基于LSTM+FP-Growth算法的印刷設(shè)備故障預警及診斷

江朋，陸遠，胡瑩

(南昌大學機電工程學院，江西 南昌 330031)

隨著科學技術(shù)的發(fā)展，印刷設(shè)備的工作要求不斷提高，其結(jié)構(gòu)也趨于復雜化和精細化。在印刷設(shè)備運行過程中對連續(xù)運行要求高，且其檢修、維護較為困難。因此，如何實現(xiàn)對設(shè)備故障的及時診斷和提前預警成為了印刷企業(yè)最重視的問題。

傳統(tǒng)的故障診斷技術(shù)多采用單一參數(shù)指標，通過對其特征提取來完成設(shè)備的故障預警，而現(xiàn)代機械設(shè)備由于其復雜性和精密性，運行過程中有著多個關(guān)鍵參數(shù)，且常常伴隨著多個故障同時出現(xiàn)的情況。因此傳統(tǒng)故障診斷技術(shù)已遠遠不能滿足企業(yè)的實際需求，采用多參數(shù)融合技術(shù)[1]進行設(shè)備的故障預警逐步成為研究的熱點。近幾年，國內(nèi)外不少學者致力于多參數(shù)融合預警技術(shù)的研究，并取得了很大的成效。對于復雜旋轉(zhuǎn)機械的故障診斷問題，王炳成等[2]提出了一種基于多參數(shù)融合的非線性度來解決，通過運用相空間重構(gòu)理論和信號特征整合的方法，對多個非線性故障信號進行時間序列重構(gòu)及特征參數(shù)融合，實現(xiàn)對不同故障信息的準確識別。馮玉芳等[3]通過將BP神經(jīng)網(wǎng)絡(luò)模型和改進量子蜂群算法相結(jié)合來處理多信號參數(shù)的輸入，完成對旋轉(zhuǎn)機械的故障診斷及預測。Cai等[4]則提出了一種基于面向?qū)ο蟮呢惾~斯網(wǎng)絡(luò)(OOBNs)的復雜系統(tǒng)的實時故障診斷模型，通過多源信息融合技術(shù)來解決故障診斷中的不確定性。Jiang等[5]采用離散熵的多序列聚合方法，結(jié)合LSTM神經(jīng)網(wǎng)絡(luò)，對高維度的多個數(shù)據(jù)集進行分解、聚合等處理，最大程度保留了多尺度參數(shù)的有效信息，實現(xiàn)對航空發(fā)動機健康狀態(tài)的預測。

本文提出了一種新型的集成故障預警模型——基于長短期記憶網(wǎng)絡(luò)和FP-Growth算法相結(jié)合的故障預警方法。該方法針對印刷設(shè)備的特點，采用FP-Growth算法對歷史運行數(shù)據(jù)進行特征提取，并結(jié)合設(shè)備故障檢修記錄對故障進行分類匹配，構(gòu)建設(shè)備故障診斷專家知識庫，完成對設(shè)備運行現(xiàn)場數(shù)據(jù)的故障診斷。核心部分還引入LSTM網(wǎng)絡(luò)處理運行參數(shù)的復雜關(guān)系和時空特征，將多個相關(guān)參數(shù)統(tǒng)一考慮，實現(xiàn)對設(shè)備運行狀態(tài)的有效預測，完成設(shè)備的故障預警。最后，通過相關(guān)仿真測試驗證了模型的可行性。

1 LSTM網(wǎng)絡(luò)與FP-Growth算法原理

1.1 長短期記憶(LSTM)網(wǎng)絡(luò)

1997年，Hochreiter等聯(lián)合發(fā)表了與長短期記憶[6](long short-term memory，LSTM)相關(guān)的論文，自此，長短期記憶網(wǎng)絡(luò)開始逐步進入人們的視野。

長短期記憶網(wǎng)絡(luò)是一種特殊的遞歸神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)。RNN結(jié)構(gòu)如圖1(其中w、u、v為各類權(quán)重，X表示輸入，O表示輸出，S表示隱層處理狀態(tài))。

