江朋，陸遠(yuǎn)，胡瑩

(南昌大學(xué)機(jī)電工程學(xué)院，江西 南昌 330031)

隨著科學(xué)技術(shù)的發(fā)展，印刷設(shè)備的工作要求不斷提高，其結(jié)構(gòu)也趨于復(fù)雜化和精細(xì)化。在印刷設(shè)備運(yùn)行過程中對(duì)連續(xù)運(yùn)行要求高，且其檢修、維護(hù)較為困難。因此，如何實(shí)現(xiàn)對(duì)設(shè)備故障的及時(shí)診斷和提前預(yù)警成為了印刷企業(yè)最重視的問題。

傳統(tǒng)的故障診斷技術(shù)多采用單一參數(shù)指標(biāo)，通過對(duì)其特征提取來完成設(shè)備的故障預(yù)警，而現(xiàn)代機(jī)械設(shè)備由于其復(fù)雜性和精密性，運(yùn)行過程中有著多個(gè)關(guān)鍵參數(shù)，且常常伴隨著多個(gè)故障同時(shí)出現(xiàn)的情況。因此傳統(tǒng)故障診斷技術(shù)已遠(yuǎn)遠(yuǎn)不能滿足企業(yè)的實(shí)際需求，采用多參數(shù)融合技術(shù)[1]進(jìn)行設(shè)備的故障預(yù)警逐步成為研究的熱點(diǎn)。近幾年，國(guó)內(nèi)外不少學(xué)者致力于多參數(shù)融合預(yù)警技術(shù)的研究，并取得了很大的成效。對(duì)于復(fù)雜旋轉(zhuǎn)機(jī)械的故障診斷問題，王炳成等[2]提出了一種基于多參數(shù)融合的非線性度來解決，通過運(yùn)用相空間重構(gòu)理論和信號(hào)特征整合的方法，對(duì)多個(gè)非線性故障信號(hào)進(jìn)行時(shí)間序列重構(gòu)及特征參數(shù)融合，實(shí)現(xiàn)對(duì)不同故障信息的準(zhǔn)確識(shí)別。馮玉芳等[3]通過將BP神經(jīng)網(wǎng)絡(luò)模型和改進(jìn)量子蜂群算法相結(jié)合來處理多信號(hào)參數(shù)的輸入，完成對(duì)旋轉(zhuǎn)機(jī)械的故障診斷及預(yù)測(cè)。Cai等[4]則提出了一種基于面向?qū)ο蟮呢惾~斯網(wǎng)絡(luò)(OOBNs)的復(fù)雜系統(tǒng)的實(shí)時(shí)故障診斷模型，通過多源信息融合技術(shù)來解決故障診斷中的不確定性。Jiang等[5]采用離散熵的多序列聚合方法，結(jié)合LSTM神經(jīng)網(wǎng)絡(luò)，對(duì)高維度的多個(gè)數(shù)據(jù)集進(jìn)行分解、聚合等處理，最大程度保留了多尺度參數(shù)的有效信息，實(shí)現(xiàn)對(duì)航空發(fā)動(dòng)機(jī)健康狀態(tài)的預(yù)測(cè)。

本文提出了一種新型的集成故障預(yù)警模型——基于長(zhǎng)短期記憶網(wǎng)絡(luò)和FP-Growth算法相結(jié)合的故障預(yù)警方法。該方法針對(duì)印刷設(shè)備的特點(diǎn)，采用FP-Growth算法對(duì)歷史運(yùn)行數(shù)據(jù)進(jìn)行特征提取，并結(jié)合設(shè)備故障檢修記錄對(duì)故障進(jìn)行分類匹配，構(gòu)建設(shè)備故障診斷專家知識(shí)庫(kù)，完成對(duì)設(shè)備運(yùn)行現(xiàn)場(chǎng)數(shù)據(jù)的故障診斷。核心部分還引入LSTM網(wǎng)絡(luò)處理運(yùn)行參數(shù)的復(fù)雜關(guān)系和時(shí)空特征，將多個(gè)相關(guān)參數(shù)統(tǒng)一考慮，實(shí)現(xiàn)對(duì)設(shè)備運(yùn)行狀態(tài)的有效預(yù)測(cè)，完成設(shè)備的故障預(yù)警。最后，通過相關(guān)仿真測(cè)試驗(yàn)證了模型的可行性。

1 LSTM網(wǎng)絡(luò)與FP-Growth算法原理

1.1 長(zhǎng)短期記憶(LSTM)網(wǎng)絡(luò)

