面向传感器突发故障的监测模型自适应快速调整技术研究

钱政, 程淑玉, 夏红霞

(1. 安徽电子信息职业技术学院 信息工程学院,安徽蚌埠 233000;2. 安徽电子信息职业技术学院 软件工程学院,安徽蚌埠 233000)

随着现代信息技术特别是新一代人工智能技术的发展,多传感器监测被广泛应用在数控加工、机器人、航空航天装备等各个领域,如机器人导航、工业系统剩余寿命预测、无人机目标探测等[1-3]。通过采用多个传感器获取被测对象的相关多源数据,获得比使用单个传感器更完整、更可靠的被测对象信息[4],得到较单一传感器更为鲁棒的系统以及更为精确的目标估计,从而达到故障检测、排除安全隐患、做出最优决策等目的[5-8]。

当前,各领域学者已广泛应用多传感器实现特定的监测目的。乔宁国采集高速列车齿轮箱多处振动信息,采用相关函数融合算法和模糊C均值聚类,实现了齿轮箱的初步故障诊断[9];刘思辰等通过采集加工过程中振动、电流及PLC控制器信息,通过对多传感器采集的信息进行融合,采用深度神经网络,实现了刀具剩余寿命的预测[10];Qiao等采用加速度和声发射等多个传感器,建立基于深度学习的监测模型,实现了齿轮箱故障诊断实验和刀具磨损预测[11];Yao等提出了一种基于证据理论的多传感器数据融合方法,并在通过滚动轴承监测与诊断验证了该算法的有效性[12];Samaras等综述了基于光电、热、雷达、声多传感器的无人机探测深度学习分类方法的研究成果[13]。

然而,在实际应用过程中,由于应用环境的恶劣、传感器接口松动或线路故障等问题可能导致传感器突然故障,进而导致监测模型失效。各领域学者虽广泛研究了基于多传感器的监测算法与模型并进行了试验验证,但是普遍未考虑监测过程中传感器突发故障情况。若仍使用传感器故障前的预测模型,模型将严重失效,导致既定的监测目的无法准确实现;若采用离线方式重新训练预测模型或处理故障问题,将导致监测过程中断。当传感器突发故障时,若想保证监测过程的持续不中断,研究模型的自适应快速调整方法是十分必要的。因此,本文提出一种基于堆叠自编码器深度学习模型的自适应快速调整方法,解决关键监测场景下的传感器突发故障问题。

1 总体思路

模型训练过程分为模型预训练和全局微调两个过程。在多传感器监测场景中传感器突发故障时,根据传感器故障时采集数据的分布特点自适应调整原始数据集,在原始监测模型的基础上采用自适应调整后的原始数据集微调模型更新模型的权重和偏置,实现监测模型自适应快速调整。基于模型自适应快速调整方法的监测方案的流程图如图1所示。

图1 基于模型自适应调整方法的监测方案

其具体步骤为:

1) 数据采集。采用多个传感器采集表征被测对象状态的多源信息;

2) 数据预处理。对原始信号进行数据预处理,如傅里叶变换、数据归一化、处理数据不平衡等;

3) 多传感器数据融合。将不同传感器获取的原始信号进行直接融合,保留多数原始细微信息;

4) 监测模型离线训练。训练基于深度学习的监测模型,采用训练集训练监测模型,采用测试集测试监测模型的准确率;

5) 监测模型在线监测。采用离线训练的监测模型进行在线监测:

(1) 当所有传感器均正常工作时,采用初始监测模型进行监测;

(2) 当某一或某些传感器故障时,初始监测模型快速自适应调整,之后的监测过程将采用自适应调整后的监测模型进行监测;

(3) 若故障被修复,采用初始监测模型进行监测;

(4) 若在后续监测的过程中又出现了新的故障,初始监测模型快速自适应调整,之后的监测过程将采用自适应调整后的监测模型进行监测。

2 监测模型及模型自适应快速调整方法

2.1 堆叠自编码器(SAE)

自编码器(AE)是一种三层神经网络,由编码器和解码器组成。编码器连接输入层和隐含层,提取输入数据特征信息;解码器连接隐含层和输出层,利用特征数据恢复输入数据[14-15]。

h=f(W1x+b1)

(1)

式中:h为编码后提取的特征;W1为输入层和隐含层之间的权重;b1为输入层和隐含层之间的偏置;f为编码过程的激活函数。

解码过程可表示为

(2)

SAE是由AE堆叠而成的一种深度学习网络,可以用于处理复杂的分类问题。SAE每一层都以前一层的表达特征为基础,抽取出更加抽象、更加复杂的特征,AE和SAE网络结构如图2所示。

图2 自编码器和堆叠自编码器网络

2.2 模型自适应快速调整方法

为保留传感器均正常工作时用于监测的监测模型,即SAE,复制SAE得到SAE1,将SAE1用于模型自适应调整过程。模型自适应调整方法如图3所示。

图3 模型自适应调整方案

模型自适应调整方案具体步骤如下:

1) 复制SAE模型的结构及初始权重作为SAE1的预训练模型;

2) 对训练SAE模型的原始训练集和测试集做一定的处理,即将故障传感器对应训练集和测试集处数据置为0;

3) 将处理后的训练集通过SAE1模型正向传播;

4) 对SAE1整个多层网络执行误差反向传播更新网络权重及偏置;

