摘 要：自動化制造設(shè)備包括多個子系統(tǒng)，其電氣故障檢測是領(lǐng)域內(nèi)的技術(shù)難點。因此本文提出了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的故障檢測技術(shù)，可應(yīng)用于自動化制造設(shè)備的故障檢測。將自動化制造設(shè)備的各種可能故障作為輸入，經(jīng)注意力機制模塊處理后通過循環(huán)神經(jīng)網(wǎng)絡(luò)完成檢測。最后通過驗證性試驗證實了本文所提檢測技術(shù)對自動化制造設(shè)備電氣故障檢測的有效性。

關(guān)鍵詞：自動化制造設(shè)備；電氣系統(tǒng)；故障檢測；循環(huán)神經(jīng)網(wǎng)絡(luò)

中圖分類號：TM 76 " " " 文獻標志碼：A

計算機技術(shù)革命至今，各領(lǐng)域都受到深刻影響并隨之產(chǎn)生適應(yīng)性變革。對制造行業(yè)來說，計算機作為控制裝置后，制造設(shè)備的自動化程度顯著提高，甚至可以達到無人化的程度。隨著制造設(shè)備自動化程度不斷提升，其系統(tǒng)構(gòu)成也日趨復(fù)雜。除了具有常規(guī)制造設(shè)備具備的機械裝置、刀具和裝夾裝置外，自動化制造設(shè)備還具有控制裝置和各種類型的傳感器，從而形成了一個多類型部件交織的復(fù)雜系統(tǒng)。自動化制造裝備的整體系統(tǒng)還可以細分出機械系統(tǒng)、液壓系統(tǒng)、控制系統(tǒng)、電氣系統(tǒng)和傳感系統(tǒng)等。在這些系統(tǒng)中，電氣系統(tǒng)為包括控制系統(tǒng)、傳感系統(tǒng)在內(nèi)的其他系統(tǒng)提供動力任務(wù)。一旦電氣系統(tǒng)出現(xiàn)故障，自動化制造設(shè)備就無法正常工作。因此，對電氣系統(tǒng)進行故障檢測具有非常重要的意義。但是，自動化制造設(shè)備構(gòu)成復(fù)雜，其他子系統(tǒng)與電氣系統(tǒng)交錯排布，一旦電氣系統(tǒng)出現(xiàn)故障，其成因是十分復(fù)雜的。在這種情況下，為了更有效地分析自動化制造設(shè)備電氣故障的原因并完成檢測，本文提出了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的檢測技術(shù)。

1 自動化制造設(shè)備的電氣故障分析

為了有效完成自動化制造設(shè)備故障檢測，需要區(qū)分電氣故障同機械故障，區(qū)分的原則如下：將完全因機械零部件、機械組件、機械構(gòu)件、機構(gòu)引發(fā)的故障劃歸到機械類故障，其他由傳感系統(tǒng)、控制系統(tǒng)以及電氣系統(tǒng)自身引發(fā)的故障劃歸到電氣類故障。根據(jù)這種劃分方式，可以將自動化制造設(shè)備的電氣故障分為3類，分類結(jié)構(gòu)如圖1所示。

根據(jù)圖1的劃分標準，自動化制造設(shè)備的電氣故障又可以分為3類，即電線路出現(xiàn)問題引發(fā)的電氣故障、控制問題引發(fā)的電氣故障以及老化問題引發(fā)的電氣故障。

2 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的檢測方法設(shè)計

2.1 檢測方法的總體設(shè)計

根據(jù)圖1提供的電氣故障分類情況，當自動化制造設(shè)備出現(xiàn)某種故障后，可由檢測人員進行現(xiàn)場定位和查驗，進而判斷出其故障類型并采取有效方法。人工檢測是電氣故障檢測的傳統(tǒng)方法，但存在檢測困難、檢測效率低下等普遍問題。尤其是自動化制造設(shè)備的復(fù)雜度強、集成度高，進一步增加了人工檢測的難度。