1997年，Hochreiter等聯(lián)合發(fā)表了與長(zhǎng)短期記憶[6](long short-term memory，LSTM)相關(guān)的論文，自此，長(zhǎng)短期記憶網(wǎng)絡(luò)開始逐步進(jìn)入人們的視野。

長(zhǎng)短期記憶網(wǎng)絡(luò)是一種特殊的遞歸神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)。RNN結(jié)構(gòu)如圖1(其中w、u、v為各類權(quán)重，X表示輸入，O表示輸出，S表示隱層處理狀態(tài))。

圖1 RNN模型展開圖

但當(dāng)時(shí)間序列間隔和延遲較長(zhǎng)時(shí)，RNN會(huì)出現(xiàn)梯度爆炸及梯度消失現(xiàn)象，這嚴(yán)重影響了數(shù)據(jù)預(yù)測(cè)的準(zhǔn)確性。因此，引入其改進(jìn)模型LSTM，來處理和預(yù)測(cè)長(zhǎng)時(shí)依賴問題。LSTM模塊結(jié)構(gòu)如圖2所示。

圖2 LSTM模塊結(jié)構(gòu)圖

設(shè)定Wf、Wi、Wo、Wc以及bf、bi、bo、bc分別為3個(gè)門和單元狀態(tài)輸入的權(quán)重矩陣及偏差項(xiàng)，W為輸出層和隱藏層間的權(quán)重，b為輸出層的偏差項(xiàng)。

首先計(jì)算3個(gè)門的值和單元輸入狀態(tài)的值。遺忘門和輸入門用于更新單元內(nèi)部狀態(tài)：

ft=σ(Wf·[ht-1,xt]+bf)

(1)

it=σ(Wi·[ht-1,xt]+bi)

(2)

輸出門控制當(dāng)前單元狀態(tài)，決定輸出的內(nèi)容：

Ot=σ(Wo·[ht-1,xt]+bo)

(3)

單元狀態(tài)輸入則通過tanh層生成新的候選值添加到單元狀態(tài)中去：

(4)

通過遺忘門與前單元狀態(tài)輸入丟棄不必要的信息，輸入門和單元狀態(tài)輸入保留新輸入的有效信息，得到單元的輸出狀態(tài)為：

(5)

然后，利用輸出門和單元的輸出狀態(tài)決定處理模塊的輸出：

ht=Ot·tanh(Ct)

(6)

通過上述LSTM模塊計(jì)算所得的ht值，預(yù)測(cè)網(wǎng)絡(luò)的輸出：

xt+1=W·ht+b

(7)

本文主要借助LSTM模塊的神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型，從一組與時(shí)間序列相關(guān)的數(shù)據(jù)中提取出數(shù)據(jù)未來的特征變化，完成對(duì)各個(gè)參數(shù)的有效預(yù)測(cè)。

1.2 FP-Growth算法

常用的挖掘頻繁項(xiàng)集的算法主要是Apriori算法，其缺陷在于原始數(shù)據(jù)量過大時(shí)，頻繁項(xiàng)集的發(fā)現(xiàn)速率相對(duì)低下。為改善其不足，提出FP-Growth算法，通過對(duì)原始數(shù)據(jù)集進(jìn)行兩次掃描完成對(duì)頻繁項(xiàng)集的搜索，提高了對(duì)數(shù)據(jù)的處理效率。

FP表示的是一種頻繁模式，其算法步驟如下：

1) 掃描原始數(shù)據(jù)集，獲取數(shù)據(jù)集中每個(gè)元素出現(xiàn)的頻率；

2) 進(jìn)行支持度過濾操作，刪去其中不符合最小支持度的元素項(xiàng)；

3) 掃描保留的頻繁元素項(xiàng)，并按照元素項(xiàng)的關(guān)鍵字進(jìn)行降序排序，構(gòu)建FP-Tree；

4) 從構(gòu)建完成的FP-Tree中抽取頻繁項(xiàng)集。

FP-Tree的構(gòu)建中使用到最小支持度，其描述如下。

設(shè)

Z={z1,z2,z3,z4,…,zk}

(8)

是由k個(gè)不同的數(shù)據(jù)項(xiàng)目組成的集合，其中：每個(gè)元素稱為項(xiàng)，項(xiàng)的集合稱為項(xiàng)集。給定一個(gè)事務(wù)數(shù)據(jù)庫(kù)：

B={T1,T2,T3,T4,…,Tm}

(9)

