CN111665066B - 基于卷积神经网络的设备故障自适应上下预警界生成方法 - Google Patents

Abstract

本发明提供了一种基于卷积神经网络的设备故障自适应上下预警界生成方法，可用于化纤卷绕机在纺丝过程中的故障诊断，方法包括：用于区间预测的卷积神经网络模型，用于区间自适应生成和分类的上下界模型。本发明利用对化纤卷绕机在纺丝过程中采集到的振动信号进行故障诊断，克服了已有的故障诊断技术准确度不高、易受人为因素影响的不足，引入代价敏感学***衡条件下有较好的实用性。

Description

基于卷积神经网络的设备故障自适应上下预警界生成方法

技术领域

本发明涉及一种结合代价敏感学习和卷积神经网络的分类算法的化纤卷绕机故障诊断方法，属于故障诊断领域、机器学习领域。

背景技术

化纤设备的正常运行对化纤产品的质量、化纤生产安全和化纤设备的正常使用起着至关重要的作用。由于化纤生产过程较传统机械制造更为复杂，主要表现为由固态原料经过高温高压、冷却风干形成丝线，涉及到熔融、挤压、喷丝、集束、卷绕、加弹等多种工艺，仅化纤丝线卷绕就是一道非常复杂的流程，卷绕机结构复杂，运动部件多，一旦发生故障将直接影响化纤丝线成型品质。因此，化纤设备的故障诊断问题越来越受到人们重视。

目前对于化纤设备故障诊断方面的研究较为匮乏，参考传统机械设备如齿轮、轴承的故障诊断方法，传统方法以时域分析、频域分析、时频域分析方法为主，面对机械结构复杂的化纤卷绕机关重件，传统方法难以准确诊断出故障，难以反映出故障趋势，进而采用机器学习的数据分析方法，但大多数机器学习方法应用于故障诊断时往往采取固定阈值，对结果判定未充分利用模型优势，故障诊断准确度不高，常发生故障误判，不利于复杂设备的故障诊断过程。

对于机器学***衡会对机器学习分类算法的结果造成影响，甚至导致分类模型的失效。从而限制了机器学习方法在化纤设备故障诊断的应用。

发明内容

本发明要解决的技术问题是：目前已有的故障诊断技术准确度不高、易受人为因素影响。

为了解决上述技术问题，本发明的技术方案是提供了一种基于卷积神经网络的设备故障自适应上下预警界生成方法，其特征在于，包括以下步骤：

步骤1、对已知状况的设备运行过程中的振动信号进行采集，并对采集到的信号进行采样，获得采样信号：

步骤2、将采样信号输入到构建好的基于CNN的区间预测模型中，输出上、下界，定义循环训练次数，得到训练好的自适应区间生成模型，该自适应区间生成模型根据已有历史数据训练出正常运行状态下的自适应上下界区间，其中：

基于CNN的区间预测模型是一个具有双通道输出的CNN模型，以时间序列为输入，输出上、下界，包括输入层、输出层和隐藏层，输出层设计有两个神经单元，神经单元一与隐藏层相连，为输出下界y_lower，神经单元二为输出上界y_upper，上界y_upper由下界y_lower基础上增加固定宽度得到，即有：

y_upper＝y_lower+diff (1)

式(1)中，diff表示上界y_upper与下界y_lower之间的固定宽度；

自适应区间生成模型通过以下步骤生成和优化自适应上下界区间：

步骤201、迭代过程中的四种情况，包括：

确定原始训练数据的标签，以S＝0表示原始数据为正常，S＝1表示原始数据为异常；

确定模型对数据的诊断标签，以s_temp＝0表示模型判断为正常，s_temp＝1表示模型判断为异常；

数据序列中的两种信号状态：正常和异常；

定义对于正常数据，越接近区间中心，效果越好；对于异常数据，越接近区间中心，效果越差；以原始训练数据的标签S和模型对数据的诊断标签s_temp为标记，分割成如下表1所示的迭代过程中的四种不同情况：

	s<sub>temp</sub>＝0	s<sub>temp</sub>＝1
			S＝0	正常数据在区间内	正常数据在区间外
S＝1	异常数据在区间内	异常数据在区间外

