机电设备电气控制故障的智能检测方法研究

赵贞丽 刘金瑶

（1．沈阳建筑大学建设项目管理有限公司，辽宁 沈阳 110000；2．沈阳万宸建筑规划设计有限公司，辽宁 沈阳 110000）

随着科学技术的快速发展，机电产品的功能日益丰富和完善。机电设备也往往是机光电算等多种技术的结合体，是机械、电气、控制、传感器等多领域技术交叉的产物[1]。机电设备内部的结构也更复杂，不同单元承担不同的角色，各单元之间又交叉纵横，从而形成复杂的内部关系[2]。机电产品功能丰富导致的高复杂性，给其出现故障后的有效检测制造了更多困难。其中，作为机电设备功能实现的关键支撑，电气控制单元一旦出现故障，将变得难以检测[3]。导致电气控制故障的原因众多，一旦出现故障，很难运用人工方法进行快速检出。受机电设备高复杂度的影响，常见的人工检测方法的故障检测、排查速度较慢，从而影响机电设备的复工进度，进而影响机电设备的使用效率[4]。为此，该文在充分分析机电设备电气控制故障可能原因的基础上，运用智能化的故障检测方法，以期有效地解决实际问题。

1 机电设备电气控制故障的分类

目前，各种功能性的机电设备，尤其是大型机电设备，都具有非常复杂的内部结构和系统构成。机械、电气、控制和传感等各种功能单元交错组合在一起，一旦出现故障，故障原因的排查非常困难。

机电设备常见故障可以分为2 个大类，一类是机械故障，纯粹由机械零件、机构等引起；另一类是电气故障，包括电气、控制和传感3 个方面的故障。该文主要讨论的就是电气故障这一大类。机电设备电气故障的常见分类如图1所示。

图1 机电设备电气控制故障的分类

从图1 可以看出，为了便于梳理机电设备中的电气故障，该文进一步将其细化分割为3 个类别，第一类是电线路故障，第二类是控制故障，第三类是老化故障。在电线路故障中，又可分为电线路的断路故障、电线路的断路故障和电线路的错接故障；在控制故障中，又可分为系统控制器故障、系统关键元件故障和各类传感器故障；在老化故障中，又可分为线路漆皮老化故障、线路内芯老化故障和元器件老化故障等。对应到具体某个故障，其属于何种类别可以视情况而定。例如如果电控系统的CPU 或者RAM 出现故障，则分别属于系统控制器故障和关键元件故障；如果指示灯、行程开关等出现故障，则属于传感器故障；如果因漆皮老化导致线路短接，则属于线路漆皮老化故障；如果因内芯老化出现断路，则属于线路内芯老化故障。

通过建立这样的分类可以为后续的智能算法学习、识别和分类创造有利条件。

2 电气控制故障的智能检测方法

2.1 方法的框架设计

机电设备电气故障的传统检测方法一般是定期巡检或者出现故障后的应急检查，这2 种检测方法都需要通过人工现场完成检测。当机电设备复杂度高、内部结构庞大的情况下，依靠人工检测会降低检测效率，进而延缓机电设备的复工和正常使用。

为了有效解决人工检测排除电气故障方法存在的低效率、误差大的问题，该文采用基于深度学习的智能检测方法。目前，深度学习技术获得了迅速发展，由最初的CNN 深度网络和RNN 深度网络逐步发展到自组织、自学习的全新深度学习时代。用户可以根据不同问题建立不同的深度学习网络框架，从而解决相应的问题。

关于机电设备电气控制故障检测问题，机电产品多年来的大范围使用，使其各种故障的特征、形成原因都有了丰富的数据积累，为深度学习网络提供了充沛的、可以利用的输入数据。深度学习网络可以根据这些数据进行训练和学习，从而建立不同电气故障到不同形成原因的内部关系网络。当通过大量数据训练，获得稳定的深度网络结构后，再将新产生的故障纳入深度网络，即可迅速检测其产生原因，从而形成快速故障检测，为机电设备电气故障的解决提供思路，并为实时解决创造条件。

基于上述分析，该文建立基于RNN 深度学习网络的机电设备电气故障智能检测方法框架，如图2所示。

图2 基于RNN 深度学习网络的机电设备电气故障智能检测方法

如图2所示，将机电设备电气故障的各种常见类型作为输入数据，纳入整个智能方法中进行学习，深度学习包括BERT 处理环节，可以对输入的故障类型进行进一步的分化和整理，继而纳入RNN 深度网络的输入层和隐含层进行学习。需要指出的是，在RNN 深度网络的中间层之后，嵌入了多头注意力机制（即Multi-head Attention），主要是增强最终电气故障类型判据的确认，从而增加电气故障智能检测的可信度。

