基于机器学习的设备异常分析研究

郑龙 朱瑞龙 林硕

摘要：文章通过对烟草企业生产线自动化生产设备的异常诊断问题进行分析，根据生产设备运行时生产数据的采集，选择了CNN和LSTM网络这两种机器学习的算法对设备异常诊断进行了研究。通过对仿真实验的数据对比，选择了LSTM网络作为设备异常诊断模型的核心算法。通过算法的仿真实验，以及烟草企业的实际需求，验证了LSTM网络算法在异常诊断上的可用性和先进性。在面对大量的实时设备运行数据时，能够快速地判断设备状况，并且在出现异常时能够迅速准确地分析出异常的类型，进而快速地制定设备异常解决方案，使设备能够快速地恢復正常生产状态，减少企业的经济损失。

关键词：烟草;设备异常;机器学习;CNN;LSTM

中图分类号：TP393    文献标识码：A

文章编号：1009-3044（2022）10-0089-02

1 引言

烟草行业不同于其他行业，它的产品受到多方面的制约，而且在全球范围内其产品也具有一定的特殊性。其特殊性在于总产能受政府支配，与市场需求关系不大。因此，对于烟草企业其产能近乎固定，但是企业要生存就必须要有利润，并且利润还要不断增长。所以，烟草企业需要在自身不停地发掘潜力，在多方面降低生产和运营的成本。从生产的角度来看，设备占企业资产的比例很高，其运行成本和维修保养成本也在生产成本中占据了较大的比例。如果能够在设备管理方面进行优化，那么烟草企业就可以很好地降低生产成本，创造新的利润增长点。

本文从烟草企业的实际问题出发，对企业的生产设备管理优化进行研究，针对设备运行时的异常状况，提出了一种快速解决设备异常状况的方案，目的在于能够快速地处理生产设备异常，使生产能够尽快恢复正常运转。本文的研究内容是基于烟草企业的实际问题，也是在企业中进行了实际的调研和验证，对企业的设备运行管理起到了一定的积极作用，使设备停机时间占比有明显下降。

2 设备异常诊断研究现状

从人类发明了机械开始，设备故障就是人们必须面对的问题[1]。从折断的杠杆到停机的数控机床，都需要尽快更换新的杠杆和维修机床[2]。因为设备的停机，企业会造成大量的经济损失[3]。停工停产使生产速度降低，订单不能及时交付，为了满足合同上的交货期，需要对生产计划重新规划，导致其他订单受到影响，人员也需要在设备恢复生产后加班工作。可见，设备的运行状态直接影响企业能否正常运转，是生产过程中关键的一环。为了保证设备尽量保持一个正常的运行状态，如何处理设备异常，早已经成为研究的重点。但是随着科学技术的快速发展，生产设备越来越精密，计划排产越来越详细，设备异常所带来的影响也越来越大。如何避免设备异常，或者快速解决设备异常，仍然是研究的重点[4-7]。

宁毅等针对重型机械的工况特点，提出了一种基于综合改进的经验模态分解（EMD）和小波阈值的算法，通过对设备关键部件的震动信号进行分析，判断设备的异常类型，进而能够快速地提出解决方案[8]。张鑫瑞等也利用模式识别的技术，对特征向量进行分类，识别轴承的故障类型，其实验模型证明了方法的有效性[9]。邓飞跃等也是针对轴承故障难以诊断的问题，提出了一种基于稀疏编码和极限学习机（ELM） 的故障识别方法。也是通过实验，证明其模型具备一定的可靠性[10]。吕德深等对诊断光电探测设备故障进行研究，因为其容易受到外界干扰，导致较高的误诊率，提出了一种利用粒子群算法优化神经网络算法，降低了设备故障诊断时的误诊率和虚警率，具有相当好的应用价值[11]。张西宁等对深度学习技术进行了深入的研究，并且广泛讨论了该技术在故障诊断方面的应用前景。通过全面分析当前故障诊断的特点和需求，将4种基本的机器学习算法和框架应用到复杂的设备故障检测任务中。并且还对几种方法进行了比较，最后展望了技术方面的应用前景，为后来的研究者提供了一定的研究基础和支撑[12]。

