CN104732276A - 一种计量生产设施故障在线诊断方法 - Google Patents

Abstract

本发明公开了一种计量生产设施故障在线诊断方法，包括以下步骤：S01，采集集中监测数据；S02，构建诊断专家库（训练样本）；S03，建立基于人工神经网络的故障预测模型；S04，计量生产设施故障在线诊断，本发明计量生产设施各个硬件生产单元有告警设备，但是等到故障实际发生时，往往已经影响到生产，并且对于生产异常和某些设备故障，告警设备不会报警。计量生产设施在线诊断系统不断分析“四线一库”系统运行数据，判断当前系统运行状态，预测故障，预测到生产异常或者设备故障，工作人员及时解决问题，消除可能会影响生产的威胁，大大提高了计量生产设施的可靠性。

Description

一种计量生产设施故障在线诊断方法

技术领域

本发明涉及电力系统用电技术领域，尤其涉及一种计量生产设施故障在线诊断方法。

背景技术

计量生产设施“四线一库”(单相智能电能表自动化检定流水线、三相智能电能表自动化检定流水线、低压电流互感器自动化检测流水线、用电采集终端自动化检测流水线、智能化仓储库房)各个分控系统的监测数据上送至前置采集服务器，汇总得到计量中心集中监测数据。在此基础上，开展基于人工神经网络的故障在线诊断在计量中心的应用工作。

首先梳理大量的集中监测数据，对正常的和故障的计量生产设施监测数据进行分析，选取合适的故障影响因素作为自变量，故障类别作为因变量，构建诊断专家库(训练样本)；然后将训练样本进行主成分分析，对高维空间变量进行降维，提取的主成分作为BP神经网络的输入，通过不断地调整网络(修正权值和阈值)，使网络的输出误差达到最小，满足实际应用的要求，得到可供实际生产使用的计量生产设施故障预测模型，用于计量生产设施故障在线诊断，辅助工作人员发现生产异常、设备故障，提高生产设施可靠性和计量中心整体运维水平。

随着“大营销”计量体系建设的推进，国家电网公司正逐渐加快各省计量中心生产场所、生产设施的建设。在大规模集中检定的运作模式下，自动化生产系统如自动化检定线、智能仓储系统、AGV控制系统等正在迅速替代传统的人工检定方式，“四线一库”检定生产设施的整体自动化水平显著提升。然而，如何有效保证计量自动化生产设施的可靠性，以及如何及时发现问题，被认为是影响计量中心生产的一大难题。

1、计量生产设施各个硬件生产单元有告警设备，但是等到故障实际发生时，往往已经影响到生产，并且对于生产异常和某些设备故障，生产单元告警设备不会报警，这样，计量生产设施的可靠性根本无法保证。

2、对于定位生产异常和设备故障，计量中心主要依靠传统人工分析的方式，凭借工作经验，分析监测数据，定位故障，定位准确率不高，耗时很多，工作效率低下，这就直接影响到整条生产线的产能。某一生产单元故障，若不及时解决，会造成一条生产线上多个生产单元报警，更加大了人工定位故障的难度。

发明内容

本发明提出一种计量生产设施故障在线诊断方法，可以实现对计量生产设施的故障进行预测，保证自动化生产设施的可靠性，提高工作人员的工作效率，提升计量中心整体运维水平。

本发明技术方案如下：

一种计量生产设施故障在线诊断方法，包括以下步骤：

S01，采集集中监测数据；集中监测数据包括故障时间、运行时长、位置信息、故障告警类型。

S02，构建训练样本(诊断专家库)；

S03，建立基于人工神经网络的故障预测模型；

S04，计量生产设施故障在线诊断。

步骤S01具体包括以下步骤：

采用统一的通讯规约将监测数据统一编码后上送到前置采集服务器，前置采集服务器将接收到的所述监测数据汇总后存储到数据库服务器中，为计量生产设施故障在线诊断提供数据源。

步骤S02具体包括以下步骤：

(201)选取计量生产设施的故障影响因素：

故障影响因素是指故障发生之前或者发生时异常的数据。基于面向计量生产设施故障预测技术，针对自动化生产设施，即“四线一库”(单相智能电能表自动化检定流水线、三相智能电能表自动化检定流水线、低压电流互感器自动化检测流水线、用电采集终端自动化检测流水线、智能化仓储库房)5大组成部分，以计量中心生产设施监测数据项为基础，采用合并、剔除、归类方法进行提取与筛选，构建计量生产设施故障影响因素指标体系；

(202)梳理出计量生产设施的故障类别

以计量中心生产设施监测数据为基础，采用专家头脑风暴法(即结合各网省公司专家意见)，梳理出通用的计量生产设施故障类别集，故障类别的内容一般包含两个方向，一是不属于设备故障的生产异常，二是不会进行告警的设备故障；

