基于LSTM 的中药生产设备故障预测方法研究

梁川 曹乐

（1、华润江中制药集团有限责任公司，江西 南昌330096 2、上海工程技术大学，上海201620）

中医药行业是我国生物医学业的重要组成部分，推动医药新行业创新升级迫在眉睫，其在我国经济和社会发展的全局中有着重要的地位，近年来国家大力扶持中药产业，特别是中药现代化战略的实施，使得我国中医药产业在知识创新、药品创新和技术创新等方面取得了长足的进步。国家老龄化的不断加深的背景下，国民对中药的需求越来越大，中医药大健康行业将成21 世纪最有发展活力的产业[1]。但是目前我国中药现代化仍处于初级阶段，中药理论虽然先进，但技术落后，尤其是在中药生产领域，少部分中药生产线从国外引进，国产化水平较低且设备难以及时更新换代，品质把控要求低，大部分生产线是实现了机械化或半机械化，自动化水平偏低[2]。本文针对中药包衣制粒机设备，提出了基于物联网与大数据分析的智能中药设备健康监测方法。该方法是通过在中药包衣制粒机设备上定点安装多种传感器采集设备运行数据和建立LSTM故障预测模型对中药设备进行健康预测，传感器安装部位是通过对设备机理的研究，安装于设备的故障发生后有状态变化明显的部位[3]。传感器实时采集的数据通过无线通讯方式将数据远程至大数据平台，并以数据驱动为主的机器学习算法对数据进行预处理、故障实时预测，可有效在故障发生前期实现故障的预测，进一步提高设备安全运行的可靠度，有效减少故障所导致的经济损失和维修难度，对中药设备智能化设计与实现具有重要作用。

1 智能中药设备健康监测系统的构成和工作原理

图1 系统组成部分结构图

数据采集模块主要对中药生产设备进行数据采集，通过物联网技术实现对中药工业设备数据进行上传与保存，如要实现对生产设备运行状态进行诊断与预测，就涉及到对采集的大数据进行综合的分析。故障预测与健康管理（PHM）技术，其主要特点是使用多种传感器设备采集大量设备全寿命运行数据并利用机器学习构建数学或物理模型等智能算法实现对系统或设备在发生故障前进行故障预测，并通过建立模型解决问题[4]。

智能中药设备健康监测系统结构如图1 所示，其硬件设备包括4G 无线数据发送模块（DTU）、模拟量采集模块、电压电流振动等传感器和阿里云服务器等。系统每个模块的具体功能如下：

a.DTU 收发模块：通过485 接口实现数据接收，通过DTU 模块处理后通过SIM7600CE 模块将数据通过基站上传。

b.数据采集模块：主要包括各类传感器及传感器供电设备，通过交流转直流模块给传感器供电，传感器采集设备运行实时数据。

c.数据处理模块：通过该模块将传感器的数据进行预处理，转换成4-20mA 的模拟量数据，方便DTU 模块的数据处理及上传。

d.数据存储模块：主要包括阿里云服务器，通过阿里云服务器的ECS（阿里云服务器）处理后将数据收发至RDS 数据库进行存储，方便后续数据的调用及处理。

2 基于LSTM 的故障预测模型

2.1 故障预测模型分析与选择

故障预测是通过对当前中药设备当前状态数据以及历史大数据来研判设备或系统出现潜在故障的可能性。目前设备故障预测主要分为三大类：基于数据驱动的预测方法、基于物理模型的预测方法和混合预测方法。不同模型的方法与其优缺点分别为：

2.1.1 物理预测模型是在对系统的物理特性有充分的了解下构建的一种描述该物理特性的失效模型，介于对系统物理特性的了解，该模型具有较高的精确度，主要应用在零部件剩余寿命预测、轴承等裂纹位置及损伤程度、设备疲劳寿命预测等，但对于复杂设备，要想构建起精确度高精确描述其物理特性的模型是十分困难的。

2.1.2 数据驱动预测模型是基于大数据采集与分析而直接建模来表现设备或零件损伤过程的模型，不需要考虑具有复杂物理特性的数学模型，根据采集的设备实时状态数据预测涉笔健康状况，是一种可用于神经网络的智能模型，通常设计一种融合机制将不同模型组合起来提高预测精度。其优点是过程简单，不需花费大量时间构建模型，可通过各种预测方法实现各方法之间的优劣互补，准确率高。

2.1.3 混合预测模型主要用于复杂系统的故障诊断预测，是一种非迭代的解卷积方法，将物理或数据驱动模型进行一定程度的融合，实现对设备故障的预测，由于具体参数需要根据具体采集的信号确定，不同的模型之间差距较大，所耗费的时间和集约计算成本均不同，这也导致混合模型发展缓慢的重要因素。

