基于C4.5决策树的装药车间设备故障诊断系统

2022-04-13赵智聪肖乾柯刘治红

机电产品开发与创新 2022年2期

赵智聪，肖乾柯，刘治红

（中国兵器装备集团自动化研究所有限公司智能制造事业部，四川绵阳 621000）

0 引言

某企业为了装药车间形成智能化运维能力，急需将其车间内装药设备进行故障监控和智能化管理，减少车间内的操作运维人数。

从目前的故障诊断领域研究成果来看，使用机器学习算法对设备进行故障诊断比传统的参数报警有更高的准确率[1]。文献[2]利用分类回归树对集成遥感影像的光谱特征、纹理特征和空间分布特征[2]进行分类，有效地识别特征完成分类。文献[3]对各种决策树创建算法进行研究比较，针对大多数应用场景样本信息增益率是一种有效的性能评价指标。文献[4]在支持向量机的基础上研究了进行设备故障诊断，讨论多种优化方法以及优化思路。文献[5]采用了主成分分析法对CART决策树进行数据降维预处理，应用结果表明这样改进后决策树有很高的精度。文献[6]将风险理论与决策树相结合，模拟调度操作执行过程，采用状态枚举方法分析操作风险状态，来计算执行调度操作给电网带来的影响，辅助专家人员制定风险预控措施[6]。综上所述，机器学习算法在故障诊断上研究应用效果较好，本文将基于C4.5决策树对装药车间设备的故障进行研究分析。

1 装药车间故障诊断

1.1 现状

该企业制造过程的管控水平较低，主要存在有以下几个问题：

（1）装药车间工艺制造自动化水平低。生产加工大多是以机械加工为主，各生产环节均需要大量的人工操作。

（2）生产制造信息与物联网融合度低。生产制造过程数据的实时性无法保证，未利用到生产设备控制系统的数据。

（3）装药车间为防爆车间，生产环境要求高。不能使用无线网络，传感器及配套的硬件设备要放置在专门的隔爆箱中。

1.2 需求

目前国内装药生产车间生产环境复杂、生产运维人工参与多、运维数据分析挖掘难、管控效率低等问题，急需开展装药生产车间智能化运维管控模式、智能采集与融合、运行状态智能识别等技术研究，突破用于装药车间的运行状态识别、虚实融合显示等技术，形成装药车间智能运维管控的新模式与新标准，提升装药车间的智能运维管控能力。

1.3 故障分析

将装药车间的多种设备（如混合机、热水循环系统、固化系统等主要设备）的关键零部件作为故障诊断对象，基于历史已知的故障现象进行分析建模，结合新采集的真实数据对模型加以训练，建立设备故障模型知识库。对生产车间系统中的设备故障预警情况指标参数进行评估，作为后续辅助车间运维管控优化分析的目标函数值。

2 关键技术研究

2.1 车间数据采集技术

装药车间内的设备信号分成几类：模拟量检测信号、开关量检测信号。这些设备信号都有现成的仪表进行检测工作，需要在不影响原有仪表检测功能的前提下，实现对这些信号的采集。

模拟量数据采集：将变送器产生的0～20mA电流信号从显示仪表上断开，通过一进二出的信号隔离模块，产生两路大小相同，互相隔离的两路0～20mA电流信号。其中一路接原显示仪表，保持原有的仪表显示功能，另一路接系统的数据采集模块，见图1。

图1 模拟量采集原理图

开关量信号采集：将指示灯信号从指示灯上断开，通过中间继电器，驱动两组无源触点。将其中一组无源触点将24V直流电压连接到原指示灯，另一组无源触点将24V直流电压接入系统的数据采集模块，见图2。

图2 开关量采集原理图

装药车间中物料准备系统、混合系统、浇注系统和固化系统的数据采集信息见表1。

表1 设备数据采集

2.2 基于C4.5 的决策树算法

决策树学习算法是一个递归地选择最优特征，并以此为依据对训练数据进行分割，使得对各个子数据集有一个最优分类的过程。主要流程如下：特征选择、决策树的生成和剪枝。剪枝：为了将决策树变得更简单的同时使其具有更好的泛化能力决策树生成对应模型的局部选择，决策树的剪枝对应于模型的全局选择。决策树的生成模型过程只考虑局部最优，而剪枝则需要全局最优。特征选择：如果模型输入数据维度很大，在决策树学习开始之前就需要对数据特征进行预处理，选取特征数据，只留下有足够分类能力的特征。决策树优点如下：计算复杂度不高、对中间缺失值不敏感、解释性强等[1]。

C4.5算法是用于生成决策树的一种经典算法，通过信息增益率来控制分裂属性。在该系统中设备属性增益率计算过程如下：

其中数据集S通过设备属性A的值划分为了m个数据集，|Sj|—第j个数据集中的样本数；|S|—样本总数；SplitInfoA（S）—设备属性A的分类信息；InfoGainA（S）—设备属性A在属性分裂后的信息增益，InfoGainRation（S，A）为设备属性A分裂后的信息增益率。

装药车间中物料准备系统、混合系统、浇注系统和固化系统的历史故障信息见表2。未能识别到的故障类别将提交到故障信息表中新成新的一条未确定类型的故障信息，可以通过后台完善故障类型信息后进行决策树模型优化训练。

表2 设备故障历史信息表

3 应用实现

3.1 硬件实施方案

针对装药车间不同设备对象，根据安全、防爆的要求，将数据采集模型进行联网，构建以工业以太网为基础的数据采集网络。网络建设结构图见图3。

图3 装药车间网络结构图

3.2 数据采集与分析软件

基于Windows操作系统的.NET 5环境，使用C#编程语言在Visual Studio 2022 Preview软件开发环境上进行数据采集软件和基于决策树的后台分析软件开发，前端BS显示界面基于Vue进行开发。其中决策树算法使用Accord机器学习算法库，相关的优化计算使用Math.Net数学计算库。软件接口见图4。

图4 系统软件接口图

数据分析软件的数据处理流程见图5。车间设备历史数据用于决策树模型训练，软件定时启动后台任务进行决策树模型参数优化，设备实时数据通过MQTT服务器获取，模型分析后的结果通过WebApi和MQTT提供给其他程序使用。

图5 分析软件处理数据流程图

3.3 运行实施情况

装药车间故障诊断系统实现上电运行，数据采集软件实现对车间内装药装配设备实时数据的采集，数据分析软件对采集到的数据进行实时分析，将分析结果数据推送给MQTT服务器，前端界面通过订阅相关主题实现数据接收并显示。通过前端大屏上的系统，显示装药车间设备的生产状态信息，实现对生产设备的故障信息实时监控。系统数据采集效果见图6。