基于支持向量機(jī)的CTD煙絲干燥設(shè)備故障預(yù)測(cè)研究*

巫小燕,劉永明，謝鵬，劉志博，趙轉(zhuǎn)哲*

(1.安徽工程大學(xué)機(jī)械工程學(xué)院，安徽 蕪湖 241000；2.安徽中煙工業(yè)公司蕪湖卷煙廠，安徽 蕪湖 241003)

引言

烘絲機(jī)作為煙絲干燥工序的主要設(shè)備，在卷煙制絲生產(chǎn)過(guò)程中承擔(dān)著十分重要的作用.如圖1所示，其具備恒脫水功能，同時(shí)因?yàn)槠涓稍飼r(shí)間短、維護(hù)難度低以及工作效率高等優(yōu)勢(shì)，但在實(shí)際運(yùn)行過(guò)程中存在堵絲、出絲不均勻、斷流等問(wèn)題，造成設(shè)備的運(yùn)行故障，使煙絲品質(zhì)和生產(chǎn)效率下降.因此，對(duì)于煙絲干燥過(guò)程中的故障預(yù)測(cè)就顯得尤為必要.

圖1 CTD氣流式烘絲機(jī)

因?yàn)橹С窒蛄繖C(jī)算法(Support Vector Machine, SVM)能較好地解決非線性、高維數(shù)和局部極小點(diǎn)等問(wèn)題，所以國(guó)內(nèi)外已有不少學(xué)者對(duì)支持向量機(jī)算法進(jìn)行了深入研究并利用該算法對(duì)設(shè)備故障進(jìn)行診斷：Chauhan[1]等人改進(jìn)了線性支持向量機(jī)的求解器.Rizwan[2]等人提出了更好性能的WR-SVM分類(lèi)器.Tan[3]等人利用改進(jìn)的粒子群算法優(yōu)化支持向量機(jī)模型，形成了PSO-SVM算法.Siqueira[4]等人將支持向量機(jī)替代傳統(tǒng)方法應(yīng)用于前列腺癌分類(lèi)，結(jié)果表明其具有更高的敏感性和特異性.鄧曾[5]等人提出了一種支持向量機(jī)的改進(jìn)算法，驗(yàn)證了其具有較高的分類(lèi)精度.院老虎[6]等人將密集連接卷積網(wǎng)絡(luò)與支持向量機(jī)相結(jié)合，提出了一種旋轉(zhuǎn)機(jī)械故障診斷方法.韓耀輝[7]等人利用仿真軟件搭建了實(shí)時(shí)整車(chē)模型并構(gòu)建了基于支持向量機(jī)的柴電混合動(dòng)力系統(tǒng)的診斷框架.李森娟[8]等人提出了一種基于支持向量機(jī)的風(fēng)電機(jī)組故障預(yù)測(cè)模型.孫原理[9]等人提出一種基于多物理場(chǎng)信號(hào)相關(guān)分析與支持向量機(jī)相結(jié)合的故障診斷方法.羅巍[10]等人提出了一種基于粒子群-支持向量機(jī)(PSO-SVM)及時(shí)序環(huán)節(jié)的數(shù)控刀架故障診斷方法.郭小萍[11]等人針對(duì)工業(yè)過(guò)程多類(lèi)型故障診斷率低的問(wèn)題,提出一種邊界判別投影與支持向量機(jī)相融合的方法.黃新波[12]等人將時(shí)間序列和支持向量機(jī)相結(jié)合，提出了一種變壓器故障預(yù)測(cè)模型.

目前，關(guān)于CTD煙絲干燥設(shè)備的故障預(yù)測(cè)方面還沒(méi)有相關(guān)的研究.本文可為CTD煙絲干燥過(guò)程中的故障預(yù)測(cè)提供支持向量機(jī)故障預(yù)測(cè)模型，為煙絲干燥過(guò)程的順利進(jìn)行提供保障.

1 CTD煙絲干燥設(shè)備及干燥工藝過(guò)程

CTD氣流式烘絲機(jī)的主要組成部分有：勻料器、高頻振槽、煙絲膨脹單元、煙絲干燥單元(干燥塔)、氣料分離器、離心式風(fēng)機(jī)以及燃燒爐.其工作原理是利用高溫氣體與煙絲進(jìn)行碰撞，以除去煙絲中含有的水分，進(jìn)而增加煙絲的韌性，并使最后出口煙絲含水率達(dá)到一定的工藝要求.其工藝流程路線如圖2所示，物料首先通過(guò)勻料器和高頻振槽后進(jìn)入煙絲膨脹單元，經(jīng)膨脹后再進(jìn)入煙絲干燥單元(干燥塔)進(jìn)行干燥處理，然后再將其輸送至氣料分離器，之后物料便從出料罩處落下，最后在離心式風(fēng)機(jī)的作用下，熱工藝氣部分重新進(jìn)入燃燒爐中，部分則被排出，如此便構(gòu)成了一個(gè)循環(huán)過(guò)程.

