事件驱动与时间驱动序列数据在制造业反应式故障检测中的机器学习适用性比较——基于真实制造系统的实验评估

《JOURNAL OF INTELLIGENT MANUFACTURING》：Event- vs. time-driven: comparing applicability of sequential data types for machine learning-based reactive fault detection in manufacturing

　　

在制造业中，实施可靠的机器学习（machine learning, ML）以进行反应式故障检测（reactive fault detection）需要大量高质量数据。时间序列（time-series）是现代制造业主要数据类型之一，可获得数量高，但会导致模型训练计算量大以及数据中大量重复。事件驱动序列数据（event-driven sequential data）是制造业中使用的另一种数据类型，可减少数据重复。文献中尚未充分探讨在此背景下对两种序列数据类型的比较。本文通过一组实验，在真实制造系统上使用多种ML方法和窗口机制（windowing mechanisms）评估两种序列数据类型。基于结果，研究人员为实践者提出建议，并给出未来可能研究的展望。

研究背景：制造系统数字化与智能制造成熟使可用数据量激增，结合算力提升，工业与研究界对机器学习（ML）尤其数据驱动方法兴趣增加。预测性维护已受关注，但本研究聚焦反应式故障检测（reactive fault detection，故障发生后快速识别并支持修复），因随机故障如线缆断裂不可预测，停机修复时间关键。时间序列（time-series，按固定时间间隔记录的数据）是最主要数据类型，但真实数据体量大、训练计算量高、重复多、信息稀疏；事件驱动序列数据（event-driven sequential data，仅在至少一个输入/输出（I/O）信号变化时记录新数据）可减少重复并增加唯一信息，但需单独提取，且文献未充分比较两者。另需历史上下文检测卡滞等故障，二维窗口（2-dimensional windowing，将窗口内多时刻特征拼接为输入）可把历史信息显式引入经典ML。问题在于缺乏面向实践的序列数据类型、窗口大小与ML方法选择依据。研究人员在真实智能工厂压装站采集正常与17种硬件故障数据，每种序列类型62个数据集，用多种经典ML与深度学习（deep learning）及不同窗口比较性能、训练/推理时间和CPU/RAM/GPU资源，得出时间序列性能略好但资源消耗显著更高，窗口3-10较优，经典ML通常足以满足实时推理，事件驱动在资源受限且无需固定时间步时可作为替代。意义是为制造反应式故障检测的数据类型、窗口和模型选择及资源权衡提供实验依据。

关键技术方法：样本队列来源为德国达姆施塔特应用科学大学智能工厂压装站，采用Siemens CPU 1516F-3 PN/DP可编程逻辑控制器（PLC，programmable logic controller），专家将154个潜在特征筛至51个相关特征，经消息队列遥测传输（MQTT，message queuing telemetry transport）由LMQTT客户端和Mosquitto代理传输；数据采集客户端按时间步或事件触发保存时间序列与事件驱动序列数据，每种62个数据集并由领域专家人工标注。采用二维窗口（0、3、5、10、20、50，先进先出（FIFO））和MinMax缩放；经典ML含支持向量机（SVM）、决策树（DT）、k-近邻（kNN）、梯度提升（GB）、随机森林（RF）、一对其余线性支持向量分类器（OVR-SVC）、一对其余随机梯度下降（OVR-SGD），深度学习含多层感知机（MLP）、卷积神经网络（CNN）、长短期记忆网络（LSTM）；网格搜索与StratifiedKFold 5折交叉验证，以宏加权F₁-score（macro-weighted F₁-score，各类别等权的精确率与召回率调和平均）选模，评估性能、训练/推理时间和CPU/RAM/GPU资源。

