，著重做好電機(jī)無傳感器驅(qū)動故障診斷工作。

在大型集團(tuán)化生產(chǎn)設(shè)備運(yùn)行過程中，電機(jī)驅(qū)動故障需要得到及時(shí)修復(fù)，盡快排除設(shè)備運(yùn)行期間的故障問題，從根本上保障實(shí)際生產(chǎn)期間的經(jīng)濟(jì)效益與安全性?，F(xiàn)有的計(jì)算機(jī)技術(shù)、網(wǎng)絡(luò)技術(shù)和人工智能技術(shù)發(fā)展速度不斷加快，涌現(xiàn)出更多故障診斷場景及深度學(xué)習(xí)工具，可以高效提升檢測速度與精度[1]。比如，配合使用改進(jìn)經(jīng)驗(yàn)?zāi)M分析，自動將驅(qū)動信號分解成不同故障模式分量，然后借助特征提取算法提取重要信息分量，輸入神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)故障診斷目標(biāo)。再有配合使用自適應(yīng)噪聲消除技術(shù)，對齒輪箱振動信號分離成周期信號分量，控制信息剔除期間的干擾程度，構(gòu)建起強(qiáng)干擾狀態(tài)下的齒輪箱故障診斷模型。同時(shí)構(gòu)建滾動軸承模型，對模型展開故障分析，通過使用注意力機(jī)制優(yōu)化不同特征權(quán)重賦值、卷積神經(jīng)網(wǎng)絡(luò)（CNN）特征高度敏感度值，從根本上提升故障判斷精準(zhǔn)度。

將故障診斷技術(shù)應(yīng)用在自動化包裝生產(chǎn)線電機(jī)無傳感器管控工作中，使用機(jī)器學(xué)習(xí)算法開展故障診斷工作對有限樣本特征要求較高，特征數(shù)據(jù)及特征質(zhì)量可以直接影響到機(jī)器學(xué)習(xí)上限。較為復(fù)雜的自動化系統(tǒng)故障分類需要涉及的特征數(shù)據(jù)量大，借助特征構(gòu)建方法、生產(chǎn)建設(shè)期間的工程背景數(shù)據(jù)，使特定生產(chǎn)環(huán)境下的數(shù)據(jù)特征泛化性不足，結(jié)合自動化包裝生產(chǎn)線電機(jī)運(yùn)行特征，選擇適宜的故障診斷技術(shù)。

2 故障診斷技術(shù)的分類

2.1 對應(yīng)故障記錄診斷技術(shù)

對應(yīng)故障記錄診斷技術(shù)結(jié)合自動化包裝生產(chǎn)線電機(jī)無傳感器驅(qū)動運(yùn)行原理，映射設(shè)備運(yùn)行故障問題，可對故障設(shè)備進(jìn)行全面診斷及測試，確定故障發(fā)生的范圍、導(dǎo)致故障出現(xiàn)的各類原因[2]。對應(yīng)故障記錄診斷技術(shù)是當(dāng)前自動化包裝生產(chǎn)常見故障診斷技術(shù)，具體應(yīng)用期間需要檢測及維修人員將設(shè)備故障原因、發(fā)生位置記錄在維護(hù)手冊上，使后續(xù)若發(fā)生類似故障問題能夠得到快速解決，從根本上提高設(shè)備實(shí)際運(yùn)維效果。

2.2 人工神經(jīng)網(wǎng)絡(luò)診斷技術(shù)

當(dāng)前自動化包裝技術(shù)發(fā)展速度不斷加快，設(shè)備也逐步朝向智能化、自動化方向發(fā)展。通過將人工神經(jīng)網(wǎng)絡(luò)智能技術(shù)應(yīng)用在設(shè)備日常維護(hù)管理工作中，能夠從根本上提升設(shè)備運(yùn)維質(zhì)量及效率，確保存在于設(shè)備中的各類故障問題能夠被及時(shí)發(fā)現(xiàn)與解決。相較于其他故障診斷技術(shù)而言，人工神經(jīng)網(wǎng)絡(luò)診斷技術(shù)更加適用于處理復(fù)雜線性映射關(guān)系，幫助維修人員快速鎖定故障發(fā)生部位，從根本上提升故障處理效率，避免設(shè)備故障問題為企業(yè)帶來較大經(jīng)濟(jì)損失。

2.3 智能化診斷檢測技術(shù)