3 算法选择概述

目前，烟草企业的生产设备已经完成自动化升级改造，下一步是信息化升级，部分企业的部分生产线已经实现了智能化生产。但是随着设备升级的完成，其对生产条件的要求也大大提高，如果工人不能按照要求进行操作和生产，极有可能使设备出现异常而停工。完成自动化和信息化升级的生产线设备上有大量的数据采集点，通过对采集到的数据进行分析，能够获得设备运行的状况。但是因为烟草生产工艺复杂，结合了离散生产和流程生产的特点，并且在烟丝制备工艺上，需要对配方保密，所以生产线上的设备在运行时，会实时地生成大量的数据。这些数据记录了设备的运行情况，也可以通过分析数据了解设备的实际运行情况。

通过上一节对设备故障诊断领域的研究成果进行分析和总结，结合烟草企业的生产设备实际特点，选择卷积神经网络（Convolutional Neural Networks， CNN） 算法和长短期记忆人工神经网络（LSTM，Long Short-Term Memory） 对设备异常数据进行分析诊断。

CNN是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks） ，是机器学习最新领域的代表算法之一。CNN具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。LSTM是一种时间循环神经网络，是为了解决一般的RNN（循环神经网络，Recurrent Neural Network） 存在的长期依赖问题而专门设计出来的，他在分析结果和效率上都比RNN更好。

神经网络模仿人的神经元处理信号，当信号的阈值超过设定的范围，就下达指令，否则的话就等待。利用这个原理，可以对数据进行分类，只要满足一定的条件，那么整件事就属于一个特定的类型。对于多维数据来说，使用神经元进行分类，相当于在多维空间中划分区域，每一个区域内的数据更集中，就好像凭借一个或者几个特征对物品进行分类，例如颜色、形状、大小等。

神经网络可以用于对数据的分析并分类，通过对设备运行时采集的数据进行分析，可以将该设备的异常运行状态和正常运行状态区分开。首先需要将采集的数据进行初始化，因为神经网络的输入数据集可以为多维数据，所以可以将多种数据输入，每一个数据采样点，或者一个区域的、一个类型的数据采集器采集到的数据经过初始化后，作为一个维度输入到神经网络中，进行分析。对神经网络训练完成后，就建立起了设备异常诊断模型，将初始化后的设备数据输入到诊断模型中，则可以得到设备异常的类型。相关人员可以根据异常类型选择对应的解决方案。这样就可以大大减少故障分析诊断的时间。

4 故障诊断算法设计及仿真

在应用神经网络算法对设备运行数据进行训练前，需要对数据进行初始化。在神经网络中，神经元的传输函数应当在[0，1]中，因为当超出这个范围时，区别不是很大。另外，由于设备在运行中，有些数据采集设备所监视的数据是非常关键和重要的，不用参与到算法中去，便可以直接进行判断。例如制丝线上的烘干设备，当烘干机温度超过一定范围的时候，一定会停止加热，防止温度过高，影响产品的质量。类似的行为，不需要算法，那么就不需要将其加入数据集中，进行分析。当然也可以将这类数据加入，但是可能会影响最后的结果。

因为烟草企业的生产非常重要，其生产计划是严格计划和执行的，所以对设备的运行状态要求得也很严格，那么直接使用生产线上的设备进行验证是不行的。使用类似的数据集，对算法进行分析验证，保证其应用于实际工程项目中时能够稳定可靠地运行。数据集我们选择了mnist数据集，该数据集有很多科研工作者正在使用，可以证明其可靠性。例如，可以使用CNN网络对mnist手写数字数据集进行处理，横坐标为测试集学习的次数，纵坐标为损失函数，最终分类结果达90%以上，结果如图1所示。

使用另外一种神经学习的算法LSTM网络，对相同的数据集进行处理。LSTM网络是一种含有LSTM区块的神经网络。每一个LSTM都是一个智能单元，用来记忆不定时长的数据，内部的gate决定input的重要性，重要的input就会被记住，并将结果输出。相对于普通的RNN，LSTM网络能够避免普通RNN中会出现的长期依赖现象。同样的，让横坐标为测试集学习的次数，纵坐标为损失函数，最终分类的准确率达到95%左右，结果如图2所示。

