基于C4.5決策樹的裝藥車間設備故障診斷系統

趙智聰，肖乾柯，劉治紅

（中國兵器裝備集團自動化研究所有限公司 智能制造事業部，四川 綿陽 621000）

0 引言

某企業為了裝藥車間形成智能化運維能力，急需將其車間內裝藥設備進行故障監控和智能化管理，減少車間內的操作運維人數。

從目前的故障診斷領域研究成果來看，使用機器學習算法對設備進行故障診斷比傳統的參數報警有更高的準確率[1]。文獻[2]利用分類回歸樹對集成遙感影像的光譜特征、紋理特征和空間分布特征[2]進行分類，有效地識別特征完成分類。文獻[3]對各種決策樹創建算法進行研究比較，針對大多數應用場景樣本信息增益率是一種有效的性能評價指標。文獻[4]在支持向量機的基礎上研究了進行設備故障診斷，討論多種優化方法以及優化思路。文獻[5]采用了主成分分析法對CART決策樹進行數據降維預處理，應用結果表明這樣改進后決策樹有很高的精度。文獻[6]將風險理論與決策樹相結合，模擬調度操作執行過程，采用狀態枚舉方法分析操作風險狀態，來計算執行調度操作給電網帶來的影響，輔助專家人員制定風險預控措施[6]。綜上所述，機器學習算法在故障診斷上研究應用效果較好，本文將基于C4.5決策樹對裝藥車間設備的故障進行研究分析。

1 裝藥車間故障診斷

1.1 現狀

該企業制造過程的管控水平較低，主要存在有以下幾個問題：

（1）裝藥車間工藝制造自動化水平低。生產加工大多是以機械加工為主，各生產環節均需要大量的人工操作。

（2）生產制造信息與物聯網融合度低。生產制造過程數據的實時性無法保證，未利用到生產設備控制系統的數據。

（3）裝藥車間為防爆車間，生產環境要求高。不能使用無線網絡，傳感器及配套的硬件設備要放置在專門的隔爆箱中。

1.2 需求

目前國內裝藥生產車間生產環境復雜、生產運維人工參與多、運維數據分析挖掘難、管控效率低等問題，急需開展裝藥生產車間智能化運維管控模式、智能采集與融合、運行狀態智能識別等技術研究，突破用于裝藥車間的運行狀態識別、虛實融合顯示等技術，形成裝藥車間智能運維管控的新模式與新標準，提升裝藥車間的智能運維管控能力。

1.3 故障分析

將裝藥車間的多種設備（如混合機、熱水循環系統、固化系統等主要設備）的關鍵零部件作為故障診斷對象，基于歷史已知的故障現象進行分析建模，結合新采集的真實數據對模型加以訓練，建立設備故障模型知識庫。對生產車間系統中的設備故障預警情況指標參數進行評估，作為后續輔助車間運維管控優化分析的目標函數值。

2 關鍵技術研究

2.1 車間數據采集技術

裝藥車間內的設備信號分成幾類：模擬量檢測信號、開關量檢測信號。這些設備信號都有現成的儀表進行檢測工作，需要在不影響原有儀表檢測功能的前提下，實現對這些信號的采集。

模擬量數據采集：將變送器產生的0～20mA電流信號從顯示儀表上斷開，通過一進二出的信號隔離模塊，產生兩路大小相同，互相隔離的兩路0～20mA電流信號。其中一路接原顯示儀表，保持原有的儀表顯示功能，另一路接系統的數據采集模塊，見圖1。

圖1 模擬量采集原理圖

開關量信號采集：將指示燈信號從指示燈上斷開，通過中間繼電器，驅動兩組無源觸點。將其中一組無源觸點將24V直流電壓連接到原指示燈，另一組無源觸點將24V直流電壓接入系統的數據采集模塊，見圖2。

圖2 開關量采集原理圖

裝藥車間中物料準備系統、混合系統、澆注系統和固化系統的數據采集信息見表1。

表1 設備數據采集

2.2 基于C4.5 的決策樹算法

決策樹學習算法是一個遞歸地選擇最優特征，并以此為依據對訓練數據進行分割，使得對各個子數據集有一個最優分類的過程。主要流程如下：特征選擇、決策樹的生成和剪枝。剪枝：為了將決策樹變得更簡單的同時使其具有更好的泛化能力決策樹生成對應模型的局部選擇，決策樹的剪枝對應于模型的全局選擇。決策樹的生成模型過程只考慮局部最優，而剪枝則需要全局最優。特征選擇：如果模型輸入數據維度很大，在決策樹學習開始之前就需要對數據特征進行預處理，選取特征數據，只留下有足夠分類能力的特征。決策樹優點如下：計算復雜度不高、對中間缺失值不敏感、解釋性強等[1]。

C4.5算法是用于生成決策樹的一種經典算法，通過信息增益率來控制分裂屬性。在該系統中設備屬性增益率計算過程如下：

其中數據集S通過設備屬性A的值劃分為了m個數據集，|Sj|—第j個數據集中的樣本數；|S|—樣本總數；SplitInfoA（S）—設備屬性A的分類信息；InfoGainA（S）—設備屬性A在屬性分裂后的信息增益，InfoGainRation（S，A）為設備屬性A分裂后的信息增益率。

裝藥車間中物料準備系統、混合系統、澆注系統和固化系統的歷史故障信息見表2。未能識別到的故障類別將提交到故障信息表中新成新的一條未確定類型的故障信息，可以通過后臺完善故障類型信息后進行決策樹模型優化訓練。

表2 設備故障歷史信息表

3 應用實現

3.1 硬件實施方案

針對裝藥車間不同設備對象，根據安全、防爆的要求，將數據采集模型進行聯網，構建以工業以太網為基礎的數據采集網絡。網絡建設結構圖見圖3。

圖3 裝藥車間網絡結構圖

3.2 數據采集與分析軟件

基于Windows操作系統的.NET 5環境，使用C#編程語言在Visual Studio 2022 Preview軟件開發環境上進行數據采集軟件和基于決策樹的后臺分析軟件開發，前端BS顯示界面基于Vue進行開發。其中決策樹算法使用Accord機器學習算法庫，相關的優化計算使用Math.Net數學計算庫。軟件接口見圖4。

圖4 系統軟件接口圖

數據分析軟件的數據處理流程見圖5。車間設備歷史數據用于決策樹模型訓練，軟件定時啟動后臺任務進行決策樹模型參數優化，設備實時數據通過MQTT服務器獲取，模型分析后的結果通過WebApi和MQTT提供給其他程序使用。

圖5 分析軟件處理數據流程圖

3.3 運行實施情況

裝藥車間故障診斷系統實現上電運行，數據采集軟件實現對車間內裝藥裝配設備實時數據的采集，數據分析軟件對采集到的數據進行實時分析，將分析結果數據推送給MQTT服務器，前端界面通過訂閱相關主題實現數據接收并顯示。通過前端大屏上的系統，顯示裝藥車間設備的生產狀態信息，實現對生產設備的故障信息實時監控。系統數據采集效果見圖6。

圖6 裝藥車間數據采集圖

4 結束語

本文基于C4.5決策樹的裝藥車間故障診斷技術研究，實現了基于決策樹的裝藥車間設備故障診斷系統，解決了裝藥車間設備故障實時診斷報警的難點問題，提高了車間生產的智能化水平。通過了系統半年的試運行，數據采集軟件與故障分析軟件穩定運行，驗證了方案在該裝藥車間下生產現場的系統可靠性。