機電設備電氣控制故障的智能檢測方法研究

趙貞麗 劉金瑤

（1．沈陽建筑大學建設項目管理有限公司，遼寧 沈陽 110000；2．沈陽萬宸建筑規(guī)劃設計有限公司，遼寧 沈陽 110000）

隨著科學技術的快速發(fā)展，機電產品的功能日益豐富和完善。機電設備也往往是機光電算等多種技術的結合體，是機械、電氣、控制、傳感器等多領域技術交叉的產物[1]。機電設備內部的結構也更復雜，不同單元承擔不同的角色，各單元之間又交叉縱橫，從而形成復雜的內部關系[2]。機電產品功能豐富導致的高復雜性，給其出現故障后的有效檢測制造了更多困難。其中，作為機電設備功能實現的關鍵支撐，電氣控制單元一旦出現故障，將變得難以檢測[3]。導致電氣控制故障的原因眾多，一旦出現故障，很難運用人工方法進行快速檢出。受機電設備高復雜度的影響，常見的人工檢測方法的故障檢測、排查速度較慢，從而影響機電設備的復工進度，進而影響機電設備的使用效率[4]。為此，該文在充分分析機電設備電氣控制故障可能原因的基礎上，運用智能化的故障檢測方法，以期有效地解決實際問題。

1 機電設備電氣控制故障的分類

目前，各種功能性的機電設備，尤其是大型機電設備，都具有非常復雜的內部結構和系統(tǒng)構成。機械、電氣、控制和傳感等各種功能單元交錯組合在一起，一旦出現故障，故障原因的排查非常困難。

機電設備常見故障可以分為2 個大類，一類是機械故障，純粹由機械零件、機構等引起；另一類是電氣故障，包括電氣、控制和傳感3 個方面的故障。該文主要討論的就是電氣故障這一大類。機電設備電氣故障的常見分類如圖1所示。

圖1 機電設備電氣控制故障的分類

從圖1 可以看出，為了便于梳理機電設備中的電氣故障，該文進一步將其細化分割為3 個類別，第一類是電線路故障，第二類是控制故障，第三類是老化故障。在電線路故障中，又可分為電線路的斷路故障、電線路的斷路故障和電線路的錯接故障；在控制故障中，又可分為系統(tǒng)控制器故障、系統(tǒng)關鍵元件故障和各類傳感器故障；在老化故障中，又可分為線路漆皮老化故障、線路內芯老化故障和元器件老化故障等。對應到具體某個故障，其屬于何種類別可以視情況而定。例如如果電控系統(tǒng)的CPU 或者RAM 出現故障，則分別屬于系統(tǒng)控制器故障和關鍵元件故障；如果指示燈、行程開關等出現故障，則屬于傳感器故障；如果因漆皮老化導致線路短接，則屬于線路漆皮老化故障；如果因內芯老化出現斷路，則屬于線路內芯老化故障。

通過建立這樣的分類可以為后續(xù)的智能算法學習、識別和分類創(chuàng)造有利條件。

2 電氣控制故障的智能檢測方法

2.1 方法的框架設計

機電設備電氣故障的傳統(tǒng)檢測方法一般是定期巡檢或者出現故障后的應急檢查，這2 種檢測方法都需要通過人工現場完成檢測。當機電設備復雜度高、內部結構龐大的情況下，依靠人工檢測會降低檢測效率，進而延緩機電設備的復工和正常使用。

為了有效解決人工檢測排除電氣故障方法存在的低效率、誤差大的問題，該文采用基于深度學習的智能檢測方法。目前，深度學習技術獲得了迅速發(fā)展，由最初的CNN 深度網絡和RNN 深度網絡逐步發(fā)展到自組織、自學習的全新深度學習時代。用戶可以根據不同問題建立不同的深度學習網絡框架，從而解決相應的問題。

關于機電設備電氣控制故障檢測問題，機電產品多年來的大范圍使用，使其各種故障的特征、形成原因都有了豐富的數據積累，為深度學習網絡提供了充沛的、可以利用的輸入數據。深度學習網絡可以根據這些數據進行訓練和學習，從而建立不同電氣故障到不同形成原因的內部關系網絡。當通過大量數據訓練，獲得穩(wěn)定的深度網絡結構后，再將新產生的故障納入深度網絡，即可迅速檢測其產生原因，從而形成快速故障檢測，為機電設備電氣故障的解決提供思路，并為實時解決創(chuàng)造條件。

基于上述分析，該文建立基于RNN 深度學習網絡的機電設備電氣故障智能檢測方法框架，如圖2所示。

圖2 基于RNN 深度學習網絡的機電設備電氣故障智能檢測方法

如圖2所示，將機電設備電氣故障的各種常見類型作為輸入數據，納入整個智能方法中進行學習，深度學習包括BERT 處理環(huán)節(jié)，可以對輸入的故障類型進行進一步的分化和整理，繼而納入RNN 深度網絡的輸入層和隱含層進行學習。需要指出的是，在RNN 深度網絡的中間層之后，嵌入了多頭注意力機制（即Multi-head Attention），主要是增強最終電氣故障類型判據的確認，從而增加電氣故障智能檢測的可信度。