2.2 RNN 深度网络的智能实现流程

从图2 可以看出，进行机电设备电气故障智能检测的关键在于RNN 深度网络，该网络的具体结构形式如图3所示。

图3 机电设备电气故障检测的RNN 深度网络结构

从上述过程可以看出，为了进行机电设备电气故障的智能诊断，RNN 深度网络也形成了复杂的结构。当然RNN 深度网络结构复杂程度的高低还与具体的分析对象有关。

进一步描述机电设备电气故障检测的RNN 深度网络结构的数学形态，其3 个层次的神经元的关系公式（1）、公式（2）所示。

式中：f（）为机电设备电气故障诊断过程中的非线性激活函数；g（）为机电设备电气故障诊断过程中的激活函数；wx为机电设备电气故障诊断过程中的输入层到隐含层的权重；wh为机电设备电气故障诊断过程中的隐含层内部的权重；wy为机电设备电气故障诊断过程中的隐含层到输出层的权重。

2.3 引入Multi-head Attention

在该文构建的机电设备电气故障类型诊断中，机电设备电气故障的特征向量从RNN 网络的隐含层输出后，先经过多头注意力机制单元，再送入输出层，形成最后的故障类型诊断。Multi-head Attention 单元作用就是对经过的每个机电设备电气故障向量进行多头特征判据的转化，其具体的处理流程如图4所示。

图4 机电设备电气故障的多头特征判据转化

从图4 可以看出，机电设备电气故障的多头特征判据的处理步骤如下。

第一个环节，根据机电设备电气故障特征向量生成3 个矩阵，如公式（3）所示。

式中：T为机电设备电气故障的特征向量；QT为机电设备电气故障的查询矩阵；KT为机电设备电气故障的键矩阵；VT为机电设备电气故障的值矩阵；wQ为机电设备电气故障的查询权重；wK为机电设备电气故障的键权重；wV为机电设备电气故障的值权重。

第二个环节，根据自注意力机制的计算方法得到每个headi，如公式（4）所示。

式中：Attention（）为机电设备电气故障智能诊断过程中注意力机制函数；Same（）为机电设备电气故障智能诊断过程中的归一化函数；DK为矩阵KT的维度。

第三个环节，进行多次自注意力机制的运算，得到有关机电设备电气故障智能诊断过程中的多个headi。

第四个环节，将多个自注意力计算得到的headi融合在一起，形成机电设备电气故障智能诊断过程中特征语义向量，如公式（5）所示。

式中：Multihead_Y为机电设备电气故障智能诊断过程中特征语义向量；Fusion（）为机电设备电气故障智能诊断过程中融合函数；w0为机电设备电气故障智能诊断过程中线性变换矩阵。

3 电气控制故障的智能检测试验

上述工作对机电设备常见的电气故障类型进行了分类，并提出了基于深度学习的电气故障智能检测方法，构建了该方法的具体实现流程和核心处理模型。在接下来的工作中，将利用试验对该方法能够达到的机电设备电气故障的智能诊断效果进行验证。

在试验过程中，根据图1 设定3 类机电设备电气故障数据集，第一类是电线路故障数据集，第二类是控制故障数据集，第三类是老化故障数据集。为了形成和该文故障检测方法的对比，分别选择了基于CNN 深度学习的故障类型检测方法（即CNN 方法）、基于RNN 深度学习的故障类型检测方法（即RNN 方法）以及基于RNN--Attention 深度学习的故障类型检测方法（即RNNAttention 方法）。

试验中选择机电设备电气故障分类准确率和F1-Score这2 项指标。针对电线路故障数据集、控制故障数据集和老化故障数据集，分别采用CNN 方法、RNN 方法、RNNAttention 方法以及该文方法执行机电设备电气故障分类智能检测，4 种方法分类结果的准确率对比见表1。

表1 4 种方法电气故障检测结果的准确率对比（%）

为了更直观地展示表1 中的电气故障检测结果的对比效果，将表1 中的数据绘制成直方图的形式，如图5所示。

图5 4 种方法电气故障检测准确率的直方图对比

4 结论

机电设备由于功能强大，其复杂程度日益提高，逐渐成为机光电算融合的多技术交叉产品，因此导致其故障诊断变得日益困难。该文针对传统人工故障检测方法的不足，提出了一种基于深度学习的智能检测方法。首先，对机电设备电气故障进行了类型分类。其次，构建了基于RNN 网络和多头注意力机制的深度学习检测方法。最后的试验结果表明，该文构建的方法可以实现机电设备电气故障的智能检测。