本文采用了数据驱动预测模型来对中药设备的健康情况进行预测，与物理预测模型相比，该模型不需要构建具有复杂物理特性的数学模型，模型易构建且耗时短。且随着基于物联网和大数据的不断发展，可满足数据驱动模型建立所需的大量的数据支撑[5]。本文采用了长短期记忆人工神经网（LSTM）模型的方法进行了中药设备的健康预测。

2.2 长短期记忆人工神经网络

图2 LSTM 网络中长期状态C 的控制

图3 基于LSTM 模型的部分数据预测效果

长短期记忆人工神经网络（Long Short-Term Memory），是一种RNN 网络中能够学习长期依赖的特殊的类型，LSTM 有通过精心设计的称作为“门”的结构，是一种时间序列自我调用神经网络模型，主要应用在延迟较长模型或时间序列的中间间隔的预测模型。LSTM 与RNN 具有相似的形式，即具有链式形式的重复神经网络模块，以一种特殊的形式交互，但LSTM 不同的是重复模块中具有一个不同的结构，即所谓的“门”结构。LSTM 可以增加或删除神经元状态中的信息，门限包含一个sigmoid 神经网络层和一个逐点相乘器乘法，信息通过门限时被选择性通过[6]。LSTM 拥有输入门、遗忘门和输出门三个门，来保护和控制神经元细胞状态信息[7]。根据算法规则判定当信息进入LSTM 时，该信息是否有用，循环结构之间保持一个持久单元状态不断传递下去，当信息满足算法规则时则被保留，反之遗忘[8]。LSTM 中的第一步是通过一个被称为遗忘门的门来决定哪些信息应该被神经元细胞遗忘，该门读取前一个隐藏状态和当前输入，每个神经元状态输出0 或1，“1”表示保留，“0”表示遗忘。下一步包含两个部分，第一，确定要更新的数值，这一步由sigmoid 层完成，由其计算哪些值更重要并传递给tanh 层，sigmoid 层又被称为输入门层。第二，tanh 层生成一个新的候选值向量加入到神经元状态中参与后续运算[9]。最后，确定输出值。sigmoid 层来确定细胞状态的哪个部分将输出出去，接着细胞状态通过tanh 层进行处理，得到一个在-1 到1 之间的值，并将它和sigmoid 门的输出相乘，组合这两步生成一个更新状态值，这样仅仅会输出确定输出的那部分[10]。

3 实验部分

由于设备在运行中并未发生故障，采集到的数据全部都是正常数据，本文只计算其准确率，公式如下：

TP：实际是正例，预测为正例

FP：实际为负例，预测为正例

TN：实际为负例，预测为负例

FN：实际为正例，预测为负例

计算得到准确率PRE=96.54%[11]。

选取部分数据对LSTM 进行模型训练和预测，其中训练数据的数量为40，测试数据的数量为40，设置最多迭代250 次，设置梯度阈值位1，可有效防止梯度爆炸。设置初始学习率为0.005，经过125轮次训练后通过乘以因子0.2 可降低学习率。如图3 所示为少量数据预测和实际的结果图。LSTM 预测模型的均方根误差（RMSE）为4.5764。模型预测的效果如图4 所示，其训练集是前90%的数据，测试集是后10%的数据，对RMSE 的分布图分析可知，随着预测时间的增长，误差会逐渐增大。而此时平均RMSE 为4.1827，相较于对少量数据的预测，误差会明显降低，说明训练集的数量对模型训练的准确度有一定的影响。

图4 基于LSTM 模型的预测效果

4 结论

故障预测技术是一门交叉性学科，近年来在航天、化工、石油和冶金等领域发挥着越来越重要的作用。本文根据流化床制粒包衣机的工作特点，通过使用传感器采集设备运行的振动数据，根据此数据分析设备的运行状态，在此基础上建立中药设备LSTM 健康预测模型，实现故障预测。LSTM 预测模型的准确率，对准确率的影响因素（训练集，预测时间）训练数据量为40，测试数据量为40 时，LSTM 预测模型的均方根误差为4.5764，且训练集的数量对模型训练的准确度有一定的影响，研究结果表明，基于物联网和LSTM 的中药设备故障预测系统具有较高的精确度和较快的处理速度，能够及时的判断出可能发生的故障，提前做好备品备件管理，最大程度的降低企业的损失，加上算法本身的高鲁棒性，可以将此系统推广到其他的设备上，为全过程监测生产情况和工业系统互联互通提供了新的思路。