CN113696454A

CN113696454A - 一种基于人工智能的挤塑设备故障预警方法及系统

Info

Publication number: CN113696454A
Application number: CN202111258790.XA
Authority: CN
Inventors: 熊莲; 王海俊
Original assignee: NANTONG SANXIN PLASTICS EQUIPMENT TECHNOLOGY CO LTD
Current assignee: NANTONG SANXIN PLASTICS EQUIPMENT TECHNOLOGY CO LTD
Priority date: 2021-10-28
Filing date: 2021-10-28
Publication date: 2021-11-26

Abstract

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的挤塑设备故障预警方法及系统，包括获取用于检测挤塑设备故障所需的设定时间段以及预先训练好的挤塑设备故障类型预测网络；实时获取所述设定时间段内待检测挤塑设备在每个时刻的运行日志数据，并根据所述设定时间段内待检测挤塑设备在每个时刻的运行日志数据和预先训练好的挤塑设备故障类型预测网络，预测待检测挤塑设备是否发生故障以及在发生故障时对应的故障类别；若预测到待检测挤塑设备发生故障，则根据故障类别进行预警。本发明可在故障发生之前，对设备可能即将出现的故障进行预警，避免了设备出现故障，提高了制品的合格率。

Description

一种基于人工智能的挤塑设备故障预警方法及系统

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的挤塑设备故障预警方法及系统。

背景技术

挤塑设备指的是应用于挤出成型工艺的制造设备。挤出成型是塑料材料加工最主要的形式之一，它适合于除某些热固性塑料外的大多数塑料材料，约50%的热塑性塑料制品是通过挤出成型完成的，同时，挤出成型也大量用于化学纤维和热塑性弹性体及橡胶制品的成型。挤出成型主要是指借助螺杆或柱塞的挤压作用，使受热熔化的高分子材料在压力的推动下，强行通过机头模具而成型为具有恒定截面连续型材的一种成型方法。挤压成型过程主要包括加料、熔融塑化、挤压成型、定型和冷却等过程。

挤塑设备的物料温度存在波动，从而影响制品质量，制品各点强度不一样，产生残余应力，表面灰暗无光泽。影响挤出速率因素包括：机头阻力、螺杆与料筒结构、螺杆转速、加热、冷却系统、塑料特性，因此挤出速率也存在波动，从而影响制品的几何形状和尺寸。因此，温度、压力、挤出速率都存在波动现象。现有的故障监控方式主要是在故障发生之后，人为控制挤塑设备停止运转。这种监控方式效率低下，浪费人力资源，无法做到故障提前预警，因此无法避免残次产品的发生，制品的合格率较低。

发明内容

本发明的目的在于提供一种基于人工智能的挤塑设备故障预警方法及系统，用于解决现有的挤塑设备故障监控方式无法提前预警，导致制品的合格率较低的问题。

为解决上述技术问题，本发明提供了一种基于人工智能的挤塑设备故障预警方法，包括以下步骤：

获取用于检测挤塑设备故障所需的设定时间段以及预先训练好的挤塑设备故障类型预测网络；

实时获取所述设定时间段内待检测挤塑设备在每个时刻的运行日志数据，并根据所述设定时间段内待检测挤塑设备在每个时刻的运行日志数据和预先训练好的挤塑设备故障类型预测网络，预测待检测挤塑设备是否发生故障以及在发生故障时对应的故障类别；