(203)构建训练样本(诊断专家库)

采用合并、剔除、归类方法，从一组包含状态、节拍、故障信息的集中监测数据中抽取出一组故障影响因素值对应着某一运行状态。硬件生产单元能监测出大部分的设备故障，但是对于某些故障不告警(例如设备PLC死机等)，并且生产异常无法监测，因此，为了保证初始诊断专家库的正确性，需要基于经验核对和校准自变量、因变量之间的对应关系，校准不正确的故障分类，归类需要依据工作经验来判断的生产异常。

设监测数据样本T_n×m，m表示监测个数，n表示样本数量，选取p个故障影响因素以及对应的故障类别，通过合并、剔除、归类方法，得到影响因素样本X_n×p、运行状态Y_n；从一组包含状态、节拍、故障信息的集中监测数据中抽取出一组故障影响因素值对应的运行状态(针对不同故障类别和正常状态抽取若干条数据)，构建初始诊断专家库，即用于建模的训练样本。

合并方法为由故障时间、运行时长合并计算得到故障占比(故障影响因素)，故障占比＝故障时间/运行时长；

剔除方法剔除位置信息，此数据对故障判断没有太大意义，所以剔除；

归类方法将故障告警类型归类到故障粒度中(故障在线诊断系统的故障粒度)。

步骤S03具体包括以下步骤：

(301)对训练样本进行降维处理

训练样本包含多个故障影响因素，故障影响因素众多并且各因素之间存在高度的相关关系，因此对高维变量空间进行降维处理，并消除各因素之间的相对共线性。

读入集中监控数据T(T₁,T₂,...,T_m)，即集中监控数据集T包括T₁,T₂,...,T_m元素，构建训练样本，保存至诊断专家库，对于p个故障影响因素，n个样本的训练样本矩阵X(X₁,X₂,...,X_p)，主成分分析将训练样本从p维降到k维，得到主成分F(F₁,F₂,...,F_k)：其中，T、X、F均为矩阵，括号内容为矩阵中的参数；

$X=\left(\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1p}\\ x_{21}& x_{22}& ...& x_{2p}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_{n1}& x_{n2}& ...& x_{\mathrm{np}}\end{array}\right)$

具体包括以下步骤：

(301a)，对p个故障影响因素进行标准化处理，消除数量级或量纲上的差异：

$x_{\mathrm{uj}}^{*}=\frac{x_{\mathrm{uj}}-{\stackrel{\‾}{x}}_j}{\sqrt{\mathrm{var}\left(x_j\right)}},(u=\mathrm{1,2},...,n;j=\mathrm{1,2},...,p)$

其中，x_uj为训练样本集中的元素，为标准化处理后训练样本矩阵中的元素， $\mathrm{var}\left(x_j\right)=\frac{1}{n-1}\underset{u=1}{\overset{n}{\mathrm{\Σ}}}{(x_{\mathrm{uj}}-{\stackrel{\‾}{x}}_j)}^2,$ 其中j＝1,2,…,p；

(301b)，计算样本相关系数矩阵R(p×p的方阵)：

$R=\left[\begin{array}{cccc}{r}_{11}& r_{12}& ...& r_{1p}\\ r_{21}& r_{22}& ...& r_{2p}\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ r_{p1}& r_{p2}& ...& r_{\mathrm{pp}}\end{array}\right]$

则经标准化处理后的数据的相关系数为:

$r_{\mathrm{ij}}=\frac{1}{n-1}\underset{t=2}{\overset{n}{\mathrm{\Σ}}}{x^{*}}_{\mathrm{ti}}{x^{*}}_{\mathrm{tj}},(i,j=\mathrm{1,2},...,p)$

(301c)，求相关系数矩阵R的特征值λ_i＝(λ₁,λ₂…λ_p)和相应的特征向量a_i＝(a_i1,a_i2,…a_ip),i＝1,2…p；

(301d)，选择重要的主成分，通过主成分分析得到p个主成分，计算累计贡献率达到定值，选取k个主成分，保证能够包含原始变量的绝大多数信息；贡献率就是指某个主成分的方差占全部方差的比重，贡献率越大，说明该主成分所包含的原始变量的信息越强。

(301e)，计算主成分得分

根据标准化的训练样本，将各个样本分别代入主成分表达式R(R₁,R₂,...,R_k)，得到各主成分下的各个样本的新数据，即主成分得分：

$F=\left(\begin{array}{cccc}{f}_{11}& f_{12}& ...& f_{1k}\\ f_{21}& f_{22}& ...& f_{2k}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ f_{n1}& f_{n2}& ...& f_{\mathrm{nk}}\end{array}\right)$