1-勻料器；2-高頻振槽；3-煙絲膨脹單元；4-煙絲干燥單元(干燥塔)；5-氣料分離器；6-離心式風(fēng)機(jī)；7-燃燒爐

CTD干燥設(shè)備主要通過(guò)風(fēng)速傳感器、濕度傳感器以及溫度傳感器等采集主風(fēng)機(jī)頻率、主工藝氣流量以及排潮流量等數(shù)據(jù)用于監(jiān)測(cè)設(shè)備運(yùn)行狀態(tài)，其中主風(fēng)機(jī)頻率標(biāo)偏、主風(fēng)機(jī)頻率變化趨勢(shì)以及主工藝氣流量等數(shù)據(jù)變化情況反應(yīng)了CTD干燥設(shè)備的工藝穩(wěn)定性，工程師主要依據(jù)主風(fēng)機(jī)頻率標(biāo)偏、主風(fēng)機(jī)頻率變化趨勢(shì)等數(shù)據(jù)變化趨勢(shì)的經(jīng)驗(yàn)，判斷CTD跳停、切絲機(jī)斷流和堵料等故障，因此，采用主風(fēng)機(jī)頻率標(biāo)偏、主風(fēng)機(jī)頻率變化趨勢(shì)以及主工藝氣流量等數(shù)據(jù)作為故障預(yù)測(cè)模型輸入數(shù)據(jù)，建立故障預(yù)測(cè)模型訓(xùn)練樣本和測(cè)試樣本.

2 故障預(yù)測(cè)模型的構(gòu)建

CTD氣流式烘絲機(jī)的運(yùn)行狀況可以由各個(gè)測(cè)點(diǎn)的監(jiān)測(cè)數(shù)據(jù)來(lái)反映，且檢測(cè)指標(biāo)的數(shù)值大小與其過(guò)往數(shù)據(jù)值緊密相關(guān).當(dāng)烘絲機(jī)正常工作時(shí)，各類(lèi)監(jiān)測(cè)數(shù)據(jù)會(huì)在固定的范圍內(nèi)進(jìn)行有規(guī)律的波動(dòng)，但當(dāng)設(shè)備發(fā)生堵絲的狀況時(shí)，部分核心監(jiān)測(cè)指標(biāo)的參數(shù)值便會(huì)打破其固有的波動(dòng)范圍.

CTD氣流式烘絲機(jī)故障預(yù)測(cè)模型就是對(duì)其故障信息進(jìn)行正確的分類(lèi)識(shí)別.操作過(guò)程如下：首先對(duì)現(xiàn)場(chǎng)收集到的CTD烘絲機(jī)故障數(shù)據(jù)進(jìn)行預(yù)處理，其次進(jìn)行特征值提取，然后再用支持向量機(jī)算法來(lái)實(shí)現(xiàn)故障預(yù)測(cè).

對(duì)于某煙草廠CTD氣流式烘絲機(jī)的生產(chǎn)線所監(jiān)測(cè)到的日常數(shù)據(jù)進(jìn)行整理，從而形成樣本數(shù)據(jù)集.烘絲機(jī)的主要工藝參數(shù)有：電子秤累計(jì)量、主風(fēng)機(jī)頻率、主工藝氣流量、主工藝氣壓差、排潮流量、膨脹節(jié)風(fēng)機(jī)頻率和注入蒸汽量.對(duì)于樣本數(shù)據(jù)集：D={(x1,y1),(x2,y2),(x3,y3)，…,(xn,yn)}，類(lèi)別Y={故障，正常}，該樣本中出現(xiàn)故障的有22組，其余均為運(yùn)行正常.特征屬性X={篩網(wǎng)位置，電子秤累積量，主風(fēng)機(jī)頻率初始值，主風(fēng)機(jī)頻率均值，主風(fēng)機(jī)頻率最大值，主風(fēng)機(jī)頻率最小值，主風(fēng)機(jī)頻率標(biāo)偏，風(fēng)機(jī)頻率變化趨勢(shì)，主工藝氣流量均值，主工藝氣流量標(biāo)偏，排潮流量初始值，排潮流量均值，手動(dòng)風(fēng)門(mén)大小，膨脹節(jié)風(fēng)機(jī)頻率均值，膨脹節(jié)風(fēng)機(jī)頻率最大值，膨脹節(jié)風(fēng)機(jī)頻率最小值，膨脹節(jié)風(fēng)機(jī)頻率變化趨勢(shì)，注入蒸汽量},故特征屬性共計(jì)18類(lèi).

(1)

式(1)中w為分離超平面權(quán)重系數(shù)，b為偏離項(xiàng),y表示數(shù)據(jù)點(diǎn)的標(biāo)簽，且其值為-1或1，C分別代表烘絲機(jī)出現(xiàn)故障與運(yùn)行正常這兩種情況.當(dāng)新的運(yùn)行數(shù)據(jù)帶入預(yù)測(cè)模型時(shí)，y值為-1表示發(fā)生故障，進(jìn)行停機(jī)維護(hù).

本次模型評(píng)估的過(guò)程中使用的是多重留出驗(yàn)證法,即可以重復(fù)多次樣本分割，最后將估計(jì)結(jié)果進(jìn)行平均.這樣可以降低由于樣本分割的隨機(jī)性導(dǎo)致評(píng)估結(jié)果的不穩(wěn)定性.用式(2)來(lái)估計(jì)泛化誤差.

