自动化制造设备的电气故障检测技术

摘 要：自动化制造设备包括多个子系统，其电气故障检测是领域内的技术难点。因此本文提出了一种基于循环神经网络的故障检测技术，可应用于自动化制造设备的故障检测。将自动化制造设备的各种可能故障作为输入，经注意力机制模块处理后通过循环神经网络完成检测。最后通过验证性试验证实了本文所提检测技术对自动化制造设备电气故障检测的有效性。

关键词：自动化制造设备；电气系统；故障检测；循环神经网络

中图分类号：TM 76 " " " 文献标志码：A

计算机技术革命至今，各领域都受到深刻影响并随之产生适应性变革。对制造行业来说，计算机作为控制装置后，制造设备的自动化程度显著提高，甚至可以达到无人化的程度。随着制造设备自动化程度不断提升，其系统构成也日趋复杂。除了具有常规制造设备具备的机械装置、刀具和装夹装置外，自动化制造设备还具有控制装置和各种类型的传感器，从而形成了一个多类型部件交织的复杂系统。自动化制造装备的整体系统还可以细分出机械系统、液压系统、控制系统、电气系统和传感系统等。在这些系统中，电气系统为包括控制系统、传感系统在内的其他系统提供动力任务。一旦电气系统出现故障，自动化制造设备就无法正常工作。因此，对电气系统进行故障检测具有非常重要的意义。但是，自动化制造设备构成复杂，其他子系统与电气系统交错排布，一旦电气系统出现故障，其成因是十分复杂的。在这种情况下，为了更有效地分析自动化制造设备电气故障的原因并完成检测，本文提出了一种基于循环神经网络的检测技术。

1 自动化制造设备的电气故障分析

为了有效完成自动化制造设备故障检测，需要区分电气故障同机械故障，区分的原则如下：将完全因机械零部件、机械组件、机械构件、机构引发的故障划归到机械类故障，其他由传感系统、控制系统以及电气系统自身引发的故障划归到电气类故障。根据这种划分方式，可以将自动化制造设备的电气故障分为3类，分类结构如图1所示。

根据图1的划分标准，自动化制造设备的电气故障又可以分为3类，即电线路出现问题引发的电气故障、控制问题引发的电气故障以及老化问题引发的电气故障。

2 基于循环神经网络的检测方法设计

2.1 检测方法的总体设计

根据图1提供的电气故障分类情况，当自动化制造设备出现某种故障后，可由检测人员进行现场定位和查验，进而判断出其故障类型并采取有效方法。人工检测是电气故障检测的传统方法，但存在检测困难、检测效率低下等普遍问题。尤其是自动化制造设备的复杂度强、集成度高，进一步增加了人工检测的难度。

为了构建自动化、智能化程度更高的检测方法，本文对多种智能方法进行了比较，各种方法的性能优劣见表1。

从表1可以看出，循环神经网络方法优势明显。一方面，深度学习获得了快速发展。另一方面，自动化制造设备的故障检测与深度学习具有较好的对应性。这2个条件的叠加，为在自动化制造设备的故障检测中应用深度学习提供了最大可能。因此本文才构建出基于循环神经网络的自动化制造设备电气故障检测方法，该方法的总体框架如图2所示。

自动化制造设备的电气故障深度学习检测包括2个步骤。首先，将各种电气故障的历史数据信息作为训练样本输入循环神经网络中，通过大量迭代学习达成深度网络稳定。其次，将某一个时间段内的数据作为输入，用稳定的深度网络进行故障检测和故障类型的判断。从图2可以看出，整个电气故障检测方法的框架包括语义模型处理模块、输入模块、隐含层模块、注意力机制模块以及输出模块。

2.2 循环神经网络的结构设计

在整个电气故障检测方法中，循环神经网络处于核心位置。本文对其进行的结构设计如图3所示。

基于图3给出的循环神经网络的结构，输入层到隐含层、隐含层再到输出层的数学处理如公式（1）、公式（2）所示。

Hm=f（wxxm+whHm-1） （1）

ym=g（wyHm） （2）

式中：f（）是自动化制造设备电气故障检测深度学习过程中的非线性激活函数；g（）是自动化制造设备电气故障检测深度学习过程中的激活函数；wx是自动化制造设备电气故障检测深度学习过程中的输入权重；wh是自动化制造设备电气故障检测深度学习过程中的隐含权重；wy是自动化制造设备电气故障检测深度学习过程中的输出权重。