圖1 RNN模型展開圖

但當時間序列間隔和延遲較長時，RNN會出現(xiàn)梯度爆炸及梯度消失現(xiàn)象，這嚴重影響了數(shù)據(jù)預測的準確性。因此，引入其改進模型LSTM，來處理和預測長時依賴問題。LSTM模塊結(jié)構(gòu)如圖2所示。

圖2 LSTM模塊結(jié)構(gòu)圖

設(shè)定Wf、Wi、Wo、Wc以及bf、bi、bo、bc分別為3個門和單元狀態(tài)輸入的權(quán)重矩陣及偏差項，W為輸出層和隱藏層間的權(quán)重，b為輸出層的偏差項。

首先計算3個門的值和單元輸入狀態(tài)的值。遺忘門和輸入門用于更新單元內(nèi)部狀態(tài)：

ft=σ(Wf·[ht-1,xt]+bf)

(1)

it=σ(Wi·[ht-1,xt]+bi)

(2)

輸出門控制當前單元狀態(tài)，決定輸出的內(nèi)容：

Ot=σ(Wo·[ht-1,xt]+bo)

(3)

單元狀態(tài)輸入則通過tanh層生成新的候選值添加到單元狀態(tài)中去：

(4)

通過遺忘門與前單元狀態(tài)輸入丟棄不必要的信息，輸入門和單元狀態(tài)輸入保留新輸入的有效信息，得到單元的輸出狀態(tài)為：

(5)

然后，利用輸出門和單元的輸出狀態(tài)決定處理模塊的輸出：

ht=Ot·tanh(Ct)

(6)

通過上述LSTM模塊計算所得的ht值，預測網(wǎng)絡(luò)的輸出：

xt+1=W·ht+b

(7)

本文主要借助LSTM模塊的神經(jīng)網(wǎng)絡(luò)訓練模型，從一組與時間序列相關(guān)的數(shù)據(jù)中提取出數(shù)據(jù)未來的特征變化，完成對各個參數(shù)的有效預測。

1.2 FP-Growth算法

常用的挖掘頻繁項集的算法主要是Apriori算法，其缺陷在于原始數(shù)據(jù)量過大時，頻繁項集的發(fā)現(xiàn)速率相對低下。為改善其不足，提出FP-Growth算法，通過對原始數(shù)據(jù)集進行兩次掃描完成對頻繁項集的搜索，提高了對數(shù)據(jù)的處理效率。

FP表示的是一種頻繁模式，其算法步驟如下：

1) 掃描原始數(shù)據(jù)集，獲取數(shù)據(jù)集中每個元素出現(xiàn)的頻率；

2) 進行支持度過濾操作，刪去其中不符合最小支持度的元素項；

3) 掃描保留的頻繁元素項，并按照元素項的關(guān)鍵字進行降序排序，構(gòu)建FP-Tree；

4) 從構(gòu)建完成的FP-Tree中抽取頻繁項集。

FP-Tree的構(gòu)建中使用到最小支持度，其描述如下。

設(shè)

Z={z1,z2,z3,z4,…,zk}

(8)

是由k個不同的數(shù)據(jù)項目組成的集合，其中：每個元素稱為項，項的集合稱為項集。給定一個事務數(shù)據(jù)庫：

B={T1,T2,T3,T4,…,Tm}

(9)

式中：每一個事務T都是項集Z的一個子集，|B|為B中的總事務數(shù)，X、Y都是T中的項或項集，且X和Y滿足X∩Y=φ。若事務T同時包含X和Y，設(shè)S為滿足條件的事務T在事務數(shù)據(jù)庫B中的所占的比例，即支持度，則

(10)

設(shè)C為B中所包含的事務X中又包含事務Y的比例，即信賴度，則

(11)

最小支持度和最小信賴度分別用支持度閾值Smin和信賴度閾值Cmin表示。

該算法雖能更高效地發(fā)現(xiàn)頻繁項集，但不能直接用于發(fā)現(xiàn)關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則的挖掘還需要利用該算法得出的頻繁項集來產(chǎn)生，其流程如下：