(2)

設(shè)D=D1+D2,為使預(yù)測(cè)模型較好估計(jì)且泛化誤差盡可能小，這里取D1=D/2.

3 故障預(yù)測(cè)與結(jié)果分析

3.1 選擇數(shù)據(jù)

對(duì)某煙草廠CTD氣流式烘絲機(jī)的生產(chǎn)線所監(jiān)測(cè)到的日常數(shù)據(jù)進(jìn)行整理，從而形成樣本數(shù)據(jù)集，部分原始數(shù)據(jù)如表1、表2所示.

表1 煙絲運(yùn)行狀態(tài)數(shù)據(jù)

表2 煙絲運(yùn)行狀態(tài)數(shù)據(jù)

圖3 受試者工作特征曲線

如圖3所示，依據(jù)選擇特征的原則可知，column8、column9、column12屬性對(duì)于預(yù)測(cè)標(biāo)簽類(lèi)別有較大的幫助.

3.2 預(yù)測(cè)結(jié)果

本次模型評(píng)估的過(guò)程中使用的是50%留出驗(yàn)證法，即將整個(gè)樣本集D隨機(jī)地分成互不相交的兩部分D1和D2,其中D1=D/2.

圖4 三次利用支持向量機(jī)模型得出的真正利率圖

圖5 三次利用決策樹(shù)模型得出的真正利率圖

圖6 三次利用邏輯回歸模型得出的真正利率圖

從圖4、圖5、圖6中可以看出三種模型預(yù)測(cè)得出的準(zhǔn)確率均值都能達(dá)到97%以上.決策樹(shù)模型對(duì)故障類(lèi)預(yù)測(cè)的準(zhǔn)確率最高為83.3%，而支持向量機(jī)模型和邏輯回歸模型對(duì)故障類(lèi)預(yù)測(cè)的準(zhǔn)確率最高能達(dá)到100%.

圖7 三次利用支持向量機(jī)模型訓(xùn)練的ROC曲線圖

圖8 三次利用決策樹(shù)模型訓(xùn)練的ROC曲線圖

圖9 三次利用邏輯回歸模型訓(xùn)練的ROC曲線圖

ROC曲線圖可以直觀形象地展示分類(lèi)器性能的情況，從圖7、圖8以及圖9中可以看出，基于支持向量機(jī)的分類(lèi)器效果要好于其余兩個(gè)分類(lèi)器，其AUC均值為0.99.

依次比較Linear SVM算法、Complex Trees算法、Logistic Regression算法的真正利率、真負(fù)利率、假正利率、假負(fù)利率、ROC曲線下面積、精確度以及運(yùn)行時(shí)間三次均值，綜合評(píng)判各算法的優(yōu)劣.結(jié)果如表3所示.

表3 三種模型故障預(yù)測(cè)結(jié)果對(duì)比

總體來(lái)看，與決策樹(shù)算法以及邏輯回歸算法進(jìn)行對(duì)比，基于支持向量機(jī)算法建立的故障預(yù)測(cè)模型預(yù)測(cè)效果較好，故障預(yù)測(cè)準(zhǔn)確率為99.6%，真正例率為99.8%，ROC值為0.99，其預(yù)測(cè)精度基本滿足煙絲干燥工藝控制精度的要求.

4 結(jié)論

CTD氣流式烘絲機(jī)是當(dāng)下煙絲干燥領(lǐng)域的核心機(jī)器，而煙絲干燥則是煙絲成型的關(guān)鍵工序之一，因此實(shí)際生產(chǎn)中對(duì)煙絲干燥設(shè)備進(jìn)行故障預(yù)測(cè)也變得十分重要.針對(duì)上述問(wèn)題，本文提出了一種基于SVM的CTD氣流式烘絲機(jī)故障預(yù)測(cè)模型，建模研究后，得到如下結(jié)論.

1)本文以主風(fēng)機(jī)頻率、主風(fēng)機(jī)氣流量等工藝參數(shù)為故障預(yù)測(cè)屬性，以出料口質(zhì)量、含水率等指標(biāo)為故障判據(jù)，對(duì)工藝過(guò)程進(jìn)行故障分類(lèi)標(biāo)注，采用松弛變量法，構(gòu)建了支持向量機(jī)故障預(yù)測(cè)目標(biāo)函數(shù)，建立故障預(yù)測(cè)模型.

2)利用運(yùn)行數(shù)據(jù)與故障標(biāo)注，采用留出驗(yàn)證法，對(duì)模型進(jìn)行訓(xùn)練，并與決策樹(shù)方法、邏輯回歸方法進(jìn)行比較，仿真結(jié)果表明所建支持向量機(jī)故障預(yù)測(cè)效果較好，其故障預(yù)測(cè)準(zhǔn)確率為99.6%，真正例率為99.8%，ROC值為0.99，滿足了企業(yè)的應(yīng)用要求.

本文可為CTD氣流式烘絲機(jī)的故障預(yù)測(cè)提供決策模型，以期為煙絲干燥工藝的順利進(jìn)行提供保障.