表1

步骤202、实时状态参数的计算：

使用模型对数据的诊断标签s_temp计算全局损失：

诊断标签s_temp与距离有关，定义信号值到区间中心距离dis_center，则有：

dis_center＝y-y_lower+diff/2 (2)

式(2)表示真实信号到上、下界中间距离，式(2)中，y表示模型输出信号；

定义信号值到区间最近边界的距离dis_bound，则有：

dis_bound＝|dis_center-diff/2| (3)

式(3)表示真实信号到上、下界最近边界的距离；

计算诊断标签s_temp，确定s_temp取值由下面的式(4)计算：

步骤203、定义基于代价敏感的损失函数：

步骤2031、原始数据正常的损失函数为

式中，

表示输出信号到区间中心的距离，其中i为参与计算并输出的当前样本个数；

原始数据故障时的损失函数为

式中，

表示输出信号到区间最近边界的距离，其中i为参与计算并输出的当前样本个数；

对表1中第四象限所示的原始数据异常、模型判断异常的情况，该情况下的损失函数

定义为：

式中，ε为一个很小的常数；

则整体损失函数J(ω,b)为：

式(5)中，m表示所有样本参与计算得到的损失函数值个数；

步骤2032、对模型设置误分代价，误分代价的存在情况如表2所示：

表2

对于S＝0、诊断标签s_temp＝1时的误分代价

设置为：

式中，

引入不平衡率IR；

对于S＝1、诊断标签s_temp＝0时的误分代价

设置为：

式中，IR表示不平衡率，

M_major表示多数类样本个数，即正常数据样本个数，M_minor表示少数类样本个数，即异常数据样本个数；

步骤2033、获得添加了代价敏感的损失函数J(ω,b)为：

步骤204、误差反向传播过程：根据梯度下降思想对权重ω及偏置b进行更新；

步骤3、对未知状况的设备进行故障诊断，将实时采集到的振动信号输入到已训练好的自适应区间生成模型中，判断实际输出是否落入上下界区间，当落入上下界区间内部，即判断为设备运行正常，当落在上下界区间外部，则判断为设备运行异常。

优选地，步骤202中，使用tanh函数来重新定义诊断标签s_temp，则所述式(4)变换为：s_temp(dis_center)＝0.5×tanh[300×(dis_center-diff/2)]+0.5。

优选地，步骤204中，采用下述公式对参数进行更新：

式中，

表示当前t时刻下神经网络l层节点i的权重，

表示当前t时刻下神经网络l层节点i的偏置，α表示学习率，J表示损失函数J(ω,b)。

本发明提供了一种能够适应化纤设备运行状况，具有自适应区间预测的高鲁棒性的机器学习故障诊断方法，能够对对化纤卷绕机运行过程中卡头的故障进行诊断，克服了已有故障诊断技术准确度不高，过于依赖人工的不足，使用区间预测卷积神经网络时间序列预测模型的自适应故障检测方法，自适应的生成区间预测模型，对化纤卷绕机设备故障进行诊断。此故障诊断方法的鲁棒性好，***参数少，较为简便易行。

附图说明

图1为卷积神经网络自适应区间模型图；

图2为s_temp原始定义图；

图3为s_temp的tanh改进图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明提供了一种基于卷积神经网络的设备故障自适应上下预警界生成方法，包括以下步骤：