2.2 RNN 深度網絡的智能實現流程

從圖2 可以看出，進行機電設備電氣故障智能檢測的關鍵在于RNN 深度網絡，該網絡的具體結構形式如圖3所示。

圖3 機電設備電氣故障檢測的RNN 深度網絡結構

從上述過程可以看出，為了進行機電設備電氣故障的智能診斷，RNN 深度網絡也形成了復雜的結構。當然RNN 深度網絡結構復雜程度的高低還與具體的分析對象有關。

進一步描述機電設備電氣故障檢測的RNN 深度網絡結構的數學形態(tài)，其3 個層次的神經元的關系公式（1）、公式（2）所示。

式中：f（）為機電設備電氣故障診斷過程中的非線性激活函數；g（）為機電設備電氣故障診斷過程中的激活函數；wx為機電設備電氣故障診斷過程中的輸入層到隱含層的權重；wh為機電設備電氣故障診斷過程中的隱含層內部的權重；wy為機電設備電氣故障診斷過程中的隱含層到輸出層的權重。

2.3 引入Multi-head Attention

在該文構建的機電設備電氣故障類型診斷中，機電設備電氣故障的特征向量從RNN 網絡的隱含層輸出后，先經過多頭注意力機制單元，再送入輸出層，形成最后的故障類型診斷。Multi-head Attention 單元作用就是對經過的每個機電設備電氣故障向量進行多頭特征判據的轉化，其具體的處理流程如圖4所示。

圖4 機電設備電氣故障的多頭特征判據轉化

從圖4 可以看出，機電設備電氣故障的多頭特征判據的處理步驟如下。

第一個環(huán)節(jié)，根據機電設備電氣故障特征向量生成3 個矩陣，如公式（3）所示。

式中：T為機電設備電氣故障的特征向量；QT為機電設備電氣故障的查詢矩陣；KT為機電設備電氣故障的鍵矩陣；VT為機電設備電氣故障的值矩陣；wQ為機電設備電氣故障的查詢權重；wK為機電設備電氣故障的鍵權重；wV為機電設備電氣故障的值權重。

第二個環(huán)節(jié)，根據自注意力機制的計算方法得到每個headi，如公式（4）所示。

式中：Attention（）為機電設備電氣故障智能診斷過程中注意力機制函數；Same（）為機電設備電氣故障智能診斷過程中的歸一化函數；DK為矩陣KT的維度。

第三個環(huán)節(jié)，進行多次自注意力機制的運算，得到有關機電設備電氣故障智能診斷過程中的多個headi。

第四個環(huán)節(jié)，將多個自注意力計算得到的headi融合在一起，形成機電設備電氣故障智能診斷過程中特征語義向量，如公式（5）所示。

式中：Multihead_Y為機電設備電氣故障智能診斷過程中特征語義向量；Fusion（）為機電設備電氣故障智能診斷過程中融合函數；w0為機電設備電氣故障智能診斷過程中線性變換矩陣。

3 電氣控制故障的智能檢測試驗

上述工作對機電設備常見的電氣故障類型進行了分類，并提出了基于深度學習的電氣故障智能檢測方法，構建了該方法的具體實現流程和核心處理模型。在接下來的工作中，將利用試驗對該方法能夠達到的機電設備電氣故障的智能診斷效果進行驗證。

在試驗過程中，根據圖1 設定3 類機電設備電氣故障數據集，第一類是電線路故障數據集，第二類是控制故障數據集，第三類是老化故障數據集。為了形成和該文故障檢測方法的對比，分別選擇了基于CNN 深度學習的故障類型檢測方法（即CNN 方法）、基于RNN 深度學習的故障類型檢測方法（即RNN 方法）以及基于RNN--Attention 深度學習的故障類型檢測方法（即RNNAttention 方法）。

試驗中選擇機電設備電氣故障分類準確率和F1-Score這2 項指標。針對電線路故障數據集、控制故障數據集和老化故障數據集，分別采用CNN 方法、RNN 方法、RNNAttention 方法以及該文方法執(zhí)行機電設備電氣故障分類智能檢測，4 種方法分類結果的準確率對比見表1。

表1 4 種方法電氣故障檢測結果的準確率對比（%）

為了更直觀地展示表1 中的電氣故障檢測結果的對比效果，將表1 中的數據繪制成直方圖的形式，如圖5所示。

圖5 4 種方法電氣故障檢測準確率的直方圖對比

4 結論

機電設備由于功能強大，其復雜程度日益提高，逐漸成為機光電算融合的多技術交叉產品，因此導致其故障診斷變得日益困難。該文針對傳統(tǒng)人工故障檢測方法的不足，提出了一種基于深度學習的智能檢測方法。首先，對機電設備電氣故障進行了類型分類。其次，構建了基于RNN 網絡和多頭注意力機制的深度學習檢測方法。最后的試驗結果表明，該文構建的方法可以實現機電設備電氣故障的智能檢測。