式中：每一個(gè)事務(wù)T都是項(xiàng)集Z的一個(gè)子集，|B|為B中的總事務(wù)數(shù)，X、Y都是T中的項(xiàng)或項(xiàng)集，且X和Y滿足X∩Y=φ。若事務(wù)T同時(shí)包含X和Y，設(shè)S為滿足條件的事務(wù)T在事務(wù)數(shù)據(jù)庫(kù)B中的所占的比例，即支持度，則

(10)

設(shè)C為B中所包含的事務(wù)X中又包含事務(wù)Y的比例，即信賴度，則

(11)

最小支持度和最小信賴度分別用支持度閾值Smin和信賴度閾值Cmin表示。

該算法雖能更高效地發(fā)現(xiàn)頻繁項(xiàng)集，但不能直接用于發(fā)現(xiàn)關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則的挖掘還需要利用該算法得出的頻繁項(xiàng)集來產(chǎn)生，其流程如下：

1) 對(duì)事務(wù)數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行預(yù)處理；

2) 初步設(shè)定事務(wù)數(shù)據(jù)庫(kù)的支持度閾值和信賴度閾值；

3) 采用FP-Growth算法構(gòu)建FP-Tree，搜索頻繁項(xiàng)集；

4) 根據(jù)事務(wù)庫(kù)中數(shù)據(jù)的實(shí)際情況調(diào)整支持度閾值和信賴度閾值，修剪非頻繁項(xiàng)集；

5) 利用滿足支持度閾值和信賴度閾值的頻繁項(xiàng)集抽取關(guān)聯(lián)規(guī)則。

同時(shí)滿足支持度閾值和信賴度閾值條件的頻繁項(xiàng)集所產(chǎn)生的規(guī)則稱為強(qiáng)關(guān)聯(lián)規(guī)則，即為數(shù)據(jù)挖掘的目標(biāo)。規(guī)則的抽取就是選取符合條件的頻繁項(xiàng)集按照與預(yù)處理步驟相逆的過程所生成的關(guān)聯(lián)規(guī)則。本文目的就是通過關(guān)聯(lián)規(guī)則挖掘算法將各參數(shù)的異常變化與設(shè)備故障類型間的關(guān)聯(lián)規(guī)則進(jìn)行發(fā)掘，利用各參數(shù)的預(yù)測(cè)值對(duì)設(shè)備的狀態(tài)進(jìn)行預(yù)測(cè)。

2 故障診斷及預(yù)警模型設(shè)計(jì)

2.1 模型框架

印刷凹印設(shè)備常常由于其主傳動(dòng)軸不對(duì)中、不平衡，潤(rùn)滑及傳動(dòng)系統(tǒng)故障產(chǎn)生各類事故。因此，本文提出的基于LSTM網(wǎng)絡(luò)和FP-Growth算法相結(jié)合的印刷設(shè)備故障診斷及預(yù)警模型用于設(shè)備狀態(tài)預(yù)測(cè)，其系統(tǒng)架構(gòu)如圖3所示，主要由數(shù)據(jù)采集、數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)預(yù)處理、數(shù)據(jù)分析及模型應(yīng)用五大模塊構(gòu)成。

圖3 印刷設(shè)備故障診斷及預(yù)警系統(tǒng)架構(gòu)

各功能模塊具體描述如下：

1) 數(shù)據(jù)采集。數(shù)據(jù)來源主要包括各類型傳感器所采集到的數(shù)據(jù)，凹印設(shè)備控制器所記錄的印刷設(shè)備各項(xiàng)運(yùn)行參數(shù)及專家知識(shí)庫(kù)中的故障診斷記錄等。其溫度傳感器與流量傳感器安裝的點(diǎn)位分別分布在壓印、印版、集色滾筒兩側(cè)，共6個(gè)測(cè)點(diǎn)。

2) 數(shù)據(jù)存儲(chǔ)。線邊控制系統(tǒng)通過以太網(wǎng)與PLC、凹印設(shè)備控制器及故障診斷專家知識(shí)庫(kù)連接，將相關(guān)數(shù)據(jù)提取到線邊數(shù)據(jù)庫(kù)，為設(shè)備預(yù)警提供信息支撐。線邊數(shù)據(jù)庫(kù)又分為實(shí)時(shí)數(shù)據(jù)庫(kù)和關(guān)系數(shù)據(jù)庫(kù)兩部分，實(shí)時(shí)數(shù)據(jù)庫(kù)主要用于存儲(chǔ)設(shè)備控制器及PLC采集的實(shí)時(shí)數(shù)據(jù)，然后將這些數(shù)據(jù)信息通過抽取、提煉和持久化轉(zhuǎn)換為有效參數(shù)存入關(guān)系數(shù)據(jù)庫(kù)中。