1) 對事務數(shù)據(jù)庫中的數(shù)據(jù)進行預處理；

2) 初步設(shè)定事務數(shù)據(jù)庫的支持度閾值和信賴度閾值；

3) 采用FP-Growth算法構(gòu)建FP-Tree，搜索頻繁項集；

4) 根據(jù)事務庫中數(shù)據(jù)的實際情況調(diào)整支持度閾值和信賴度閾值，修剪非頻繁項集；

5) 利用滿足支持度閾值和信賴度閾值的頻繁項集抽取關(guān)聯(lián)規(guī)則。

同時滿足支持度閾值和信賴度閾值條件的頻繁項集所產(chǎn)生的規(guī)則稱為強關(guān)聯(lián)規(guī)則，即為數(shù)據(jù)挖掘的目標。規(guī)則的抽取就是選取符合條件的頻繁項集按照與預處理步驟相逆的過程所生成的關(guān)聯(lián)規(guī)則。本文目的就是通過關(guān)聯(lián)規(guī)則挖掘算法將各參數(shù)的異常變化與設(shè)備故障類型間的關(guān)聯(lián)規(guī)則進行發(fā)掘，利用各參數(shù)的預測值對設(shè)備的狀態(tài)進行預測。

2 故障診斷及預警模型設(shè)計

2.1 模型框架

印刷凹印設(shè)備常常由于其主傳動軸不對中、不平衡，潤滑及傳動系統(tǒng)故障產(chǎn)生各類事故。因此，本文提出的基于LSTM網(wǎng)絡(luò)和FP-Growth算法相結(jié)合的印刷設(shè)備故障診斷及預警模型用于設(shè)備狀態(tài)預測，其系統(tǒng)架構(gòu)如圖3所示，主要由數(shù)據(jù)采集、數(shù)據(jù)存儲、數(shù)據(jù)預處理、數(shù)據(jù)分析及模型應用五大模塊構(gòu)成。

圖3 印刷設(shè)備故障診斷及預警系統(tǒng)架構(gòu)

各功能模塊具體描述如下：

1) 數(shù)據(jù)采集。數(shù)據(jù)來源主要包括各類型傳感器所采集到的數(shù)據(jù)，凹印設(shè)備控制器所記錄的印刷設(shè)備各項運行參數(shù)及專家知識庫中的故障診斷記錄等。其溫度傳感器與流量傳感器安裝的點位分別分布在壓印、印版、集色滾筒兩側(cè)，共6個測點。

2) 數(shù)據(jù)存儲。線邊控制系統(tǒng)通過以太網(wǎng)與PLC、凹印設(shè)備控制器及故障診斷專家知識庫連接，將相關(guān)數(shù)據(jù)提取到線邊數(shù)據(jù)庫，為設(shè)備預警提供信息支撐。線邊數(shù)據(jù)庫又分為實時數(shù)據(jù)庫和關(guān)系數(shù)據(jù)庫兩部分，實時數(shù)據(jù)庫主要用于存儲設(shè)備控制器及PLC采集的實時數(shù)據(jù)，然后將這些數(shù)據(jù)信息通過抽取、提煉和持久化轉(zhuǎn)換為有效參數(shù)存入關(guān)系數(shù)據(jù)庫中。

3) 數(shù)據(jù)預處理。通過設(shè)備管理系統(tǒng)每隔固定時間同步線邊數(shù)據(jù)庫，讀取到相關(guān)數(shù)據(jù)。同時通過數(shù)據(jù)清理和數(shù)據(jù)變換，保證數(shù)據(jù)的準確性和完整性。數(shù)據(jù)清理過程包括對數(shù)據(jù)進行缺失值補充，對錯誤或重復數(shù)據(jù)的剔除等；數(shù)據(jù)變換則是將數(shù)據(jù)規(guī)范化，使其轉(zhuǎn)換成適用于數(shù)據(jù)挖掘的形式，主要方式有數(shù)據(jù)歸一化、文字數(shù)值化等。

