基于深度学习的索道轮胎损伤智能监测系统

2023-03-27冯显宗孙安国

起重运输机械 2023年4期

冯显宗孙安国陈虎

北京起重运输机械设计研究院有限公司北京 100007

0 引言

脱挂索道加减速装置的轮胎胎压监测系统目前处于逐步推广的过程中，其胎压监测系统可以实时采集每个轮胎的胎压值、温度以及传感器电池电量并上报给胎压系统主机。该系统读取原始数据并显示在主机界面上，以供索道维护人员查看。

在轮胎胎压监测系统应用前，无论轮胎是否有气索道维护人员都需要定期对轮胎进行补气。这就造成了部分轮胎可能气压不足而部分则气压过高，这些情况很难被发现。胎压监测系统的应用将改变之前脱挂索道对于轮胎气压的管理方式，实现了实时精准读取轮胎气压，避免了欠压和过压的情况发生，显著提高了轮胎安全性，使轮胎工作在最佳状态。

脱挂索道加减速状态的胎压监测系统只采集原始数据，无法对轮胎的安全和使用状态进行预判。该胎压监测系统可以采集到大量原始数据，对这些数据进行预处理和建模分析，可以很好地预测轮胎的磨损情况，极大提升原始数据的价值，更好地帮助索道维护人员管理和维护轮胎的物理状态，做到安全运行，有效的预防了不确定的安全隐患。

目前，已有的研究大多为对胎压的计算或预测，而没有利用胎压对轮胎损伤程度进行智能监控与预测，本文提出了一种新的轮胎损伤程度智能监控系统，减少了大量的人工操作且能达到提前预警的目的。

1 系统介绍

如图1所示，系统框架包括数据采集层、数据存储层、大数据实时计算处理层、数据建模分析层、包括数据预处理、深度学习建模以及模型存储、数据智能预测层。

图1 智能监控系统框架图

胎压数据采集层通过数据采集接口得到索道胎压和温度值以及时间戳，数据实时处理层采用大数据实时处理框架Spark Streaming对数据进行实时计算，从而可以按照需求的时间间隔进行动态取值，将大数据实时计算处理得到的数据存储到Redis数据库。

如图2所示，胎压数据采集器采集到的数据放入Redis进行缓存，Spark Streaming从Redis里面获取数据并进行计算。数据存储格式为：{时间戳: 时间，采集值：[胎压，温度]}。

当计算完成后，处理完成的数据放到Redis中进行缓存，用于后续的建模分析。

Spark Streaming是采用微批次进行处理的架构，通过将一段连续的小批数据量放在一起来进行实时计算。如图2所示，首先Spark Streaming会从Redis数据库中获取连续的实时数据，通过块管理模块对数据进行分块，然后Spark Streaming会采用1个时间间隔去定时的在连续时间上进行采样，从而形成新的数据，利用新的数据形式一个离散的分布式数据集RDD。多个RDD会形成一个数据流。Spark Streaming可以在数据流上按照需求实施各种计算与处理。

图2 实时计算系统框架

如图3所示，Spark Streaming按照时间间隔对数据进行采样计算，本文采用的时间间隔为1 min。每隔1 min对于实时数据进行采样计算。而每一个批次设置的时长为2 s。

图3 数据采样

如图4所示，图中的每一个椭圆表示1个RDD，而灰色的圆圈表示一个RDD里的分区，图中的规约和映射是对于Dstream进行的各种运算以及处理。另外，因Spark Streaming的输入数据来自于胎压采集系统，Spark Streaming会将采集到的每一个数据流进行备份，每一个数据流都会被拷贝2次并且存储到其他机器上，可以达到一定的容错性。另外，如果出现数据错误，只要输入数据在，都可以根据RDD之间的依赖关系来计算出任意状态的RDD，但因为需要重新计算程序开始以后所有的数据，重新计算可能会花费大量的计算时间。

图4 计算框架图

利用检查点机制，可以阶段性的把状态存储到可靠文件系统中，文中采用的是HDFS。HDFS是一个分布式文件系统，它具有高容错性能，可以运行在非常低配置且廉价的机器上，同时可以提供高吞吐量的数据访问，既可达到高性能又可节省硬件成本。有了检查点机制，每次都只用重新计算最近一次的RDD，从而大大降低了计算量。

数据建模分析层需要从缓存数据库Redis里获取实时处理好的数据来进行人工智能建模。本文需要进行2种建模，一是对胎压随时间变化的建模分析，可以实现对胎压的预测，进而可以判断轮胎是否欠压或者过压，二是根据时间、胎压、温度以及轮胎损伤进行建模，从而可以对轮胎损伤进行预测，使得工作人员可以提前预知轮胎是否需要更换。然后，将建立好的模型分别存储到数据库，从而在智能预测层可以实现智能预测。

最后是数据智能预测层，此处主要利用已经建立好的对未来的胎压以及轮胎损伤程度进行预测。同时模型会定时的进行更新，从而保证模型的准确性以及试试性。

2 基于深度学习的智能预测算法

基于深度学习的胎压智能预测框架如图5所示，该方法包括胎压数据预处理，在预处理的过程中需要进行数据清洗去掉脏数据，然后对空值进行补充。在数据归一化部分采用的是最小最大值归一化方法。然后进行2种数据建模分析，一是构建先知模型对胎压进行预测，二是构建长短期记忆模型对轮胎损伤程度进行预测。