3) 數(shù)據(jù)預(yù)處理。通過設(shè)備管理系統(tǒng)每隔固定時(shí)間同步線邊數(shù)據(jù)庫(kù)，讀取到相關(guān)數(shù)據(jù)。同時(shí)通過數(shù)據(jù)清理和數(shù)據(jù)變換，保證數(shù)據(jù)的準(zhǔn)確性和完整性。數(shù)據(jù)清理過程包括對(duì)數(shù)據(jù)進(jìn)行缺失值補(bǔ)充，對(duì)錯(cuò)誤或重復(fù)數(shù)據(jù)的剔除等；數(shù)據(jù)變換則是將數(shù)據(jù)規(guī)范化，使其轉(zhuǎn)換成適用于數(shù)據(jù)挖掘的形式，主要方式有數(shù)據(jù)歸一化、文字?jǐn)?shù)值化等。

4) 數(shù)據(jù)分析。該模塊在數(shù)據(jù)預(yù)處理的基礎(chǔ)上對(duì)數(shù)據(jù)的各項(xiàng)特征進(jìn)行提取。采用FP-Growth算法對(duì)各數(shù)據(jù)集進(jìn)行挖掘，得到與故障類型相關(guān)的關(guān)聯(lián)規(guī)則，并將新規(guī)則存入故障診斷專家知識(shí)庫(kù)進(jìn)行規(guī)則更新，用于設(shè)備故障的在線診斷。同時(shí)運(yùn)用LSTM網(wǎng)絡(luò)建立預(yù)測(cè)模型，通過不同的數(shù)據(jù)集對(duì)模型進(jìn)行訓(xùn)練，得到各數(shù)據(jù)在下一時(shí)段的預(yù)測(cè)值，然后借助專家?guī)鞂?duì)設(shè)備進(jìn)行故障預(yù)測(cè)。

5) 模型應(yīng)用。根據(jù)數(shù)據(jù)分析模塊對(duì)設(shè)備故障的診斷和預(yù)測(cè)，對(duì)其分析結(jié)果進(jìn)行可視化操作，以圖或表等形式向用戶直觀地展現(xiàn)各類故障預(yù)警信息。

2.2 基于FP-Growth算法構(gòu)建專家知識(shí)庫(kù)

對(duì)印刷設(shè)備來說，不同的故障類型直接反映在設(shè)備的故障維修記錄中，因此印刷設(shè)備故障關(guān)聯(lián)規(guī)則挖掘的首要目標(biāo)是各個(gè)故障維修記錄。根據(jù)故障維修記錄中設(shè)備各運(yùn)行參數(shù)的數(shù)據(jù)特征與設(shè)備故障代碼、維修診斷結(jié)果等的相關(guān)關(guān)系，產(chǎn)生一定的關(guān)聯(lián)規(guī)則，用于構(gòu)建初始的故障診斷專家知識(shí)庫(kù)。其構(gòu)建流程如下：

1) 讀取設(shè)備故障維修記錄中的各項(xiàng)數(shù)據(jù)；

2) 對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，并設(shè)定支持度與可信度閾值；

3) 構(gòu)建FP-Tree，搜索頻繁項(xiàng)集；

4) 調(diào)整閾值，修剪非頻繁項(xiàng)集；

5) 搜索完成，抽取關(guān)聯(lián)規(guī)則；

6) 將獲取的規(guī)則進(jìn)行規(guī)則邏輯性檢驗(yàn)，檢測(cè)無誤后存入故障診斷專家知識(shí)庫(kù)中，完成初始專家?guī)斓臉?gòu)建。

運(yùn)用專家知識(shí)庫(kù)進(jìn)行印刷設(shè)備的在線故障診斷，其診斷流程圖如圖4所示。對(duì)于與專家知識(shí)庫(kù)既有規(guī)則不匹配的故障類型進(jìn)行規(guī)則檢驗(yàn)，若其不包含錯(cuò)誤信息，則根據(jù)實(shí)際維修情況增加新規(guī)則。對(duì)于可通過專家知識(shí)庫(kù)診斷出的實(shí)時(shí)故障，應(yīng)及時(shí)出具診斷說明，并制定相應(yīng)的維修計(jì)劃對(duì)設(shè)備進(jìn)行檢修。每次診斷完成后，還應(yīng)實(shí)時(shí)更新專家知識(shí)庫(kù)(包括診斷規(guī)則、故障類型及規(guī)則信賴度等)。

