基于支持向量機的CTD煙絲干燥設(shè)備故障預(yù)測研究*

巫小燕,劉永明，謝鵬，劉志博，趙轉(zhuǎn)哲*

(1.安徽工程大學(xué)機械工程學(xué)院，安徽 蕪湖 241000；2.安徽中煙工業(yè)公司蕪湖卷煙廠，安徽 蕪湖 241003)

引言

烘絲機作為煙絲干燥工序的主要設(shè)備，在卷煙制絲生產(chǎn)過程中承擔(dān)著十分重要的作用.如圖1所示，其具備恒脫水功能，同時因為其干燥時間短、維護難度低以及工作效率高等優(yōu)勢，但在實際運行過程中存在堵絲、出絲不均勻、斷流等問題，造成設(shè)備的運行故障，使煙絲品質(zhì)和生產(chǎn)效率下降.因此，對于煙絲干燥過程中的故障預(yù)測就顯得尤為必要.

圖1 CTD氣流式烘絲機

因為支持向量機算法(Support Vector Machine, SVM)能較好地解決非線性、高維數(shù)和局部極小點等問題，所以國內(nèi)外已有不少學(xué)者對支持向量機算法進行了深入研究并利用該算法對設(shè)備故障進行診斷：Chauhan[1]等人改進了線性支持向量機的求解器.Rizwan[2]等人提出了更好性能的WR-SVM分類器.Tan[3]等人利用改進的粒子群算法優(yōu)化支持向量機模型，形成了PSO-SVM算法.Siqueira[4]等人將支持向量機替代傳統(tǒng)方法應(yīng)用于前列腺癌分類，結(jié)果表明其具有更高的敏感性和特異性.鄧曾[5]等人提出了一種支持向量機的改進算法，驗證了其具有較高的分類精度.院老虎[6]等人將密集連接卷積網(wǎng)絡(luò)與支持向量機相結(jié)合，提出了一種旋轉(zhuǎn)機械故障診斷方法.韓耀輝[7]等人利用仿真軟件搭建了實時整車模型并構(gòu)建了基于支持向量機的柴電混合動力系統(tǒng)的診斷框架.李森娟[8]等人提出了一種基于支持向量機的風(fēng)電機組故障預(yù)測模型.孫原理[9]等人提出一種基于多物理場信號相關(guān)分析與支持向量機相結(jié)合的故障診斷方法.羅巍[10]等人提出了一種基于粒子群-支持向量機(PSO-SVM)及時序環(huán)節(jié)的數(shù)控刀架故障診斷方法.郭小萍[11]等人針對工業(yè)過程多類型故障診斷率低的問題,提出一種邊界判別投影與支持向量機相融合的方法.黃新波[12]等人將時間序列和支持向量機相結(jié)合，提出了一種變壓器故障預(yù)測模型.

目前，關(guān)于CTD煙絲干燥設(shè)備的故障預(yù)測方面還沒有相關(guān)的研究.本文可為CTD煙絲干燥過程中的故障預(yù)測提供支持向量機故障預(yù)測模型，為煙絲干燥過程的順利進行提供保障.

1 CTD煙絲干燥設(shè)備及干燥工藝過程

CTD氣流式烘絲機的主要組成部分有：勻料器、高頻振槽、煙絲膨脹單元、煙絲干燥單元(干燥塔)、氣料分離器、離心式風(fēng)機以及燃燒爐.其工作原理是利用高溫氣體與煙絲進行碰撞，以除去煙絲中含有的水分，進而增加煙絲的韌性，并使最后出口煙絲含水率達到一定的工藝要求.其工藝流程路線如圖2所示，物料首先通過勻料器和高頻振槽后進入煙絲膨脹單元，經(jīng)膨脹后再進入煙絲干燥單元(干燥塔)進行干燥處理，然后再將其輸送至氣料分離器，之后物料便從出料罩處落下，最后在離心式風(fēng)機的作用下，熱工藝氣部分重新進入燃燒爐中，部分則被排出，如此便構(gòu)成了一個循環(huán)過程.

