基于LSTM 的中藥生產(chǎn)設(shè)備故障預(yù)測(cè)方法研究

梁川 曹樂(lè)

（1、華潤(rùn)江中制藥集團(tuán)有限責(zé)任公司，江西 南昌330096 2、上海工程技術(shù)大學(xué)，上海201620）

中醫(yī)藥行業(yè)是我國(guó)生物醫(yī)學(xué)業(yè)的重要組成部分，推動(dòng)醫(yī)藥新行業(yè)創(chuàng)新升級(jí)迫在眉睫，其在我國(guó)經(jīng)濟(jì)和社會(huì)發(fā)展的全局中有著重要的地位，近年來(lái)國(guó)家大力扶持中藥產(chǎn)業(yè)，特別是中藥現(xiàn)代化戰(zhàn)略的實(shí)施，使得我國(guó)中醫(yī)藥產(chǎn)業(yè)在知識(shí)創(chuàng)新、藥品創(chuàng)新和技術(shù)創(chuàng)新等方面取得了長(zhǎng)足的進(jìn)步。國(guó)家老齡化的不斷加深的背景下，國(guó)民對(duì)中藥的需求越來(lái)越大，中醫(yī)藥大健康行業(yè)將成21 世紀(jì)最有發(fā)展活力的產(chǎn)業(yè)[1]。但是目前我國(guó)中藥現(xiàn)代化仍處于初級(jí)階段，中藥理論雖然先進(jìn)，但技術(shù)落后，尤其是在中藥生產(chǎn)領(lǐng)域，少部分中藥生產(chǎn)線從國(guó)外引進(jìn)，國(guó)產(chǎn)化水平較低且設(shè)備難以及時(shí)更新?lián)Q代，品質(zhì)把控要求低，大部分生產(chǎn)線是實(shí)現(xiàn)了機(jī)械化或半機(jī)械化，自動(dòng)化水平偏低[2]。本文針對(duì)中藥包衣制粒機(jī)設(shè)備，提出了基于物聯(lián)網(wǎng)與大數(shù)據(jù)分析的智能中藥設(shè)備健康監(jiān)測(cè)方法。該方法是通過(guò)在中藥包衣制粒機(jī)設(shè)備上定點(diǎn)安裝多種傳感器采集設(shè)備運(yùn)行數(shù)據(jù)和建立LSTM故障預(yù)測(cè)模型對(duì)中藥設(shè)備進(jìn)行健康預(yù)測(cè)，傳感器安裝部位是通過(guò)對(duì)設(shè)備機(jī)理的研究，安裝于設(shè)備的故障發(fā)生后有狀態(tài)變化明顯的部位[3]。傳感器實(shí)時(shí)采集的數(shù)據(jù)通過(guò)無(wú)線通訊方式將數(shù)據(jù)遠(yuǎn)程至大數(shù)據(jù)平臺(tái)，并以數(shù)據(jù)驅(qū)動(dòng)為主的機(jī)器學(xué)習(xí)算法對(duì)數(shù)據(jù)進(jìn)行預(yù)處理、故障實(shí)時(shí)預(yù)測(cè)，可有效在故障發(fā)生前期實(shí)現(xiàn)故障的預(yù)測(cè)，進(jìn)一步提高設(shè)備安全運(yùn)行的可靠度，有效減少故障所導(dǎo)致的經(jīng)濟(jì)損失和維修難度，對(duì)中藥設(shè)備智能化設(shè)計(jì)與實(shí)現(xiàn)具有重要作用。

1 智能中藥設(shè)備健康監(jiān)測(cè)系統(tǒng)的構(gòu)成和工作原理

圖1 系統(tǒng)組成部分結(jié)構(gòu)圖

數(shù)據(jù)采集模塊主要對(duì)中藥生產(chǎn)設(shè)備進(jìn)行數(shù)據(jù)采集，通過(guò)物聯(lián)網(wǎng)技術(shù)實(shí)現(xiàn)對(duì)中藥工業(yè)設(shè)備數(shù)據(jù)進(jìn)行上傳與保存，如要實(shí)現(xiàn)對(duì)生產(chǎn)設(shè)備運(yùn)行狀態(tài)進(jìn)行診斷與預(yù)測(cè)，就涉及到對(duì)采集的大數(shù)據(jù)進(jìn)行綜合的分析。故障預(yù)測(cè)與健康管理（PHM）技術(shù)，其主要特點(diǎn)是使用多種傳感器設(shè)備采集大量設(shè)備全壽命運(yùn)行數(shù)據(jù)并利用機(jī)器學(xué)習(xí)構(gòu)建數(shù)學(xué)或物理模型等智能算法實(shí)現(xiàn)對(duì)系統(tǒng)或設(shè)備在發(fā)生故障前進(jìn)行故障預(yù)測(cè)，并通過(guò)建立模型解決問(wèn)題[4]。