(301f)，主成分得分的数据，将主成分F(F₁,F₂,...,F_k)作为BP神经网络的输入,用(302)步骤构建BP神经网络。

(302)构建BP神经网络

构建三层BP神经网络结构，输入层神经元个数为主成分个数k，输出层神经元个数为故障类别数+1，隐含层神经元个数为2k+1，设置网络权值、最小误差ε，学习速率η，激励函数log sig，最大训练次数epochs，降维后的样本F(F₁,F₂,...,F_k)输入BP神经网络，开始训练网络，信号前向传播，得到输出层的输出Y，并计算实际输出Y与期望输出Z的误差，若误差小于ε，建模成功；若误差大于等于ε，误差反向传播，调整网络权值，重新计算误差，直到误差小于ε或者达到最大训练次数epochs为止；

(302a)信号的前向传播包括以下步骤：

隐含层第c个节点的输入net_c：其中，k表示输入层神经元个数，ω_bc表示输入层第b个节点到隐含层第c个节点之间的权值，x_b表示第_b个表示输入层神经元样本，θ_c表示隐含层第c个节点的阈值；

隐含层第c个节点的输出：o_c＝log sig(net_c)，其中，选择log sig作为隐含层的激励函数， $\log \mathrm{sig}\left(x\right)=\frac{1}{1+e^x};$

输出层第d个节点的输入net_d：其中，q表示隐含层神经元个数，ω_cd表示隐含层第c个节点之间到输出层第d个节点的权值，a_d表示输出层第d个节点的阈值；

输出层第d个节点的输出：y_d＝log sig(net_d)，其中，选择log sig作为输出层的激励函数， $\log \mathrm{sig}\left(x\right)=\frac{1}{1+e^x};$

(302b)，误差的反向传播包括以下步骤：

误差的反向传播，首先由输出层开始逐层计算各层神经元的输出误差，然后根据误差梯度下降法来调节各层的权值和阈值，使修改后的网络的最终输出能接近期望值。

对于每一个样本s的二次型误差准则函数为：其中，t表示输出层神经元个数，z_i表示期望输出，y_i表示网络正向传播实际输出。

对n个训练样本的总误差准则函数为：其中，n表示样本数量(训练样本数目)。

根据误差梯度下降法依次修正输出层权值的修正量Δω_cd，输出层阈值的修正量Δa_d，隐含层权值的修正量Δω_bc，隐含层阈值的修正量Δθ_c。

$\mathrm{\Δ}{\mathrm{\ω}}_{\mathrm{cd}}=-\mathrm{\η}\frac{\∂E}{{\∂\mathrm{\ω}}_{\mathrm{cd}}};\mathrm{\Δ}{a}_d=-\mathrm{\η}\frac{\∂E}{\∂a_d};\mathrm{\Δ}{\mathrm{\ω}}_{\mathrm{bc}}=-\mathrm{\η}\frac{\∂E}{{\∂\mathrm{\ω}}_{\mathrm{bc}}};\mathrm{\Δ}{\mathrm{\θ}}_c=-\mathrm{\η}\frac{\∂E}{\∂{\mathrm{\θ}}_c}$

其中，η表示学习速率，则：

$\mathrm{\Δ}{\mathrm{\ω}}_{\mathrm{cd}}=\mathrm{\η}\underset{s=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1}{\overset{t}{\mathrm{\Σ}}}(z_i^s-y_i^s)\·\log {\mathrm{sig}}^{\′}\left({\mathrm{net}}_d\right)\·o_c$

$\mathrm{\Δ}{a}_d=\mathrm{\η}\underset{s=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1}{\overset{t}{\mathrm{\Σ}}}(z_i^s-y_i^s)\·\log {\mathrm{sig}}^{\′}\left({\mathrm{net}}_d\right)$

$\mathrm{\Δ}{\mathrm{\ω}}_{\mathrm{bc}}=\mathrm{\η}\underset{s=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1}{\overset{t}{\mathrm{\Σ}}}(z_i^s-y_i^s)\·\log {\mathrm{sig}}^{\′}\left({\mathrm{net}}_d\right)\·{\mathrm{\ω}}_{\mathrm{cd}}\·\log {\mathrm{sig}}^{\′}\left({\mathrm{net}}_c\right)\·x_b$

$\mathrm{\Δ}{\mathrm{\θ}}_c=\mathrm{\η}\underset{s=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1}{\overset{t}{\mathrm{\Σ}}}(z_i^s-y_i^s)\·\log {\mathrm{sig}}^{\′}\left({\mathrm{net}}_d\right)\·{\mathrm{\ω}}_{\mathrm{cd}}\·\log {\mathrm{sig}}^{\′}\left({\mathrm{net}}_c\right).$