1-勻料器；2-高頻振槽；3-煙絲膨脹單元；4-煙絲干燥單元(干燥塔)；5-氣料分離器；6-離心式風(fēng)機；7-燃燒爐

CTD干燥設(shè)備主要通過風(fēng)速傳感器、濕度傳感器以及溫度傳感器等采集主風(fēng)機頻率、主工藝氣流量以及排潮流量等數(shù)據(jù)用于監(jiān)測設(shè)備運行狀態(tài)，其中主風(fēng)機頻率標(biāo)偏、主風(fēng)機頻率變化趨勢以及主工藝氣流量等數(shù)據(jù)變化情況反應(yīng)了CTD干燥設(shè)備的工藝穩(wěn)定性，工程師主要依據(jù)主風(fēng)機頻率標(biāo)偏、主風(fēng)機頻率變化趨勢等數(shù)據(jù)變化趨勢的經(jīng)驗，判斷CTD跳停、切絲機斷流和堵料等故障，因此，采用主風(fēng)機頻率標(biāo)偏、主風(fēng)機頻率變化趨勢以及主工藝氣流量等數(shù)據(jù)作為故障預(yù)測模型輸入數(shù)據(jù)，建立故障預(yù)測模型訓(xùn)練樣本和測試樣本.

2 故障預(yù)測模型的構(gòu)建

CTD氣流式烘絲機的運行狀況可以由各個測點的監(jiān)測數(shù)據(jù)來反映，且檢測指標(biāo)的數(shù)值大小與其過往數(shù)據(jù)值緊密相關(guān).當(dāng)烘絲機正常工作時，各類監(jiān)測數(shù)據(jù)會在固定的范圍內(nèi)進行有規(guī)律的波動，但當(dāng)設(shè)備發(fā)生堵絲的狀況時，部分核心監(jiān)測指標(biāo)的參數(shù)值便會打破其固有的波動范圍.

CTD氣流式烘絲機故障預(yù)測模型就是對其故障信息進行正確的分類識別.操作過程如下：首先對現(xiàn)場收集到的CTD烘絲機故障數(shù)據(jù)進行預(yù)處理，其次進行特征值提取，然后再用支持向量機算法來實現(xiàn)故障預(yù)測.

對于某煙草廠CTD氣流式烘絲機的生產(chǎn)線所監(jiān)測到的日常數(shù)據(jù)進行整理，從而形成樣本數(shù)據(jù)集.烘絲機的主要工藝參數(shù)有：電子秤累計量、主風(fēng)機頻率、主工藝氣流量、主工藝氣壓差、排潮流量、膨脹節(jié)風(fēng)機頻率和注入蒸汽量.對于樣本數(shù)據(jù)集：D={(x1,y1),(x2,y2),(x3,y3)，…,(xn,yn)}，類別Y={故障，正常}，該樣本中出現(xiàn)故障的有22組，其余均為運行正常.特征屬性X={篩網(wǎng)位置，電子秤累積量，主風(fēng)機頻率初始值，主風(fēng)機頻率均值，主風(fēng)機頻率最大值，主風(fēng)機頻率最小值，主風(fēng)機頻率標(biāo)偏，風(fēng)機頻率變化趨勢，主工藝氣流量均值，主工藝氣流量標(biāo)偏，排潮流量初始值，排潮流量均值，手動風(fēng)門大小，膨脹節(jié)風(fēng)機頻率均值，膨脹節(jié)風(fēng)機頻率最大值，膨脹節(jié)風(fēng)機頻率最小值，膨脹節(jié)風(fēng)機頻率變化趨勢，注入蒸汽量},故特征屬性共計18類.

(1)

式(1)中w為分離超平面權(quán)重系數(shù)，b為偏離項,y表示數(shù)據(jù)點的標(biāo)簽，且其值為-1或1，C分別代表烘絲機出現(xiàn)故障與運行正常這兩種情況.當(dāng)新的運行數(shù)據(jù)帶入預(yù)測模型時，y值為-1表示發(fā)生故障，進行停機維護.

本次模型評估的過程中使用的是多重留出驗證法,即可以重復(fù)多次樣本分割，最后將估計結(jié)果進行平均.這樣可以降低由于樣本分割的隨機性導(dǎo)致評估結(jié)果的不穩(wěn)定性.用式(2)來估計泛化誤差.