4) 數(shù)據(jù)分析。該模塊在數(shù)據(jù)預處理的基礎(chǔ)上對數(shù)據(jù)的各項特征進行提取。采用FP-Growth算法對各數(shù)據(jù)集進行挖掘，得到與故障類型相關(guān)的關(guān)聯(lián)規(guī)則，并將新規(guī)則存入故障診斷專家知識庫進行規(guī)則更新，用于設(shè)備故障的在線診斷。同時運用LSTM網(wǎng)絡(luò)建立預測模型，通過不同的數(shù)據(jù)集對模型進行訓練，得到各數(shù)據(jù)在下一時段的預測值，然后借助專家?guī)鞂υO(shè)備進行故障預測。

5) 模型應用。根據(jù)數(shù)據(jù)分析模塊對設(shè)備故障的診斷和預測，對其分析結(jié)果進行可視化操作，以圖或表等形式向用戶直觀地展現(xiàn)各類故障預警信息。

2.2 基于FP-Growth算法構(gòu)建專家知識庫

對印刷設(shè)備來說，不同的故障類型直接反映在設(shè)備的故障維修記錄中，因此印刷設(shè)備故障關(guān)聯(lián)規(guī)則挖掘的首要目標是各個故障維修記錄。根據(jù)故障維修記錄中設(shè)備各運行參數(shù)的數(shù)據(jù)特征與設(shè)備故障代碼、維修診斷結(jié)果等的相關(guān)關(guān)系，產(chǎn)生一定的關(guān)聯(lián)規(guī)則，用于構(gòu)建初始的故障診斷專家知識庫。其構(gòu)建流程如下：

1) 讀取設(shè)備故障維修記錄中的各項數(shù)據(jù)；

2) 對數(shù)據(jù)進行預處理，并設(shè)定支持度與可信度閾值；

3) 構(gòu)建FP-Tree，搜索頻繁項集；

4) 調(diào)整閾值，修剪非頻繁項集；

5) 搜索完成，抽取關(guān)聯(lián)規(guī)則；

6) 將獲取的規(guī)則進行規(guī)則邏輯性檢驗，檢測無誤后存入故障診斷專家知識庫中，完成初始專家?guī)斓臉?gòu)建。

運用專家知識庫進行印刷設(shè)備的在線故障診斷，其診斷流程圖如圖4所示。對于與專家知識庫既有規(guī)則不匹配的故障類型進行規(guī)則檢驗，若其不包含錯誤信息，則根據(jù)實際維修情況增加新規(guī)則。對于可通過專家知識庫診斷出的實時故障，應及時出具診斷說明，并制定相應的維修計劃對設(shè)備進行檢修。每次診斷完成后，還應實時更新專家知識庫(包括診斷規(guī)則、故障類型及規(guī)則信賴度等)。

圖4 在線故障診斷流程圖

2.3 基于LSTM網(wǎng)絡(luò)的設(shè)備狀態(tài)預測模型的建立與仿真

2.3.1 構(gòu)造模型的輸入與輸出

設(shè)備狀態(tài)預測模型的輸入主要為設(shè)備故障特征參數(shù)A、設(shè)備運行參數(shù)B及環(huán)境因素C等，對應的設(shè)備的每一個工作狀態(tài)X都有對應的A、B、C值，如式(12)。

X={A,B,C}

(12)

1) 故障特征參數(shù)：印刷設(shè)備可依據(jù)各類傳感器反映的設(shè)備故障特征參數(shù)來監(jiān)控設(shè)備運行狀態(tài)，例如：使用電渦流傳感器測得軸的徑向位移，監(jiān)控軸的平衡與對稱性；采用紅外溫度傳感器測量滾筒的軸承溫度，以保障合適的設(shè)備運行溫度；使用流量計計量潤滑油脂流量，監(jiān)測設(shè)備潤滑系統(tǒng)的工作。

從印刷凹印設(shè)備的實際工作情況出發(fā)，發(fā)現(xiàn)設(shè)備出現(xiàn)故障時，易導致其溫度和潤滑油脂流量產(chǎn)生較明顯的異常變化，如軸故障、齒輪故障等。溫度的變化對于運動件來說，是其是否在正常工作范圍的重要指標，而潤滑油的作用則是對運動件進行潤滑、降溫，減少機械磨損等，故選取軸承溫度及潤滑油脂流量作為設(shè)備主要的故障特征參數(shù)。

