基于深度置信網(wǎng)絡(luò)的移動(dòng)電站發(fā)電機(jī)故障診斷

孫 鑫，陳海松，王 清

（陸軍工程大學(xué)，野戰(zhàn)工程學(xué)院，江蘇 南京210001）

0 引言

移動(dòng)電站作為一種移動(dòng)式的獨(dú)立電源，在工程作業(yè)中的主要作用是提供動(dòng)力或者照明供電，通常使用在礦井、洞穴、建筑工地等場(chǎng)所，由于這些場(chǎng)所揚(yáng)塵多、潮濕，工作環(huán)境較為惡劣，而發(fā)電機(jī)作為電站核心部件，長(zhǎng)久處于該種環(huán)境下極易導(dǎo)致故障頻發(fā)，且不同作業(yè)環(huán)境下故障類型不同，為故障排除帶來(lái)困難。實(shí)現(xiàn)對(duì)移動(dòng)電站發(fā)電機(jī)故障快速準(zhǔn)確的診斷識(shí)別，不僅有利于提高作業(yè)效率，對(duì)保證作業(yè)人身安全也具有較大意義。針對(duì)移動(dòng)電站及其發(fā)電機(jī)的故障診斷，很多學(xué)者提出了有效方法，如小波分析[1]、故障字典診斷法和灰色預(yù)測(cè)診斷法[2]、BP神經(jīng)網(wǎng)絡(luò)[3]等，但這些方法較多的依賴于人工經(jīng)驗(yàn)，要求具有一定的先驗(yàn)知識(shí)，而淺層人工神經(jīng)網(wǎng)絡(luò)挖掘故障信息、提取故障特征和識(shí)別設(shè)備故障狀況的能力有限，還可能產(chǎn)生維數(shù)災(zāi)難等問(wèn)題，因此這些方法很難達(dá)到理想效果。深度置信網(wǎng)絡(luò)由 Hinton[4]自 2006 年提出后，Tamilselva[5]、Tran[6]等使用DBN（Deep Belief Network，DBN）分別對(duì)飛機(jī)發(fā)動(dòng)機(jī)和壓縮機(jī)進(jìn)行故障診斷，效果明顯，取得了相比機(jī)器學(xué)習(xí)算法更好的診斷精度。

本文利用DBN從底層到頂層逐步獲取移動(dòng)電站發(fā)電機(jī)故障特征，在對(duì)初始數(shù)據(jù)進(jìn)行簡(jiǎn)單預(yù)處理之后，無(wú)需過(guò)多的專業(yè)知識(shí)即可完成發(fā)電機(jī)故障的診斷，減少人為因素的影響，擁有較好的普適性和實(shí)用性。

1 深度置信網(wǎng)絡(luò)基本理論

深度學(xué)習(xí)網(wǎng)絡(luò)能夠模擬人的大腦，建立與人思維相似的分析和學(xué)習(xí)結(jié)構(gòu)[7]，來(lái)解釋相關(guān)數(shù)據(jù)，如圖像、聲音、文本等。深度置信網(wǎng)絡(luò)是一種非監(jiān)督貪婪逐層訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，通過(guò)不斷的實(shí)驗(yàn)與驗(yàn)證，DBN展現(xiàn)了優(yōu)異的特征提取和訓(xùn)練算法，能很好的表達(dá)出初始數(shù)據(jù)與最終輸出之間的復(fù)雜映射關(guān)系。

深度置信網(wǎng)絡(luò)是基于限制玻爾茲曼機(jī)堆棧而成的，其基本機(jī)構(gòu)如圖1所示。該圖展示的是一個(gè)含有3個(gè)限制玻爾茲曼機(jī)的DBN結(jié)構(gòu)示意圖，每個(gè)RBM都有相對(duì)的輸入與輸出，即可見(jiàn)層與隱含層。如最初的RBM1中，原始數(shù)據(jù)按照樣本的維度輸入作為可見(jiàn)層v1，其輸出層h1，兩者之間的連接權(quán)重為w1；在RBM2中，RBM1的輸出h1作為其輸入v2，經(jīng)過(guò)連接權(quán)重w2輸出為h2，以此類推下去。每個(gè)RBM都是采用非監(jiān)督的貪婪學(xué)習(xí)，使得輸出層能最大似然的表示輸入，因此通過(guò)多層RBM，實(shí)現(xiàn)了最初數(shù)據(jù)的特征提取。最后在輸出層加上softmax函數(shù)完成對(duì)故障模式的分類識(shí)別。

