趙貞麗 劉金瑤

（1．沈陽(yáng)建筑大學(xué)建設(shè)項(xiàng)目管理有限公司，遼寧 沈陽(yáng) 110000；2．沈陽(yáng)萬(wàn)宸建筑規(guī)劃設(shè)計(jì)有限公司，遼寧 沈陽(yáng) 110000）

隨著科學(xué)技術(shù)的快速發(fā)展，機(jī)電產(chǎn)品的功能日益豐富和完善。機(jī)電設(shè)備也往往是機(jī)光電算等多種技術(shù)的結(jié)合體，是機(jī)械、電氣、控制、傳感器等多領(lǐng)域技術(shù)交叉的產(chǎn)物[1]。機(jī)電設(shè)備內(nèi)部的結(jié)構(gòu)也更復(fù)雜，不同單元承擔(dān)不同的角色，各單元之間又交叉縱橫，從而形成復(fù)雜的內(nèi)部關(guān)系[2]。機(jī)電產(chǎn)品功能豐富導(dǎo)致的高復(fù)雜性，給其出現(xiàn)故障后的有效檢測(cè)制造了更多困難。其中，作為機(jī)電設(shè)備功能實(shí)現(xiàn)的關(guān)鍵支撐，電氣控制單元一旦出現(xiàn)故障，將變得難以檢測(cè)[3]。導(dǎo)致電氣控制故障的原因眾多，一旦出現(xiàn)故障，很難運(yùn)用人工方法進(jìn)行快速檢出。受機(jī)電設(shè)備高復(fù)雜度的影響，常見(jiàn)的人工檢測(cè)方法的故障檢測(cè)、排查速度較慢，從而影響機(jī)電設(shè)備的復(fù)工進(jìn)度，進(jìn)而影響機(jī)電設(shè)備的使用效率[4]。為此，該文在充分分析機(jī)電設(shè)備電氣控制故障可能原因的基礎(chǔ)上，運(yùn)用智能化的故障檢測(cè)方法，以期有效地解決實(shí)際問(wèn)題。

1 機(jī)電設(shè)備電氣控制故障的分類(lèi)

目前，各種功能性的機(jī)電設(shè)備，尤其是大型機(jī)電設(shè)備，都具有非常復(fù)雜的內(nèi)部結(jié)構(gòu)和系統(tǒng)構(gòu)成。機(jī)械、電氣、控制和傳感等各種功能單元交錯(cuò)組合在一起，一旦出現(xiàn)故障，故障原因的排查非常困難。

機(jī)電設(shè)備常見(jiàn)故障可以分為2 個(gè)大類(lèi)，一類(lèi)是機(jī)械故障，純粹由機(jī)械零件、機(jī)構(gòu)等引起；另一類(lèi)是電氣故障，包括電氣、控制和傳感3 個(gè)方面的故障。該文主要討論的就是電氣故障這一大類(lèi)。機(jī)電設(shè)備電氣故障的常見(jiàn)分類(lèi)如圖1所示。

圖1 機(jī)電設(shè)備電氣控制故障的分類(lèi)

從圖1 可以看出，為了便于梳理機(jī)電設(shè)備中的電氣故障，該文進(jìn)一步將其細(xì)化分割為3 個(gè)類(lèi)別，第一類(lèi)是電線路故障，第二類(lèi)是控制故障，第三類(lèi)是老化故障。在電線路故障中，又可分為電線路的斷路故障、電線路的斷路故障和電線路的錯(cuò)接故障；在控制故障中，又可分為系統(tǒng)控制器故障、系統(tǒng)關(guān)鍵元件故障和各類(lèi)傳感器故障；在老化故障中，又可分為線路漆皮老化故障、線路內(nèi)芯老化故障和元器件老化故障等。對(duì)應(yīng)到具體某個(gè)故障，其屬于何種類(lèi)別可以視情況而定。例如如果電控系統(tǒng)的CPU 或者RAM 出現(xiàn)故障，則分別屬于系統(tǒng)控制器故障和關(guān)鍵元件故障；如果指示燈、行程開(kāi)關(guān)等出現(xiàn)故障，則屬于傳感器故障；如果因漆皮老化導(dǎo)致線路短接，則屬于線路漆皮老化故障；如果因內(nèi)芯老化出現(xiàn)斷路，則屬于線路內(nèi)芯老化故障。

