載人航天發(fā)射場(chǎng)電力儀表在線異常檢測(cè)模型研究

張道昶，鄭永煌，胡永剛

(中國(guó)酒泉衛(wèi)星發(fā)射中心，蘭州 732750)

1 引言

載人航天發(fā)射場(chǎng)地勤系統(tǒng)包括加注、非標(biāo)、配電、空調(diào)、通信、電視等專業(yè)，承擔(dān)著航天發(fā)射地面保障工作，是發(fā)射場(chǎng)系統(tǒng)的核心職能之一。為了確保精準(zhǔn)化任務(wù)保障，各系統(tǒng)安裝有大量的傳感器和儀表，以獲取必要的信息。日常的監(jiān)測(cè)、設(shè)備的操控均依賴這些傳感器采集的信息實(shí)現(xiàn)準(zhǔn)確處理，但信息測(cè)量的準(zhǔn)確性通常很難判斷。一方面，傳感器和儀表數(shù)量過于龐大，比如配電系統(tǒng)，整個(gè)發(fā)射場(chǎng)相應(yīng)儀表、互感器的數(shù)量超過3000臺(tái)，因此，無論人力還是時(shí)間，都難以逐個(gè)進(jìn)行有效標(biāo)定；另一方面，絕大多數(shù)傳感器和儀表由于拆除困難、標(biāo)定工作過于繁瑣等因素，難以在現(xiàn)場(chǎng)標(biāo)定。一直以來，如何準(zhǔn)確、及時(shí)發(fā)現(xiàn)損壞失靈的傳感器都是制約發(fā)射場(chǎng)信息化發(fā)展的關(guān)鍵環(huán)節(jié)。

從現(xiàn)有技術(shù)研究和發(fā)射場(chǎng)實(shí)際條件看，實(shí)現(xiàn)在線校驗(yàn)的難度非常大，目前尚沒有良好的解決方案。但是，雖然無法直接對(duì)儀表進(jìn)行準(zhǔn)確地標(biāo)定，如果能夠及時(shí)、自動(dòng)發(fā)現(xiàn)失靈的儀表，然后再由人工進(jìn)行標(biāo)定檢測(cè)，在實(shí)際中也很有意義。本質(zhì)上，儀表的檢測(cè)問題是對(duì)儀表測(cè)量數(shù)據(jù)本身的異常檢測(cè)。

異常檢測(cè)是數(shù)據(jù)處理中的一項(xiàng)重要內(nèi)容，主要通過分析當(dāng)前樣本與以往經(jīng)驗(yàn)分布差異，以判斷樣本是否“異?！薄．惓z測(cè)是許多數(shù)據(jù)深度應(yīng)用的基礎(chǔ)，被廣泛的應(yīng)用于故障檢測(cè)[1]、疾病篩選[2-3]、設(shè)備監(jiān)測(cè)[4]、網(wǎng)絡(luò)安全[5]等領(lǐng)域。從文獻(xiàn)看，異常檢測(cè)經(jīng)典方法的主要思想是通過建立當(dāng)前參數(shù)與訓(xùn)練樣本統(tǒng)計(jì)分布之間的各種距離實(shí)現(xiàn)異常的檢測(cè)，常見的如歐式距離和統(tǒng)計(jì)距離[6-8]等。近幾年，學(xué)者開始利用機(jī)器學(xué)習(xí)的識(shí)別分類、空間聚類等手段[9-11]實(shí)現(xiàn)異常的監(jiān)測(cè)，并取得了不錯(cuò)的結(jié)果。

但是，這些常規(guī)的異常檢測(cè)針對(duì)的是儀表數(shù)據(jù)代表的設(shè)備狀態(tài)，即通過分析儀表參數(shù)來判斷設(shè)備狀態(tài)，而我們希望是通過分析儀表的參數(shù)來判斷儀表本身，這二者有本質(zhì)的區(qū)別。在這個(gè)意義下，直接、孤立的分析儀表的數(shù)據(jù)是難以找到儀表異常特征的。