圖1 DB N結(jié)構(gòu)示意圖

深度置信網(wǎng)絡(luò)的訓(xùn)練主要包含兩個(gè)過(guò)程，一是基于RBM由下自上的前向傳播，二是在BP算法下進(jìn)行自頂向下的反向微調(diào)。

在前向傳播中，Hinton提出了對(duì)比散度算法[8]，以n次（n一般取1）吉布斯采樣完成快速參數(shù)更新，使RBM訓(xùn)練得以有效完成，更新公式為：

其中＜*＞data表示輸入數(shù)據(jù)，＜*＞recon表示重建后的數(shù)據(jù)，m為慣性系數(shù)，控制參數(shù)受上一次影響的程度，η為正向?qū)W習(xí)率。單個(gè)RBM的參數(shù)訓(xùn)練完畢之后，將其輸出作為下一個(gè)RBM輸入循環(huán)以上步驟即可，從而完成所有RBM的參數(shù)初始化。

反向微調(diào)時(shí)使用BP算法，將分類誤差自頂向下傳播，對(duì)初始化的權(quán)重和偏置進(jìn)行微調(diào)，更新公式為：

其中，α為微調(diào)學(xué)習(xí)率。通過(guò)反向微調(diào)完成整個(gè)網(wǎng)絡(luò)的參數(shù)優(yōu)化，達(dá)到整體網(wǎng)絡(luò)性能最優(yōu)。

2 基于DB N的發(fā)電機(jī)故障診斷模型

2.1 數(shù)據(jù)預(yù)處理

基于學(xué)者對(duì)發(fā)電機(jī)故障的分析[9-11]，結(jié)合實(shí)際工作，確定相應(yīng)指標(biāo)作為輸入。對(duì)故障種類進(jìn)行編號(hào)，記為1，2，…，m，為與正常工作時(shí)的指標(biāo)進(jìn)行對(duì)比，添加正常工作狀態(tài)下的參數(shù)，編號(hào)為0，共m+1種輸出類別標(biāo)簽。

為降低各指標(biāo)之間的數(shù)量級(jí)差別，減少量綱對(duì)預(yù)測(cè)的影響，需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，作為后期DBN網(wǎng)絡(luò)輸入。

（1）對(duì)于部分為0的數(shù)據(jù)，將其賦值為10-8，避免運(yùn)算過(guò)程中出現(xiàn)分母為0導(dǎo)致溢出；

（2）為提高數(shù)據(jù)隨機(jī)性，將所有樣本隨機(jī)打亂組成樣本集，按比例組成訓(xùn)練集和測(cè)試集；

（3）將數(shù)據(jù)進(jìn)行歸一化處理，調(diào)整到[0，1]之間，調(diào)整方式為：

其中，x′為調(diào)整后的數(shù)據(jù)，xmax和xmin為指標(biāo)特征的最大和最小值，

2.2 DB N結(jié)構(gòu)確定

DBN的結(jié)構(gòu)參數(shù)主要包括數(shù)據(jù)輸入維度、輸出維度、RBM數(shù)量（隱含層數(shù)量）、各隱含層節(jié)點(diǎn)數(shù)。其中，數(shù)據(jù)輸入維度由輸入樣本集的指標(biāo)維度確定，輸出維度一般由故障類別總數(shù)確定。這里主要需要人為確定的參數(shù)為隱含層數(shù)L和各隱含層節(jié)點(diǎn)數(shù)nl，由于這兩個(gè)參數(shù)的確定尚無(wú)理論依據(jù)，本文采取文獻(xiàn)[9]中提出的經(jīng)驗(yàn)公式進(jìn)行確定：

ni和no分別表示三層神經(jīng)網(wǎng)絡(luò)的輸入與輸出節(jié)點(diǎn)數(shù)，由于深度神經(jīng)網(wǎng)絡(luò)中第i個(gè)RBM的輸出為第i+1個(gè)RBM的輸入，因此對(duì)于第k個(gè)隱含層ni=hk-1，代入到式12，得到：