圖4 在線故障診斷流程圖

2.3 基于LSTM網(wǎng)絡(luò)的設(shè)備狀態(tài)預(yù)測(cè)模型的建立與仿真

2.3.1 構(gòu)造模型的輸入與輸出

設(shè)備狀態(tài)預(yù)測(cè)模型的輸入主要為設(shè)備故障特征參數(shù)A、設(shè)備運(yùn)行參數(shù)B及環(huán)境因素C等，對(duì)應(yīng)的設(shè)備的每一個(gè)工作狀態(tài)X都有對(duì)應(yīng)的A、B、C值，如式(12)。

X={A,B,C}

(12)

1) 故障特征參數(shù)：印刷設(shè)備可依據(jù)各類傳感器反映的設(shè)備故障特征參數(shù)來監(jiān)控設(shè)備運(yùn)行狀態(tài)，例如：使用電渦流傳感器測(cè)得軸的徑向位移，監(jiān)控軸的平衡與對(duì)稱性；采用紅外溫度傳感器測(cè)量滾筒的軸承溫度，以保障合適的設(shè)備運(yùn)行溫度；使用流量計(jì)計(jì)量潤(rùn)滑油脂流量，監(jiān)測(cè)設(shè)備潤(rùn)滑系統(tǒng)的工作。

從印刷凹印設(shè)備的實(shí)際工作情況出發(fā)，發(fā)現(xiàn)設(shè)備出現(xiàn)故障時(shí)，易導(dǎo)致其溫度和潤(rùn)滑油脂流量產(chǎn)生較明顯的異常變化，如軸故障、齒輪故障等。溫度的變化對(duì)于運(yùn)動(dòng)件來說，是其是否在正常工作范圍的重要指標(biāo)，而潤(rùn)滑油的作用則是對(duì)運(yùn)動(dòng)件進(jìn)行潤(rùn)滑、降溫，減少機(jī)械磨損等，故選取軸承溫度及潤(rùn)滑油脂流量作為設(shè)備主要的故障特征參數(shù)。

2) 設(shè)備運(yùn)行參數(shù)：主要是原凹印設(shè)備控制器在設(shè)備運(yùn)行時(shí)所監(jiān)控的各項(xiàng)參數(shù)值，包括設(shè)備運(yùn)行時(shí)的電壓、電流、工作負(fù)載、運(yùn)行轉(zhuǎn)速等數(shù)值。

3) 環(huán)境因素：包括設(shè)備工作空間的溫度、濕度等。

為保證各輸入?yún)?shù)在同一量綱下，需要采用不同的數(shù)據(jù)處理方式對(duì)不同的參數(shù)類型進(jìn)行規(guī)范化處理。待各參數(shù)特征提取完成后，按以下規(guī)則構(gòu)造模型的輸入與輸出：

1) 數(shù)值分布較為集中的數(shù)值類變量(如軸承溫度、潤(rùn)滑油脂流量等)采用離差標(biāo)準(zhǔn)化的方法處理，通過對(duì)原始數(shù)據(jù)的線性變換，使其結(jié)果值映射到[0，1]之間，如式(13)。

2) 原始數(shù)據(jù)分布呈近似正態(tài)分布的數(shù)值類變量(如環(huán)境溫度、濕度等自然因素)采用Z-Score標(biāo)準(zhǔn)化方式處理，使變量數(shù)值都聚集在0附近，方差為1，如式(14)。

3) 文字類型變量，則需先對(duì)變量進(jìn)行分類，然后按照順序分別轉(zhuǎn)成數(shù)值1，2，3，…進(jìn)行處理；若此類變量只存在發(fā)生與不發(fā)生兩種情況，則按情況有無發(fā)生轉(zhuǎn)換成數(shù)值1或0。

(13)

(14)

其中：xmax、xmin分別為某參數(shù)樣本數(shù)據(jù)中的最大值與最小值；μ為某參數(shù)所有樣本數(shù)據(jù)的均值；σ為其標(biāo)準(zhǔn)差；x為參數(shù)變量處理前的指標(biāo)數(shù)值；x*為處理后的指標(biāo)數(shù)值。

