基于PLC多站通信异常现象检测设计
时间：2023-01-16 13:00:06 来源：柠檬阅读网 本文已影响 人 
黄福桃
（广州市机电技师学院 广东 广州 510000）
在当前社会工业化进程中，自动化生产线的占比将越来越重，基于可编程逻辑控制器（下简称PLC）的多站通信流水线作业也已经成为当前自动化设备的主流控制方式。现代化加工工厂内，多站生产实训控制系统将是高职院校机电专业学生主要面对的场所。为了帮助学生及时发现、应对处理PLC多站通信异常现象，本文通过分析多站通信过程中设备功耗情况，设计系统根据功耗异常信息判断是否出现通信异常现象，达成检测PLC多站通信异常现象的目的。
通过西门子S7-1200PLC实现多站通信主要有两种途径，内部以太网多站通信和开放以太网多站通信，具体使用可根据自身实际情况酌情选择。
1.1 S7-1200PLC内部S7通信
基于西门子内部S7协议，建立的多站通信体系只能应用于西门子带有PN口的CPU之间。这种多站通信方法安全性、可靠性高，但相对限制较多，设备要求较高。具体通信方案做法如下[1-2]。
（1）增加两个S7-1200PLC并设置好相关参数，连接机制勾选允许访问通信，IP地址分别为192.168.0.1和192.068.0.2，而后在两个PLC内都建立一个标准数据块。
（2）在两个PLC以太网端口如图1所示设置子网，在PLC1中添加如图2所示的指令组态，在PLC2中设置伙伴名称并进行子网连接[3]。
（3）对PLC1、PLC2分别进行如图3、图4所示的程序设计[4-5]。
（4）下载程序并进行仿真。
1.2 S7-1200PLC开放式以太网多站通信
开放式以太网多站通信普适性更高，可用于多种情况之下，但是因为开放网络会导致安全性降低，容易遭到攻击。可根据实际情况酌情选择，具体操作方法如下[6-7]。
（1）增加两个S7-1200PLC并设置好相关参数，连接机制勾选允许访问通信，IP地址分别为192.168.0.1和192.068.0.2，连接两个PLC端口设置子网。
（2）在开放式以太网中，系统必须同时拥有TRCV_C指令与TRSEN_C指令才能完成通信数据传输。所以需要向P LC1中加入TRSEN_C指令，向PLC2中加入TRCV_C指令，数据块分别选择Send_DB与Receive_DB[8]。
（3）设置PLC程序。
（4）下载程序并进行仿真。
2.1 基于长短记忆单元的神经网络（LSTM）
LSTM主要应用在递归神经网络模型方面用以处理梯度消失问题[9]，核心是一类特殊的循环神经网络（RNN）模型。RNN模型整体共分为输出层、隐含层、输入层3层，因为RNN模型具有按照时刻将隐含层包含信息逐步传输给后续隐含层的能力，所以常被用于处理与时间依存的相关问题。对RNN模型进行拆解，设整体系统中Xt为输入信息，t为对应时刻，H为隐含层，Yt为输出信息。RNN模型整体成一链式结构，信息从输入层输入，到达隐含层后传输到下一隐含层，之后信息从输出层输出。整体结构与时间关联性紧密，十分适合处理时间依赖性问题，但就整体信息传输过程而言，其存在着信息梯度消失的问题。随着传递时间的增加，信息缺失程度也在不断增加，而随着新数据的不断涌入，原始信息对于整体系统的影响将会逐渐降低。因为这种趋势的出现，导致在训练过程中，X0的信息对于Yt+2的影响微乎其微，在计算误差过程中，t+2时的误差也不能用来计算初始时刻的误差[10]。
为了解决RNN模型运行过程中遇到的梯度消失问题，LSTM应运而生。LSTM与传统RNN模型最大的区别在于加入了记忆单元储存之前时刻的信息，LSTM利用控制输入门、遗忘门、输出门的方法达成对于信息保存更新的作用。传统的RNN模型是员工简单的非线性激活函数，LSTM是利用记忆单元取代了激活函数，达到了长时间储存信息，不随时间削减的效果[11]。
图5为最简单的LSTM模型隐含层结构，其中σi、σf、σo分别为系统输入门、遗忘门、输出门，Ct是t时刻记忆单元储存信息值，是t时刻系统输出信息，Xt是t时刻系统输入信息，it、ft、ot分别是系统输入门、遗忘门和输出门的值，是系统候选记忆单元的值，主要作用是更新系统状态，Wij是连接i到j的权值，b代表偏振。根据已有数据计算可得：
遗忘门ft的值为：
ft=σi（Wxf xt+Wyf yt-1+bf）
输入门it的值为：
it=σi（Wxi xt+Wyiyt-1+bi）
候选记忆单元－Ct的值为：
记忆单元Ct的值为：
输出门ot的值为：