應(yīng)注意到，儀表背后的設(shè)備數(shù)據(jù)是相互有關(guān)聯(lián)的，通過建立各參數(shù)之間的關(guān)聯(lián)模型，直觀上看，通過關(guān)聯(lián)模型的變化就可以檢測(cè)各儀表狀態(tài)的變化?；谶@個(gè)思想，發(fā)射場(chǎng)最先采用經(jīng)典最小二乘方法，利用配電系統(tǒng)進(jìn)出平衡理論，估算各儀表傳遞誤差模型。但該模型難以充分利用海量數(shù)據(jù)把模型的精度和泛化能力得到有效的統(tǒng)一，且模型精度高，計(jì)算復(fù)雜度大幅增加。

深度學(xué)習(xí)是當(dāng)前機(jī)器識(shí)別中的重要分支，在人工智能中，特別是視覺處理、語(yǔ)音識(shí)別、自然語(yǔ)言理解等傳統(tǒng)方法難以獲得突破領(lǐng)域的出色表現(xiàn)，使其成為國(guó)內(nèi)外學(xué)者研究的熱點(diǎn)[12]。深度學(xué)習(xí)有兩個(gè)重要特點(diǎn)：①具有強(qiáng)大的樣本學(xué)習(xí)能力，可以輕松處理海量和異構(gòu)樣本，即大數(shù)據(jù)處理能力出色；②通過多層分解，能夠?qū)颖镜纳顚犹卣鬟M(jìn)行自然的表征和分層，從而獲得與人類大腦相似的學(xué)習(xí)過程，解決了傳統(tǒng)機(jī)器學(xué)習(xí)中需要人工設(shè)計(jì)特征的問題[13-14]，適應(yīng)不同類型的學(xué)習(xí)問題。近年來，許多學(xué)者開始研究其在異常檢測(cè)的應(yīng)用，并取得了較好的效果[16-17]。

本文從這一思想出發(fā)，利用深度學(xué)習(xí)在大數(shù)據(jù)處理能力和特征提取的自動(dòng)化等優(yōu)良特性，基于Google TensorFlow框架，以多層感知模型為基礎(chǔ)，建立基于深度學(xué)習(xí)的發(fā)射場(chǎng)電力儀表在線異常檢測(cè)模型，并通過與經(jīng)典最小二乘方法的對(duì)比驗(yàn)證其有效性。

2 電力儀表測(cè)量誤差分析

從電力儀表測(cè)量的誤差的來源看，誤差主要有以下幾個(gè)方面[18]：

1)互感線圈測(cè)量誤差；

2)測(cè)量?jī)x表解析誤差；

3)線路損耗帶來的誤差。

誤差的形式包括：

1)電流誤差，互感線圈在測(cè)量電流時(shí)所出現(xiàn)的數(shù)值誤差成為電流誤差或比值差，它是由于存在勵(lì)磁電流引起的實(shí)際電流與額定電流比不相等造成的；

2)相位誤差，一次電流與二次電流相量的相位之差成為互感線圈的相位誤差。

需要注意的是：電流、電壓的誤差是向量，但功率誤差是標(biāo)量，即進(jìn)線電流和電壓的點(diǎn)積與出現(xiàn)電流、電壓的點(diǎn)積理論上相同；如果采用電流誤差作為檢測(cè)點(diǎn)，不僅要考慮電流有效值的誤差，還要考慮相位角的誤差，會(huì)大幅增加問題分析的難度。因此，本文以功率差異為分析基礎(chǔ)，在對(duì)儀表進(jìn)行測(cè)量誤差校訂時(shí)就可只專注于標(biāo)量誤差的檢測(cè)，而無需考慮向量問題。