2.3.2 構(gòu)建設(shè)備狀態(tài)預(yù)測(cè)模型

設(shè)備的工作狀態(tài)與其運(yùn)行過程中的關(guān)鍵參數(shù)息息相關(guān)，且各參數(shù)間也存在著特定的聯(lián)系，故本文采用LSTM網(wǎng)絡(luò)構(gòu)建印刷設(shè)備工作狀態(tài)預(yù)測(cè)模型。本模型的輸入與輸出參數(shù)一致，其核心模塊為一個(gè)3層的循環(huán)模塊，其結(jié)構(gòu)如圖5虛線部分所示。主要包括兩個(gè)全連接層和一個(gè)隱藏處理層，第1個(gè)全連接層負(fù)責(zé)對(duì)輸入的不同參數(shù)進(jìn)行特征整合；第2個(gè)連接層則作為數(shù)據(jù)分類層，輸出不同類型參數(shù)的預(yù)測(cè)值；隱藏層即為L(zhǎng)STM神經(jīng)網(wǎng)絡(luò)處理模塊，實(shí)現(xiàn)對(duì)輸入值的預(yù)測(cè)。其余參數(shù)再選取為工業(yè)界常用的一般值，這些參數(shù)包括學(xué)習(xí)率、初始權(quán)重、網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)等，模型架構(gòu)如圖5所示(圖中at表示t時(shí)刻參數(shù)a的值)。

圖5 設(shè)備狀態(tài)預(yù)測(cè)模型架構(gòu)圖

2.3.3 模型訓(xùn)練及仿真

為保證模型訓(xùn)練精度，選取南昌市某特種印刷企業(yè)某臺(tái)凹印設(shè)備2019年全年運(yùn)行數(shù)據(jù)的數(shù)據(jù)集作為訓(xùn)練樣本對(duì)設(shè)備狀態(tài)預(yù)測(cè)模型進(jìn)行訓(xùn)練，全部樣本數(shù)為300組，約3 600條數(shù)據(jù)記錄。通過對(duì)設(shè)備歷史運(yùn)行數(shù)據(jù)進(jìn)行預(yù)處理，將其分割成多個(gè)連續(xù)的時(shí)間序列數(shù)據(jù)，其中80%作為訓(xùn)練樣本，20%作為測(cè)試樣本。每個(gè)訓(xùn)練樣本都由兩個(gè)相鄰時(shí)間段的時(shí)間序列組成，隨機(jī)選取訓(xùn)練樣本對(duì)構(gòu)建完成的狀態(tài)預(yù)測(cè)模型進(jìn)行訓(xùn)練。

為了使模型訓(xùn)練過程可視化，引入平均絕對(duì)誤差(mean absolute error，MAE)作為損失函數(shù)，對(duì)模型的訓(xùn)練結(jié)果進(jìn)行監(jiān)測(cè)。當(dāng)該數(shù)值越趨近于0時(shí)，則說明預(yù)測(cè)模型的擬合度越好，預(yù)測(cè)數(shù)據(jù)的準(zhǔn)確度越高，其計(jì)算公式如式(15)。根據(jù)MAE值及誤差反向傳播算法不斷調(diào)整模型各權(quán)重系數(shù)，經(jīng)過預(yù)測(cè)值與真實(shí)值的對(duì)比分析，最終得出擬合準(zhǔn)確度較高的預(yù)測(cè)模型。

(15)

式中：NMAE為網(wǎng)絡(luò)模型訓(xùn)練時(shí)的損失函數(shù)值；y(i)為數(shù)據(jù)的實(shí)際監(jiān)測(cè)值；y*(i)為設(shè)備狀態(tài)預(yù)測(cè)模型輸出的預(yù)測(cè)值。

1) 計(jì)算不同時(shí)間步長(zhǎng)下訓(xùn)練數(shù)據(jù)集的MAE值確定模型的時(shí)間步長(zhǎng)。取不同的時(shí)間步長(zhǎng)的對(duì)模型進(jìn)行訓(xùn)練，觀測(cè)其訓(xùn)練效果，如圖6所示。

由圖6可知，不同時(shí)間步長(zhǎng)下，模型的訓(xùn)練效果有差異，隨著步長(zhǎng)的增加，模型訓(xùn)練效果逐漸變好，但當(dāng)時(shí)間步長(zhǎng)增加到6時(shí)，模型表現(xiàn)變差。故時(shí)間步長(zhǎng)為5時(shí)，模型訓(xùn)練效果最好，即通過參數(shù)前5個(gè)時(shí)間序列的數(shù)據(jù)預(yù)測(cè)第6個(gè)數(shù)據(jù)值。

時(shí)間步長(zhǎng)

2) 取時(shí)間步長(zhǎng)為5，對(duì)模型進(jìn)行訓(xùn)練并觀察其損失值變化，其模型訓(xùn)練過程中損失函數(shù)的變化如圖7所示。

從圖7可以看出，經(jīng)過600次左右的模型訓(xùn)練后，損失函數(shù)指標(biāo)穩(wěn)定在0.25左右，最終訓(xùn)練樣本的擬合度約為98.5%，模型訓(xùn)練效果較好。擬合度計(jì)算公式如式(16)、式(17)所示：

訓(xùn)練周期

Q=∑(y-y*)2

(16)