步骤1、对化纤卷绕机卡头运行过程中的振动信号进行采集，采用加速度传感器和采集卡将原始信号存入计算机中。并对采集到的信号利用滑动窗口采样方法进行采样。

步骤2、训练模型：先将采样信号输入到构建好的基于CNN的区间预测模型中，输出上下界，定义循环训练50000次，得到训练好的自适应区间生成模型，该自适应区间生成模型根据已有历史数据训练出正常运行状态下的自适应上下界区间。在进行测试过程中，当原始数据标签为正常时，落入区间内部即为预测准确，超出区间边界即为预测错误。当原始数据标签为故障时，超出区间边界即为预测准确，落入区间内部即为预测错误。考虑到原始样本的不平衡性，在模型设计过程中加入考虑了不平衡比和决定样本重要程度的误分代价，提升预测错误情况下的误分代价，尤其是当原始数据标签为故障但落入区间内部时的的误分代价。以便更大程度的降低模型预测错误，提高故障诊断的准确度。

具体而言，上述步骤中，基于CNN的区间预测模型是一个具有双通道输出的CNN模型，以时间序列为输入，输出上、下界。在进行时间序列输入之前，需要规定输入时间序列长度，采用滑动窗口采样方法从时间序列信号中获取输入区间预测模型的数据。为降低计算成本，缩短计算时间，适当减小滑动窗口尺寸，但同时需要满足时间序列能够提供足够信息来预测时间间隔，确定滑动窗口长度为n＝200。

如图1所示，基于CNN的区间预测模型共有11层，包括输入层、输出层和隐藏层。

输入层中输入序列长度为200。

9层隐藏层中第一层，即区间预测模型的第2层是卷积层，卷积核由32个5×1卷积构成。

在卷积层后是池化操作层，使用相同数量的长度为5的池化单元进行池化作用。

接着在第4、5、6、7层，分别应用64、128、256、512个卷积核进行卷积操作，卷积核大小为5×1。

在第8层进行maxpooling操作，并将其输出平面化为第9层的一维特征映射，并添加一个完全连通的神经网络。

为了产生一个区间，输出层与时间序列预测模型不同，时间序列预测模型只设计一个神经元来输出预测值，而本模型中在输出层设计有两个神经单元。神经单元一与与第十层相连，为输出下界y_lower，神经单元二为输出上界y_upper，上界y_upper由下界y_lower基础上增加固定宽度得到，即有：

y_upper＝y_lower+diff (1)

式(1)中，diff表示上界y_upper与下界y_lower之间的固定宽度。

区间预测模型的线性校正单元采用ReLU激活函数，其优点是计算简单、收敛速度快，ReLU函数定义为下式(2)：

式(2)中，z是激活前的值，由于ReLU函数可以将所有负值都变为0，并保持正值不变，因此隐藏单元被稀疏激活。

自适应区间生成模块：通过不间断的时间序列输入连续地得到两个控制边界，同时对模型进行训练，优化两个控制边界，保持较高的检测精度。自适应控制边界可以通过4个步骤生成和优化：

步骤201、迭代过程中的四种情况，包括：

确定原始训练数据的标签，以S＝0表示原始数据为正常，S＝1表示原始数据为异常；

确定模型对数据的诊断标签，以s_temp＝0表示模型判断为正常，s_temp＝1表示模型判断为异常；

数据序列中的两种信号状态：正常和异常；

定义对于正常数据，越接近区间中心，效果越好；对于异常数据，越接近区间中心，效果越差；以原始训练数据的标签S和模型对数据的诊断标签s_temp为标记，分割成如下表1所示的迭代过程中的四种不同情况：

	s<sub>temp</sub>＝0	s<sub>temp</sub>＝1
			S＝0	正常数据在区间内	正常数据在区间外
S＝1	异常数据在区间内	异常数据在区间外

表1

步骤202、实时状态参数的计算：

为便于计算不同情况下的损失，使用模型对数据的诊断标签s_temp计算全局损失：

诊断标签s_temp与距离有关，定义信号值到区间中心距离dis_center，则有：

dis_center＝y-y_lower+diff/2 (3)

式(3)表示真实信号到上、下界中间距离，式(3)中，y表示模型输出信号；

定义信号值到区间最近边界的距离dis_bound，则有：

dis_bo_und＝|dis_center-diff/2| (4)