圖1為某工作時(shí)段發(fā)射場(chǎng)某配電站動(dòng)力回路進(jìn)出負(fù)荷的對(duì)比及相應(yīng)的差值誤差和相對(duì)差誤差的曲線，相對(duì)偏差為實(shí)際偏差與進(jìn)線測(cè)量值的比值?？梢?，理論上，通過對(duì)比進(jìn)出負(fù)荷的差異可以評(píng)估儀表工作的狀態(tài)。但是，不能直接從進(jìn)出負(fù)荷的差值來作為儀表異常檢測(cè)的依據(jù)，因?yàn)椋孩贌o論是絕對(duì)差值還是相對(duì)差值，均隨著負(fù)荷變化而變化，難以形成穩(wěn)定的檢測(cè)量，檢測(cè)結(jié)果比較粗糙；②容易形成漏檢，從邏輯上講，出線儀表如果出現(xiàn)正負(fù)偏差，則由于求和的相互抵消，難以體現(xiàn)在其偏差中。同時(shí)，由于實(shí)際數(shù)據(jù)時(shí)間對(duì)齊誤差以及進(jìn)、出線儀表靈敏度差異等原因，差值的隨機(jī)噪聲很大，難以直接通過差值分析儀表狀態(tài)的變化。

圖1 儀表監(jiān)測(cè)數(shù)據(jù)進(jìn)出線的負(fù)荷差值對(duì)比分析Fig.1 Comparison of the output and input load obtained from the meters

發(fā)射場(chǎng)原來采用經(jīng)典最小二乘模型，通過分析各回路工作儀表的工作狀況發(fā)現(xiàn)：①各回路主要工作在固定的幾個(gè)工況，工作模式相對(duì)固定；②工作范圍遠(yuǎn)低于其額定負(fù)荷，且有效范圍相對(duì)其額定范圍較小?；诖耍梢约俣ǜ骰芈窛M足線性誤差傳遞關(guān)系，建立式(1)所示優(yōu)化函數(shù)：

(1)

X=BA-1

(2)

其中：

3 基于深度學(xué)習(xí)的估計(jì)模型

本文以TensorFlow框架為基礎(chǔ)，針對(duì)現(xiàn)有樣本的特點(diǎn)，設(shè)計(jì)多層感知(MLP、也稱DNN深度神經(jīng)網(wǎng)絡(luò))訓(xùn)練模型，并通過實(shí)測(cè)數(shù)據(jù)訓(xùn)練，建立儀表的異常檢測(cè)模型。

3.1 算法設(shè)計(jì)

MLP是包含有多個(gè)隱含層的多層感知器，包括輸入層、隱含層、輸出層。依據(jù)現(xiàn)有數(shù)據(jù)的特點(diǎn)，設(shè)計(jì)1個(gè)輸入層，2個(gè)隱含層和1個(gè)輸出層?？紤]到預(yù)處理數(shù)據(jù)特征相對(duì)簡(jiǎn)單，為降低計(jì)算的復(fù)雜度，同時(shí)避免結(jié)果的過擬合，本文設(shè)2個(gè)隱含層，其基本過程如圖2所示。輸入層為各分支回路測(cè)量的功率。根據(jù)計(jì)算結(jié)果的情況，調(diào)整隱含層節(jié)點(diǎn)的數(shù)量。

圖2 多層感知器結(jié)構(gòu)圖Fig.2 Structure of multilayer perception

對(duì)于輸入層有I個(gè)單元，輸入樣本(x,z)，設(shè)計(jì)從輸入層到隱含層、輸出層正向傳遞公式如式(3)：

(3)

(4)

與最小二乘方法處理不同，輸入層包含所有已有回路，利用深度學(xué)習(xí)的特性，通過盡可能的擴(kuò)大訓(xùn)練樣本的范圍，來直接從數(shù)據(jù)中找到模型。輸出的損失采用式(5)所示損失函數(shù)：

(5)

若E為(5)式定義的均方差損失函數(shù)，該模型反向誤差傳遞各層參數(shù)的更新公式為式(6)：

(6)

3.2 實(shí)驗(yàn)驗(yàn)證

實(shí)驗(yàn)的主要過程是以公式(5)為損失函數(shù)，通過大量的樣本訓(xùn)練，找出合適的權(quán)值系數(shù)Wk和bk。數(shù)據(jù)的來源主要來自發(fā)射場(chǎng)歷年系統(tǒng)記錄的數(shù)據(jù)。數(shù)據(jù)記錄采用3分鐘均值方式，但不同儀表之間數(shù)據(jù)記錄時(shí)間并不同步。