通過(guò)建立這樣的分類(lèi)可以為后續(xù)的智能算法學(xué)習(xí)、識(shí)別和分類(lèi)創(chuàng)造有利條件。

2 電氣控制故障的智能檢測(cè)方法

2.1 方法的框架設(shè)計(jì)

機(jī)電設(shè)備電氣故障的傳統(tǒng)檢測(cè)方法一般是定期巡檢或者出現(xiàn)故障后的應(yīng)急檢查，這2 種檢測(cè)方法都需要通過(guò)人工現(xiàn)場(chǎng)完成檢測(cè)。當(dāng)機(jī)電設(shè)備復(fù)雜度高、內(nèi)部結(jié)構(gòu)龐大的情況下，依靠人工檢測(cè)會(huì)降低檢測(cè)效率，進(jìn)而延緩機(jī)電設(shè)備的復(fù)工和正常使用。

為了有效解決人工檢測(cè)排除電氣故障方法存在的低效率、誤差大的問(wèn)題，該文采用基于深度學(xué)習(xí)的智能檢測(cè)方法。目前，深度學(xué)習(xí)技術(shù)獲得了迅速發(fā)展，由最初的CNN 深度網(wǎng)絡(luò)和RNN 深度網(wǎng)絡(luò)逐步發(fā)展到自組織、自學(xué)習(xí)的全新深度學(xué)習(xí)時(shí)代。用戶(hù)可以根據(jù)不同問(wèn)題建立不同的深度學(xué)習(xí)網(wǎng)絡(luò)框架，從而解決相應(yīng)的問(wèn)題。

關(guān)于機(jī)電設(shè)備電氣控制故障檢測(cè)問(wèn)題，機(jī)電產(chǎn)品多年來(lái)的大范圍使用，使其各種故障的特征、形成原因都有了豐富的數(shù)據(jù)積累，為深度學(xué)習(xí)網(wǎng)絡(luò)提供了充沛的、可以利用的輸入數(shù)據(jù)。深度學(xué)習(xí)網(wǎng)絡(luò)可以根據(jù)這些數(shù)據(jù)進(jìn)行訓(xùn)練和學(xué)習(xí)，從而建立不同電氣故障到不同形成原因的內(nèi)部關(guān)系網(wǎng)絡(luò)。當(dāng)通過(guò)大量數(shù)據(jù)訓(xùn)練，獲得穩(wěn)定的深度網(wǎng)絡(luò)結(jié)構(gòu)后，再將新產(chǎn)生的故障納入深度網(wǎng)絡(luò)，即可迅速檢測(cè)其產(chǎn)生原因，從而形成快速故障檢測(cè)，為機(jī)電設(shè)備電氣故障的解決提供思路，并為實(shí)時(shí)解決創(chuàng)造條件。

基于上述分析，該文建立基于RNN 深度學(xué)習(xí)網(wǎng)絡(luò)的機(jī)電設(shè)備電氣故障智能檢測(cè)方法框架，如圖2所示。

圖2 基于RNN 深度學(xué)習(xí)網(wǎng)絡(luò)的機(jī)電設(shè)備電氣故障智能檢測(cè)方法

如圖2所示，將機(jī)電設(shè)備電氣故障的各種常見(jiàn)類(lèi)型作為輸入數(shù)據(jù)，納入整個(gè)智能方法中進(jìn)行學(xué)習(xí)，深度學(xué)習(xí)包括BERT 處理環(huán)節(jié)，可以對(duì)輸入的故障類(lèi)型進(jìn)行進(jìn)一步的分化和整理，繼而納入RNN 深度網(wǎng)絡(luò)的輸入層和隱含層進(jìn)行學(xué)習(xí)。需要指出的是，在RNN 深度網(wǎng)絡(luò)的中間層之后，嵌入了多頭注意力機(jī)制（即Multi-head Attention），主要是增強(qiáng)最終電氣故障類(lèi)型判據(jù)的確認(rèn)，從而增加電氣故障智能檢測(cè)的可信度。

