基于系統(tǒng)模型的自動化生產(chǎn)線故障診斷策略

徐明燦

（重慶三峽職業(yè)學(xué)院 重慶 404155）

0 引言

隨著自動化技術(shù)的不斷發(fā)展，可編程邏輯控制器（programmable logic controller，PLC）控制的自動化生產(chǎn)線在工業(yè)生產(chǎn)中得到了廣泛的應(yīng)用［1－3］。 然而，自動化生產(chǎn)線的故障診斷和維修一直是一個挑戰(zhàn)性的問題。 傳統(tǒng)的故障診斷方法往往需要人工干預(yù)，耗時費力，且容易出現(xiàn)誤診和漏診［4－6］。 因此，開發(fā)一種高效、可靠的自動化生產(chǎn)線故障診斷系統(tǒng)模型具有重要的意義。

本文首先介紹以PLC 為主控制器的自動化生產(chǎn)線基本結(jié)構(gòu)和原理。 其次，將分析自動化生產(chǎn)線的常見故障類型和影響，并提煉基于規(guī)則和經(jīng)驗的人工故障診斷方法。最后，提出一種基于系統(tǒng)模型的自動化生產(chǎn)線故障診斷策略，并通過實驗驗證其有效性和可行性。 以期為自動化生產(chǎn)線的故障診斷提供一種新的方法和思路，提高自動化生產(chǎn)線的可靠性和生產(chǎn)效率。

1 自動化生產(chǎn)線結(jié)構(gòu)

自動化生產(chǎn)線的結(jié)構(gòu)是其實現(xiàn)各項功能的基礎(chǔ)，對其結(jié)構(gòu)的深入理解，利于更準(zhǔn)確地診斷故障。 現(xiàn)代主流的自動化生產(chǎn)線都是以PLC 作為主控制器，其結(jié)構(gòu)邏輯如圖1 所示。

圖1 自動化生產(chǎn)線結(jié)構(gòu)邏輯圖

在自動化生產(chǎn)線的工作中，各類傳感器會不斷采集生產(chǎn)線上的各種物理量，并將此信號傳輸給輸入模塊。 輸入模塊將接收到的信號轉(zhuǎn)換為數(shù)字量，并將其傳遞給PLC。PLC 根據(jù)預(yù)設(shè)的控制程序?qū)κ盏降男盘栠M行處理和決策，并生成相應(yīng)的控制信號。 控制信號再經(jīng)過輸出模塊后，被轉(zhuǎn)換為能驅(qū)動執(zhí)行機構(gòu)的電信號。 執(zhí)行機構(gòu)根據(jù)接收到的電信號進行相應(yīng)的動作，從而實現(xiàn)對生產(chǎn)線的控制和管理。 如果需要與其他設(shè)備或系統(tǒng)進行通信，通信模塊會負責(zé)實現(xiàn)數(shù)據(jù)的交換和傳遞。 人機界面（human-computer interface， HCI）用于顯示生產(chǎn)線的狀態(tài)信息和操作界面，以便操作員進行監(jiān)控和管理。 通過以上各個組成部分的協(xié)同工作，自動化生產(chǎn)線可以實現(xiàn)高效、精準(zhǔn)的生產(chǎn)管理，提高生產(chǎn)效率。

2 故障類型和影響

深入理解自動化生產(chǎn)線的故障類型及其影響，對于故障診斷具有至關(guān)重要的意義。 首先，其可以輔助在早期階段就識別出潛在的故障跡象，實現(xiàn)預(yù)防性的維護和早期的干預(yù)，從而防止故障的進一步發(fā)展或者減輕其對生產(chǎn)線的影響。 其次，準(zhǔn)確地了解故障類型和影響能夠支持制定出更加精確和針對性的修復(fù)策略，從而提高修復(fù)的效率并減少因故障導(dǎo)致的停機時間。 最后，通過對故障類型和影響的深入了解，可以更好地進行故障后的反思和總結(jié)，從而對生產(chǎn)線的設(shè)計和運行進行優(yōu)化，提高其可靠性和健壯性，降低未來的故障發(fā)生率。

雖然自動化生產(chǎn)線的故障類型和影響因生產(chǎn)線的不同而異，但存在很多共性的故障和影響。 通過查閱文獻［7－11］，并與操作人員、維修人員深入交流，以及現(xiàn)場收集和整理生產(chǎn)線的運行數(shù)據(jù)，總結(jié)了自動化生產(chǎn)線常見故障類型和影響，其詳細說明見表1。