智能中藥設(shè)備健康監(jiān)測(cè)系統(tǒng)結(jié)構(gòu)如圖1 所示，其硬件設(shè)備包括4G 無(wú)線數(shù)據(jù)發(fā)送模塊（DTU）、模擬量采集模塊、電壓電流振動(dòng)等傳感器和阿里云服務(wù)器等。系統(tǒng)每個(gè)模塊的具體功能如下：

a.DTU 收發(fā)模塊：通過(guò)485 接口實(shí)現(xiàn)數(shù)據(jù)接收，通過(guò)DTU 模塊處理后通過(guò)SIM7600CE 模塊將數(shù)據(jù)通過(guò)基站上傳。

b.數(shù)據(jù)采集模塊：主要包括各類傳感器及傳感器供電設(shè)備，通過(guò)交流轉(zhuǎn)直流模塊給傳感器供電，傳感器采集設(shè)備運(yùn)行實(shí)時(shí)數(shù)據(jù)。

c.數(shù)據(jù)處理模塊：通過(guò)該模塊將傳感器的數(shù)據(jù)進(jìn)行預(yù)處理，轉(zhuǎn)換成4-20mA 的模擬量數(shù)據(jù)，方便DTU 模塊的數(shù)據(jù)處理及上傳。

d.數(shù)據(jù)存儲(chǔ)模塊：主要包括阿里云服務(wù)器，通過(guò)阿里云服務(wù)器的ECS（阿里云服務(wù)器）處理后將數(shù)據(jù)收發(fā)至RDS 數(shù)據(jù)庫(kù)進(jìn)行存儲(chǔ)，方便后續(xù)數(shù)據(jù)的調(diào)用及處理。

2 基于LSTM 的故障預(yù)測(cè)模型

2.1 故障預(yù)測(cè)模型分析與選擇

故障預(yù)測(cè)是通過(guò)對(duì)當(dāng)前中藥設(shè)備當(dāng)前狀態(tài)數(shù)據(jù)以及歷史大數(shù)據(jù)來(lái)研判設(shè)備或系統(tǒng)出現(xiàn)潛在故障的可能性。目前設(shè)備故障預(yù)測(cè)主要分為三大類：基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)方法、基于物理模型的預(yù)測(cè)方法和混合預(yù)測(cè)方法。不同模型的方法與其優(yōu)缺點(diǎn)分別為：

2.1.1 物理預(yù)測(cè)模型是在對(duì)系統(tǒng)的物理特性有充分的了解下構(gòu)建的一種描述該物理特性的失效模型，介于對(duì)系統(tǒng)物理特性的了解，該模型具有較高的精確度，主要應(yīng)用在零部件剩余壽命預(yù)測(cè)、軸承等裂紋位置及損傷程度、設(shè)備疲勞壽命預(yù)測(cè)等，但對(duì)于復(fù)雜設(shè)備，要想構(gòu)建起精確度高精確描述其物理特性的模型是十分困難的。

2.1.2 數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)模型是基于大數(shù)據(jù)采集與分析而直接建模來(lái)表現(xiàn)設(shè)備或零件損傷過(guò)程的模型，不需要考慮具有復(fù)雜物理特性的數(shù)學(xué)模型，根據(jù)采集的設(shè)備實(shí)時(shí)狀態(tài)數(shù)據(jù)預(yù)測(cè)涉筆健康狀況，是一種可用于神經(jīng)網(wǎng)絡(luò)的智能模型，通常設(shè)計(jì)一種融合機(jī)制將不同模型組合起來(lái)提高預(yù)測(cè)精度。其優(yōu)點(diǎn)是過(guò)程簡(jiǎn)單，不需花費(fèi)大量時(shí)間構(gòu)建模型，可通過(guò)各種預(yù)測(cè)方法實(shí)現(xiàn)各方法之間的優(yōu)劣互補(bǔ)，準(zhǔn)確率高。