步骤S04具体包括以下步骤：

(401)在线诊断

设定某一频率读入计量生产设施集中监测数据，抽取故障影响因素，代入计量生产设施故障预测模型，计算得到计量生产设施运行状态，正常或发生某一故障。

(402)故障处理知识库

基于故障处理知识库，在线诊断出系统当前发生某一故障，查询故障处理知识库，给出故障具体信息，以及处理方案。

与现有技术相比，本发明包括以下有益效果：

1、本发明计量生产设施在线诊断方法断分析“四线一库”系统运行数据，判断当前系统运行状态，预测故障，预测到生产异常或者设备故障，能够及时获取计量生产设施故障诊断信息，消除可能会影响生产的威胁，大大提高了计量生产设施的可靠性。

2、计量生产设施在线诊断替代传统人工分析的过程，定位故障速度更快，并且模型抽象出来的数据关系更加准确，诊断结论更加合理，即使是经验不足的新员工也能依据该模型的诊断结论迅速定位故障、参考合理化处理方案解决问题，大大提高计量中心的整体工作效率和运维水平。

附图说明

附图1计量生产设施故障在线诊断系统硬件设定示意图；

附图2计量生产设施故障在线诊断方法的流程示意图；

附图3基于人工神经网络的故障预测模型建模过程；

附图4计量生产设施故障在线诊断过程。

具体实施方式

为使本发明的目的、技术方案、优点更加清楚，下面结合附图对本发明的具体实施方式进行详细说明。

以下将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整的描述和讨论，显然，这里所描述的仅仅是本发明的一部分实例，并不是全部的实例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。

如图1所示，附图1为计量生产设施故障在线诊断系统硬件设定示意图，集中监测层是指计量生产设施故障在线诊断系统的前置采集服务器层,主要负责采集、汇总各个分控系统服务器的监测数据，并存储到故障在线诊断系统的数据库服务器中；监控间隔层是指“四线一库”各个分控系统的服务器层，包括单相检定线服务器、三相检定线服务器、互感器检定线服务器、采集终端检定线服务器、仓储系统服务器；设备执行层是指“四线一库”各个分控系统下的各个生产单元层，包括工控机、PLC设备。

故障在线诊断系统只涉及到集中监测层的前置采集服务器，监控间隔层、设备执行层由“四线一库”厂家负责。各分控系统服务器将监测数据转码成统一编码格式，采用统一通讯规约电力104规约上送到前置采集服务器，服务器接收到各分控系统监测数据后，汇总成集中监测数据存储到故障在线诊断系统的数据库服务器中。

附图2为计量生产设施故障在线诊断方法的结构图，一种计量生产设施故障在线诊断方法，包括以下步骤：

S01，采集集中监测数据；各分控单元采用统一的通讯规约将监测数据统一编码后上送到前置采集服务器，前置采集服务器将接收到的监测数据汇总后存储到数据库服务器中，为计量生产设施故障在线诊断提供数据源。集中监测数据包括故障时间、运行时长、位置信息、故障告警类型。

S02，构建训练样本；

S03，建立基于人工神经网络的故障预测模型；

S04，计量生产设施故障在线诊断。。

步骤S02，构建训练样本(诊断专家库)具体包括以下步骤：

(201)选取计量生产设施的故障影响因素：

针对自动化生产设施，以计量中心生产设施集中监测数据为基础，采用合并、剔除、归类方法进行提取和筛选，构建计量生产设施故障影响因素指标体系。

(202)梳理出计量生产设施的故障类别

以计量中心生产设施监测数据为基础，采用专家头脑风暴法，梳理出计量生产设施故障类别集，故障类别集包括两个方向，一是不属于设备故障的生产异常，二是不会进行告警的设备故障。

(203)构建训练样本

设监测数据样本T_n×m，m表示监测个数，n表示样本数量，选取p个故障影响因素以及对应的故障类别，通过合并、剔除、归类方法，得到影响因素样本X_n×p、运行状态Y_n；从一组包含状态、节拍、故障信息的集中监测数据中抽取出一组故障影响因素值对应的运行状态(针对不同故障类别和正常状态抽取若干条数据)，构建初始诊断专家库。

步骤S02，，梳理故障影响因素指标体系和故障类别。单相检定线的故障影响因素、故障类别，如表1所示：

表1单相检定线影响因素指标体系

三相检定线、互感器检定线、采集终端检定线、智能仓储系统选取故障影响因素、故障类别方法同单相检定线类似。

构建诊断专家库(训练样本)，数据抽取工作，针对单相检定线、三相检定线、互感器检定线、采集终端检定线、智能仓储系统分别抽取数据，并保存到对应的诊断专家库。单相检定线的诊断专家库的格式，如表2所示：