智能化診斷檢測技術(shù)主要就是模擬人腦思考流程，對自動化包裝生產(chǎn)線電機(jī)無傳感器驅(qū)動運(yùn)行期間的各類數(shù)據(jù)信息進(jìn)行整合及篩選，確保存在于設(shè)備中的各類故障問題能夠被及時(shí)發(fā)現(xiàn)。智能化診斷檢測技術(shù)的運(yùn)行原理與專家診斷技術(shù)相同，均可以在實(shí)際使用過程中不斷完善自身故障處理方式。就目前來看，自動化包裝生產(chǎn)線電機(jī)無傳感器驅(qū)動診斷技術(shù)發(fā)展速度日漸加快，對從根本上提升包裝質(zhì)量與效率，保障包裝產(chǎn)業(yè)工作實(shí)施綜合效益發(fā)揮著重要作用。智能化診斷檢測技術(shù)能夠更好地應(yīng)用在隱蔽性較強(qiáng)、結(jié)構(gòu)復(fù)雜的設(shè)備故障診斷工作中。通過歸納專家經(jīng)驗(yàn)及知識，模擬專家診斷與處理手段，使設(shè)備故障問題能夠得到及時(shí)解決。

2.4 儀器診斷技術(shù)

儀器診斷技術(shù)就是配合使用各類診斷儀器，對自動化包裝生產(chǎn)線中各設(shè)備運(yùn)行期間的壓力值、轉(zhuǎn)速和溫度等數(shù)據(jù)，利用計(jì)算機(jī)對這些數(shù)據(jù)進(jìn)行全面處理，將處理結(jié)果直觀展現(xiàn)在現(xiàn)象設(shè)備上，確保運(yùn)維人員能夠及時(shí)發(fā)現(xiàn)存在于自動化包裝生產(chǎn)線機(jī)電設(shè)備中的故障問題，快速設(shè)定故障問題出現(xiàn)位置。儀器診斷技術(shù)可以在檢測人員不直接接觸設(shè)備的情況下完成檢測工作。

結(jié)合現(xiàn)有自動化包裝生產(chǎn)線電機(jī)無傳感器驅(qū)動工作實(shí)施要求，文章使用一種特征提取與神經(jīng)網(wǎng)絡(luò)分類的診斷方式，旨在診斷某包裝生產(chǎn)線同步電動機(jī)軸承、齒輪箱附屬部件故障問題。其中，自動化包裝生產(chǎn)線的驅(qū)動器損壞會嚴(yán)重影響到生產(chǎn)的質(zhì)量和效率，因此應(yīng)用狀態(tài)監(jiān)測需要增加額外傳感器。

3 故障診斷技術(shù)的基本理論

3.1 XGBoost理論

借助故障診斷中XGBoost（Extreme Gradient Boosting）算法基本理論，配合故障診斷工作高效開展。該算法作為使用效率較高的算法手段，可以借助特征分裂方式形成新樹，擬合成多個(gè)弱分類裝置，通過將這些弱分類裝置進(jìn)行組合，形成強(qiáng)學(xué)習(xí)裝置。相較于傳統(tǒng)算法，XGBoost算法不僅可以提取一階導(dǎo)數(shù)信息，還可以引入二階導(dǎo)數(shù)信息，并且對目標(biāo)函數(shù)進(jìn)行泰勒變換，由此提高計(jì)算的速度、精度和效率。在神經(jīng)網(wǎng)絡(luò)中，將XGBoost算法應(yīng)用在損失函數(shù)時(shí)，采用增加Drop層和數(shù)據(jù)集規(guī)模，并對數(shù)據(jù)進(jìn)行正則化驗(yàn)算，可以有效控制并降低模型復(fù)雜度，進(jìn)一步解決模型過擬合問題。

一個(gè)訓(xùn)練集Q中包括N個(gè)樣本，每個(gè)樣本中均含有u個(gè)特征。利用弱分類器將回歸樹設(shè)定成N個(gè)有限樣本的集合二叉樹（Binary tree）結(jié)構(gòu)形式，分解各數(shù)值的左右特征[3]。如果當(dāng)前樹在第m個(gè)特征下展開分解，分裂闕值可以設(shè)定為n。不超過n的樣本特征被劃分成左樹，超過n的樣本特征被劃分成右樹。建立在回歸任務(wù)上的左右樹如公式（1）所示。