若预测到待检测挤塑设备发生故障，则根据故障类别进行预警。

进一步的，用于检测挤塑设备故障所需的设定时间段的确定过程包括：

获取挤塑设备历史工作过程中的T个时刻的运行日志文本数据和监控图像数据；

根据T个时刻的运行日志文本数据，得到T个时刻的运行日志文本数据对应的嵌入向量；

根据T个时刻的运行日志文本数据对应的嵌入向量，构建无向图结构；

根据无向图结构和T个时刻的监控图像数据，确定用于检测挤塑设备故障所需的设定时间段。

进一步的，根据T个时刻的运行日志文本数据对应的嵌入向量，构建无向图结构的步骤包括：

将T个时刻的运行日志文本数据对应的嵌入向量分别作为一个节点，根据每个节点对应的嵌入向量和时刻，计算任意两个节点之间的边权值；

根据所有的节点以及任意两个节点之间的边权值，得到无向图结构。

进一步的，任意两个节点之间的边权值的计算公式为：

其中，

为时刻a的运行日志文本数据对应的嵌入向量对应的节点和时刻b的运行日志文本数据对应的嵌入向量对应的节点之间的边权值，

为时刻a的运行日志文本数据对应的嵌入向量，

为时刻b的运行日志文本数据对应的嵌入向量。

进一步的，根据无向图结构和T个时刻的监控图像数据，确定用于检测挤塑设备故障所需的设定时间段的步骤包括：

根据无向图结构和T个时刻的监控图像数据，确定用于检测挤塑设备故障所需的设定时间段，构造图割算法的损失函数；

确定初始的图割数目，并根据初始的图割数目和损失函数，利用图割算法对无向图结构进行分割，从而确定初始的图割数目所对应的图分割方式和损失函数值；

对初始的图割数目进行更新，并根据更新后的图割数目和损失函数，利用图割算法对无向图结构进行分割，从而确定更新后的图割数目所对应的图分割方式和损失函数值；

根据初始的图割数目所对应的损失函数值和更新后的图割数目所对应的损失函数值，确定是否满足图割数目停止更新条件，若不满足图割数目停止更新条件，则对当前更新后的图割数目继续进行更新，直至满足图割数目停止更新条件；

根据最后一次更新后的图割数目所对应的图分割方式，确定检测挤塑设备故障所需的设定时间段。

进一步的，根据最后一次更新后的图割数目所对应的图分割方式，确定检测挤塑设备故障所需的设定时间段的步骤包括：

根据最后一次更新后的图割数目所对应的图分割方式，确定分割出来的各个子图的节点数目；

计算除了节点数目最大所对应的子图外的其他所有子图中的任意两个节点所对应的时刻的差值，将所有差值中的最小值作为检测挤塑设备故障所需的设定时间段。

进一步的，图割算法的损失函数的对应的计算公式为：

其中，

为图分割方式为L时对应的能量损失函数，

为图分割方式为L时对应的区域惩罚项，

为图分割方式为L时对应的边界惩罚项，

为图分割方式为L时对应的监控图像信息熵。

进一步的，图分割方式为L时对应的监控图像信息熵对应的计算公式为：

其中，

为图分割方式为L时对应的监控图像信息熵，

为分割出来的第k个子图中的时刻a的监控图像，

为分割出来的第k个子图中的时刻b的监控图像，

为分割出来的第k个子图中的节点数目，

为图分割方式为L时对应的子图数目。

为解决上述技术问题，本发明还提供了一种基于人工智能的挤塑设备故障预警系统，包括存储器和处理器以及存储在存储器中并在处理器上运行的计算机程序，处理器与存储器相耦合，处理器在执行计算机程序时实现上述的基于人工智能的挤塑设备故障预警方法。

本发明具有如下有益效果：本发明通过获取用于检测挤塑设备故障所需的设定时间段，在对挤塑设备进行故障检测时，实时获取该设定时间段内对应的挤塑设备在每个时刻的运行日志数据，并将这些运行日志数据输入到预先训练好的挤塑设备故障类型预测网络，就可以确定待检测挤塑设备是否发生故障以及在发生故障时对应的故障类别，从而进行预警。由于本发明可以通过待检测挤塑设备自身产生的运行日志数据，来实现待检测挤塑设备的故障提前预警，避免了设备出现故障，有效提高了制品的合格率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明基于人工智能的挤塑设备故障预警方法的流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

本实施例提供了一种基于人工智能的挤塑设备故障预警方法，对应的流程图如图1所示，具体包括以下步骤：

步骤S1：获取用于检测挤塑设备故障所需的设定时间段以及预先训练好的挤塑设备故障类型预测网络。

其中，用于检测挤塑设备故障所需的设定时间段是需要提前确定的，对应的确定过程包括：

（1-1）获取挤塑设备历史工作过程中的T个时刻的运行日志文本数据和监控图像数据。

其中，在挤塑设备历史工作过程中，获取各个不同时刻的运行日志文本数据和监控图像数据。这里的运行日志文本数据是指挤塑设备历史运行过程中的文本记录，监控图像数据是指物料或产品出口的经过HDRTet增强后的监控图像。

为了提高后续数据分析步骤结果的准确性，要尽可能多的获取挤塑设备历史工作过程中的运行日志文本数据和监控图像数据，即所获取数据对应的时刻的总数目T要足够大。

（1-2）根据T个时刻的运行日志文本数据，得到T个时刻的运行日志文本数据对应的嵌入向量。

其中，根据步骤（1-1）所获得的数据，对应每个时间点，即每个时刻，可以得到两类数据，其一为运行日志文本数据，也就是设备运行日志（文本数据），其二为监控图像数据，也就是产品监控视频。