2) 設(shè)備運行參數(shù)：主要是原凹印設(shè)備控制器在設(shè)備運行時所監(jiān)控的各項參數(shù)值，包括設(shè)備運行時的電壓、電流、工作負載、運行轉(zhuǎn)速等數(shù)值。

3) 環(huán)境因素：包括設(shè)備工作空間的溫度、濕度等。

為保證各輸入?yún)?shù)在同一量綱下，需要采用不同的數(shù)據(jù)處理方式對不同的參數(shù)類型進行規(guī)范化處理。待各參數(shù)特征提取完成后，按以下規(guī)則構(gòu)造模型的輸入與輸出：

1) 數(shù)值分布較為集中的數(shù)值類變量(如軸承溫度、潤滑油脂流量等)采用離差標準化的方法處理，通過對原始數(shù)據(jù)的線性變換，使其結(jié)果值映射到[0，1]之間，如式(13)。

2) 原始數(shù)據(jù)分布呈近似正態(tài)分布的數(shù)值類變量(如環(huán)境溫度、濕度等自然因素)采用Z-Score標準化方式處理，使變量數(shù)值都聚集在0附近，方差為1，如式(14)。

3) 文字類型變量，則需先對變量進行分類，然后按照順序分別轉(zhuǎn)成數(shù)值1，2，3，…進行處理；若此類變量只存在發(fā)生與不發(fā)生兩種情況，則按情況有無發(fā)生轉(zhuǎn)換成數(shù)值1或0。

(13)

(14)

其中：xmax、xmin分別為某參數(shù)樣本數(shù)據(jù)中的最大值與最小值；μ為某參數(shù)所有樣本數(shù)據(jù)的均值；σ為其標準差；x為參數(shù)變量處理前的指標數(shù)值；x*為處理后的指標數(shù)值。

2.3.2 構(gòu)建設(shè)備狀態(tài)預測模型

設(shè)備的工作狀態(tài)與其運行過程中的關(guān)鍵參數(shù)息息相關(guān)，且各參數(shù)間也存在著特定的聯(lián)系，故本文采用LSTM網(wǎng)絡(luò)構(gòu)建印刷設(shè)備工作狀態(tài)預測模型。本模型的輸入與輸出參數(shù)一致，其核心模塊為一個3層的循環(huán)模塊，其結(jié)構(gòu)如圖5虛線部分所示。主要包括兩個全連接層和一個隱藏處理層，第1個全連接層負責對輸入的不同參數(shù)進行特征整合；第2個連接層則作為數(shù)據(jù)分類層，輸出不同類型參數(shù)的預測值；隱藏層即為LSTM神經(jīng)網(wǎng)絡(luò)處理模塊，實現(xiàn)對輸入值的預測。其余參數(shù)再選取為工業(yè)界常用的一般值，這些參數(shù)包括學習率、初始權(quán)重、網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)等，模型架構(gòu)如圖5所示(圖中at表示t時刻參數(shù)a的值)。

圖5 設(shè)備狀態(tài)預測模型架構(gòu)圖

2.3.3 模型訓練及仿真

為保證模型訓練精度，選取南昌市某特種印刷企業(yè)某臺凹印設(shè)備2019年全年運行數(shù)據(jù)的數(shù)據(jù)集作為訓練樣本對設(shè)備狀態(tài)預測模型進行訓練，全部樣本數(shù)為300組，約3 600條數(shù)據(jù)記錄。通過對設(shè)備歷史運行數(shù)據(jù)進行預處理，將其分割成多個連續(xù)的時間序列數(shù)據(jù)，其中80%作為訓練樣本，20%作為測試樣本。每個訓練樣本都由兩個相鄰時間段的時間序列組成，隨機選取訓練樣本對構(gòu)建完成的狀態(tài)預測模型進行訓練。

為了使模型訓練過程可視化，引入平均絕對誤差(mean absolute error，MAE)作為損失函數(shù)，對模型的訓練結(jié)果進行監(jiān)測。當該數(shù)值越趨近于0時，則說明預測模型的擬合度越好，預測數(shù)據(jù)的準確度越高，其計算公式如式(15)。根據(jù)MAE值及誤差反向傳播算法不斷調(diào)整模型各權(quán)重系數(shù)，經(jīng)過預測值與真實值的對比分析，最終得出擬合準確度較高的預測模型。