3.2.1 數(shù)據(jù)預(yù)處理

對(duì)數(shù)據(jù)的預(yù)處理主要包括數(shù)據(jù)缺失的補(bǔ)全策略(即丟點(diǎn)處理)、數(shù)據(jù)噪聲的處理以及數(shù)據(jù)時(shí)間對(duì)齊的處理。

1)丟點(diǎn)處理。由于記錄時(shí)，有回路不工作時(shí)，現(xiàn)場(chǎng)操作手會(huì)關(guān)閉相應(yīng)回路的儀表，造成數(shù)據(jù)長(zhǎng)度不同。此時(shí)，采用插值對(duì)齊，如某個(gè)儀表產(chǎn)生大范圍數(shù)據(jù)丟失，由于樣本插值推廣能力非常差(亦稱泛化能力)，在外延估算時(shí)將會(huì)產(chǎn)生巨大的偏差，而且其偏差擴(kuò)散的速度是不可控的。本文采用外延補(bǔ)點(diǎn)采用補(bǔ)零的辦法。

2)噪聲處理。由圖1可以看出，除了常規(guī)的進(jìn)出儀表精度的差異造成監(jiān)測(cè)數(shù)據(jù)不同外，數(shù)據(jù)大部分噪聲出現(xiàn)在數(shù)據(jù)變化劇烈的部分，主要原因應(yīng)在于對(duì)齊操作存在的橫向時(shí)間偏差，即對(duì)齊誤差。這種非對(duì)齊即包括出線間樣本的對(duì)齊度，也包括進(jìn)線和出線之間的對(duì)齊度。關(guān)于對(duì)齊的度量，本文定義如下：

定義1(對(duì)齊度)：若C為采用周期為T的樣本集，若Xi∈C，對(duì)任意固定采樣周期區(qū)間，Δj為Xj∈C相對(duì)該周期的偏移量，稱i=∑j∈I,j≠iΔj/n-1為C相對(duì)第i回路的偏移量，n為回路數(shù)量，I為回路指標(biāo)集。稱/T為C的對(duì)齊度。

在此定義下，降低弱化非對(duì)齊產(chǎn)生的噪聲最有效的辦法就是下采樣平滑，即臨近樣本整合平均方法。關(guān)于這點(diǎn)，本文定義如下命題：

由定理1可知，通過整合平均的方法可以有效降低對(duì)齊誤差產(chǎn)生的影響。但過度平滑會(huì)導(dǎo)致數(shù)據(jù)特征弱化，因此，一般取k=2或3，此時(shí)平滑對(duì)對(duì)齊度提升效果明顯，但特征仍能夠盡可能得到保留。

3)對(duì)齊操作。對(duì)每個(gè)回路進(jìn)行降采樣后的數(shù)據(jù)三次樣條擬合，然后利用進(jìn)線儀表記錄的時(shí)間進(jìn)行插值計(jì)算，獲得與進(jìn)線儀表相同的時(shí)間對(duì)齊數(shù)據(jù)。

3.2.2 驗(yàn)證計(jì)算

本文通過對(duì)2016年80天共36125條測(cè)量數(shù)據(jù)進(jìn)行訓(xùn)練，涵蓋全年四個(gè)季度的工作工況。通過不斷的調(diào)整和試算，得到如下TensorFlow各項(xiàng)訓(xùn)練參數(shù)：學(xué)習(xí)率：0.001；訓(xùn)練循環(huán)次數(shù)：500；子樣本大?。?00；隱含層節(jié)點(diǎn)數(shù)：32。根據(jù)經(jīng)驗(yàn)，權(quán)值W和偏置b的初始值采用0均值方差為0.1的正態(tài)分布。

選擇2016年到2018年不同時(shí)期實(shí)測(cè)數(shù)據(jù)估計(jì)的結(jié)果如表1，每個(gè)數(shù)據(jù)合計(jì)20天，其中原有偏差是指原始數(shù)據(jù)計(jì)算所得實(shí)際偏差；深度方法是指用MLP深度算法估計(jì)后計(jì)的偏差結(jié)果；經(jīng)典方法是指用公式(2)得到的結(jié)果。

