基于支持向量机的CTD烟丝干燥设备故障预测研究*
时间：2023-06-27 09:50:03 来源：雅意学习网 本文已影响 人 
巫小燕,刘永明，谢鹏，刘志博，赵转哲*
(1.安徽工程大学机械工程学院，安徽 芜湖 241000；
2.安徽中烟工业公司芜湖卷烟厂，安徽 芜湖 241003)
烘丝机作为烟丝干燥工序的主要设备，在卷烟制丝生产过程中承担着十分重要的作用.如图1所示，其具备恒脱水功能，同时因为其干燥时间短、维护难度低以及工作效率高等优势，但在实际运行过程中存在堵丝、出丝不均匀、断流等问题，造成设备的运行故障，使烟丝品质和生产效率下降.因此，对于烟丝干燥过程中的故障预测就显得尤为必要.
图1 CTD气流式烘丝机
因为支持向量机算法(Support Vector Machine, SVM)能较好地解决非线性、高维数和局部极小点等问题，所以国内外已有不少学者对支持向量机算法进行了深入研究并利用该算法对设备故障进行诊断：Chauhan[1]等人改进了线性支持向量机的求解器.Rizwan[2]等人提出了更好性能的WR-SVM分类器.Tan[3]等人利用改进的粒子群算法优化支持向量机模型，形成了PSO-SVM算法.Siqueira[4]等人将支持向量机替代传统方法应用于前列腺癌分类，结果表明其具有更高的敏感性和特异性.邓曾[5]等人提出了一种支持向量机的改进算法，验证了其具有较高的分类精度.院老虎[6]等人将密集连接卷积网络与支持向量机相结合，提出了一种旋转机械故障诊断方法.韩耀辉[7]等人利用仿真软件搭建了实时整车模型并构建了基于支持向量机的柴电混合动力系统的诊断框架.李森娟[8]等人提出了一种基于支持向量机的风电机组故障预测模型.孙原理[9]等人提出一种基于多物理场信号相关分析与支持向量机相结合的故障诊断方法.罗巍[10]等人提出了一种基于粒子群-支持向量机(PSO-SVM)及时序环节的数控刀架故障诊断方法.郭小萍[11]等人针对工业过程多类型故障诊断率低的问题,提出一种边界判别投影与支持向量机相融合的方法.黄新波[12]等人将时间序列和支持向量机相结合，提出了一种变压器故障预测模型.
目前，关于CTD烟丝干燥设备的故障预测方面还没有相关的研究.本文可为CTD烟丝干燥过程中的故障预测提供支持向量机故障预测模型，为烟丝干燥过程的顺利进行提供保障.
CTD气流式烘丝机的主要组成部分有：匀料器、高频振槽、烟丝膨胀单元、烟丝干燥单元(干燥塔)、气料分离器、离心式风机以及燃烧炉.其工作原理是利用高温气体与烟丝进行碰撞，以除去烟丝中含有的水分，进而增加烟丝的韧性，并使最后出口烟丝含水率达到一定的工艺要求.其工艺流程路线如图2所示，物料首先通过匀料器和高频振槽后进入烟丝膨胀单元，经膨胀后再进入烟丝干燥单元(干燥塔)进行干燥处理，然后再将其输送至气料分离器，之后物料便从出料罩处落下，最后在离心式风机的作用下，热工艺气部分重新进入燃烧炉中，部分则被排出，如此便构成了一个循环过程.
1-匀料器；
2-高频振槽；
3-烟丝膨胀单元；
4-烟丝干燥单元(干燥塔)；
5-气料分离器；
6-离心式风机；
7-燃烧炉
CTD干燥设备主要通过风速传感器、湿度传感器以及温度传感器等采集主风机频率、主工艺气流量以及排潮流量等数据用于监测设备运行状态，其中主风机频率标偏、主风机频率变化趋势以及主工艺气流量等数据变化情况反应了CTD干燥设备的工艺稳定性，工程师主要依据主风机频率标偏、主风机频率变化趋势等数据变化趋势的经验，判断CTD跳停、切丝机断流和堵料等故障，因此，采用主风机频率标偏、主风机频率变化趋势以及主工艺气流量等数据作为故障预测模型输入数据，建立故障预测模型训练样本和测试样本.
CTD气流式烘丝机的运行状况可以由各个测点的监测数据来反映，且检测指标的数值大小与其过往数据值紧密相关.当烘丝机正常工作时，各类监测数据会在固定的范围内进行有规律的波动，但当设备发生堵丝的状况时，部分核心监测指标的参数值便会打破其固有的波动范围.
CTD气流式烘丝机故障预测模型就是对其故障信息进行正确的分类识别.操作过程如下：首先对现场收集到的CTD烘丝机故障数据进行预处理，其次进行特征值提取，然后再用支持向量机算法来实现故障预测.