通过对比两种算法在处理相同数据集的表现可以看出，LSTM和CNN都能达到较好的准确率，其中LSTM达到较好准确率的速度更快，且稳定性较好。所以可以采用LSTM网络，对设备异常诊断建立模型，用于设备异常的分析和诊断。

5 结论

通过对CNN和LSTM网络的仿真实验，结合实际烟草企业生产线上自动化生产设备的运行管理需求，可以将LSTM网络应用到烟草生产设备的异常诊断上。因为设备运行时的数据采集设备数量较多，靠人工管理和分析无法满足需求，所以利用LSTM网络算法正好能够满足企业的实际需求。而且通过仿真的实验也证明了算法的可行性。后续的工作主要围绕研究设备的运行数据、如何对数据进行选择进行，即哪些数据参与设备异常诊断分析，数据如何进行初始化，系统的开发上线和实际应用。

参考文献：

[1] 贾京龙，余涛，吴子杰，等.基于卷积神经网络的变压器故障诊断方法[J].电测与仪表，2017，54（13）：62-67.

[2] 罗金，童靳于，郑近德，等.基于EEMD和堆叠稀疏自编码的滚动轴承故障诊断方法[J].噪声与振动控制，2020，40（2）：115-120.

[3] Cheng F Z，Wang J，Qu L Y，et al.Rotor-current-based fault diagnosis for DFIG wind turbine drivetrain gearboxes using frequency analysis and a deep classifier[C]//IEEE Transactions on Industry Applications.IEEE，2017：1062-1071.

[4] Wang H Q，Li S，Song L Y，et al.A novel convolutional neural network based fault recognition method via image fusion of multi-vibration-signals[J].Computers in Industry，2019，105：182-190.

[5] Tran V T，AlThobiani F，Ball A.An approach to fault diagnosis of reciprocating compressor valves using Teager-Kaiser energy operator and deep belief networks[J].Expert Systems With Applications，2014，41（9）：4113-4122.

[6] Guo L，Lei Y G，Xing S B，et al.Deep convolutional transfer learning network：a new method for intelligent fault diagnosis of machines with unlabeled data[J].IEEE Transactions on Industrial Electronics，2019，66（9）：7316-7325.

[7] Wehrmann J，Becker W，Cagnini H E L，et al.A character-based convolutional neural network for language-agnostic Twitter sentiment analysis[C]//2017 International Joint Conference on Neural Networks （IJCNN）.May 14-19，2017，Anchorage，AK，USA.IEEE，2017：2384-2391.

[8] 寧毅，魏志刚，周建雄.基于改进EMD和小波阈值的混合机低速重载轴承故障诊断[J].噪声与振动控制，2020，40（6）：134-139.

[9] 张鑫瑞，夏源，王艺华.基于PSO-ELM的滚动轴承故障诊断模式识别方法[J].科学技术创新，2020（36）：160-161.

[10] 邓飞跃，强亚文.基于稀疏编码和极限学习机的设备故障诊断方法及应用[J].石家庄铁道大学学报（自然科学版），2020，33（4）：30-35.

[11] 吕德深，梁承权.粒子群优化神经网络的光电探测设备故障诊断[J].激光杂志，2020，41（9）：216-220.

[12] 张西宁，郭清林，刘书语.深度学习技术及其故障诊断应用分析与展望[J].西安交通大学学报，2020，54（12）：1-13.

【通联编辑：梁书】

收稿日期：2021-12-07

作者简介：郑龙（1978—） ，男，吉林延吉人，工程师，工学学士，研究方向为工业企业信息管理和网络信息技术与应用;朱瑞龙（1984—） ，男，内蒙古赤峰人，副研究员，工学硕士，研究方向为生产运作与管理设计与应用;林硕（1981—） ，男，辽宁沈阳人，副教授，工学博士，研究方向为生产执行系统设计与应用。