基于特征維度對N個(gè)樣本元素展開劃分，計(jì)算出的目標(biāo)函數(shù)值與典型目標(biāo)函數(shù)如公式（2）所示。

XGBoost算法就是借助分列與添加回歸樹，每棵回歸樹上部需要生成一個(gè)函數(shù)，再擬合上個(gè)預(yù)測殘差。通過對M棵樹進(jìn)行回歸訓(xùn)練，每次再輸入一個(gè)樣本時(shí)，每棵樹的各葉子節(jié)點(diǎn)需要對應(yīng)相應(yīng)的分?jǐn)?shù)。將所有分?jǐn)?shù)根據(jù)回歸原理疊加到一起，得出的數(shù)值就是診斷預(yù)測結(jié)果，其結(jié)果如公式（3）所示。

3.2 XGBoost特征提取

在故障診斷工作實(shí)際開展過程中，需要通過原始數(shù)據(jù)進(jìn)行逐一分析，觀察數(shù)據(jù)的潛在結(jié)構(gòu)，結(jié)合實(shí)際生產(chǎn)實(shí)際計(jì)算各數(shù)據(jù)特征，模擬出數(shù)據(jù)分割，還是數(shù)據(jù)結(jié)合。這對故障診斷分析人員的專業(yè)理論和技能提出更高要求，還需要有大量的實(shí)踐經(jīng)驗(yàn)來支撐直覺模型的構(gòu)建，以此提升故障診斷期間的工作量。

通過使用XGBoost算法，在輸入數(shù)據(jù)后接觸特征分割方式，將分割后的數(shù)據(jù)與每棵樹的葉子節(jié)點(diǎn)一一對應(yīng)，實(shí)現(xiàn)目標(biāo)特征的選擇。此處可使用窮舉回歸法列舉分割特征和分割點(diǎn)的所有可能方式，擴(kuò)大數(shù)據(jù)特征選擇覆蓋面，從根本上保障故障診斷效果。再將原始分割特征替換成每棵樹的最終葉子節(jié)點(diǎn)，構(gòu)建切實(shí)可行的啞變量編碼——獨(dú)熱（One-Hot）編碼控制方式，保證具有較好的數(shù)據(jù)維度和神經(jīng)網(wǎng)絡(luò)分類工作的有序開展。XGBoost算法特征構(gòu)建樹操作圖如圖1所示。

圖1 XGBoost算法特征構(gòu)建樹操作圖

如故障診斷工作中存在M棵樹，則每棵樹葉子節(jié)點(diǎn)的最大分解數(shù)值為a。在經(jīng)過實(shí)際轉(zhuǎn)化后，輸入特征會落在每棵樹的葉子節(jié)點(diǎn)處，數(shù)值在（0，a）之間，最后獲得M的行向量值。通過循環(huán)往復(fù)計(jì)算過程，將原始特征數(shù)據(jù)輸入到XGBoost模型內(nèi)，實(shí)現(xiàn)原始特征重構(gòu)目標(biāo)值如公式（4）所示。

在使用深度學(xué)習(xí)分類工具與回歸算法過程中，特征數(shù)據(jù)距離及相似度計(jì)算可直接影響到實(shí)際計(jì)算結(jié)果，通過開展有效的特征重構(gòu)工作能夠直觀展現(xiàn)出每棵樹的節(jié)點(diǎn)值。每條輸入環(huán)節(jié)的差異性具體表現(xiàn)在葉子節(jié)點(diǎn)位置，當(dāng)前故障分類期間的隱藏差異難以得到有效區(qū)分[4]。為切實(shí)增強(qiáng)表征輸入特征差異判斷水平，挖掘數(shù)據(jù)特征的隱藏信息，還需要針對矩陣Q開展啞變量編碼工作。

啞變量編碼工作主要就是將整數(shù)型特征變量轉(zhuǎn)變?yōu)槎M(jìn)制向量，在具體構(gòu)成期間需要將重構(gòu)后的特征數(shù)據(jù)作為索引值，借助XGBoost算法，推導(dǎo)出每棵樹中最大葉子節(jié)點(diǎn)序列值，確定索引向量長度。

配合使用啞變量編碼，使各位置能夠離散拓寬到歐幾里得空間（Euclidean spac），每一維度特征都是連續(xù)變量的變化，充分展現(xiàn)XGBoost算法重構(gòu)后各項(xiàng)特征隱藏信息內(nèi)容，深度展現(xiàn)數(shù)據(jù)特征，發(fā)揮神經(jīng)網(wǎng)絡(luò)計(jì)算的優(yōu)勢功能。