表2单相检定线的诊断专家库的格式

步骤S03建立基于人工神经网络的故障预测模型，过程如附图3所示：

(301)对训练样本进行降维处理

读入集中监控数据T(T₁,T₂,...,T_m)，构建训练样本，保存至诊断专家库。读入诊断专家库X(X₁,X₂,...,X_p)，

对于p个故障影响因素，n个样本的训练样本矩阵X(X₁,X₂,...,X_p)，进行降维处理：

$X=\left(\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1p}\\ x_{21}& x_{22}& ...& x_{2p}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_{n1}& x_{n2}& ...& x_{\mathrm{np}}\end{array}\right)$

具体步骤如下：

(301a)，对p个故障影响因素进行标准化处理：

$x_{\mathrm{tj}}^{*}=\frac{x_{\mathrm{tj}}-{\stackrel{\‾}{x}}_j}{\sqrt{\mathrm{var}\left(x_j\right)}},t=\mathrm{1,2},...,n;j=\mathrm{1,2},...,p$

其中，为标准化处理后训练样本矩阵中的元素，x_tj为训练样本集中的元素， $\mathrm{var}\left(x_j\right)=\frac{1}{n-1}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{(x_{\mathrm{tj}}-{\stackrel{\‾}{x}}_j)}^2;$

(301b)，计算样本相关系数矩阵R，R为p×p的方阵：

$R=\left[\begin{array}{cccc}{r}_{11}& r_{12}& ...& r_{1p}\\ r_{21}& r_{22}& ...& r_{2p}\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ r_{p1}& r_{p2}& ...& r_{\mathrm{pp}}\end{array}\right]$

X表训练样本标准化后用x^*表示，则经标准化处理后的样本的相关系数为:

其中，i,j＝1,2,…,p；

(301c)，求相关系数矩阵R的特征值和相应的特征向量a_i，a_i＝(a_i1,a_i2,…a_ip),i＝1,2…p；

(301d)，通过主成分分析得到p个主成分，计算累计贡献率达到定值(本实施例选取85％)，选取k个主成分；

(301e)，计算主成分得分

根据标准化的训练样本，将各个样本分别代入主成分表达式R(R₁,R₂,...,R_k)，得到主成分得分：

$F=\left(\begin{array}{cccc}{f}_{11}& f_{12}& ...& f_{1k}\\ f_{21}& f_{22}& ...& f_{2k}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ f_{n1}& f_{n2}& ...& f_{\mathrm{nk}}\end{array}\right)$

(301f)，主成分得分的数据，将主成分F(F₁,F₂,...,F_k)作为BP神经网络的输入,用于下一步的计算。

通过前述步骤(301a)-(301f)，主成分分析将训练样本从p维降到k维，得到主成分F(F₁,F₂,...,F_k)。

(302)构建BP神经网络：

构建三层BP神经网络结构，输入层神经元个数为主成分个数k，输出层神经元个数为故障类别数+1，隐含层神经元个数为2k+1，在BP神经网络中进行信号的前向传播和误差的反向传播；

设置网络权值，最小误差ε，学习速率η，激励函数log sig，最大训练次数epochs；设置网络结构为输入层神经元个数k个，隐含层神经元个数2k+1个，输出层神经元个数t个。降维后的样本F(F₁,F₂,...,F_k)输入BP神经网络，开始训练网络，信号前向传播，得到输出层的输出Y，并计算实际输出Y与期望输出Z的误差，若误差小于ε，满足要求，建模成功；若误差大于等于ε，不满足要求，误差反向传播，调整网络权值(阈值)，重新计算误差，直到误差小于ε或者达到最大训练次数epochs为止。

其中，(302a)信号的前向传播包括以下步骤：

隐含层第c个节点的输入：其中，k表示输入层神经元个数，x_b表示第b个表示输入层神经元样本，ω_bc表示输入层第b个节点到隐含层第c个节点之间的权值，θ_c表示隐含层第c个节点的阈值；

隐含层第c个节点的输出：o_c＝log sig(net_c)，其中，选择log sig作为隐含层的激励函数， $\log \mathrm{sig}\left(x\right)=\frac{1}{1+e^x};$

输出层第d个节点的输入：其中，q表示隐含层神经元个数，ω_cd表示隐含层第c个节点之间到输出层第d个节点的权值，a_d表示输出层第d个节点的阈值；

输出层第d个节点的输出：y_d＝log sig(net_d)，其中，选择log sig作为输出层的激励函数， $\log \mathrm{sig}\left(x\right)=\frac{1}{1+e^x};$