(17)

式中：Q為殘差平方和；Rnew為擬合度指標(biāo)；y為實(shí)測(cè)值；y*為預(yù)測(cè)值。

模型訓(xùn)練完成后，通過測(cè)試樣本中t時(shí)刻的設(shè)備運(yùn)行參數(shù)值at即可得出其下一相鄰時(shí)刻t+1的參數(shù)預(yù)測(cè)值at+1，然后采用迭代方法[8]逐點(diǎn)預(yù)測(cè)設(shè)備未來各時(shí)刻的運(yùn)行參數(shù)值。通過設(shè)備狀態(tài)預(yù)測(cè)模型完成對(duì)各關(guān)鍵參數(shù)值的預(yù)測(cè)，針對(duì)其中異常的A、B、C參數(shù)，會(huì)觸發(fā)對(duì)異常數(shù)據(jù)的提取過程，然后結(jié)合專家知識(shí)庫(kù)進(jìn)行故障在線診斷，完成對(duì)設(shè)備工作狀態(tài)的預(yù)測(cè)，實(shí)現(xiàn)對(duì)設(shè)備的有效預(yù)警。

3 模型驗(yàn)證

在設(shè)備正常運(yùn)轉(zhuǎn)過程中，其運(yùn)動(dòng)件的溫度、潤(rùn)滑油脂流量在預(yù)警系統(tǒng)中實(shí)時(shí)顯示(圖8)，且都有一定的限值(溫度限制值為48 ℃,流量上、下限值分別為65 mL·min-1及80 mL·min-1)，超限則意味著設(shè)備發(fā)生故障，例如：油管破裂、臟堵及閥門損壞易引起流量超限，軸承、軸等的變形及磨損易導(dǎo)致溫度超限。通過對(duì)不同的溫度、流量監(jiān)測(cè)曲線與正常工作曲線的比較分析，借助溫度與流量的變化幅度來判斷運(yùn)動(dòng)件的工作狀態(tài)，如圖9所示。

圖8 系統(tǒng)實(shí)時(shí)畫面

如圖9(a)中監(jiān)測(cè)的溫度發(fā)生了尖峰突變，可判斷出運(yùn)動(dòng)件發(fā)生損壞等情況，發(fā)出預(yù)警信號(hào)。圖9(c)處流量曲線發(fā)生階梯變化，根據(jù)曲線階梯的大小，發(fā)出管道破裂或堵塞的預(yù)警信號(hào)。圖9(b)、(d)中，溫度、流量曲線發(fā)生波動(dòng)，可依據(jù)波動(dòng)范圍的大小及曲線斜率的突變，判斷設(shè)備相關(guān)部件的狀態(tài)，超限時(shí)發(fā)出預(yù)警信號(hào)。通過模型故障特征參數(shù)溫度、流量，設(shè)備運(yùn)行參數(shù)工作負(fù)載、運(yùn)行轉(zhuǎn)速等因素的異常變化，結(jié)合專家知識(shí)庫(kù)來判斷設(shè)備所存在的故障及其故障類型。

t/min

3.1 狀態(tài)預(yù)測(cè)模型預(yù)測(cè)效果測(cè)試

通過樣本的隨機(jī)選取，確定以2019年7月9日設(shè)備運(yùn)行數(shù)據(jù)作為測(cè)試樣本對(duì)訓(xùn)練模型進(jìn)行測(cè)試，用于預(yù)測(cè)后1 d設(shè)備全天(9：00—20：00)運(yùn)行各參數(shù)值，并與當(dāng)天設(shè)備實(shí)際記錄的各參數(shù)值進(jìn)行對(duì)比，采用相對(duì)誤差作為衡量標(biāo)準(zhǔn)來評(píng)價(jià)模型預(yù)測(cè)的準(zhǔn)確度，如表1(選取軸承溫度、潤(rùn)滑油脂流量?jī)蓚€(gè)重要的故障特征參數(shù)作為模型驗(yàn)證參數(shù))。

表1 模型部分參數(shù)的預(yù)測(cè)值及相對(duì)誤差表

由表1的預(yù)測(cè)結(jié)果可以看出，該模型對(duì)不同參數(shù)的預(yù)測(cè)值與其實(shí)際檢測(cè)值近似，相對(duì)誤差基本控制在4%以內(nèi)，表明模型預(yù)測(cè)準(zhǔn)確度較高。