4 故障診斷技術(shù)的應(yīng)用要求

當(dāng)前故障診斷技術(shù)應(yīng)與故障預(yù)警結(jié)合在一起，結(jié)合動設(shè)備運(yùn)行特征、故障診斷期間的具體要求，設(shè)計(jì)功能完善的故障預(yù)測預(yù)警系統(tǒng)，利用專項(xiàng)服務(wù)器與客戶端，擴(kuò)充系統(tǒng)編程語言。利用結(jié)構(gòu)化關(guān)系數(shù)據(jù)庫，保障數(shù)據(jù)結(jié)果穩(wěn)定可靠。

設(shè)備故障診斷中的數(shù)據(jù)處理數(shù)量較多，要求故障診斷應(yīng)當(dāng)滿足更加寬泛的數(shù)據(jù)錄入格式要求，在實(shí)際錄入期間應(yīng)當(dāng)使用較少的輸入字段，增強(qiáng)與設(shè)備狀態(tài)監(jiān)測儀器數(shù)據(jù)格式的兼容性。數(shù)據(jù)格式應(yīng)當(dāng)嚴(yán)格遵照現(xiàn)行規(guī)范要求，形成標(biāo)準(zhǔn)的結(jié)果化文件及圖表資料，進(jìn)一步增強(qiáng)數(shù)據(jù)處理效率。

5 故障診斷技術(shù)的實(shí)際應(yīng)用

5.1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

借助自動化包裝生產(chǎn)線電機(jī)無傳感器驅(qū)動故障診斷工作實(shí)施目標(biāo)及要求，選擇使用基本深度神經(jīng)網(wǎng)絡(luò)診斷技術(shù)。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)內(nèi)部包括3個(gè)輸入層單元、4個(gè)隱藏層單元和2個(gè)輸出層單元。神經(jīng)網(wǎng)絡(luò)預(yù)測中的輸入層與輸出層的節(jié)點(diǎn)數(shù)是固定的，隱藏層節(jié)點(diǎn)數(shù)值選擇需要著重考慮研究對象及生產(chǎn)現(xiàn)場的復(fù)雜程度。輸入層節(jié)點(diǎn)應(yīng)當(dāng)設(shè)置為前序處理數(shù)據(jù)位數(shù)，隱藏層通過收集與輸入神經(jīng)元數(shù)據(jù)，計(jì)算出神經(jīng)元數(shù)量。在神經(jīng)網(wǎng)絡(luò)故障診斷過程中，以神經(jīng)元作為處理方式，利用神經(jīng)元輸入特征向量值，直觀展現(xiàn)出隱藏層的變化情況。

5.2 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)

在神經(jīng)網(wǎng)絡(luò)故障診斷技術(shù)應(yīng)用過程中，搭建多層相互連接方式，形成標(biāo)準(zhǔn)化網(wǎng)絡(luò)結(jié)構(gòu)，配合使用神經(jīng)元激活函數(shù)。在權(quán)重計(jì)算過程中，借助損失函數(shù)計(jì)算結(jié)果，對比分析預(yù)測值與實(shí)際樣本數(shù)值，優(yōu)化后續(xù)各層權(quán)重，從而縮小損失量。

5.3 具體應(yīng)用

以某塑料配件包裝自動化生產(chǎn)線電機(jī)驅(qū)動故障為例，重點(diǎn)診斷生產(chǎn)線中的電動機(jī)及其軸承、齒輪等部件。設(shè)備運(yùn)行狀態(tài)檢測工作需要配合使用外接傳感器獲得。為滿足生產(chǎn)線電機(jī)無傳感器驅(qū)動故障診斷目標(biāo)，可使用電機(jī)的輸出相電流展示設(shè)備的整體運(yùn)行狀態(tài)。在電機(jī)控制內(nèi)部設(shè)置電流傳感裝置，測量工作不必使用其他傳感設(shè)備。由電流傳感裝置采集2根相線的電流值，經(jīng)過經(jīng)驗(yàn)?zāi)M分析得出測量數(shù)據(jù)。運(yùn)用數(shù)據(jù)統(tǒng)計(jì)概念，計(jì)算數(shù)據(jù)的平均值、最大值和偏差值，該值序列可分解為多個(gè)數(shù)據(jù)特征和數(shù)據(jù)故障類型，每條特征數(shù)據(jù)與故障類型一一對應(yīng)。