(302b)，误差的反向传播包括以下步骤：

误差的反向传播，首先由输出层开始逐层计算各层神经元的输出误差，然后根据误差梯度下降法来调节各层的权值和阈值，使修改后的网络的最终输出能接近期望值。

对于每一个样本s的二次型误差准则函数为：其中，t表示输出层神经元个数，z_i表示期望输出，y_i表示网络正向传播实际输出。

对n个训练样本的总误差准则函数为：其中，n表示训练样本数目。

根据误差梯度下降法依次修正输出层权值的修正量Δω_cd，输出层阈值的修正量Δa_d，隐含层权值的修正量Δω_bc，隐含层阈值的修正量Δθ_c。

$\mathrm{\Δ}{\mathrm{\ω}}_{\mathrm{cd}}=-\mathrm{\η}\frac{\∂E}{{\∂\mathrm{\ω}}_{\mathrm{cd}}};\mathrm{\Δ}{a}_d=-\mathrm{\η}\frac{\∂E}{\∂a_d};\mathrm{\Δ}{\mathrm{\ω}}_{\mathrm{bc}}=-\mathrm{\η}\frac{\∂E}{{\∂\mathrm{\ω}}_{\mathrm{bc}}};\mathrm{\Δ}{\mathrm{\θ}}_c=-\mathrm{\η}\frac{\∂E}{\∂{\mathrm{\θ}}_c}$

其中，η表示学习速率，则：

$\mathrm{\Δ}{\mathrm{\ω}}_{\mathrm{cd}}=\mathrm{\η}\underset{s=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1}{\overset{t}{\mathrm{\Σ}}}(z_i^s-y_i^s)\·\log {\mathrm{sig}}^{\′}\left({\mathrm{net}}_d\right)\·o_c$

$\mathrm{\Δ}{a}_d=\mathrm{\η}\underset{s=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1}{\overset{t}{\mathrm{\Σ}}}(z_i^s-y_i^s)\·\log {\mathrm{sig}}^{\′}\left({\mathrm{net}}_d\right)$

$\mathrm{\Δ}{\mathrm{\ω}}_{\mathrm{bc}}=\mathrm{\η}\underset{s=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1}{\overset{t}{\mathrm{\Σ}}}(z_i^s-y_i^s)\·\log {\mathrm{sig}}^{\′}\left({\mathrm{net}}_d\right)\·{\mathrm{\ω}}_{\mathrm{cd}}\·\log {\mathrm{sig}}^{\′}\left({\mathrm{net}}_c\right)\·x_b$

$\mathrm{\Δ}{\mathrm{\θ}}_c=\mathrm{\η}\underset{s=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1}{\overset{t}{\mathrm{\Σ}}}(z_i^s-y_i^s)\·\log {\mathrm{sig}}^{\′}\left({\mathrm{net}}_d\right)\·{\mathrm{\ω}}_{\mathrm{cd}}\·\log {\mathrm{sig}}^{\′}\left({\mathrm{net}}_c\right).$

以单相检定线为例，建立故障预测模型耗时秒级，采用10倍交叉验证法测试模型，统计故障识别率，故障误报率，均能达到实际生产要求。

S04计量生产设施故障在线诊断，(401)在线诊断

设定某一频率读入计量生产设施集中监测数据，抽取故障影响因素，代入计量生产设施故障预测模型，计算得到计量生产设施运行状态，正常或发生某一故障。

(402)故障处理知识库

基于故障处理知识库，在线诊断出系统当前发生某一故障，查询故障处理知识库，给出故障具体信息，以及处理方案。

如附图4所示：设定频率为分钟级，每min分钟从集中监测数据T(T₁,T₂,...,T_m)中抽取故障影响因素值，代入故障预测模型进行在线诊断，诊断耗时几乎忽略不计，根据预测的“四线一库”系统运行状态去查询故障处理知识库，给出诊断结论，包括故障具体信息以及合理化处理方案。

以上仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种计量生产设施故障在线诊断方法，其特征在于，包括以下步骤：

S01，采集集中监测数据；

S02，构建训练样本；

S03，建立基于人工神经网络的故障预测模型；

S04，计量生产设施故障在线诊断。

2.根据权利要求1所述的计量生产设施故障在线诊断方法，其特征在于，所述步骤S01具体包括以下步骤：

采用统一的通讯规约将监测数据统一编码后上送到前置采集服务器，前置采集服务器将接收到的所述监测数据汇总后存储到数据库服务器中，为计量生产设施故障在线诊断提供数据源。