记步骤（1-1）所获取到的设备运行日志集合为NOTE，且

，其中，

代表时间点索引，T代表运行日志文本数据一共包含T个时间点，

代表第

个时间点的设备运行日志。设备运行日志数据包含：设备预设参数（物料加热目标温度t1，物料冷却温度t2，螺杆预设转速w1），设备传感器读数（螺杆温度t3，螺杆测量转速w2，物料压力p）。因此，对于第i个时间点的设备运行日志，

。

记步骤（1-1）所获得的监控图像为RECORD，且

，其中，i代表时间点索引，T代表监控图像中与设备运行日志对应的T个时间点，

代表第i个时间点的监控图像。

由于挤塑设备的设备运行日志集合NOTE的数据格式为文本数据，因此需要对每个时刻的文本数据进行量化，以便后续的量化数据分析。本实施例利用Skip-gram进行词嵌入，将每个时间点的文本记录映射为向量模型。这一步的目的是将文本量化，以便于后续过程对文本数据进行计算和分析。由于Skip-gram为公知技术，此处不再赘述。

对于设备运行日志集合NOTE中的每个时刻的运行日志文本数据，利用Skip-gram，可以得到每个时刻的文本数据的嵌入向量，记为

，其中，i代表时间点的索引，T代表共有T个时间点，

代表索引为i的嵌入向量。

（1-3）根据T个时刻的运行日志文本数据对应的嵌入向量，构建无向图结构，具体步骤包括：

（1-3-1）将T个时刻的运行日志文本数据对应的嵌入向量分别作为一个节点，根据每个节点对应的嵌入向量和时刻，计算任意两个节点之间的边权值。

通过上述的步骤（1-2），每个时间点的文本数据都有唯一的嵌入向量表示，记为

，将每个时间点的嵌入向量

作为无向图结构的一个节点，因此可以得到无向图结构的T个节点。在本实施例中，节点之间的边权与嵌入向量的相似度有关，且时间节点距离越近，则相关性越高。为了避免边权出现负值，本实施例以余弦距离表征嵌入向量之间的相似性，因此，本实施例中任意两个节点之间的边权值记为Edge：

其中，

代表索引为a与索引为b的节点之间的边权，即时刻a的运行日志文本数据对应的嵌入向量对应的节点和时刻b的运行日志文本数据对应的嵌入向量对应的节点之间的边权值，

，

为索引为a的嵌入向量，即时刻a的运行日志文本数据对应的嵌入向量，

为索引为b的嵌入向量，即时刻b的运行日志文本数据对应的嵌入向量，

为

和

的余弦距离，

代表基于时间跨度计算得到的权重。对于

，若时间跨度越大，则相关性越低；反之亦然。在本实施例中，

，此时综合可得：

（1-3-2）根据所有的节点以及任意两个节点之间的边权值，得到无向图结构。

基于设备的历史运行日志，可以得到所有的节点以及任意两个节点之间的边权值，进而构建了一个无向图结构Graph，其中每个时间点的嵌入向量为Graph的节点，索引为a与索引为b的任意两个节点之间的边权为

。至此，设备历史日志的无向图结构已构建完毕。

（1-4）根据无向图结构和T个时刻的监控图像数据，确定用于检测挤塑设备故障所需的设定时间段。

为了鉴别时间序列上的故障点，本实施例利用图割算法进行Graph分割，进而确定用于检测挤塑设备故障所需的设定时间段，具体步骤如下：

（1-4-1）根据无向图结构和T个时刻的监控图像数据，确定用于检测挤塑设备故障所需的设定时间段，构造图割算法的损失函数。

图割算法通常被应用于图像的前景与背景分割中，原始图割算法应用于图像分割中，需要明确目标像素与背景像素点，因此原始算法的交汇点分为两类：源点s和汇点t。而在本实施例中，图割的目的是为了区分设备正常运转的时间节点和设备可能出现故障的时间节点，因此交汇点无需分类。且由于设备存在的故障可能多样化，因此本实施例中图割算法的交汇点的数量S可能大于2。

图割算法的原始损失函数为：

其中，

为图分割方式为L时对应的能量损失函数，即当Graph的分割为L时，Graph的能量；

代表区域惩罚项，节点被正确分类时，

最小；

为图分割方式为L时对应的区域惩罚项，被割断的边权越小，

越小。然而在本实施例中，由于监控图像数据也是判别故障是否发生的重要依据，因此需要在图割算法的损失函数中加入监控图像数据的惩罚项，此时所得到的图割算法的损失函数为：