2.1.3 混合預(yù)測(cè)模型主要用于復(fù)雜系統(tǒng)的故障診斷預(yù)測(cè)，是一種非迭代的解卷積方法，將物理或數(shù)據(jù)驅(qū)動(dòng)模型進(jìn)行一定程度的融合，實(shí)現(xiàn)對(duì)設(shè)備故障的預(yù)測(cè)，由于具體參數(shù)需要根據(jù)具體采集的信號(hào)確定，不同的模型之間差距較大，所耗費(fèi)的時(shí)間和集約計(jì)算成本均不同，這也導(dǎo)致混合模型發(fā)展緩慢的重要因素。

本文采用了數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)模型來(lái)對(duì)中藥設(shè)備的健康情況進(jìn)行預(yù)測(cè)，與物理預(yù)測(cè)模型相比，該模型不需要構(gòu)建具有復(fù)雜物理特性的數(shù)學(xué)模型，模型易構(gòu)建且耗時(shí)短。且隨著基于物聯(lián)網(wǎng)和大數(shù)據(jù)的不斷發(fā)展，可滿足數(shù)據(jù)驅(qū)動(dòng)模型建立所需的大量的數(shù)據(jù)支撐[5]。本文采用了長(zhǎng)短期記憶人工神經(jīng)網(wǎng)（LSTM）模型的方法進(jìn)行了中藥設(shè)備的健康預(yù)測(cè)。

2.2 長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)

圖2 LSTM 網(wǎng)絡(luò)中長(zhǎng)期狀態(tài)C 的控制

圖3 基于LSTM 模型的部分?jǐn)?shù)據(jù)預(yù)測(cè)效果

長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory），是一種RNN 網(wǎng)絡(luò)中能夠?qū)W習(xí)長(zhǎng)期依賴的特殊的類型，LSTM 有通過(guò)精心設(shè)計(jì)的稱作為“門”的結(jié)構(gòu)，是一種時(shí)間序列自我調(diào)用神經(jīng)網(wǎng)絡(luò)模型，主要應(yīng)用在延遲較長(zhǎng)模型或時(shí)間序列的中間間隔的預(yù)測(cè)模型。LSTM 與RNN 具有相似的形式，即具有鏈?zhǔn)叫问降闹貜?fù)神經(jīng)網(wǎng)絡(luò)模塊，以一種特殊的形式交互，但LSTM 不同的是重復(fù)模塊中具有一個(gè)不同的結(jié)構(gòu)，即所謂的“門”結(jié)構(gòu)。LSTM 可以增加或刪除神經(jīng)元狀態(tài)中的信息，門限包含一個(gè)sigmoid 神經(jīng)網(wǎng)絡(luò)層和一個(gè)逐點(diǎn)相乘器乘法，信息通過(guò)門限時(shí)被選擇性通過(guò)[6]。LSTM 擁有輸入門、遺忘門和輸出門三個(gè)門，來(lái)保護(hù)和控制神經(jīng)元細(xì)胞狀態(tài)信息[7]。根據(jù)算法規(guī)則判定當(dāng)信息進(jìn)入LSTM 時(shí)，該信息是否有用，循環(huán)結(jié)構(gòu)之間保持一個(gè)持久單元狀態(tài)不斷傳遞下去，當(dāng)信息滿足算法規(guī)則時(shí)則被保留，反之遺忘[8]。LSTM 中的第一步是通過(guò)一個(gè)被稱為遺忘門的門來(lái)決定哪些信息應(yīng)該被神經(jīng)元細(xì)胞遺忘，該門讀取前一個(gè)隱藏狀態(tài)和當(dāng)前輸入，每個(gè)神經(jīng)元狀態(tài)輸出0 或1，“1”表示保留，“0”表示遺忘。下一步包含兩個(gè)部分，第一，確定要更新的數(shù)值，這一步由sigmoid 層完成，由其計(jì)算哪些值更重要并傳遞給tanh 層，sigmoid 層又被稱為輸入門層。第二，tanh 層生成一個(gè)新的候選值向量加入到神經(jīng)元狀態(tài)中參與后續(xù)運(yùn)算[9]。最后，確定輸出值。sigmoid 層來(lái)確定細(xì)胞狀態(tài)的哪個(gè)部分將輸出出去，接著細(xì)胞狀態(tài)通過(guò)tanh 層進(jìn)行處理，得到一個(gè)在-1 到1 之間的值，并將它和sigmoid 門的輸出相乘，組合這兩步生成一個(gè)更新狀態(tài)值，這樣僅僅會(huì)輸出確定輸出的那部分[10]。