对于某烟草厂CTD气流式烘丝机的生产线所监测到的日常数据进行整理，从而形成样本数据集.烘丝机的主要工艺参数有：电子秤累计量、主风机频率、主工艺气流量、主工艺气压差、排潮流量、膨胀节风机频率和注入蒸汽量.对于样本数据集：D={(x1,y1),(x2,y2),(x3,y3)，…,(xn,yn)}，类别Y={故障，正常}，该样本中出现故障的有22组，其余均为运行正常.特征属性X={筛网位置，电子秤累积量，主风机频率初始值，主风机频率均值，主风机频率最大值，主风机频率最小值，主风机频率标偏，风机频率变化趋势，主工艺气流量均值，主工艺气流量标偏，排潮流量初始值，排潮流量均值，手动风门大小，膨胀节风机频率均值，膨胀节风机频率最大值，膨胀节风机频率最小值，膨胀节风机频率变化趋势，注入蒸汽量},故特征属性共计18类.
(1)
式(1)中w为分离超平面权重系数，b为偏离项,y表示数据点的标签，且其值为-1或1，C分别代表烘丝机出现故障与运行正常这两种情况.当新的运行数据带入预测模型时，y值为-1表示发生故障，进行停机维护.
本次模型评估的过程中使用的是多重留出验证法,即可以重复多次样本分割，最后将估计结果进行平均.这样可以降低由于样本分割的随机性导致评估结果的不稳定性.用式(2)来估计泛化误差.
(2)
设D=D1+D2,为使预测模型较好估计且泛化误差尽可能小，这里取D1=D/2.
3.1 选择数据
对某烟草厂CTD气流式烘丝机的生产线所监测到的日常数据进行整理，从而形成样本数据集，部分原始数据如表1、表2所示.
表1 烟丝运行状态数据
表2 烟丝运行状态数据
图3 受试者工作特征曲线
如图3所示，依据选择特征的原则可知，column8、column9、column12属性对于预测标签类别有较大的帮助.
3.2 预测结果
本次模型评估的过程中使用的是50%留出验证法，即将整个样本集D随机地分成互不相交的两部分D1和D2,其中D1=D/2.
图4 三次利用支持向量机模型得出的真正利率图
图5 三次利用决策树模型得出的真正利率图
图6 三次利用逻辑回归模型得出的真正利率图
从图4、图5、图6中可以看出三种模型预测得出的准确率均值都能达到97%以上.决策树模型对故障类预测的准确率最高为83.3%，而支持向量机模型和逻辑回归模型对故障类预测的准确率最高能达到100%.
图7 三次利用支持向量机模型训练的ROC曲线图
图8 三次利用决策树模型训练的ROC曲线图
图9 三次利用逻辑回归模型训练的ROC曲线图
ROC曲线图可以直观形象地展示分类器性能的情况，从图7、图8以及图9中可以看出，基于支持向量机的分类器效果要好于其余两个分类器，其AUC均值为0.99.
依次比较Linear SVM算法、Complex Trees算法、Logistic Regression算法的真正利率、真负利率、假正利率、假负利率、ROC曲线下面积、精确度以及运行时间三次均值，综合评判各算法的优劣.结果如表3所示.
表3 三种模型故障预测结果对比
总体来看，与决策树算法以及逻辑回归算法进行对比，基于支持向量机算法建立的故障预测模型预测效果较好，故障预测准确率为99.6%，真正例率为99.8%，ROC值为0.99，其预测精度基本满足烟丝干燥工艺控制精度的要求.
CTD气流式烘丝机是当下烟丝干燥领域的核心机器，而烟丝干燥则是烟丝成型的关键工序之一，因此实际生产中对烟丝干燥设备进行故障预测也变得十分重要.针对上述问题，本文提出了一种基于SVM的CTD气流式烘丝机故障预测模型，建模研究后，得到如下结论.
1)本文以主风机频率、主风机气流量等工艺参数为故障预测属性，以出料口质量、含水率等指标为故障判据，对工艺过程进行故障分类标注，采用松弛变量法，构建了支持向量机故障预测目标函数，建立故障预测模型.
2)利用运行数据与故障标注，采用留出验证法，对模型进行训练，并与决策树方法、逻辑回归方法进行比较，仿真结果表明所建支持向量机故障预测效果较好，其故障预测准确率为99.6%，真正例率为99.8%，ROC值为0.99，满足了企业的应用要求.
本文可为CTD气流式烘丝机的故障预测提供决策模型，以期为烟丝干燥工艺的顺利进行提供保障.
猜你喜欢烟丝风机向量不同因素对烟丝填充值的影响研究南方农业(2022年13期)2022-08-03向量的分解新高考·高一数学(2022年3期)2022-04-28聚焦“向量与三角”创新题中学生数理化(高中版.高考数学)(2021年1期)2021-03-19膨胀烟丝回潮系统的改进烟草科技(2020年3期)2020-05-19风机折翼“倒春寒”能源(2018年5期)2018-06-15结存烟丝返掺方式的选择消费导刊(2018年8期)2018-05-25风机倒塔事故为何频发?能源(2017年9期)2017-10-18节能技术EPU在AV71风机上的应用现代工业经济和信息化(2016年12期)2016-05-17向量垂直在解析几何中的应用高中生学习·高三版(2016年9期)2016-05-14向量五种“变身” 玩转圆锥曲线新高考·高二数学(2015年11期)2015-12-23