2.3 注意力机制的设计

自动化制造设备电气故障检测过程中存在很多冗余的无效数据，会影响深度学习的过程和故障检测效率。为此，可以通过引入注意力机制，有效精简数据、提升深度学习效率和故障检测的准确性。本文中，自动化制造设备电气故障检测中的注意力机制如图4所示。图4中的自动化制造设备电气故障检测中的注意力机制实施过程如下所示。

首先，根据自动化制造设备电气故障类型数据，生成如公式（3）所示的3个矩阵。

（3）

式中：T是自动化制造设备电气故障检测深度学习过程中的特征向量；QT是自动化制造设备电气故障检测深度学习过程中的查询矩阵；KT是自动化制造设备电气故障检测深度学习过程中的键矩阵；VT是自动化制造设备电气故障检测深度学习过程中的值矩阵；wQ是自动化制造设备电气故障检测深度学习过程中的查询权重；wK是自动化制造设备电气故障检测深度学习过程中的键权重；wV是自动化制造设备电气故障检测深度学习过程中的值权重。

其次，计算出各headi，如公式（4）所示。

（4）

式中：Attention（）是自动化制造设备电气故障检测深度学习过程中的注意力机制函数；Same（）是自动化制造设备电气故障检测深度学习过程中的归一化函数；DK是矩阵KT的维度。

再次，反复执行上一个步骤，得到headi的多次计算结果。

最后，将多个headi的多次计算结果融合处理，得到自动化制造设备电气故障检测深度学习过程中的语义表达，如公式（5）所示。

Multihead_Y（QT，KT，VT）=Fusion（head1，head2，…，headi）w0 （5）

式中：Multihead_Y是自动化制造设备电气故障检测深度学习过程中的特征语义向量；Fusion（）是自动化制造设备电气故障检测深度学习过程中的融合函数；w0是自动化制造设备电气故障检测深度学习过程中的线性变换矩阵。

3 自动化制造设备电气故障检测试验

为了有效解决自动化制造设备的电气故障检测问题，本文提出了一种基于循环神经网络的深度学习检测方法，对循环神经网络进行了结构设计，并使用新的注意力机制模块。为了验证该方法的检测效果，本文进行了试验研究。

试验分为2个阶段。第一阶段，利用自动化制造设备的电气系统历史运行数据对深度网络进行训练，尤其是利用其电气故障数据进行训练。第二阶段，对未知故障信息和未知故障类型的数据进行基于深度学习的检测。在试验过程中选择3种对比方法，以验证所提方法的有效性。这3种对比方法分别是CNN检测方法、RNN检测方法以及RNN-Attention检测方法。

在试验过程中，以电气故障的检测精度为具体指标，对图1中给出的3类电气故障进行检测，结果见表2。

考虑表2中数据比较不够直观，以图形化的方式比较4种方法电气故障检测结果，如图5所示。

从图5的比较结果可以看出，本文检测方法的自动化制造设备电气故障检测准确性明显高于其他方法。

4 结论

自动化制造设备具有更好的加工制造能力和效率，是制造领域的未来发展趋势。但自动化制造设备系统复杂性导致其电气故障检测的难度加大，为此本文提出了一种基于深度学习的检测方法。该方法将循环神经网络作为深度学习的主体框架，并结合新的注意力机制模块。试验过程中，本文将3类电气故障数据作为输入纳入深度网络中，其他3种方法作为对比方法。试验结果显示，本文电气故障检测方法对不同类型的电气故障数据都具有较高的检测精度，性能明显优于其他3种方法。

参考文献

[1]吕晋，王益.电力系统高压生产设备电气故障自动化监测研究[J].自动化与仪器仪表，2019（7）：66-69.

[2]张鹤，张劲松.西门子焊接车间设备故障自动诊断及焊机群控系统[J].汽车制造业，2023，35（2）：110-113.

[3]潘钰哲.浅析电气自动化控制设备的故障预防与维修技术[J].中国设备工程，2022，27（3）：68-70.