在構(gòu)建XGBoost算法特征樹過程中，需要著重使用原始數(shù)據(jù)，剩余數(shù)據(jù)可分成訓(xùn)練集、測試集等類型。在訓(xùn)練集中，神經(jīng)網(wǎng)絡(luò)的迭代應(yīng)當(dāng)采用隨機(jī)抽取方式獲得數(shù)據(jù)量，設(shè)定成迭代驗(yàn)證集，對實(shí)際故障診斷效果進(jìn)行實(shí)時(shí)檢測，并將訓(xùn)練結(jié)果中的準(zhǔn)確度作為衡量神經(jīng)網(wǎng)絡(luò)故障診斷方式的應(yīng)用有效性標(biāo)準(zhǔn)。

實(shí)驗(yàn)過程中，可選取約15%的數(shù)據(jù)作為最終數(shù)據(jù)測試集。借助特征構(gòu)建結(jié)果，進(jìn)一步挖掘出數(shù)據(jù)特征的隱藏信息。在剩余85%的數(shù)據(jù)中，選擇75%的數(shù)據(jù)訓(xùn)練XGBoost算法特征樹，10%的數(shù)據(jù)利用XGBoost算法特征轉(zhuǎn)化成啞變量編碼，開展集中神經(jīng)網(wǎng)絡(luò)訓(xùn)練。在特征數(shù)據(jù)內(nèi)，每次神經(jīng)網(wǎng)迭代隨機(jī)選取15%的數(shù)據(jù)作為實(shí)驗(yàn)驗(yàn)證標(biāo)準(zhǔn)。在訓(xùn)練電機(jī)特征樹的過程中，由于實(shí)際檢測的數(shù)據(jù)量極大、復(fù)雜程度較高，可以設(shè)定比較便捷的實(shí)驗(yàn)數(shù)據(jù)，故障特征樹的數(shù)值初始設(shè)定為R0=50，其他參數(shù)設(shè)置為默認(rèn)參數(shù)。實(shí)驗(yàn)顯示，可以獲得分量正確率超過90%的價(jià)值模型。

為充分發(fā)揮XGBoost算法的可行性，有序開展自動化包裝生產(chǎn)線電機(jī)無傳感器驅(qū)動故障診斷工作，應(yīng)當(dāng)著重開展對比實(shí)驗(yàn)。使用相同訓(xùn)練、測試技術(shù)及神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，將原始特征及XGBoost算法提取的特征數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)中，借助每次迭代方式抽取并驗(yàn)證數(shù)據(jù)值。對比實(shí)驗(yàn)發(fā)現(xiàn)，采用其他特征方式構(gòu)建的神經(jīng)元網(wǎng)絡(luò)驅(qū)動故障識別效率也較高，但在隨機(jī)迭代工作運(yùn)行期間，驗(yàn)證數(shù)據(jù)在模型中卻表現(xiàn)出較大波動，需要依靠多次迭代才能夠獲得數(shù)據(jù)特征。經(jīng)過XGBoost算法重構(gòu)后的數(shù)據(jù)特征能夠進(jìn)一步挖掘出數(shù)據(jù)中的隱藏信息，僅需進(jìn)行4次迭代驅(qū)動故障診斷方式，診斷精度可以達(dá)到近乎100%。

由此可見，運(yùn)用XGBoost算法構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，可以優(yōu)化包裝自動化生產(chǎn)線電機(jī)故障診斷效果，提高故障診斷的全面性及精準(zhǔn)度。

6 結(jié)論

借助神經(jīng)網(wǎng)絡(luò)模型進(jìn)行自動化包裝生產(chǎn)線電機(jī)驅(qū)動故障診斷，進(jìn)一步探索原特征的隱藏信息，配合使用啞變量的二次編碼方式將重構(gòu)的特征映射到歐幾里得空間內(nèi)，更為直觀地彰顯信息差異性，擴(kuò)大特征數(shù)據(jù)量，充分發(fā)揮神經(jīng)網(wǎng)絡(luò)計(jì)算優(yōu)勢?，F(xiàn)階段自動化場景下，對自動包裝、自動印刷和自動檢測電機(jī)設(shè)備的復(fù)雜故障診斷水平提出了更高要求，結(jié)合生產(chǎn)實(shí)際場景，選擇合適的算法，并加以應(yīng)用，才能解決生產(chǎn)實(shí)際中的故障診斷技術(shù)難題。