(15)

式中：NMAE為網(wǎng)絡(luò)模型訓練時的損失函數(shù)值；y(i)為數(shù)據(jù)的實際監(jiān)測值；y*(i)為設(shè)備狀態(tài)預測模型輸出的預測值。

1) 計算不同時間步長下訓練數(shù)據(jù)集的MAE值確定模型的時間步長。取不同的時間步長的對模型進行訓練，觀測其訓練效果，如圖6所示。

由圖6可知，不同時間步長下，模型的訓練效果有差異，隨著步長的增加，模型訓練效果逐漸變好，但當時間步長增加到6時，模型表現(xiàn)變差。故時間步長為5時，模型訓練效果最好，即通過參數(shù)前5個時間序列的數(shù)據(jù)預測第6個數(shù)據(jù)值。

時間步長

2) 取時間步長為5，對模型進行訓練并觀察其損失值變化，其模型訓練過程中損失函數(shù)的變化如圖7所示。

從圖7可以看出，經(jīng)過600次左右的模型訓練后，損失函數(shù)指標穩(wěn)定在0.25左右，最終訓練樣本的擬合度約為98.5%，模型訓練效果較好。擬合度計算公式如式(16)、式(17)所示：

訓練周期

Q=∑(y-y*)2

(16)

(17)

式中：Q為殘差平方和；Rnew為擬合度指標；y為實測值；y*為預測值。

模型訓練完成后，通過測試樣本中t時刻的設(shè)備運行參數(shù)值at即可得出其下一相鄰時刻t+1的參數(shù)預測值at+1，然后采用迭代方法[8]逐點預測設(shè)備未來各時刻的運行參數(shù)值。通過設(shè)備狀態(tài)預測模型完成對各關(guān)鍵參數(shù)值的預測，針對其中異常的A、B、C參數(shù)，會觸發(fā)對異常數(shù)據(jù)的提取過程，然后結(jié)合專家知識庫進行故障在線診斷，完成對設(shè)備工作狀態(tài)的預測，實現(xiàn)對設(shè)備的有效預警。

3 模型驗證

在設(shè)備正常運轉(zhuǎn)過程中，其運動件的溫度、潤滑油脂流量在預警系統(tǒng)中實時顯示(圖8)，且都有一定的限值(溫度限制值為48 ℃,流量上、下限值分別為65 mL·min-1及80 mL·min-1)，超限則意味著設(shè)備發(fā)生故障，例如：油管破裂、臟堵及閥門損壞易引起流量超限，軸承、軸等的變形及磨損易導致溫度超限。通過對不同的溫度、流量監(jiān)測曲線與正常工作曲線的比較分析，借助溫度與流量的變化幅度來判斷運動件的工作狀態(tài)，如圖9所示。

圖8 系統(tǒng)實時畫面

如圖9(a)中監(jiān)測的溫度發(fā)生了尖峰突變，可判斷出運動件發(fā)生損壞等情況，發(fā)出預警信號。圖9(c)處流量曲線發(fā)生階梯變化，根據(jù)曲線階梯的大小，發(fā)出管道破裂或堵塞的預警信號。圖9(b)、(d)中，溫度、流量曲線發(fā)生波動，可依據(jù)波動范圍的大小及曲線斜率的突變，判斷設(shè)備相關(guān)部件的狀態(tài)，超限時發(fā)出預警信號。通過模型故障特征參數(shù)溫度、流量，設(shè)備運行參數(shù)工作負載、運行轉(zhuǎn)速等因素的異常變化，結(jié)合專家知識庫來判斷設(shè)備所存在的故障及其故障類型。

t/min

3.1 狀態(tài)預測模型預測效果測試

通過樣本的隨機選取，確定以2019年7月9日設(shè)備運行數(shù)據(jù)作為測試樣本對訓練模型進行測試，用于預測后1 d設(shè)備全天(9：00—20：00)運行各參數(shù)值，并與當天設(shè)備實際記錄的各參數(shù)值進行對比，采用相對誤差作為衡量標準來評價模型預測的準確度，如表1(選取軸承溫度、潤滑油脂流量兩個重要的故障特征參數(shù)作為模型驗證參數(shù))。