ot=σo（Wxoxt+Wyoyt-1+bo）
当前输出值yt为：
yt=ot×tanh（Ct）
根据公式分析可知，系统对于信息的存留程度取决于遗忘门的数值，输入门的取值直接影响此时刻的信息数据，输出门影响后续时刻的信息数据。所以通过控制3种门的数值大小就能使信息长时间储存下去。
2.2 通过LSTM进行异常现象检测
在利用PLC进行多站通信的过程中，经常会出现各种各样的故障情况，比如PLC可能接收到了通信数据，但却没有发送数据，或者游离于整个系统之外，既不吸收，也不会发出通信数据，往往一两组的数据缺失并不容易被人发现，难以被人观察注意。为了解决这一问题，完善PLC多站通信异常现象检测机制，本文利用PLC出现异常现象时PLC的中央处理器（CPU）功耗变化情况为评判标准，达到监测多种通信异常现象的目的。在PLC设备中加装如图6所示的CPU功耗采集装置。
功耗采集装置仅能进行数据收集，无法识别具体异常现象，所以通过程序设计，利用收集到的数据进行训练，编写出一套多站通信异常信息识别系统。常见的监测算法设计多是训练一个多分类器，虽然多分类器监测精准度较高，但是多分类器的训练过程中，需要大量的样本数据以及训练时间。多分类器多用于大型企业进行精密监测工作，在高职院校中为学生辅助使用并不需要高精度要求，所以本文采用利用长短记忆单元（LSTM）的神经网络模型算法进行监测工作。主要监测方法为，通过利用正常样本进行训练，使得程序具有模拟接下来正确样本数据的能力，监测时，通过对比监测数据与预测数据之间的吻合程度判断是否出现异常现象，具体原理见图7。
设计多站通信异常现象检测程序具体算法流程见图8。采集足够的多站通信正常运行的CPU能耗正样本进行训练，确保能够准确预测下一时刻功耗样本信息情况。在监测过程中，对于收集到的原始功耗数据进行切分，预处理后提取出相应特征，得到特征样本X。利用上一个时刻算法根据样本算出的预测数据X’与特征样本X进行比对，吻合度高记为正样本，吻合度低，出现明显偏差记为负样本。在出现负样本后进行判定，是否出现连续3个负样本，如果是，则判定多站通信之间出现异常现象，给予报警，如果不是，则记录负样本个数加1，进行下一个样本比对工作。为了排除偶然因素影响，下一个样本如果为正样本，则将之前累计的负样本个数清零。
利用Matlab及现有设备进行监测实验，监测过程中实时监控系统界面见图9。
4.1 实验1
不改变其他条件因素，使多站通信运行48 h，使用系统一直进行监测工作，观察48 h内产生负样本数量，报警次数，分析整体监测系统误报率。实验结果见图10。
从图中可以看出，初始情况下，几乎不会出现负样本，但随着设备的运行，PLC的CPU能耗将会因为温度影响出现一定的误差，导致算法误报率提升，不过整体误报率极低，48 h内，误报率仍不超过1%，误报率基本满足要求，而且因为3次连续负样本报警机制，大幅度降低了误报警情况出现，48 h内未出现报警现象。
4.2 实验2
为了验证监测系统对于多站通信中异常现象的识别能力，又进行了系统误接收率实验。实验共有4个阶段，每个阶段用时两个小时，总实验共8个小时。阶段1，多站通信系统正常运行，监测正常情况下，将正样本误接收为负样本的概率。阶段2，关闭PLC2信号接收装置，检测接收负样本数及将负样本误接收为正样本的概率。阶段3，关闭PLC2信号发出装置，检测接收负样本数及将负样本误接收为正样本的概率。阶段4，关闭PLC2信号接收、发射装置，检测接收负样本数及将负样本误接收为正样本的概率。实验结果见图11。
由图11实验结果来看，在正常运行情况下，正样本误接收率在0.28%左右；
对于多站通信出现异常现象时，关闭PLC2信号接收装置，系统负样本误接收率在0.89%左右；
关闭PLC2信号发射装置，系统负样本误接收率在0.29%左右，将PLC2信号接收发射装置全部关闭后，系统负样本误接收率几乎为零。3种异常现象之间的差别主要在于CPU功耗变化程度，幅度越小，误报率越高，变化程度越大，则整体系统判别准确性就越高。为了降低实际运行过程中，系统误报警现象出现，设定只有连续出现3个负样本时，才判断出现异常现象，整体判定系统大概需要1 min左右的判定时间，因为多站通信系统对于响应速度要求不高，所以1 min的判定时长并不影响系统整体使用情况。
4.3 实验3
在实验2的基础上，改变选取样本长度观察对于监测结果的影响。各类异常现象与实验2中等同，切分时间分别变为2 s、3 s、5 s、9 s、17 s。利用不同切分时间下的样本提取特征进行训练。切分时间选取原则为我们在计算特征时选取的点位，需是2的n次方，所以切分时间应选取2的n次方附近的数字。准备工作做好后，进行实验，实验结果见图12。
