機器學習技術在織機運行狀況預測中的應用

侯 濤

為了確保經(jīng)編機在生產(chǎn)中維持正常運轉(zhuǎn),可以通過經(jīng)編機的歷史運行數(shù)據(jù)、實時運行數(shù)據(jù)和已經(jīng)設置的織機運行參數(shù)來預測織機的運行狀況。傳統(tǒng)的預測分析是在歷史資料基礎上得到客觀規(guī)律,結(jié)合相關領域?qū)＜业膶I(yè)經(jīng)驗,預先對各種可能發(fā)生的運行狀態(tài)先驗地預測其概率。但是先驗分布具有一定的局限性,先驗分布和許多決策問題的準確性易受到先驗信息充分與否的影響,同時決策人預先對狀態(tài)可能發(fā)生的概率做出的主觀判斷與客觀真實情況存在一定的差距。

近年來人工智能技術發(fā)展迅速,為提高紡織機械設備故障預測技術的可靠性和有效性,將人工智能相關技術引入到紡織機械設備故障預測中來很有必要。本文通過分析經(jīng)編機故障的性質(zhì)、分類與影響經(jīng)編機故障預測的各類指標,構(gòu)建了經(jīng)編機故障預測框架;通過使用主成分分析法對影響經(jīng)編織機故障預測的各類指標降維處理,構(gòu)建了基于距離判別法的經(jīng)編織機故障預測模型,從而實現(xiàn)了經(jīng)編織機的故障預測。

1 經(jīng)編機運行故障預測的理論基礎

1.1 經(jīng)編機故障影響因素分析

對影響經(jīng)編機故障預測指標進行分析,以獲得反應經(jīng)編機生產(chǎn)狀態(tài)的特征量,從而采用基于主成分分析和距離判別法理論進行經(jīng)編機故障預測模型的建立。在對紡織廠進行了實地調(diào)查基礎上,通過對經(jīng)編機生產(chǎn)運行過程的分析,對經(jīng)編機故障預測指標的建立從離散型數(shù)據(jù)和連續(xù)性數(shù)據(jù)兩方面入手,其結(jié)構(gòu)如圖1所示。

圖1 影響經(jīng)編機故障預測指標體系

經(jīng)編機的故障是一個從正常狀態(tài)到故障的逐步演化的多狀態(tài)過程,將經(jīng)編機運行狀態(tài)分為正常、停機、換盤、故障、維修。在停機狀態(tài)下不可能向故障狀態(tài)轉(zhuǎn)變,當經(jīng)編機發(fā)生故障時運行狀態(tài)從正常狀態(tài)向故障狀態(tài)轉(zhuǎn)變,當經(jīng)編機換盤后品種不合適可能會造成經(jīng)編機故障。

1.2 主成分分析

主成分分析(PCA)是一種較為成熟的多元統(tǒng)計監(jiān)測方法。應用PCA的方法將顯式變量作一定的線性轉(zhuǎn)化產(chǎn)生數(shù)量較少的隱式變量,降低原始數(shù)據(jù)空間的維數(shù),再從新的隱式變量中提取主要變化信息及特征[1]。這樣既保留了原有數(shù)據(jù)信息的特征,又消除了變量間的關聯(lián)、簡化分析復雜度;從新的數(shù)據(jù)空間中提取符合相應要求的主元數(shù),同時也消除了部分的系統(tǒng)噪聲干擾。特征或?qū)傩蕴鄷黾訂栴}的復雜程度與難度,主成分分析就是把原來多個特征化為少數(shù)幾個特征指標的一種統(tǒng)計分析方法,從數(shù)學角度看這是一種降維處理[2]。

為了消除量綱的影響,將變量標準化后再計算其協(xié)方差矩陣。任何隨機變量對其作標準化變化之后,其協(xié)方差與其相關系數(shù)是一回事,即標準化后的變量協(xié)方差矩陣就是其相關系數(shù)矩陣。根據(jù)協(xié)方差的公式可以推得標準化后的協(xié)方差就是原變量的相關系數(shù),即標準化后的變量的協(xié)方差矩陣就是原變量的相關系數(shù)矩陣。也就是說,在標準化前后變量的相關系數(shù)矩陣不變。

主成分分析的計算步驟如下：

(1)將變量進行標準化處理;

(2)計算相關系數(shù)矩陣;

(3)求出相關系數(shù)矩陣的特征值及相應的正交化單位特征向量;

(4)選擇主成分;

(5)計算主成分得分。

1.3 距離判別分析

距離判別法的基本思想是根據(jù)已分類的樣本空間的樣本數(shù)據(jù),計算出每個分類的重心即分類均值。若待檢樣本與某類的重心距離最近,就認為它是來自于該類。距離判定方式有歐氏距離、曼哈頓距離、切比雪夫距離及馬氏距離等。

馬氏距離的計算與原始數(shù)據(jù)測量單位沒有關系,不受指標單位不統(tǒng)一的影響,故本文選取馬氏距離作為距離度量公式。馬氏距離能夠有效計算兩個未知樣本集的相似度,表示協(xié)方差的距離。其物理意義就是在規(guī)范化的主成分空間中的歐式距離,即首先利用主成分分析將樣本分布改變到另一個空間,而馬氏距離就是樣本在新空間中分布的歐氏距離。

2 經(jīng)編機故障預測運行過程

2.1 經(jīng)編機故障預測框架

圖2所示為基于PCA與距離判別法的經(jīng)編機故障預測框架,對歷史樣本進行主元分析,確定模型的主元及提取經(jīng)編機故障特征信息形成模型的訓練集,并由此得到主成分分析-距離判別法經(jīng)編機故障預測模型[3]。對經(jīng)編機實時采集的數(shù)據(jù)進行相應的預處理,得到經(jīng)編機實時數(shù)據(jù)的特征信息,并將其輸入預測模型中完成經(jīng)編機故障預測。