為了構(gòu)建自動化、智能化程度更高的檢測方法，本文對多種智能方法進行了比較，各種方法的性能優(yōu)劣見表1。

從表1可以看出，循環(huán)神經(jīng)網(wǎng)絡(luò)方法優(yōu)勢明顯。一方面，深度學(xué)習(xí)獲得了快速發(fā)展。另一方面，自動化制造設(shè)備的故障檢測與深度學(xué)習(xí)具有較好的對應(yīng)性。這2個條件的疊加，為在自動化制造設(shè)備的故障檢測中應(yīng)用深度學(xué)習(xí)提供了最大可能。因此本文才構(gòu)建出基于循環(huán)神經(jīng)網(wǎng)絡(luò)的自動化制造設(shè)備電氣故障檢測方法，該方法的總體框架如圖2所示。

自動化制造設(shè)備的電氣故障深度學(xué)習(xí)檢測包括2個步驟。首先，將各種電氣故障的歷史數(shù)據(jù)信息作為訓(xùn)練樣本輸入循環(huán)神經(jīng)網(wǎng)絡(luò)中，通過大量迭代學(xué)習(xí)達成深度網(wǎng)絡(luò)穩(wěn)定。其次，將某一個時間段內(nèi)的數(shù)據(jù)作為輸入，用穩(wěn)定的深度網(wǎng)絡(luò)進行故障檢測和故障類型的判斷。從圖2可以看出，整個電氣故障檢測方法的框架包括語義模型處理模塊、輸入模塊、隱含層模塊、注意力機制模塊以及輸出模塊。

2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計

在整個電氣故障檢測方法中，循環(huán)神經(jīng)網(wǎng)絡(luò)處于核心位置。本文對其進行的結(jié)構(gòu)設(shè)計如圖3所示。

基于圖3給出的循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，輸入層到隱含層、隱含層再到輸出層的數(shù)學(xué)處理如公式（1）、公式（2）所示。

Hm=f（wxxm+whHm-1） （1）

ym=g（wyHm） （2）

式中：f（）是自動化制造設(shè)備電氣故障檢測深度學(xué)習(xí)過程中的非線性激活函數(shù)；g（）是自動化制造設(shè)備電氣故障檢測深度學(xué)習(xí)過程中的激活函數(shù)；wx是自動化制造設(shè)備電氣故障檢測深度學(xué)習(xí)過程中的輸入權(quán)重；wh是自動化制造設(shè)備電氣故障檢測深度學(xué)習(xí)過程中的隱含權(quán)重；wy是自動化制造設(shè)備電氣故障檢測深度學(xué)習(xí)過程中的輸出權(quán)重。

2.3 注意力機制的設(shè)計

自動化制造設(shè)備電氣故障檢測過程中存在很多冗余的無效數(shù)據(jù)，會影響深度學(xué)習(xí)的過程和故障檢測效率。為此，可以通過引入注意力機制，有效精簡數(shù)據(jù)、提升深度學(xué)習(xí)效率和故障檢測的準確性。本文中，自動化制造設(shè)備電氣故障檢測中的注意力機制如圖4所示。圖4中的自動化制造設(shè)備電氣故障檢測中的注意力機制實施過程如下所示。

首先，根據(jù)自動化制造設(shè)備電氣故障類型數(shù)據(jù)，生成如公式（3）所示的3個矩陣。

（3）

式中：T是自動化制造設(shè)備電氣故障檢測深度學(xué)習(xí)過程中的特征向量；QT是自動化制造設(shè)備電氣故障檢測深度學(xué)習(xí)過程中的查詢矩陣；KT是自動化制造設(shè)備電氣故障檢測深度學(xué)習(xí)過程中的鍵矩陣；VT是自動化制造設(shè)備電氣故障檢測深度學(xué)習(xí)過程中的值矩陣；wQ是自動化制造設(shè)備電氣故障檢測深度學(xué)習(xí)過程中的查詢權(quán)重；wK是自動化制造設(shè)備電氣故障檢測深度學(xué)習(xí)過程中的鍵權(quán)重；wV是自動化制造設(shè)備電氣故障檢測深度學(xué)習(xí)過程中的值權(quán)重。