2.2 RNN 深度網(wǎng)絡(luò)的智能實(shí)現(xiàn)流程

從圖2 可以看出，進(jìn)行機(jī)電設(shè)備電氣故障智能檢測(cè)的關(guān)鍵在于RNN 深度網(wǎng)絡(luò)，該網(wǎng)絡(luò)的具體結(jié)構(gòu)形式如圖3所示。

圖3 機(jī)電設(shè)備電氣故障檢測(cè)的RNN 深度網(wǎng)絡(luò)結(jié)構(gòu)

從上述過(guò)程可以看出，為了進(jìn)行機(jī)電設(shè)備電氣故障的智能診斷，RNN 深度網(wǎng)絡(luò)也形成了復(fù)雜的結(jié)構(gòu)。當(dāng)然RNN 深度網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜程度的高低還與具體的分析對(duì)象有關(guān)。

進(jìn)一步描述機(jī)電設(shè)備電氣故障檢測(cè)的RNN 深度網(wǎng)絡(luò)結(jié)構(gòu)的數(shù)學(xué)形態(tài)，其3 個(gè)層次的神經(jīng)元的關(guān)系公式（1）、公式（2）所示。

式中：f（）為機(jī)電設(shè)備電氣故障診斷過(guò)程中的非線性激活函數(shù)；g（）為機(jī)電設(shè)備電氣故障診斷過(guò)程中的激活函數(shù)；wx為機(jī)電設(shè)備電氣故障診斷過(guò)程中的輸入層到隱含層的權(quán)重；wh為機(jī)電設(shè)備電氣故障診斷過(guò)程中的隱含層內(nèi)部的權(quán)重；wy為機(jī)電設(shè)備電氣故障診斷過(guò)程中的隱含層到輸出層的權(quán)重。

2.3 引入Multi-head Attention

在該文構(gòu)建的機(jī)電設(shè)備電氣故障類(lèi)型診斷中，機(jī)電設(shè)備電氣故障的特征向量從RNN 網(wǎng)絡(luò)的隱含層輸出后，先經(jīng)過(guò)多頭注意力機(jī)制單元，再送入輸出層，形成最后的故障類(lèi)型診斷。Multi-head Attention 單元作用就是對(duì)經(jīng)過(guò)的每個(gè)機(jī)電設(shè)備電氣故障向量進(jìn)行多頭特征判據(jù)的轉(zhuǎn)化，其具體的處理流程如圖4所示。

圖4 機(jī)電設(shè)備電氣故障的多頭特征判據(jù)轉(zhuǎn)化

從圖4 可以看出，機(jī)電設(shè)備電氣故障的多頭特征判據(jù)的處理步驟如下。

第一個(gè)環(huán)節(jié)，根據(jù)機(jī)電設(shè)備電氣故障特征向量生成3 個(gè)矩陣，如公式（3）所示。

式中：T為機(jī)電設(shè)備電氣故障的特征向量；QT為機(jī)電設(shè)備電氣故障的查詢(xún)矩陣；KT為機(jī)電設(shè)備電氣故障的鍵矩陣；VT為機(jī)電設(shè)備電氣故障的值矩陣；wQ為機(jī)電設(shè)備電氣故障的查詢(xún)權(quán)重；wK為機(jī)電設(shè)備電氣故障的鍵權(quán)重；wV為機(jī)電設(shè)備電氣故障的值權(quán)重。

第二個(gè)環(huán)節(jié)，根據(jù)自注意力機(jī)制的計(jì)算方法得到每個(gè)headi，如公式（4）所示。

式中：Attention（）為機(jī)電設(shè)備電氣故障智能診斷過(guò)程中注意力機(jī)制函數(shù)；Same（）為機(jī)電設(shè)備電氣故障智能診斷過(guò)程中的歸一化函數(shù)；DK為矩陣KT的維度。

第三個(gè)環(huán)節(jié)，進(jìn)行多次自注意力機(jī)制的運(yùn)算，得到有關(guān)機(jī)電設(shè)備電氣故障智能診斷過(guò)程中的多個(gè)headi。