表1 自動化生產(chǎn)線常見故障類型和影響

3 故障診斷方法

3.1 基于規(guī)則和經(jīng)驗的人工故障診斷

在故障診斷中，基于規(guī)則和經(jīng)驗的人工故障診斷一直是一個不可或缺的主題，其效果依賴于操作人員的經(jīng)驗和技能，通過觀察和分析設(shè)備或系統(tǒng)的運行狀況，以檢測和定位潛在的故障。 因此，深入探討人工故障診斷方法，以便更好地理解其優(yōu)勢、局限性和未來發(fā)展。

經(jīng)過文獻查閱［12－16］和長期的實踐經(jīng)驗積累，總結(jié)并開發(fā)出一套系統(tǒng)而綜合的人工故障診斷方法。 其一般流程如下：

（1）觀察現(xiàn)象。 在故障發(fā)生時，進行仔細的現(xiàn)場觀察。 操作人員需要記錄和描述發(fā)生的異常現(xiàn)象，包括機器的異常聲音、振動、光亮度、運動軌跡等方面的變化。 這些觀察可以提供有關(guān)故障性質(zhì)的重要線索。

（2）邏輯分析。 在觀察到異常現(xiàn)象后，進行邏輯分析，考慮可能導(dǎo)致這些現(xiàn)象的不同原因。 包括對PLC 程序的邏輯分析，以確定是否存在邏輯錯誤或異常條件，可能導(dǎo)致系統(tǒng)出現(xiàn)問題。

（3）異常檢測。 基于觀察和邏輯分析的結(jié)果，操作人員將進一步進行異常檢測。 涉及監(jiān)測傳感器的讀數(shù)，檢查控制信號是否按預(yù)期進行，以及觀察執(zhí)行器的狀態(tài)。 如果發(fā)現(xiàn)與正常運行不符的情況，將被標(biāo)記為異常。

（4）故障定位。 一旦確定了異常，接下來的步驟是嘗試確定故障的具體位置和類型。 需要進一步分析和測試，以縮小故障范圍并識別可能的故障原因。 例如，通過檢查傳感器的線路、執(zhí)行器的機械部件或電纜連接來定位故障。

（5）記錄報告。 將故障的觀察、分析和診斷結(jié)果進行記錄和報告。 包括詳細描述觀察到的異常現(xiàn)象、邏輯分析的結(jié)果、異常檢測的數(shù)據(jù)、故障定位的信息以及可能的原因和維修措施。 報告的準(zhǔn)確性和完整性對于后續(xù)的維修工作至關(guān)重要。

以上步驟構(gòu)成基于規(guī)則和經(jīng)驗的自動化生產(chǎn)線故障診斷的常規(guī)流程，允許操作人員有條不紊地識別、記錄和報告故障，以確保生產(chǎn)線的快速恢復(fù)和高效運行。

3.2 基于系統(tǒng)模型的故障診斷

傳統(tǒng)的人工檢測方法，依賴于操作人員的主觀判斷和經(jīng)驗，存在著漏診和誤診的潛在風(fēng)險，且通常需要耗費大量的停機時間和人力資源。 鑒于此，本研究聚焦于一種更科學(xué)、高效的故障診斷方法，即基于系統(tǒng)辨識和模型預(yù)測的方法，旨在充分利用數(shù)學(xué)模型和數(shù)據(jù)分析技術(shù)，提高故障診斷的準(zhǔn)確性、靈敏度和效率。 以下將詳細闡述該方法的基本思路和過程。

（1）系統(tǒng)建模。 對基于PLC 控制的自動化生產(chǎn)線進行系統(tǒng)建模，包括定義系統(tǒng)的各個組成部分、傳感器、執(zhí)行器、控制邏輯等，以及它們之間的關(guān)系。 建模可以使用系統(tǒng)動力學(xué)、狀態(tài)空間模型或其他適當(dāng)?shù)慕７椒ㄍ瓿伞?/p>

在系統(tǒng)建模階段，可以使用狀態(tài)空間模型表示系統(tǒng)的動態(tài)行為，其中包括狀態(tài)向量x、輸入向量u和輸出向量y的關(guān)系，通常表示為式（1）。

（2）數(shù)據(jù)采集。 收集自動化生產(chǎn)線運行時的大量數(shù)據(jù)，包括傳感器讀數(shù)、執(zhí)行器狀態(tài)、控制信號等。 此類數(shù)據(jù)用于建立系統(tǒng)模型和后續(xù)的故障診斷。

（3）系統(tǒng)辨識。 基于收集的數(shù)據(jù)，使用系統(tǒng)辨識技術(shù)來估計系統(tǒng)的動態(tài)行為和參數(shù)。 包括確定傳感器和執(zhí)行器的傳遞函數(shù)、狀態(tài)空間表示或其他模型參數(shù)。