式(4)表示真实信号到上、下界最近边界的距离；

计算诊断标签s_temp，确定s_temp取值由下面的式(5)计算：

由于分段函数的不可微性，使用tanh函数来重新定义s_temp，如下式(6)所示：

s_temp(dis_center)＝0.5×tanh[300×(dis_center-diff/2)]+0.5 (6)

对于重新定义后的式(6)，其可微性效果如图2到图3所示。

步骤203、定义基于代价敏感的损失函数：

步骤2031、原始数据正常的损失函数为

式中，

表示输出信号到区间中心的距离，其中i为参与计算并输出的当前样本个数；

原始数据故障时的损失函数为

式中，

表示输出信号到区间最近边界的距离，其中i为参与计算并输出的当前样本个数；

对表1中第四象限所示的原始数据异常、模型判断异常的情况，该情况下的损失函数

定义为：

式中，考虑到分母不可为0，ε为一个很小的常数，设定为0.0001；

则整体损失函数J(ω,b)为：

式(7)中，m表示所有样本参与计算得到的损失函数值个数。

由于在实际训练过程中，当原始为正常，模型判断为异常，即s＝0但s_temp＝1或原始为异常，模型判断为正常，即s＝1但s_temp＝0时，会影响模型分类准确度，尤其是后者发生时在化纤生产过程中会出现对产品成型问题的漏检情况。所以需要对模型设置误分代价，则有以下步骤：

步骤2032、对模型设置误分代价，误分代价的存在情况如表2所示：

	s<sub>temp</sub>＝0	s<sub>temp</sub>＝1
			S＝0	正常数据，预测正常，无代价	正常数据，预测异常，有代价
S＝1	异常数据，预测正常，有代价	异常数据，预测异常，无代价

表2

对于S＝0、诊断标签s_temp＝1时的误分代价

设置为：

式中，考虑到距离区间中心越远，重要信息程度越高，设置越大的误分代价，则

引入不平衡率IR；

对于S＝1、诊断标签s_temp＝0时的误分代价

设置为：

式中，由于要使得误分代价在设置过程中兼顾到原始数据的不平衡情况，因此引入不平衡率IR，

M_major表示多数类样本个数，即正常数据样本个数，M_minor表示少数类样本个数，即异常数据样本个数；

步骤2033、获得添加了代价敏感的损失函数J(ω,b)为：

步骤204、误差反向传播过程：根据梯度下降思想采用下述公式对权重ω及偏置b进行更新：

式中，

表示当前t时刻下神经网络l层节点i的权重，

表示当前t时刻下神经网络l层节点i的偏置，α表示学习率，J表示损失函数J(ω,b)；

步骤3、测试模型：对未知状况的设备进行故障诊断，利用振动加速度传感器和采集卡实时采集到的信号输入到已训练好的模型中，判断实际输出是否落入上下界区间，当落入区间内部，即判断为设备运行正常，当落在区间外部，则判断为设备运行异常。

Claims (3)

1.一种基于卷积神经网络的设备故障自适应上下预警界生成方法，其特征在于，包括以下步骤：

步骤1、对已知状况的设备运行过程中的振动信号进行采集，并对采集到的信号进行采样，获得采样信号：

步骤2、将采样信号输入到构建好的基于CNN的区间预测模型中，输出上、下界，定义循环训练次数，得到训练好的基于CNN的区间预测模型，该基于CNN的区间预测模型根据已有历史数据训练出正常运行状态下的自适应上下界区间，其中：

基于CNN的区间预测模型是一个具有双通道输出的CNN模型，以时间序列为输入，输出上、下界，包括输入层、输出层和隐藏层，输出层设计有两个神经单元，神经单元一与隐藏层相连，为输出下界y_lower，神经单元二为输出上界y_upper，上界y_upper由下界y_lower基础上增加固定宽度得到，即有：

y_upper＝y_lower+diff (1)