第四個(gè)環(huán)節(jié)，將多個(gè)自注意力計(jì)算得到的headi融合在一起，形成機(jī)電設(shè)備電氣故障智能診斷過(guò)程中特征語(yǔ)義向量，如公式（5）所示。

式中：Multihead_Y為機(jī)電設(shè)備電氣故障智能診斷過(guò)程中特征語(yǔ)義向量；Fusion（）為機(jī)電設(shè)備電氣故障智能診斷過(guò)程中融合函數(shù)；w0為機(jī)電設(shè)備電氣故障智能診斷過(guò)程中線性變換矩陣。

3 電氣控制故障的智能檢測(cè)試驗(yàn)

上述工作對(duì)機(jī)電設(shè)備常見(jiàn)的電氣故障類(lèi)型進(jìn)行了分類(lèi)，并提出了基于深度學(xué)習(xí)的電氣故障智能檢測(cè)方法，構(gòu)建了該方法的具體實(shí)現(xiàn)流程和核心處理模型。在接下來(lái)的工作中，將利用試驗(yàn)對(duì)該方法能夠達(dá)到的機(jī)電設(shè)備電氣故障的智能診斷效果進(jìn)行驗(yàn)證。

在試驗(yàn)過(guò)程中，根據(jù)圖1 設(shè)定3 類(lèi)機(jī)電設(shè)備電氣故障數(shù)據(jù)集，第一類(lèi)是電線路故障數(shù)據(jù)集，第二類(lèi)是控制故障數(shù)據(jù)集，第三類(lèi)是老化故障數(shù)據(jù)集。為了形成和該文故障檢測(cè)方法的對(duì)比，分別選擇了基于CNN 深度學(xué)習(xí)的故障類(lèi)型檢測(cè)方法（即CNN 方法）、基于RNN 深度學(xué)習(xí)的故障類(lèi)型檢測(cè)方法（即RNN 方法）以及基于RNN--Attention 深度學(xué)習(xí)的故障類(lèi)型檢測(cè)方法（即RNNAttention 方法）。

試驗(yàn)中選擇機(jī)電設(shè)備電氣故障分類(lèi)準(zhǔn)確率和F1-Score這2 項(xiàng)指標(biāo)。針對(duì)電線路故障數(shù)據(jù)集、控制故障數(shù)據(jù)集和老化故障數(shù)據(jù)集，分別采用CNN 方法、RNN 方法、RNNAttention 方法以及該文方法執(zhí)行機(jī)電設(shè)備電氣故障分類(lèi)智能檢測(cè)，4 種方法分類(lèi)結(jié)果的準(zhǔn)確率對(duì)比見(jiàn)表1。

表1 4 種方法電氣故障檢測(cè)結(jié)果的準(zhǔn)確率對(duì)比（%）

為了更直觀地展示表1 中的電氣故障檢測(cè)結(jié)果的對(duì)比效果，將表1 中的數(shù)據(jù)繪制成直方圖的形式，如圖5所示。

圖5 4 種方法電氣故障檢測(cè)準(zhǔn)確率的直方圖對(duì)比

4 結(jié)論

機(jī)電設(shè)備由于功能強(qiáng)大，其復(fù)雜程度日益提高，逐漸成為機(jī)光電算融合的多技術(shù)交叉產(chǎn)品，因此導(dǎo)致其故障診斷變得日益困難。該文針對(duì)傳統(tǒng)人工故障檢測(cè)方法的不足，提出了一種基于深度學(xué)習(xí)的智能檢測(cè)方法。首先，對(duì)機(jī)電設(shè)備電氣故障進(jìn)行了類(lèi)型分類(lèi)。其次，構(gòu)建了基于RNN 網(wǎng)絡(luò)和多頭注意力機(jī)制的深度學(xué)習(xí)檢測(cè)方法。最后的試驗(yàn)結(jié)果表明，該文構(gòu)建的方法可以實(shí)現(xiàn)機(jī)電設(shè)備電氣故障的智能檢測(cè)。