由实验结果可知，样品切分长度对监测结果影响以9 s为转折点，小于9 s时，监测准确率较高；
大于9 s后，准确率急剧下降。分析其原因是样本切分长度过长，导致样品特征提取数量增多，在比对过程中差异出现增多，导致判断负样本增多，准确率降低。在样本切分长度选取为5 s时整体监测效果最好，对于3种异常现象监测准确率均在99%以上。
4.4 实验4
常规情况下，算法监测准确率取决于训练时间，但训练时间过长之后，对于准确率的提升效果会降低，为了找到训练时间与训练效果之间平衡点，避免无端浪费，选取性价比最高的做法，进行实验4。其他条件不变，样品切分长度选取为5 s，将训练时间变为6 h、10 h、14 h、18 h、22 h、26 h、30 h，训练结束后分别对3种异常现象进行识别准确率实验，实验结果见图13。
根据实验结果显示，训练时间与训练效果之间平衡点在18 h处，18 h之前，系统异常现象监测准确度明显随训练时间增加而提升，18 h后监测准确率提升速度明显放缓，随着训练时间增长无限接近于100%。为了追求训练时间与效率之间的平衡关系，选取18 h作为整体训练时间，实验结果显示对于3种异常现象的监测准确率均在99%以上。
4.5 实验5
算法采样参数设置中，最后一项就是采样率对于系统监测准确性的影响，一般情况下，采样率越高，则整体算法准确率也会越高。采样率越高，在相同时间内获取的信息也会更多，对于算法区分辨别工作帮助就更大，但过高的采样率会加大采样器能量消耗，对于监测准确率的提升效果会降低，从而造成无用的效率浪费。为了找到性价比最高的设备采样率，进行实验5。其他条件不变，控制样品切分长度为5 s，系统训练时间为18 h，改变采样率为250 kSa/s、225 kSa/s、200 kSa/s、175 kSa/s、150 kSa/s、125 kSa/s、100 kSa/s，分别测量不同采样率下，算法监测准确度，实验结果见图14。
结果显示，综合分析采样率的最佳值应为175 kSa/s，当采样率小于175 kSa/s时，采样率对监测准确率影响十分巨大，所以并不适合作为普遍选取值，在175 kSa/s之后，随着采样率变化，监测数据准确率变化幅度并不大。所以在精度要求没有特别高的情况下，选用175 kSa/s的采样率是性价比最高的方法。
PLC多站通信在自动化流水线中的占比也越来越重，为了帮助高职的同学们能够熟练掌握PLC建设，快速找出解决PLC多站通信过程中出现的问题。本文利用基于长短记忆单元的神经网络模型编写了PLC多站通信异常现象检测机制，根据一系列实验测得，整体系统算法最佳参数为样品切分长度为5 s，系统训练时间为18 h，采样率为175 kSa/s，之后经过实验检验，PLC多站通信异常现象检测系统满足相关要求，可以起到相应预警作用，为同学们学习过程提供帮助。虽然该监测系统已经初步实现了对于PLC多站通信异常现象的监测工作，但是还存在很大的不足与改进空间，譬如本文仅是就PLC功耗信息进行了采集分析，事实上PLC还存在许多旁路信号，如电磁干扰信号、声信号、热信号等，在一定程度上均可以反映PLC运行状况，对这些信号进行研究，可对目前的PLC监测系统进行良好的补充，得到更加完善的PLC监测机制。
猜你喜欢 异常现象功耗准确率 基于任务映射的暗硅芯片功耗预算方法北京航空航天大学学报(2022年7期)2022-08-06第八章 不速之客（续）小学科学(2021年12期)2021-12-24乳腺超声检查诊断乳腺肿瘤的特异度及准确率分析健康之家(2021年19期)2021-05-23不同序列磁共振成像诊断脊柱损伤的临床准确率比较探讨医学食疗与健康(2021年27期)2021-05-132015—2017 年宁夏各天气预报参考产品质量检验分析农业科技与信息(2021年2期)2021-03-27颈椎病患者使用X线平片和CT影像诊断的临床准确率比照观察健康体检与管理(2021年10期)2021-01-03揭开GPU功耗的面纱个人电脑(2016年12期)2017-02-13变压器运行过程的异常现象检修与维护策略科技经济市场(2016年4期)2016-07-20环保之功，从主板做起微型计算机(2009年12期)2009-12-21嵌入式系统功耗的动态管理电子设计应用(2004年6期)2004-07-27