（4）正常狀態(tài)建模。 基于系統(tǒng)辨識的結(jié)果，建立系統(tǒng)的正常運行模型，以描述在沒有故障的情況下系統(tǒng)的運行。 該模型將用作基準(zhǔn)進行故障診斷。

（5）異常檢測。 監(jiān)測實時數(shù)據(jù)以檢測異常。 通過與正常狀態(tài)模型的比較，可以識別出與預(yù)期行為不一致的情況。 這些異常數(shù)據(jù)用于指示潛在故障。 可以使用統(tǒng)計方法來計算異常度或殘差，以檢測是否存在異常情況。 一個簡單的異常度計算公式可以見式（2）。

式（2）中，y實際是實際觀測到的輸出，y預(yù)測是基于系統(tǒng)模型預(yù)測的輸出，標(biāo)準(zhǔn)差用于確定異常度的閾值。

（6）故障診斷。 一旦檢測到異常，利用故障診斷算法來確定可能的故障類型和位置。 通過與已知的故障模型進行比對，以及基于數(shù)據(jù)驅(qū)動的方法來實現(xiàn)。

（7）模型修正。 如果診斷結(jié)果確認了故障，可以根據(jù)診斷結(jié)果對系統(tǒng)模型進行修正。 這有助于更準(zhǔn)確地模擬故障狀態(tài)，并進一步提高診斷的精度。 一旦發(fā)現(xiàn)異常，可以使用參數(shù)估計方法來修正系統(tǒng)模型，例如最小二乘法。估計參數(shù)θ 的公式見式（3）。

式（3）中，y模型是基于估計參數(shù)θ的模型預(yù)測輸出。

（8）報告和維修建議。 系統(tǒng)生成故障診斷報告，包括診斷的故障類型、位置和可能的原因。 報告還可以提供維修建議，以便維修人員能夠采取適當(dāng)?shù)拇胧﹣斫鉀Q故障。

該模型的故障診斷方法允許定量地描述故障，并使用數(shù)學(xué)工具來建立系統(tǒng)模型和分析數(shù)據(jù)。 其可以提供高度可靠的故障診斷，幫助提高自動化生產(chǎn)線的性能和可靠性。

4 實驗驗證

選擇一個典型的自動化生產(chǎn)線作為實驗對象，該生產(chǎn)線用于制造電子產(chǎn)品。 在實驗中模擬了設(shè)備故障、工藝異常和傳感器數(shù)據(jù)的異常情況。 監(jiān)測數(shù)據(jù)由數(shù)十個傳感器實時采集，采集頻率為1 次／s。 其他實驗條件如下。

（1）故障模式。 在實驗中，考慮了三種故障模式：設(shè)備故障、工藝異常和傳感器數(shù)據(jù)異常。 每種故障模式都有不同的故障類型，例如設(shè)備停機、工藝參數(shù)漂移等。

（2）數(shù)據(jù)來源。 監(jiān)測數(shù)據(jù)來自自動化生產(chǎn)線的各個部分，包括生產(chǎn)設(shè)備、傳感器和工藝參數(shù)記錄。

（3）時間跨度。 在實驗中采集了連續(xù)三天的數(shù)據(jù)，以模擬長時間運行的生產(chǎn)線情況。

通過比較實際發(fā)生的故障與自動診斷的結(jié)果，計算了準(zhǔn)確率、召回率和F1 分?jǐn)?shù)。 結(jié)果表明，基于模型的故障方法在故障診斷方面的平均準(zhǔn)確率達到了93%以上。 使用模型預(yù)測技術(shù)對未來可能的故障進行了預(yù)測，并記錄了預(yù)測的時間和故障嚴(yán)重程度。 實驗結(jié)果顯示，該方法成功地提前預(yù)測了大多數(shù)故障，平均提前時間為2 h。

與傳統(tǒng)的基于規(guī)則和經(jīng)驗的方法進行了比較，結(jié)果顯示所提出的方法在故障診斷和預(yù)測方面明顯優(yōu)于傳統(tǒng)方法。

5 結(jié)語

本文全面研究了自動化生產(chǎn)線故障診斷策略，深入分析了自動化生產(chǎn)線的通用結(jié)構(gòu)、各類故障類型及其影響，以及不同故障診斷方法，包括傳統(tǒng)的人工故障診斷與基于系統(tǒng)模型的智能化方法。 通過實驗驗證，確認基于系統(tǒng)模型的方法在提高診斷準(zhǔn)確率方面具備顯著優(yōu)勢，為自動化生產(chǎn)線的故障診斷和維護提供了更為可靠的科學(xué)基礎(chǔ)，有望在工業(yè)自動化領(lǐng)域產(chǎn)生深遠的影響，提高生產(chǎn)線的可靠性和生產(chǎn)效率。