其中第一層輸入h0=n0。

而關(guān)于層數(shù)的確定，一方面過(guò)少的層數(shù)易造成數(shù)據(jù)欠擬合，使得訓(xùn)練在訓(xùn)練集上表現(xiàn)就很差。另一方面，當(dāng)層數(shù)過(guò)多時(shí)，則對(duì)分類特征具有更詳細(xì)的表達(dá)，但是容易造成過(guò)擬合，雖然在訓(xùn)練集上表現(xiàn)很好，但泛化能力較差。因此，需要選取在合理的范圍之內(nèi)，由于沒(méi)有確定的理論依據(jù)，通常2-3層可以滿足需求，若想找到具體問(wèn)題的最佳層數(shù)，需要通過(guò)實(shí)驗(yàn)確定。

分類問(wèn)題中，一般采用交叉熵作為損失函數(shù)，而添加正則化項(xiàng)可防止模型過(guò)擬合，本文最終的損失函數(shù)為：

λ為懲罰系數(shù)，其值越大，對(duì)較大的權(quán)重值懲罰越大，從而控制目標(biāo)權(quán)重在較為合理的區(qū)間取值。p?i、pi分別表示數(shù)據(jù)輸出的真實(shí)值與預(yù)測(cè)值。

2.3 模型訓(xùn)練

基于以上分析，移動(dòng)電站發(fā)電機(jī)故障診斷模型流程為：

（1）采集發(fā)電機(jī)指標(biāo)，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，記錄故障標(biāo)簽，劃分訓(xùn)練集與測(cè)試集；

（2）設(shè)定網(wǎng)絡(luò)各項(xiàng)參數(shù)，如網(wǎng)絡(luò)層數(shù)、節(jié)點(diǎn)數(shù)與學(xué)習(xí)率、迭代次數(shù)等超參數(shù)；

（3）以樣本輸入維度為第一個(gè)RBM的輸入，通過(guò)對(duì)比散度算法不斷調(diào)整該RBM的權(quán)重與偏置，實(shí)現(xiàn)局部參數(shù)最優(yōu)；

（4）將第一個(gè)RBM輸出作為第二個(gè)RBM輸入，重復(fù)3，直至所有RBM訓(xùn)練完畢；

（5）根據(jù)softmax層輸出與實(shí)際標(biāo)簽對(duì)比，利用BP反向傳播算法，將誤差進(jìn)行反傳至各個(gè)RBM，微調(diào)權(quán)重與偏置，得到全局最優(yōu)參數(shù)；

（6）判定是否達(dá)到停止條件，若是，停止迭代并輸出，否則繼續(xù)訓(xùn)練。

3 實(shí)例分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

為驗(yàn)證模型有效性，使用某型拖車式移動(dòng)電站進(jìn)行實(shí)驗(yàn)驗(yàn)證。確定以下14項(xiàng)指標(biāo)作為輸入：工作線電壓、工作電流、工作頻率、發(fā)電機(jī)轉(zhuǎn)速、勵(lì)磁電壓、勵(lì)磁電流、水溫、油壓、油溫、蓄電池電壓、電機(jī)軸承溫度、發(fā)電機(jī)外殼溫度、發(fā)電機(jī)振動(dòng)量、絕緣電阻。從這些指標(biāo)可以看出，很多參數(shù)之間具有復(fù)雜聯(lián)系，如勵(lì)磁電壓與勵(lì)磁電流、發(fā)電機(jī)外殼溫度與發(fā)電機(jī)振動(dòng)量之間可能存在某種隱形函數(shù)關(guān)系，傳統(tǒng)方法很難處理，并且隨著維數(shù)的拓展，淺層神經(jīng)網(wǎng)絡(luò)也逐步喪失可行性，該種情況下宜使用提出的DBN方法進(jìn)行分析。