3.2 專家知識(shí)庫(kù)故障診斷測(cè)試

測(cè)試一：通過對(duì)設(shè)備歷史維修記錄的收集，得到了233條故障記錄，以此分別建立含200條故障記錄的挖掘庫(kù)和含33條故障記錄的測(cè)試庫(kù)，在計(jì)算機(jī)上進(jìn)行故障診斷實(shí)驗(yàn)。

為了測(cè)試借助FP-Growth算法所構(gòu)建的專家?guī)煊糜谠O(shè)備故障診斷的優(yōu)越性和準(zhǔn)確性，設(shè)計(jì)測(cè)試內(nèi)容如下。

1) 將挖掘庫(kù)中200條故障記錄通過數(shù)據(jù)預(yù)處理按故障性質(zhì)分組，分別采用FP-Growth算法和Apriori算法挖掘頻繁項(xiàng)集，產(chǎn)生關(guān)聯(lián)規(guī)則，構(gòu)建專家知識(shí)庫(kù)。

2) 設(shè)備實(shí)際運(yùn)行過程中發(fā)生故障概率較低，因此向測(cè)試庫(kù)中繼續(xù)添加567條設(shè)備正常運(yùn)行的數(shù)據(jù)記錄，利用專家知識(shí)庫(kù)對(duì)共600條測(cè)試數(shù)據(jù)分別分成3組(每組包含189條正常數(shù)據(jù)和11條故障數(shù)據(jù)，數(shù)據(jù)隨機(jī)抽選)，針對(duì)軸故障、軸承故障、潤(rùn)滑故障、閥故障、齒輪故障、電機(jī)故障等多種設(shè)備常見故障進(jìn)行故障診斷。測(cè)試結(jié)果如表2所示。

表2 不同算法故障診斷的效果比較

測(cè)試二：隨機(jī)選取2020年某個(gè)月(測(cè)試中選取4月份數(shù)據(jù)，共30組，約360個(gè)數(shù)據(jù)樣本)的設(shè)備運(yùn)行數(shù)據(jù)，記錄該月凹印設(shè)備實(shí)際的故障發(fā)生情況，通過設(shè)備狀態(tài)預(yù)測(cè)模型對(duì)該月設(shè)備的故障特征參數(shù)溫度、流量的變化，設(shè)備運(yùn)行參數(shù)工作電壓、電流及環(huán)境因素等進(jìn)行預(yù)測(cè)，將預(yù)測(cè)數(shù)據(jù)作為測(cè)試樣本，借助測(cè)試一中FP-Growth算法所構(gòu)建的專家知識(shí)庫(kù)進(jìn)行設(shè)備故障診斷測(cè)試。

針對(duì)測(cè)試結(jié)果與實(shí)際故障情況進(jìn)行比較，其診斷結(jié)果如表3所示?？芍?，該模型故障預(yù)測(cè)的準(zhǔn)確率為90%，且誤診率較低，約為1.67%，診斷效果較好。

表3 模型故障診斷的測(cè)試記錄

續(xù)表3 模型故障診斷的測(cè)試記錄

4 結(jié)束語

結(jié)合設(shè)備中多個(gè)監(jiān)測(cè)參數(shù)間的耦合關(guān)系，本文采用多參數(shù)信息融合預(yù)警技術(shù)及關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘算法提出了一種基于LSTM和FP-Growth算法相結(jié)合的印刷設(shè)備故障預(yù)警模型，并通過相關(guān)的模型仿真及故障測(cè)試，取得了期望的預(yù)測(cè)效果，充分證明了模型的有效性和可行性。綜上所述，得出結(jié)論：

1) 過LSTM網(wǎng)絡(luò)來處理和預(yù)測(cè)時(shí)間序列參數(shù)，有效解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)構(gòu)建模型中的權(quán)值更新問題，提升了模型的訓(xùn)練效果。

2) 用FP-Growth算法產(chǎn)生關(guān)聯(lián)規(guī)則，用其所構(gòu)建的專家知識(shí)庫(kù)對(duì)于印刷設(shè)備的故障預(yù)警效果更好，故障預(yù)測(cè)準(zhǔn)確率更高，且其算法速度快，對(duì)設(shè)備的故障診斷效率大大提高。

故采用LSTM網(wǎng)絡(luò)結(jié)合FP-Growth算法所構(gòu)建的預(yù)警模型滿足模型預(yù)測(cè)標(biāo)準(zhǔn)，能夠應(yīng)用于印刷設(shè)備的故障診斷與預(yù)警。進(jìn)一步提高對(duì)設(shè)備故障預(yù)測(cè)的準(zhǔn)確性及實(shí)現(xiàn)設(shè)備狀態(tài)的長(zhǎng)時(shí)間預(yù)測(cè)是下一步的研究目標(biāo)。