图5 人工智能神经网络建模流程

对于索道压胎的预测属于时间序列预测问题，传统的时间序列预测主要是考虑时间在结构上的依赖关系。对于传统的时间序列模型需要有连续的时间上的数据，而先知模型不需要连续的数据，故不需要进行因为不连续带来的缺失值的填充问题。另外，传统的时间序列模型拟合速度非常慢，需要耗费大量的时间，然而先知模型的拟合速度非常快，从而可以使得模型能够进行交互式的探索。先知模型主要有3部分组成：增长趋势项、季节趋势项和节假日趋势项。其中趋势项表示的胎压数据的非周期性的变化趋势，季节项表示的周期性的变化规律，一般以周或年为单位。另外，节假日项指胎压数据中隐藏的以非固定周期的节假日对预测值带来的影响（如国庆节），可能会有大量人员外出旅游从而会带来更多的人乘坐索道缆车，从而对胎压造成影响。另外，先知模型往往还会包括一个误差项，弥补一些模型没有预测出来的波动。先知模型通过大量的数据训练，从而对上述几项进行拟合，最后将这几项相加从而达到对胎压进行预测的目的。对于趋势项而言，采用基于逻辑回归的函数，该函数是随时间变化的函数，对它所能增长的最大值进行了限制。另外，因为趋势项也不是一成不变的，会选择在一些特定的时间点控制周期曲线的变化，先知模型可以对这种变化点进行调节。本文采用算法来自动选择变点的位置，变点设置好之后会对增长率进行调整，通过指示函数来对增长率进行调整。对于季节性的趋势，采用傅里叶级数来模拟时间序列的周期性，其中最重要的是设计周期以及模型中使用周期的个数。节假日趋势主要通过收集节假日的时间，将节假日的时间点带来的特殊影响作为单独的项，同时利用指示函数来确定每一个节假日影响的范围。

构建LSTM人工智能神经网络，并利用胎压训练数据对模型进行训练。对于LSTM模型最重要的是要确定每一个控制单元的结构，同时要确定整个网络的结构。对于每一个控制单元里的运算进行调整，从而使得模型可以更加准确。在模型参数优化部分，需要利用胎压测试数据测试模型的性能，并进行超参数调整，从而对模型进行调优。

2.1 数据预处理

首先对于取到的数据进行数据清洗，对于空值，采用前一时刻的值填充，将时间戳进行统一格式处理。去掉其他不必要的数据信息，同时加上观测到的轮胎磨损情况的数据。然后对其他列采取归一化处理，此处采用的归一化方法是最小最大方法。公式为

2.2 深度学习算法建模

采用的深度学习算法为LSTM，在某一个时刻，LSTM内部结构含有3个门，分别为遗忘门、输入门和输出门。结构如图6所示。

图6 LSTM神经网络单元

遗忘门表示对上个时间点的状态应该丢弃或者保存哪些信息。对于Ct-1而言，需要上一个阶段的隐藏状态输出ht-1和当前这个阶段的输入xt，并通过Sigmoid来确定要让Ct-1丢弃或保存的信息，其中，Sigmoid=1表示要保留全部Ct-1信息，等于0表示完全丢弃之前的Ct-1。

式中：b为偏置值，Wf为权重，σ为激活函数。

输入门用来更新神经网络单元的状态，首先会用上一个阶段的隐藏状态输出ht-1和当前阶段的输入xt，通过sigmoid来控制现在要更新的信息到Ct。接下来创建Ct'，用tanh来决定需要保存的信息到Ct。然后通过把2个部分相乘来决定需要更新到Ct的信息，加上之前的遗忘门的信息的更新，可以写为

输出门用来确定下一个隐藏状态的值。首先通过Sigmoid函数决定Ct需要被输出到隐藏状态的消息，也就是第一个公式的ot；然后把Ct放入tanh内，从而决定最后可以输出到Ct部分的信息，并和ot相乘，得到最后的输出。

至此，一个完整的LSTM特定时刻的计算全部完成。

接下来需要对LSTM进行训练，即得到权重Wf。利用前4个小时的轮胎损伤程度去预测下1个小时的轮胎损伤程度，如图7所示

图7 预测时序图

图中

误差的公式采用均方误差，同时采用RMSprop算法需要确定权重参数的迭代更新方式。

按照上述的公式不断构建数据集，最后将构建好的数据集分为训练集和测试集，并且利用训练集对模型进行不断训练，从而得到权重。得到权重之后，还需要通过调整超参数来对模型进行优化。

首先可以调整LSTM神经网络的层数，层数越多，训练的模型越难收敛，但若层数太少，精度又会降低。基于胎压数据的特点，以及预测性能的比较，本文采用的是3层神经网络模型满足轮胎损伤预测的精度。同时，在LSTM神经网络的最后一层添加人工神经网络层来进行输出。其次，可以通过调整激活函数来改善预测性能，本文LSTM神经网络的激活函数采用的是Relu。目前很多人工智能计算框架默认采用的是tanh作为激活函数，但tanh函数不一定能满足实际需求。然后，在LSTM神经网络的输出层添加全连接人工智能神经网络的激活函数，本文采用的是Linear激活函数。最后，为了防止模型出现过拟合的现象，本文通过调整每一层神经网络结点的丢弃率来解决过拟合。

另外，通过调整模型训练的Epoch和Batch Size来进一步改善模型的精度、收敛情况以及运行速度。神经网络层如图8所示。

图8 神经网络层

3 仿真验证

首先准备共4万条索道胎压和温度以及损伤程度的数据，每条数据包括时间戳，胎压，温度以及是否欠压或过压，轮胎损伤程度，将4万条数据一共分为训练集和测试集，80%为训练集，20%为测试集。对于胎压预测模型，采用的是一个月的数据来预测将来的胎压数据。预测结果如图9所示。对于轮胎损伤模型，训练集用来训练LSTM模型，测试集用来监测模型的准确度。此处采用的前面4 h的数据来预测下一个小时的胎压情况以及轮胎损伤程度。预测结果如图10和图11所示。

图9的数据经过归一化处理的可以看出胎压的预测基本准确。