式(1)中，diff表示上界y_upper与下界y_lower之间的固定宽度；

自适应区间生成模型通过以下步骤生成和优化自适应上下界区间：

步骤201、迭代过程中的四种情况，包括：

确定原始训练数据的标签，以S＝0表示原始数据为正常，S＝1表示原始数据为异常；

确定基于CNN的区间预测模型对数据的诊断标签，以s_temp＝0表示基于CNN的区间预测模型判断为正常，s_temp＝1表示基于CNN的区间预测模型判断为异常；

数据序列中的两种信号状态：正常和异常；

定义对于正常数据，越接近区间中心，效果越好；对于异常数据，越接近区间中心，效果越差；以原始训练数据的标签S和基于CNN的区间预测模型对数据的诊断标签s_temp为标记，分割成如下表1所示的迭代过程中的四种不同情况：

表1

步骤202、实时状态参数的计算：

使用基于CNN的区间预测模型对数据的诊断标签s_temp计算全局损失：

诊断标签s_temp与距离有关，定义信号值到区间中心距离dis_center，则有：

dis_center＝y-y_lower+diff/2 (2)

式(2)表示真实信号到上、下界中间距离，式(2)中，y表示基于CNN的区间预测模型输出信号；

定义信号值到区间最近边界的距离dis_bound，则有：

dis_bound＝|dis_center-diff/2| (3)

式(3)表示真实信号到上、下界最近边界的距离；

计算诊断标签s_temp，确定s_temp取值由下面的式(4)计算：

步骤203、定义基于代价敏感的损失函数：

步骤2031、原始数据正常的损失函数为

式中，

表示输出信号到区间中心的距离，其中i为参与计算并输出的当前样本个数；

原始数据故障时的损失函数为

式中，

表示输出信号到区间最近边界的距离，其中i为参与计算并输出的当前样本个数；

对表1中第四象限所示的原始数据异常、基于CNN的区间预测模型判断异常的情况，该情况下的损失函数

定义为：

式中，ε为常数；

则整体损失函数J(ω,b)为：

式(5)中，m表示所有样本参与计算得到的损失函数值个数；

步骤2032、对基于CNN的区间预测模型设置误分代价，误分代价的存在情况如表2所示：

s_temp＝0 s_temp＝1 S＝0 正常数据，预测正常，无代价 正常数据，预测异常，有代价 S＝1 异常数据，预测正常，有代价 异常数据，预测异常，无代价

表2

对于S＝0、诊断标签s_temp＝1时的误分代价

设置为：

式中，

引入不平衡率IR；

对于S＝1、诊断标签s_temp＝0时的误分代价

设置为：

式中，IR表示不平衡率，

M_major表示多数类样本个数，即正常数据样本个数，M_minor表示少数类样本个数，即异常数据样本个数；

步骤2033、获得添加了代价敏感的损失函数J(ω,b)为：

步骤204、误差反向传播过程：根据梯度下降思想对权重ω及偏置b进行更新；

步骤3、对未知状况的设备进行故障诊断，将实时采集到的振动信号输入到已训练好的基于CNN的区间预测模型中，判断实际输出是否落入上下界区间，当落入上下界区间内部，即判断为设备运行正常，当落在上下界区间外部，则判断为设备运行异常。

2.如权利要求1所述的一种基于卷积神经网络的设备故障自适应上下预警界生成方法，其特征在于，步骤202中，使用tanh函数来重新定义诊断标签s_temp，则所述式(4)变换为：s_temp(dis_center)＝0.5×tanh[300×(dis_center-diff/2)]+0.5。

3.如权利要求1所述的一种基于卷积神经网络的设备故障自适应上下预警界生成方法，其特征在于，步骤204中，采用下述公式对参数进行更新：

式中，

表示当前t时刻下神经网络l层节点i的权重，

表示当前t时刻下神经网络l层节点i的偏置，α表示学习率，J表示损失函数J(ω,b)。

Images