表1 模型部分參數(shù)的預測值及相對誤差表

由表1的預測結(jié)果可以看出，該模型對不同參數(shù)的預測值與其實際檢測值近似，相對誤差基本控制在4%以內(nèi)，表明模型預測準確度較高。

3.2 專家知識庫故障診斷測試

測試一：通過對設(shè)備歷史維修記錄的收集，得到了233條故障記錄，以此分別建立含200條故障記錄的挖掘庫和含33條故障記錄的測試庫，在計算機上進行故障診斷實驗。

為了測試借助FP-Growth算法所構(gòu)建的專家?guī)煊糜谠O(shè)備故障診斷的優(yōu)越性和準確性，設(shè)計測試內(nèi)容如下。

1) 將挖掘庫中200條故障記錄通過數(shù)據(jù)預處理按故障性質(zhì)分組，分別采用FP-Growth算法和Apriori算法挖掘頻繁項集，產(chǎn)生關(guān)聯(lián)規(guī)則，構(gòu)建專家知識庫。

2) 設(shè)備實際運行過程中發(fā)生故障概率較低，因此向測試庫中繼續(xù)添加567條設(shè)備正常運行的數(shù)據(jù)記錄，利用專家知識庫對共600條測試數(shù)據(jù)分別分成3組(每組包含189條正常數(shù)據(jù)和11條故障數(shù)據(jù)，數(shù)據(jù)隨機抽選)，針對軸故障、軸承故障、潤滑故障、閥故障、齒輪故障、電機故障等多種設(shè)備常見故障進行故障診斷。測試結(jié)果如表2所示。

表2 不同算法故障診斷的效果比較

測試二：隨機選取2020年某個月(測試中選取4月份數(shù)據(jù)，共30組，約360個數(shù)據(jù)樣本)的設(shè)備運行數(shù)據(jù)，記錄該月凹印設(shè)備實際的故障發(fā)生情況，通過設(shè)備狀態(tài)預測模型對該月設(shè)備的故障特征參數(shù)溫度、流量的變化，設(shè)備運行參數(shù)工作電壓、電流及環(huán)境因素等進行預測，將預測數(shù)據(jù)作為測試樣本，借助測試一中FP-Growth算法所構(gòu)建的專家知識庫進行設(shè)備故障診斷測試。

針對測試結(jié)果與實際故障情況進行比較，其診斷結(jié)果如表3所示?？芍?，該模型故障預測的準確率為90%，且誤診率較低，約為1.67%，診斷效果較好。

表3 模型故障診斷的測試記錄

續(xù)表3 模型故障診斷的測試記錄

4 結(jié)束語

結(jié)合設(shè)備中多個監(jiān)測參數(shù)間的耦合關(guān)系，本文采用多參數(shù)信息融合預警技術(shù)及關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘算法提出了一種基于LSTM和FP-Growth算法相結(jié)合的印刷設(shè)備故障預警模型，并通過相關(guān)的模型仿真及故障測試，取得了期望的預測效果，充分證明了模型的有效性和可行性。綜上所述，得出結(jié)論：

1) 過LSTM網(wǎng)絡(luò)來處理和預測時間序列參數(shù)，有效解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)構(gòu)建模型中的權(quán)值更新問題，提升了模型的訓練效果。

2) 用FP-Growth算法產(chǎn)生關(guān)聯(lián)規(guī)則，用其所構(gòu)建的專家知識庫對于印刷設(shè)備的故障預警效果更好，故障預測準確率更高，且其算法速度快，對設(shè)備的故障診斷效率大大提高。

故采用LSTM網(wǎng)絡(luò)結(jié)合FP-Growth算法所構(gòu)建的預警模型滿足模型預測標準，能夠應用于印刷設(shè)備的故障診斷與預警。進一步提高對設(shè)備故障預測的準確性及實現(xiàn)設(shè)備狀態(tài)的長時間預測是下一步的研究目標。