3 實(shí)驗(yàn)部分

由于設(shè)備在運(yùn)行中并未發(fā)生故障，采集到的數(shù)據(jù)全部都是正常數(shù)據(jù)，本文只計(jì)算其準(zhǔn)確率，公式如下：

TP：實(shí)際是正例，預(yù)測(cè)為正例

FP：實(shí)際為負(fù)例，預(yù)測(cè)為正例

TN：實(shí)際為負(fù)例，預(yù)測(cè)為負(fù)例

FN：實(shí)際為正例，預(yù)測(cè)為負(fù)例

計(jì)算得到準(zhǔn)確率PRE=96.54%[11]。

選取部分?jǐn)?shù)據(jù)對(duì)LSTM 進(jìn)行模型訓(xùn)練和預(yù)測(cè)，其中訓(xùn)練數(shù)據(jù)的數(shù)量為40，測(cè)試數(shù)據(jù)的數(shù)量為40，設(shè)置最多迭代250 次，設(shè)置梯度閾值位1，可有效防止梯度爆炸。設(shè)置初始學(xué)習(xí)率為0.005，經(jīng)過(guò)125輪次訓(xùn)練后通過(guò)乘以因子0.2 可降低學(xué)習(xí)率。如圖3 所示為少量數(shù)據(jù)預(yù)測(cè)和實(shí)際的結(jié)果圖。LSTM 預(yù)測(cè)模型的均方根誤差（RMSE）為4.5764。模型預(yù)測(cè)的效果如圖4 所示，其訓(xùn)練集是前90%的數(shù)據(jù)，測(cè)試集是后10%的數(shù)據(jù)，對(duì)RMSE 的分布圖分析可知，隨著預(yù)測(cè)時(shí)間的增長(zhǎng)，誤差會(huì)逐漸增大。而此時(shí)平均RMSE 為4.1827，相較于對(duì)少量數(shù)據(jù)的預(yù)測(cè)，誤差會(huì)明顯降低，說(shuō)明訓(xùn)練集的數(shù)量對(duì)模型訓(xùn)練的準(zhǔn)確度有一定的影響。

圖4 基于LSTM 模型的預(yù)測(cè)效果

4 結(jié)論

故障預(yù)測(cè)技術(shù)是一門交叉性學(xué)科，近年來(lái)在航天、化工、石油和冶金等領(lǐng)域發(fā)揮著越來(lái)越重要的作用。本文根據(jù)流化床制粒包衣機(jī)的工作特點(diǎn)，通過(guò)使用傳感器采集設(shè)備運(yùn)行的振動(dòng)數(shù)據(jù)，根據(jù)此數(shù)據(jù)分析設(shè)備的運(yùn)行狀態(tài)，在此基礎(chǔ)上建立中藥設(shè)備LSTM 健康預(yù)測(cè)模型，實(shí)現(xiàn)故障預(yù)測(cè)。LSTM 預(yù)測(cè)模型的準(zhǔn)確率，對(duì)準(zhǔn)確率的影響因素（訓(xùn)練集，預(yù)測(cè)時(shí)間）訓(xùn)練數(shù)據(jù)量為40，測(cè)試數(shù)據(jù)量為40 時(shí)，LSTM 預(yù)測(cè)模型的均方根誤差為4.5764，且訓(xùn)練集的數(shù)量對(duì)模型訓(xùn)練的準(zhǔn)確度有一定的影響，研究結(jié)果表明，基于物聯(lián)網(wǎng)和LSTM 的中藥設(shè)備故障預(yù)測(cè)系統(tǒng)具有較高的精確度和較快的處理速度，能夠及時(shí)的判斷出可能發(fā)生的故障，提前做好備品備件管理，最大程度的降低企業(yè)的損失，加上算法本身的高魯棒性，可以將此系統(tǒng)推廣到其他的設(shè)備上，為全過(guò)程監(jiān)測(cè)生產(chǎn)情況和工業(yè)系統(tǒng)互聯(lián)互通提供了新的思路。