基于卷积神经网络的经编织机故障预测报警系统的研究

习 龙

(西安工程大学 计算机科学学院,陕西 西安710600)

传统纺织行业织机数量多,需要大量人员进行运维工作,而且织机的生产数据量庞大,传统的信息管理系统已经不能适应工业智能化的要求。用传感器对织机的数据进行采集,并通过PLC得到织机的参数数据,数据包括织机正常运行和故障状态时的转速、单次工作时间、停机时间、温度、湿度等,还有故障位置、故障参数等,将这些数据输入到卷积神经网络(CNN)中进行训练,得到CNN神经网络模型。利用此神经网络模型预测织机车间的实时数据,判断此状态是否为正常状态,是故障状态还是接近故障状态,并对未来若干时间段的织机工作状态做出判断,达到实时故障预测并在还没有任何损失的时候就做出响应,提前报警,及时处理故障问题。

卷积神经网络已经成功应用在各大行业,如交通、医学、手机应用、自动驾驶等。考虑到织机车间管理复杂、人员繁多,常规织机故障检测系统已经不能满足要求,所以提出了新型的织机故障实时预测系统,旨在预测织机的工作状态,在织机还没发生故障的时候,就可以预测到即将发生故障的位置、原因以及故障将要发生的时间,提高织机车间的数据管理系统和检测系统,尽早处理故障,以免带来不必要的损失。

1 织机故障预测报警系统流程

织机故障预测报警系统构架如图1所示,其步骤为:

(1)通过传感器得到织机正常情况下的数据和非正常情况下的数据;

(2)将数据从传感器中传输到PLC端;

(3)数据再由PLC端到数据库存储系统中;

(4)将织机历史数据存储为文本格式,输入到卷积神经网络中对其进行训练,并生成织机故障预测模型;

(5)从织机中传输过来的实时数据就可以通过织机故障预测模型来对此时间段的织机工作状态进行故障预测;

(6)如果预测到有故障,会提示故障将会发生的位置及原因,并提供故障大约发生时间,并及时触发报警系统。

图1 织机故障预测报警构架

从织机故障预测报警的构架图1中可以看出,织机的数据是通过传感器传输到PLC,再到数据库中,根据数据种类的不同,将数据分为了正常情况下和非正常情况下的数据,并将其按照各自数据标签写入文本文件中作为卷积神经网络的输入。

由此可以看出,研究的核心在于卷积神经网络的引入,利用卷积神经网络训练织机的历史数据,也就是这些带各自标签的文本文件,得到织机故障预测报警模型。从而,对每次织机传输进入此故障预测报警模型的数据进行判断预测,预测此刻的数据对未来的影响,到底是正常数据,还是即将有故障要发生。如果预测到有故障要发生,那么,预测故障位置,原因及故障即将发生的时间。

2 织机故障预测报警架构分析

2.1 数据采集

利用传感器向PLC传输织机各个数据,解析PLC中的数据,并将各个数据写入文档格式的文件,其数据类型为:

(1)正常情况下的数据:织机转速、单次工作时间、车间温度、车间湿度、停机次数、停机时间等;

(2)非正常情况下的数据:织机转速、车间温度、车间湿度、停机次数、停机时间、故障原因、故障参数、故障位置等。

2.2 数据处理

将织机车间正常情况下的数据和非正常情况下的数据作为卷积神经网络的输入,对数据进行训练,卷积神经网络(CNN)由输入层(Input Layer),卷积层(Convolutional 0er)、池化层(Pooling Layer)、线性整流层(Rectified Linear Units Layer)、全 连 接 层(Fully-Connected Layer)和 输 出 层(Output Layer)组成。一个卷积神经网络一般有多组卷积池化层,卷积层后接一个池化层,并跟随激活函数,重复此动作,在最后加入全连接层和一个分类器得到一个完整的卷积神经网络。卷积神经网络结构如图2所示。

图2 卷积神经网络结构

在卷积神经网络中,将正常情况下的数据和非正常情况下的数据输入到网络中,进行卷积操作,公式为:

其中,n为输入矩阵的个数,X代表第k个输入矩阵;W代表卷积核的第K个子卷积核矩阵;s(i,j)为卷积核W对应的输出矩阵对应位置元素的值。

接着进入池化层,池化分为3种类型,向下采样、向上采样、还有平均采样,本文使用的是向下采样的方法,池化层主要是用来降维,防止过拟合,如图3所示。

图3 卷积层和池化层

从图3中可以看出,池化层起到二次提取织机运行参数特征的作用,在通过降低特正面的维度来获取其不变的特征,其公式为:

其中,tinnq代表池化层的第n个输入特征面第q个神经元的输出值,fmin代表取最小值函数。

在经过卷积层和池化层之后,选用Relu作为激活函数,加入非线性因素,使得分类结果具有非线性特征,其值在0到1之间。

最后一层全连接层的输出值被传递到输出层,采用Softmax逻辑回归进行分类,Softmax逻辑回归中,数据训练样本由n个带标签样本组成:{(x(1),y(1))},{(x(2),y(2)),…,{(x(n),y(n))},其中输入的特征x(i)∈Rn+1,n+1为特征向量x的维度,分类标签为:y(i)∈{1,2,3,4,…,k},函数为:

其 中,θ1,θ2,θ3,…,θk∈Rn+1为 模 型 的 参 数,为归一化处理。

在Softmax回归中将样本x分类为类别j的概率为:

最后得到织机故障预测模型,使得模型能分辨出织机的运行状态,提前预测其故障位置以及故障原因,预测故障将要发生的时间段并及时报警。

3 结语

提出了基于卷积神经网络的织机故障预测模型,在织机还在正常运行的状态下就能预测到织机即将要发生的故障的位置及其原因,提高了传统车间管理系统的性能,做到预测故障位置、故障原因、故障发生的时间段,并报警,及时处理问题,排除故障,使织机高效率工作。