5) 重复步骤3)和步骤4)直至网络的调整时间达到预先设定的时间,此时得到的模型即为自适应调整后的监测模型。

以一个三层(含一个隐含层)神经网络介绍模型自适应调整过程中信号的正向传播过程及误差的反向传播过程。

设处理后训练集X′中的一个样本x′=(x′1,x′2,…,x′n),设x′=(x′1,x′2,…,x′n)为网络的输入层节点、h′=(h′1,h′2,…,h′m)为隐含层节点、y′=(y′1,y′2,…,y′p)为输出层节点,则第一层(输入层)到第二层(隐含层)信号的正向传播过程可表示为

h′=f′1(W′1x′+b′1)

(3)

第二层(隐含层)到第三层(分类层)信号的正向传播过程可表示为

y′=f′2(W′2h′+b′2)

(4)

式中:f′1、f′2为各层之间的激活函数,f′1为sigmod函数,f′2为softmax函数;W′1、b′1分别为输入层和隐含层之间的权重和偏置;W′2、b′2分别为隐含层和输出层之间的权重和偏置。

网络的损失函数被定义为

(5)

式中yc为样本标签,等于0或1。

第三层到第二层误差的反向传播过程可表示为

(6)

第二层到第一层误差的反向传播过程可表示为

(7)

式中η为学习率。

3 试验验证

本文以机械加工过程中刀具磨损状态监测为例,采用加州大学伯克利分校的BEST实验室提供的刀具数据集验证所提方法的有效性。

3.1 试验简介

采用立式加工中心MC-510V开展16组不同操作条件下铣削加工试验,采用声发射、振动、电流共6个传感器分别采集加工过程中主轴和工作台的声发射信号、主轴和工作台的振动信号、主轴电机的直流和交流电流信号,采用侧面磨损量VB作为评估刀具磨损的参数。

3.2 堆叠自编码器监测模型的准确性验证

去除传感器采集的刀具进入切削和退出切削的数据,将剩余数据分成单个样本,每个样本大小为250×6;为挖掘数据深层次信息,降低模型复杂度,对样本进行快速傅里叶变换获得相应的频谱信息,并将其归一化到[0,1]区间;以刀具侧面磨损量VB=0.3 mm和VB=0.6 mm为界,将刀具状态分为3类,并为各类样本建立标签;以8∶2的比例将样本分为训练集和测试集,得到训练集2 336个样本,测试集584个样本;训练集中,3种类别样本个数分别为 1 219、816、301,存在严重不平衡现象,故采用自适应合成采样方法对训练集进行数据合成,合成后3种类别样本个数分别为1 219、1 218、1 226,训练集样本共3 663个。

将6个传感器采集的数据进行融合,融合后每个样本的大小为744×1;将融合后训练集样本用于SAE的训练,SAE网络结构设置为744-200-50-3,迭代次数为400,学习率设置为0.1,隐含层的激活函数为Sigmod函数,输出层即分类层的激活函数为Softmax函数。

图4为堆叠自编码器监测模型的混淆矩阵图。其中,Target Class为样本真实标签,Output Class为监测模型输出的样本标签。矩阵块中上面的数字代表样本数量,下面的数字代表样本数量占总样本的比例。绿色框代表正确分类,红色框代表错误分类。右下角的框为模型的准确率。

图4 自编码器训练集和测试集的混淆矩阵

因此,该监测模型在训练集和测试集上的准确率分别为98.4%和97.9%。由结果可知,该堆叠自编码器的准确率未能达到100%,可能是刀具侧面磨损量为0.3或0.6附近值对应的样本被分类错误。因此,该堆叠自编码可以有效实现刀具状态的监测。

3.3 模型自适应快速调整策略的验证

为验证针对多传感器监测场景中传感器突发故障导致监测模型失效的问题提出的堆叠自编码器深度学习模型的自适应快速调整方法的有效性,在MATLAB中分别模拟单个和两个传感器故障的各种情况,并对自适应调整前后模型的准确度进行分析。

3.3.1 单个传感器故障时的模型准确度分析

分别模拟任意一个传感器故障后模型自适应调整0(即未进行模型自适应调整)到10 s模型准确率的情况,如表1所示,调整后模型准确率的变化如图5所示。

表1 模型自适应调整时间与调整后模型准确率 %

图5 模型自适应调整时间与调整后模型准确率

3.3.2 两个传感器故障时的模型准确度分析

分别模拟任意两个传感器故障后模型自适应调整0(即未进行模型自适应调整)到10 s模型准确率的情况,如表2所示,调整后模型准确率的变化如图6所示。

图6 模型自适应调整时间与调整后模型准确率

3.3.3 试验结果分析

传感器突发故障后,监测模型未进行自适应调整时,监测结果准确率低,监测模型基本失效;模型自适应调整后监测结果准确率随调整时间增加而增加,当模型自适应调整时间大于5 s时,自适应调整后模型准确率趋于平稳。

在故障一个传感器的情况下,当模型自适应调整时间为5 s时,自适应调整后的模型可准确地对刀具状态进行监测;在故障两个传感器的情况下,自适应调整后模型的准确率仍较低。因此,应尽量避免出现两个传感器同时故障的情况,当一个传感器发生故障时,应尽快找出故障原因并及时解决。

4 结论

1) 模型自适应快速调整灵活性高,可以解决传感器故障的多种情况,为解决智能制造场景中的典型故障问题提供了新思路。

2) 模型自适应调整时间短,调整后模型准确率高,可以保证监测过程不中断。试验表明,当模型自适应调整时间大于5 s时,自适应调整后模型准确率趋于平稳。