其中，

为图分割方式为L时对应的监控图像信息熵，即Graph被分割后，同属一个子图中的所有视频帧的信息熵。若信息熵越小，则证明不仅文本数据分类准确，监控图像数据也同样被精确的分类了。

由图割算法的定义可知，在图割算法中，预设交汇点的数量S即代表了将要分割获得的子图的数量。下面详细解释每个惩罚项的计算方式与目的：

区域惩罚项

代表，在分割后的Graph中，每个节点与预设交汇点的相似度之和应为最大，则此时R(L)取得最小值，Graph的能量最小，在本实施例中，

的计算方式如下：

其中，

代表图分割方式为L时，能量损失函数的区域惩罚项；i代表Graph中节点的索引；k代表预设交汇点的索引；K代表子图的数量，K=S；

代表第i个节点向量；

代表第k个交汇点向量（这一向量的选取为随机选取）；

为调和常数，根据经验，调和常数取值应为0.5。

边界惩罚项B(L)代表，以分割方式L进行Graph分割时，断开的边的权值越小，则惩罚越小，在本实施例中，B(L) 的计算方式如下：

其中，a，b代表节点的索引；

代表索引为a的节点与索引为b的节点之间的边权值。

图像惩罚项

代表，以分割方式L进行Graph分割时，每个子图中所有监控图像数据的欧氏距离的大小情况。图像惩罚项

越小，证明子图中所有图像的相似度越高，聚类准确度越高。

其中，

为图分割方式为L时对应的监控图像信息熵，

为分割出来的第k个子图中索引号为a的监控图像，即分割出来的第k个子图中的时刻a的监控图像，

为分割出来的第k个子图中索引号为b的监控图像，即分割出来的第k个子图中的时刻b的监控图像，

为分割出来的第k个子图中的节点数目，

为图分割方式为L时对应的子图数目，即预设交汇点的索引。

（1-4-2）确定初始的图割数目，并根据初始的图割数目和损失函数，利用图割算法对无向图结构进行分割，从而确定初始的图割数目所对应的图分割方式和损失函数值。

其中，由于故障类别的数量未知，即分割出来的子图数目K未知，因此需要计算最优化的K取值，并确定此取值时对应的最优化分割方式L。在本实施例中，通过遍历的方式来确定子图数目K，首先，确定初始的图割数目K=2，从T个数据节点中随机选取K个作为交汇点，进而可以通过最小化损失函数E(L)，获得当前的交汇点选取模式下，最优化的图割方式L。然后重新选取K个交汇点，并计算损失函数E(L)，如此循环，直到遍历完成所有可能的交汇点组合方式。则其中具备最小E(L)值的交汇点选取方式和对应的图割方式L，即为子图数目K=2时最优化的图割方式和交汇点选取方式，对应的子图即为最优化分割方法获得的子图，对应得到的损失函数值记为初始的图割数目K=2所对应的损失函数值。

（1-4-3）对初始的图割数目进行更新，并根据更新后的图割数目和损失函数，利用图割算法对无向图结构进行分割，从而确定更新后的图割数目所对应的图分割方式和损失函数值。

对初始的图割数目进行更新，即令图割数目K=3，然后按照步骤（1-4-2）的方式，确定图割数目K=3时所对应的图分割方式和损失函数值。

（1-4-4）根据初始的图割数目所对应的损失函数值和更新后的图割数目所对应的损失函数值，确定是否满足图割数目停止更新条件，若不满足图割数目停止更新条件，则对当前更新后的图割数目继续进行更新，直至满足图割数目停止更新条件。

将初始的图割数目所对应的损失函数值与更新后的图割数目所对应的损失函数值进行比较，当更新后的图割数目所对应的损失函数值与初始的图割数目所对应的损失函数值的差值小于设定差值阈值时，则判定满足图割数目停止更新条件，否则则判定不满足图割数目停止更新条件。在本实施例中，设置设定差值阈值为0.1。若不满足图割数目停止更新条件，则当前更新后的图割数目继续进行更新，即令图割数目K=4，并重复上述的步骤（1-4-2）-（1-4-4），直至满足图割数目停止更新条件。此时最后一次更新后的图割数目为最优化的交汇点数量，此时的交汇点选取模式为最优化的选取模式，此时的图割方式L为最优化的图割方式。