研究结果：性能比较（Performance comparison）：通过网格搜索与交叉验证训练120个最终模型，F₁大多高于80%，最高（>95%）多位于窗口3-10；DT和OVR-SVC整体最高，kNN较低；时间序列训练模型略优于事件驱动，OVR-SGD和深度学习在窗口≥10时时间序列显著高>10%；大窗口性能下降；主要困难是正常与故障区分，窗口0误分类多，case 8位置传感器、case 10 shuttle in station sensor、case 17软件错误常判为正常；窗口5可解决case 10和17但case 8仍难。时间分析（Time analysis）：时间序列训练时间为事件驱动的5-10倍，对应数据行比约1:8；窗口增大训练时间增加；经典ML为毫秒至分钟，kNN/DT快，GB秒至分钟；深度学习秒至小时，CNN窗口50时间序列1小时内无法训练，LSTM训练时间随窗口增加更强；推理时间两类可比，经典ML多<3 ms，SVM/DT<1 ms，RF约15 ms，深度学习至55 ms；MQTT传输约13-42 ms（最小PLC周期2.591 ms，客户端需4总线周期），以MQTT传输时间为相关推理时限，多数经典ML满足，RF和高窗口kNN部分不满足，深度学习均不满足。资源分析（Resource analysis）：CPU多数≤2逻辑核，SVM/DT≤1，kNN/OVR-SVC/OVR-SGD用10-15核；深度学习GPU≥90%；RAM时间序列更高，低窗口至2倍，高窗口5-8倍，kNN/RF更高；深度学习两类差异小，低窗口事件驱动更高；窗口50时间序列kNN/RF/MLP/CNN超10GB，LSTM窗口50内存不足。

讨论总结：时间序列资源显著更高但性能仅高1-5%；窗口3-10最佳，无窗口不能检测需历史上下文故障；大窗口特征数爆炸（51×20=1020）且多数模型>10变差；相关矩阵显示通信错误、RFID和Shuttle faults与特征强相关，安全相关、位置传感器、状态故障及正常行为相关性弱；case 8位置传感器最复杂，正常与故障值均在范围内，卡住时输出最后值，需持续时间；事件驱动可能卡住至数据集结束，建议长时间不变时也采集（如每5 s）；深度学习在case 8更差，可能受2D窗口影响；数据不平衡，安全故障每类≤2%，位置传感器>5%；事件驱动缺时间信息；高窗口对SVM难，故用线性SVM；本地训练因隐私信任和长期成本；SMEs资源有限，倾向小型任务特定模型和模块化；实时性要求下MQTT每4-5周期传输可能漏I/O变化；事件驱动由PLC计算传输增加控制器负担；经典ML不支持多进程；GPU仅深度学习；高RAM无显著性能收益；边缘/嵌入式资源有限，建议简单经典ML；局限单制造系统、多二值特征、仅一个模拟位置传感器、单工作站、未边缘部署。

结论翻译：本工作提出并讨论了一组实验，用于研究制造系统中基于ML的反应式故障检测的序列数据类型。虽然时间序列是制造业最突出的序列数据类型，但事件驱动序列数据类型被作为替代引入。使用真实制造系统数据进行的实验包括经典ML和深度学习方法，并使用不同大小的二维窗口。基于网格搜索与交叉验证的最佳模型被重新训练以测量资源指标，结果被评估和讨论。虽然两类数据的性能差异仅略有不同，但时间和资源比较显示出更强指示。由此可为实践者得出以下建议：若发布时间序列数据的总线负载过高、所用控制逻辑能在不影响整体系统功能的情况下将数据集转换为事件驱动序列数据集、ML训练和推理的计算与时间资源有限、所用模型不需要固定时间步，则应使用事件驱动序列数据；否则优先使用时间序列。应使用窗口机制进行时间相关故障分析；结果建议窗口大小为3至10，因为更低或更高窗口未提高性能；若特征数量大，选择较小窗口；平衡数据集是获得最佳训练结果的关键；反应式故障检测训练应从经典ML开始，因为训练更快、资源更少并降低能耗；只有在经典ML性能不满足预定要求、有良好训练系统或云服务可用、推理时间可较大时，才应使用深度学习。需进一步研究获得更平衡和稳健的数据集，例如用数字孪生作为合成数据生成器并组合真实与模拟数据；对不同工艺步骤、组件或故障使用不同ML模型可能增强整体检测能力，需进一步研究；还需深入研究系统动力学，尤其正常与故障区分精度；在更多具有动态行为的制造系统上实验可验证泛化；使用在线或增量学习可能降低训练资源消耗；事件驱动需PLC预处理，未来应考虑对整体通信的影响；模型未部署于边缘或嵌入式系统，这是使运行模型进入制造系统的重要步骤。