3.根据权利要求1所述的计量生产设施故障在线诊断方法，其特征在于，所述集中监测数据包括故障时间、运行时长、位置信息、故障告警类型。

4.根据权利要求1所述的计量生产设施故障在线诊断方法，其特征在于，

所述步骤S02具体包括以下步骤：

(201)选取计量生产设施的故障影响因素

针对自动化生产设施，以计量中心生产设施集中监测数据为基础，采用合并、剔除、归类方法进行提取和筛选，构建计量生产设施故障影响因素指标体系；

(202)梳理出计量生产设施的故障类别

以计量中心生产设施监测数据为基础，采用专家头脑风暴法，梳理出计量生产设施故障类别集；

(203)构建训练样本

设监测数据样本T_n×m，m表示监测个数，n表示样本数量，选取p个故障影响因素以及对应的故障类别，通过合并、剔除、归类方法，得到影响因素样本X_n×p、运行状态Y_n；从一组包含状态、节拍、故障信息的集中监测数据中抽取出故障影响因素值对应的运行状态，构建初始诊断专家库。

5.根据权利要求4所述的计量生产设施故障在线诊断方法，其特征在于，

所述合并方法为由故障时间、运行时长合并计算得到故障占比，故障占比＝故障时间/运行时长；

所述剔除方法剔除位置信息；

所述归类方法将故障告警类型归类到故障粒度中。

6.根据权利要求1所述的计量生产设施故障在线诊断方法，其特征在于，

所述步骤S03具体包括以下步骤：

(301)对训练样本进行降维处理

对于p个故障影响因素，n个样本的训练样本矩阵X(X₁,X₂,...,X_p)，进行降维处理，将训练样本从p维降到k维，得到主成分F(F₁,F₂,...,F_k)：

其中， $X=\left(\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1p}\\ x_{21}& x_{22}& ...& x_{2p}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_{n1}& x_{n2}& ...& x_{\mathrm{np}}\end{array}\right);$

(302)构建BP神经网络

构建三层BP神经网络结构，输入层神经元个数为主成分个数k，输出层神经元个数为故障类别数+1，隐含层神经元个数为2k+1，设置网络权值、最小误差ε，学习速率η，激励函数log sig，最大训练次数epochs，降维后的样本F(F₁,F₂,...,F_k)输入BP神经网络，进行训练网络，信号前向传播，得到输出层的输出Y，并计算实际输出Y与期望输出Z的误差，若误差小于ε，建模成功；若误差大于等于ε，误差反向传播，调整网络权值，重新计算误差，直到误差小于ε或者达到最大训练次数epochs为止。

7.根据权利要求6所述的计量生产设施故障在线诊断方法，其特征在于，所述步骤S01对训练样本进行降维处理具体包括以下步骤：

(301a)，对p个故障影响因素进行标准化处理：

$x_{\mathrm{uj}}^{*}=\frac{x_{\mathrm{uj}}-{\stackrel{\‾}{x}}_j}{\sqrt{\mathrm{var}\left(x_j\right)}},u=\mathrm{1,2},...,n;j=\mathrm{1,2},...,p$

其中，x_uj为训练样本集中的元素，为标准化处理后训练样本矩阵中的元素， $\mathrm{var}\left(x_j\right)=\frac{1}{n-1}\underset{u=1}{\overset{n}{\mathrm{\Σ}}}{(x_{\mathrm{uj}}-{\stackrel{\‾}{x}}_j)}^2;$

(301b)，计算样本相关系数矩阵R，R为p×p的方阵：

$R=\left[\begin{array}{cccc}{r}_{11}& r_{12}& ...& r_{1p}\\ r_{21}& r_{22}& ...& r_{2p}\\ .& & & .\\ .& & ...& .\\ .& & & .\\ r_{p1}& r_{p2}& ...& r_{\mathrm{pp}}\end{array}\right]$

经标准化处理后的样本的相关系数为:

$r_{\mathrm{ij}}=\frac{1}{n-1}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{x^{*}}_{\mathrm{ti}}{x^{*}}_{\mathrm{tj}}$

其中，i,j＝1,2,…,p

(301c)，求相关系数矩阵R的特征值λ_i＝(λ₁,λ₂…λ_p)和相应的特征向量a_i，a_i＝(a_i1,a_i2,…a_ip),i＝1,2…p；

(301d)，通过主成分分析得到p个主成分，计算累计贡献率达到定值，选取k个主成分；

(301e)，计算主成分得分

根据标准化的训练样本，将各个样本分别代入主成分表达式R(R₁,R₂,...,R_k)，得到主成分得分：

$F=\left(\begin{array}{cccc}{f}_{11}& f_{12}& ...& f_{1k}\\ f_{21}& f_{22}& ...& f_{2k}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ f_{n1}& f_{n2}& ...& f_{\mathrm{nk}}\end{array}\right)$