表 1 測(cè)試集對(duì)不同時(shí)段實(shí)際儀表監(jiān)測(cè)數(shù)據(jù)的估計(jì)結(jié)果

從表1結(jié)果可以看出：利用2016年數(shù)據(jù)訓(xùn)練的結(jié)果來估計(jì)2016年到2018年的測(cè)試樣本，模型對(duì)于偏差估計(jì)都遠(yuǎn)優(yōu)于實(shí)際偏差；而最小二乘經(jīng)典方法明顯誤差比深度方法來的大，且2016-12月份和2017-10月份的數(shù)據(jù)還超過了實(shí)際的偏差，說明經(jīng)典模型適應(yīng)性較弱。

從偏差看，經(jīng)過深度模型計(jì)算，原始數(shù)據(jù)偏差大幅度降低，且偏差的改善效果各年與2016年沒有顯著性發(fā)生變化，說明設(shè)備運(yùn)行一年多后，狀態(tài)沒有發(fā)生明顯變化。

訓(xùn)練結(jié)果對(duì)2017年12月底數(shù)據(jù)估計(jì)結(jié)果的對(duì)比如圖3，上圖為估計(jì)值與原始值、進(jìn)線值三個(gè)值的比較，下圖為其中一段差值結(jié)果的堆棧圖。從圖上可以直觀的看出，深度學(xué)習(xí)估計(jì)的模型對(duì)于數(shù)據(jù)有非常好的擬合和估計(jì)能力。

圖3 深度模型對(duì)于測(cè)試數(shù)據(jù)的估計(jì)效果Fig.3 The estimated effect of the deep learning model on test data

此外，深度學(xué)習(xí)對(duì)于大樣本處理非常方便，模型的適應(yīng)性較經(jīng)典方法有大幅增加。

深度算法能夠取得較好的結(jié)果，在于其對(duì)模式的學(xué)習(xí)：儀表數(shù)據(jù)測(cè)量結(jié)果形成一個(gè)一維向量v，當(dāng)相同的工作狀態(tài)頻繁出現(xiàn)時(shí)，v就成了代表這個(gè)工作模式的特征。非線性神經(jīng)網(wǎng)絡(luò)的最大特點(diǎn)，就是善于提取這樣的特征。深度學(xué)習(xí)在圖片識(shí)別中取得的較好結(jié)果，與此機(jī)理上是相同的。

4 結(jié)論

本文針對(duì)發(fā)射場(chǎng)設(shè)備監(jiān)測(cè)儀表的在線檢測(cè)問題，以配電系統(tǒng)為例，利用深度學(xué)習(xí)模型，提出了一個(gè)新思路。從實(shí)際數(shù)據(jù)的驗(yàn)證結(jié)果來看，可以捕捉數(shù)據(jù)中的非線性特征，有強(qiáng)大的學(xué)習(xí)能力，能夠做到大樣本訓(xùn)練，且推廣能力和估計(jì)精度隨著樣本訓(xùn)練數(shù)量的增加而增強(qiáng)，可以做到二者兼顧。文中的仿真結(jié)果也充分證明了模型的有效性。其不足之處在于，深度算法訓(xùn)練出的模型不夠直觀，內(nèi)涵不如經(jīng)典模型清晰。

另外，首先，檢測(cè)都是以學(xué)習(xí)樣本中的基本信息為標(biāo)準(zhǔn)，即哪怕學(xué)習(xí)樣本中某儀表本身就存在較大偏差，但檢測(cè)結(jié)果只能說明當(dāng)前儀表與學(xué)習(xí)樣本中的狀態(tài)沒有發(fā)生大的差異，因此訓(xùn)練樣本中的數(shù)據(jù)應(yīng)當(dāng)選擇儀表統(tǒng)一人工校驗(yàn)后的數(shù)據(jù)，以確保檢測(cè)的準(zhǔn)確性；其次，當(dāng)前模型目前只能判斷某一區(qū)域是否存在異常儀表，但具體異常的儀表，尚無法明確定位，還要進(jìn)行針對(duì)性的檢測(cè)。這同時(shí)也是我們今后研究的方向。