(2)

設(shè)D=D1+D2,為使預(yù)測模型較好估計且泛化誤差盡可能小，這里取D1=D/2.

3 故障預(yù)測與結(jié)果分析

3.1 選擇數(shù)據(jù)

對某煙草廠CTD氣流式烘絲機的生產(chǎn)線所監(jiān)測到的日常數(shù)據(jù)進行整理，從而形成樣本數(shù)據(jù)集，部分原始數(shù)據(jù)如表1、表2所示.

表1 煙絲運行狀態(tài)數(shù)據(jù)

表2 煙絲運行狀態(tài)數(shù)據(jù)

圖3 受試者工作特征曲線

如圖3所示，依據(jù)選擇特征的原則可知，column8、column9、column12屬性對于預(yù)測標(biāo)簽類別有較大的幫助.

3.2 預(yù)測結(jié)果

本次模型評估的過程中使用的是50%留出驗證法，即將整個樣本集D隨機地分成互不相交的兩部分D1和D2,其中D1=D/2.

圖4 三次利用支持向量機模型得出的真正利率圖

圖5 三次利用決策樹模型得出的真正利率圖

圖6 三次利用邏輯回歸模型得出的真正利率圖

從圖4、圖5、圖6中可以看出三種模型預(yù)測得出的準(zhǔn)確率均值都能達到97%以上.決策樹模型對故障類預(yù)測的準(zhǔn)確率最高為83.3%，而支持向量機模型和邏輯回歸模型對故障類預(yù)測的準(zhǔn)確率最高能達到100%.

圖7 三次利用支持向量機模型訓(xùn)練的ROC曲線圖

圖8 三次利用決策樹模型訓(xùn)練的ROC曲線圖

圖9 三次利用邏輯回歸模型訓(xùn)練的ROC曲線圖

ROC曲線圖可以直觀形象地展示分類器性能的情況，從圖7、圖8以及圖9中可以看出，基于支持向量機的分類器效果要好于其余兩個分類器，其AUC均值為0.99.

依次比較Linear SVM算法、Complex Trees算法、Logistic Regression算法的真正利率、真負利率、假正利率、假負利率、ROC曲線下面積、精確度以及運行時間三次均值，綜合評判各算法的優(yōu)劣.結(jié)果如表3所示.

表3 三種模型故障預(yù)測結(jié)果對比

總體來看，與決策樹算法以及邏輯回歸算法進行對比，基于支持向量機算法建立的故障預(yù)測模型預(yù)測效果較好，故障預(yù)測準(zhǔn)確率為99.6%，真正例率為99.8%，ROC值為0.99，其預(yù)測精度基本滿足煙絲干燥工藝控制精度的要求.

4 結(jié)論

CTD氣流式烘絲機是當(dāng)下煙絲干燥領(lǐng)域的核心機器，而煙絲干燥則是煙絲成型的關(guān)鍵工序之一，因此實際生產(chǎn)中對煙絲干燥設(shè)備進行故障預(yù)測也變得十分重要.針對上述問題，本文提出了一種基于SVM的CTD氣流式烘絲機故障預(yù)測模型，建模研究后，得到如下結(jié)論.

1)本文以主風(fēng)機頻率、主風(fēng)機氣流量等工藝參數(shù)為故障預(yù)測屬性，以出料口質(zhì)量、含水率等指標(biāo)為故障判據(jù)，對工藝過程進行故障分類標(biāo)注，采用松弛變量法，構(gòu)建了支持向量機故障預(yù)測目標(biāo)函數(shù)，建立故障預(yù)測模型.

2)利用運行數(shù)據(jù)與故障標(biāo)注，采用留出驗證法，對模型進行訓(xùn)練，并與決策樹方法、邏輯回歸方法進行比較，仿真結(jié)果表明所建支持向量機故障預(yù)測效果較好，其故障預(yù)測準(zhǔn)確率為99.6%，真正例率為99.8%，ROC值為0.99，滿足了企業(yè)的應(yīng)用要求.

本文可為CTD氣流式烘絲機的故障預(yù)測提供決策模型，以期為煙絲干燥工藝的順利進行提供保障.