(301f)，将主成分得分F(F₁,F₂,...,F_k)作为BP神经网络的输入。

8.根据权利要求6所述的计量生产设施故障在线诊断方法，其特征在于，所述信号的前向传播、误差的反向传播分别具体包括以下步骤：

(302a)信号的前向传播包括以下步骤：

隐含层第c个节点的输入：其中，k表示输入层神经元个数，x_b表示第_b个表示输入层神经元样本，ω_bc表示输入层第b个节点到隐含层第c个节点之间的权值，θ_c表示隐含层第c个节点的阈值；

隐含层第c个节点的输出：o_c＝log sig(net_c)，其中，选择log sig作为隐含层的激励函数， $\log \mathrm{sig}\left(x\right)=\frac{1}{1+e^x};$

输出层第d个节点的输入：其中，q表示隐含层神经元个数，ω_cd表示隐含层第c个节点之间到输出层第d个节点的权值，a_d表示输出层第d个节点的阈值；

输出层第d个节点的输出：y_d＝log sig(net_d)，其中，选择log sig作为输出层的激励函数， $\log \mathrm{sig}\left(x\right)=\frac{1}{1+e^x};$

(302b)，误差的反向传播包括以下步骤：

误差的反向传播，首先由输出层开始逐层计算各层神经元的输出误差，然后根据误差梯度下降法来调节各层的权值和阈值，使修改后的网络的最终输出能接近期望值；

对于每一个样本s的二次型误差准则函数为：其中，t表示输出层神经元个数，z_i表示期望输出，y_i表示网络正向传播实际输出；

对n个训练样本的总误差准则函数为：其中，n表示样本数量；

根据误差梯度下降法依次修正输出层权值的修正量Δω_cd，输出层阈值的修正量Δa_d，隐含层权值的修正量Δω_bc，隐含层阈值的修正量Δθ_c；

$\mathrm{\Δ}{\mathrm{\ω}}_{\mathrm{cd}}=-\mathrm{\η}\frac{\∂E}{\∂{\mathrm{\ω}}_{\mathrm{cd}}};\mathrm{\Δ}{a}_d=-\mathrm{\η}\frac{\∂E}{\∂a_d};\mathrm{\Δ}{\mathrm{\ω}}_{\mathrm{bc}}=-\mathrm{\η}\frac{\∂E}{\∂{\mathrm{\ω}}_{\mathrm{bc}}};\mathrm{\Δ}{\mathrm{\θ}}_c=-\mathrm{\η}\frac{\∂E}{\∂{\mathrm{\θ}}_c}$

其中，η表示学习速率，则：

$\mathrm{\Δ}{\mathrm{\ω}}_{\mathrm{cd}}=\mathrm{\η}\underset{s=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1}{\overset{t}{\mathrm{\Σ}}}(z_i^s-y_i^s)\·\log {\mathrm{sig}}^{\′}\left({\mathrm{net}}_d\right)\·O_c$

$\mathrm{\Δ}{a}_d=\mathrm{\η}\underset{s=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1}{\overset{t}{\mathrm{\Σ}}}(z_i^s-y_i^s)\·\log {\mathrm{sig}}^{\′}\left({\mathrm{net}}_d\right)$

$\mathrm{\Δ}{\mathrm{\ω}}_{\mathrm{bc}}=\mathrm{\η}\underset{s=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1}{\overset{t}{\mathrm{\Σ}}}(z_i^s-y_i^s)\·\log {\mathrm{sig}}^{\′}\left({\mathrm{net}}_d\right)\·{\mathrm{\ω}}_{\mathrm{cd}}\·\log {\mathrm{sig}}^{\′}\left({\mathrm{net}}_c\right)\·x_b$

$\mathrm{\Δ}{\mathrm{\θ}}_c=\mathrm{\η}\underset{s=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1}{\overset{t}{\mathrm{\Σ}}}(z_i^s-y_i^s)\·\log {\mathrm{sig}}^{\′}\left({\mathrm{net}}_d\right)\·{\mathrm{\ω}}_{\mathrm{cd}}\·\log {\mathrm{sig}}^{\′}\left({\mathrm{net}}_c\right).$

9.根据权利要求1所述的计量生产设施故障在线诊断方法，其特征在于，

步骤S04具体包括以下步骤：

(401)在线诊断

设定某一频率读入计量生产设施集中监测数据，抽取故障影响因素，代入计量生产设施故障预测模型，计算得到计量生产设施运行状态，正常或发生某一故障；

(402)故障处理知识库

基于故障处理知识库，在线诊断出系统当前发生某一故障，查询故障处理知识库，给出故障具体信息，以及处理方案。