使用主成分分析與距離判別法進行經(jīng)編機故障預測的基本流程見圖3,整個流程圖由三部分組成,即經(jīng)編機故障預測模型的建立與利用經(jīng)編機故障預測模型進行故障預測,其中數(shù)據(jù)預處理包括數(shù)據(jù)的整理和數(shù)據(jù)標準化處理兩部分。

圖2 經(jīng)編機故障預測模型

圖3 經(jīng)編機故障預測的基本流程圖

2.2 經(jīng)編機故障預測模型

2.2.1 數(shù)據(jù)預處理

本文結(jié)合本領域?qū)＜业闹R和經(jīng)編機生產(chǎn)歷史數(shù)據(jù)統(tǒng)計表,選取影響經(jīng)編機故障預測指標中的8個特征參數(shù)作為條件屬性,分別為轉(zhuǎn)速、經(jīng)編機運行情況、故障代碼、生產(chǎn)時間、停機次數(shù)、停機時間、維修次數(shù)、維修時間;采取經(jīng)編機運行8個特征參數(shù)作為判別依據(jù),對各屬性值按連續(xù)數(shù)據(jù)和離散數(shù)據(jù)進行如下劃分：

(1)連續(xù)數(shù)據(jù) 主要包括轉(zhuǎn)速、生產(chǎn)時間、停機時間、維修時間,這些連續(xù)數(shù)據(jù)都屬于連續(xù)值。為了更好地利用主成分分析理論對經(jīng)編機故障預測指標進行降維處理,必須對樣本空間中存在缺失值的樣本點進行缺失值插入處理。為保持樣本空間原有的分布,本文采用的是均值插入方法。

(2)離散數(shù)據(jù) 主要包括經(jīng)編機運行情況、故障代碼、停機次數(shù)等。對離散數(shù)據(jù)進行缺失值處理時依然采用的是均值插入方法,但缺失值的替補值不再是平均值,而是用該樣本點所在的樣本空間中其他所有樣本點存在值的眾數(shù)來代替該缺失值。

2.2.2 主成分分析

主成分分析是經(jīng)編機故障預測模型中不可或缺的模型,因為在原始數(shù)據(jù)集中屬性與屬性之間可能存在相互關系,而這種相互關系會造成模型的預測效果不好,可能會產(chǎn)生過擬合現(xiàn)象。本文采用主成分分析進行降維處理,其基本計算方法是：將訓練樣本集進行標準化處理,計算樣本空間樣本點的相關系數(shù)矩陣,求出相關系數(shù)矩陣的特征值及相應的特征向量,然后計算主成分貢獻率及累計貢獻率,再計算主成分載荷,最后計算因子判別式[4]。

算法步驟如下：

(1)根據(jù)主成分分析原理將數(shù)據(jù)進行標準化處理;

(2)根據(jù)算式求相關系數(shù)矩陣,并計算相關系數(shù)矩陣;

(3)選取主成分特征值越大相對應的主成分數(shù)據(jù)越重要,選取主成分數(shù)據(jù)一般包含到85%以上即可,代表標量的大部分原始信息[5];

(4)計算主成分載荷,它主要反映主成分與原變量的相互關聯(lián)程度;

(5)根據(jù)主成分載荷矩陣,計算因子判別式;

(6)輸出因子判別式。

2.2.3 距離判別法模型的建立

采用馬氏距離其基本方法是：首先計算各類樣本空間的均值,然后計算各個樣本空間的協(xié)方差矩陣,計算任意兩樣本空間的距離,求出線性判別函數(shù),實現(xiàn)預測功能。

算法步驟如下：

(1)根據(jù)距離判別法計算樣本均值;

(2)計算樣本的協(xié)方差矩陣;

(3)計算任意兩總體距離;

(4)根據(jù)計算的總體距離,得出線性判別公式。

2.2.4 故障預測模型驗證

預測模型驗證實質(zhì)上就是進行模型有效性分析,是判斷建立的預測模型是否準確代表實際系統(tǒng);一方面是確保采集的數(shù)據(jù)適用于建立的預測模型,另一方面是檢驗模型輸出是否接近實際系統(tǒng)。判別結(jié)果的評價一般根據(jù)對原始數(shù)據(jù)、驗證樣本的準確預測來評價分類效果的好壞,對原樣本及訓練樣本驗證方法有組內(nèi)考核,組內(nèi)回代,對驗證樣本的驗證法有組外考核等。

本文所采用的驗證方法如下：

(1)對于訓練樣本,采用組內(nèi)回代法驗證模型效果是否準確,假設G1,G2…Gn為n個總體,分別抽取容量為n1,n2的樣品,設nmn表示實際歸類Gn,預測歸類Gm的樣本數(shù)。使用誤差率來估計誤判率,準確率為1減估計誤判率,其算式為：

(2)對于驗證樣本,將驗證樣品代入預測模型,與實際結(jié)果進行比較。

3 結(jié)語

通過分析影響經(jīng)編機故障預測的各類指標,采用基于主成成分分析對海量的經(jīng)編機生產(chǎn)狀態(tài)數(shù)據(jù)進行降維處理,并構(gòu)建了基于距離判別法評估的故障預測模型,從而實現(xiàn)了經(jīng)編機的智能化故障預測。通過測試數(shù)據(jù)集進行驗證,結(jié)果顯示預測誤判率較低。