（1-4-5）根据最后一次更新后的图割数目所对应的图分割方式，确定检测挤塑设备故障所需的设定时间段。

通过上述步骤（1-4-4），可以得到最优化的图割方式，经过图割之后的子图内，节点之间的相似度足够高，子图内节点对应的视频帧相似度也足够高，被分割开的节点之间的相似度足够小。假设通过最优化的图割方式获得M个子图，则每个子图中的节点对应一类数据。以逻辑推理，设备运行的过程中，正常运行的时间节点一定远大于发生故障的时间节点。因此，节点数量最多的子图即可表征设备正常运行时的数据集合。其他各类节点可表征设备出现故障的时间点。因此，根据最后一次更新后的图割数目所对应的图分割方式，确定分割出来的各个子图的节点数目，计算除了节点数目最大所对应的子图外的其他所有子图中的任意两个节点所对应的时刻的差值，将所有差值中的最小值作为检测挤塑设备故障所需的设定时间段，即故障点之间的时间跨度，也就是最小故障间隔时间，这里记为MTBF。

步骤S2：实时获取所述设定时间段内待检测挤塑设备在每个时刻的运行日志数据，并根据所述设定时间段内待检测挤塑设备在每个时刻的运行日志数据和预先训练好的挤塑设备故障类型预测网络，预测待检测挤塑设备是否发生故障以及在发生故障时对应的故障类别。

通过上述步骤S1，设备正常运行的时间点与存在故障的时间点已被准确分割。对于每个类别的故障，可选取每次故障发生前MTBF时间段内的序列数据与每次故障发生后MTBF时间段内的序列数据，这里的序列数据是指设备每次故障发生前MTBF时间段内每个时刻的运行日志数据以及每次故障发生后MTBF时间段内每个时刻的运行日志数据，并将其作为由RNN网络所构建的挤塑设备故障类型预测网络的训练集数据，设备每次故障发生前对应的运行日志数据的标签为故障类别，设备每次故障发生后对应的运行日志数据的标签为设备无故障。

利用上述数据集进行挤塑设备故障类型预测网络的训练，从而得到训练好的挤塑设备故障类型预测网络。在本实施例中，挤塑设备故障类型预测网络的激活函数为tanh函数，损失函数为均方差函数。由于利用RNN网络构建挤塑设备故障类型预测网络以及挤塑设备故障类型预测网络的具体训练过程属于现有技术，此处不再赘述。

当需要对挤塑设备进行故障检测时，实时获取设定时间段MTBF内待检测挤塑设备在每个时刻的运行日志数据，并对时获取设定时间段MTBF内待检测挤塑设备在每个时刻的运行日志数据进行词嵌入操作，词嵌入方法依然选择Skip-gram，获得当前时序的嵌入向量，记为

。将

输入到挤塑设备故障类型预测网络中，从而得到输入数据属于各个类别的概率，即设备无故障的概率以及各个故障类别所对应的概率，此时将最大概率值所对应的类别作为待检测挤塑设备后的类别。例如，当设备无故障对应的概率最大时，则说明待检测挤塑设备后续不会发生故障，当某一设备故障类别D对应的概率最大时，则说明待检测挤塑设备后续会发生故障，且故障类型为D。

步骤S3：若预测到待检测挤塑设备发生故障，则根据故障类别进行预警。

通过上述步骤S2，可以预测到待检测挤塑设备后续是否会发生故障，若预测到待检测挤塑设备会发生故障，则根据对应的故障类别进行预警。在本实施例中，当故障类别的故障严重程度越高时，则预警程度就越高，否则预警程度就越低。例如，当故障类别的故障严重程度较高时，则进行声光预警，而当故障类别的故障严重程度较低时，则进行灯光报警。

上述基于人工智能的挤塑设备故障预警方法可在故障发生之前，对设备可能即将出现的故障进行预警，并为维护人员提供故障的关键信息，避免设备出现故障，提高了维护效率，保证挤塑设备运行的连贯性，提升了平均故障间隔时间，提高了制品的合格率。在实际检测时，无需对当前时间的监控视频进行分析，仅需要对日志文本进行分析，降低了数据维度，降低了预警方法的时间复杂度。

本实施例还提供了一种基于人工智能的挤塑设备故障预警系统，包括存储器和处理器以及存储在存储器中并在处理器上运行的计算机程序，处理器与存储器相耦合，处理器在执行计算机程序时实现上述的基于人工智能的挤塑设备故障预警方法。由于该基于人工智能的挤塑设备故障预警方法已经在上述内容中进行了详细介绍，此处不再赘述。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。