其次，計算出各headi，如公式（4）所示。

（4）

式中：Attention（）是自動化制造設(shè)備電氣故障檢測深度學(xué)習(xí)過程中的注意力機制函數(shù)；Same（）是自動化制造設(shè)備電氣故障檢測深度學(xué)習(xí)過程中的歸一化函數(shù)；DK是矩陣KT的維度。

再次，反復(fù)執(zhí)行上一個步驟，得到headi的多次計算結(jié)果。

最后，將多個headi的多次計算結(jié)果融合處理，得到自動化制造設(shè)備電氣故障檢測深度學(xué)習(xí)過程中的語義表達，如公式（5）所示。

Multihead_Y（QT，KT，VT）=Fusion（head1，head2，…，headi）w0 （5）

式中：Multihead_Y是自動化制造設(shè)備電氣故障檢測深度學(xué)習(xí)過程中的特征語義向量；Fusion（）是自動化制造設(shè)備電氣故障檢測深度學(xué)習(xí)過程中的融合函數(shù)；w0是自動化制造設(shè)備電氣故障檢測深度學(xué)習(xí)過程中的線性變換矩陣。

3 自動化制造設(shè)備電氣故障檢測試驗

為了有效解決自動化制造設(shè)備的電氣故障檢測問題，本文提出了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)檢測方法，對循環(huán)神經(jīng)網(wǎng)絡(luò)進行了結(jié)構(gòu)設(shè)計，并使用新的注意力機制模塊。為了驗證該方法的檢測效果，本文進行了試驗研究。

試驗分為2個階段。第一階段，利用自動化制造設(shè)備的電氣系統(tǒng)歷史運行數(shù)據(jù)對深度網(wǎng)絡(luò)進行訓(xùn)練，尤其是利用其電氣故障數(shù)據(jù)進行訓(xùn)練。第二階段，對未知故障信息和未知故障類型的數(shù)據(jù)進行基于深度學(xué)習(xí)的檢測。在試驗過程中選擇3種對比方法，以驗證所提方法的有效性。這3種對比方法分別是CNN檢測方法、RNN檢測方法以及RNN-Attention檢測方法。

在試驗過程中，以電氣故障的檢測精度為具體指標，對圖1中給出的3類電氣故障進行檢測，結(jié)果見表2。

考慮表2中數(shù)據(jù)比較不夠直觀，以圖形化的方式比較4種方法電氣故障檢測結(jié)果，如圖5所示。

從圖5的比較結(jié)果可以看出，本文檢測方法的自動化制造設(shè)備電氣故障檢測準確性明顯高于其他方法。

4 結(jié)論

自動化制造設(shè)備具有更好的加工制造能力和效率，是制造領(lǐng)域的未來發(fā)展趨勢。但自動化制造設(shè)備系統(tǒng)復(fù)雜性導(dǎo)致其電氣故障檢測的難度加大，為此本文提出了一種基于深度學(xué)習(xí)的檢測方法。該方法將循環(huán)神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的主體框架，并結(jié)合新的注意力機制模塊。試驗過程中，本文將3類電氣故障數(shù)據(jù)作為輸入納入深度網(wǎng)絡(luò)中，其他3種方法作為對比方法。試驗結(jié)果顯示，本文電氣故障檢測方法對不同類型的電氣故障數(shù)據(jù)都具有較高的檢測精度，性能明顯優(yōu)于其他3種方法。

參考文獻

[1]呂晉，王益.電力系統(tǒng)高壓生產(chǎn)設(shè)備電氣故障自動化監(jiān)測研究[J].自動化與儀器儀表，2019（7）：66-69.

[2]張鶴，張勁松.西門子焊接車間設(shè)備故障自動診斷及焊機群控系統(tǒng)[J].汽車制造業(yè)，2023，35（2）：110-113.

[3]潘鈺哲.淺析電氣自動化控制設(shè)備的故障預(yù)防與維修技術(shù)[J].中國設(shè)備工程，2022，27（3）：68-70.