實(shí)驗(yàn)設(shè)置了發(fā)電機(jī)軸承曠動(dòng)、熔絲燒斷、調(diào)壓器調(diào)整不當(dāng)、電刷接觸不良、風(fēng)扇損壞、潤(rùn)滑脂缺少、繞組受潮共7種故障，加上正常運(yùn)行狀態(tài)，共8類輸出。為保證數(shù)據(jù)能充分反映發(fā)電機(jī)工作實(shí)際情況，水溫、油壓、油溫、電機(jī)軸承溫度和外殼溫度統(tǒng)一設(shè)定為穩(wěn)定運(yùn)行30 min之后測(cè)量所得。

所有故障采樣間隔為5 s。其中，每個(gè)故障取500組數(shù)據(jù)，共5000個(gè)樣本，每個(gè)樣本14個(gè)維度，打亂后構(gòu)成整個(gè)數(shù)據(jù)集。對(duì)于標(biāo)簽數(shù)據(jù)，為便于計(jì)算輸出誤差，將故障編號(hào)轉(zhuǎn)換為獨(dú)熱編碼，如熔絲燒斷編號(hào)為2，轉(zhuǎn)換為[0 0 1 0 0 0 0 0 0]，采樣結(jié)果按照前述數(shù)據(jù)預(yù)處理方法進(jìn)行歸一化，得到表1樣本數(shù)據(jù)。

表1 預(yù)處理后部分?jǐn)?shù)據(jù)

根據(jù)前文描述，隱含層數(shù)可從最少的2層開(kāi)始，考慮輸入數(shù)據(jù)維度為14，并不大，本文設(shè)為2層。節(jié)點(diǎn)數(shù)按照經(jīng)驗(yàn)公式計(jì)算為11，將其作為參考值帶入，前向?qū)W習(xí)率與微調(diào)學(xué)習(xí)率取為0.001，慣性權(quán)重為0.9，迭代次數(shù)為50次。為去除隨機(jī)性影響，每次計(jì)算結(jié)果重復(fù)實(shí)驗(yàn)20次，取平均值，損失函數(shù)采用交叉熵，正則化系數(shù)為0.000 2。訓(xùn)練集為按比例隨機(jī)在所有樣本中抽取，剩余樣本作為測(cè)試集。

3.2 實(shí)驗(yàn)與結(jié)果分析

為說(shuō)明與其它傳統(tǒng)故障診斷或淺層神經(jīng)網(wǎng)絡(luò)的區(qū)別，將DBN與BP、SVM方法進(jìn)行對(duì)比，為保證環(huán)境的一致性，其中三層BP采用的隱含層節(jié)點(diǎn)數(shù)為11，激活函數(shù)同樣為sigmoid，學(xué)習(xí)率、迭代次數(shù)與慣性系數(shù)均與DBN一致。SVM采用RBF作為核函數(shù)，訓(xùn)練集與測(cè)試集按照從1∶9到9∶1的比例進(jìn)行試驗(yàn)，取20次實(shí)驗(yàn)平均值，準(zhǔn)確率表示為模型預(yù)測(cè)類別正確的樣本占測(cè)試總樣本的百分比，結(jié)果如表2。

表2 DB N、BP、S V M準(zhǔn)確率

從圖2實(shí)驗(yàn)結(jié)果可知：

圖2 不同方法結(jié)果對(duì)比圖

（1）但從DBN準(zhǔn)確率變化曲線來(lái)看，從第三組開(kāi)始網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確率就已經(jīng)高達(dá)98%以上，并且隨著訓(xùn)練樣本比例的增加最終遞增到100%，說(shuō)明樣本越多，對(duì)模型提高其準(zhǔn)確性具有更大的幫助，而且DBN對(duì)樣本數(shù)據(jù)集劃分比例變動(dòng)不是很敏感，具有一定的魯棒性。

（2）三種算法比較來(lái)看，在同樣迭代到40次時(shí)，BP尚未找到合適的參數(shù)擬合，效果最差。而SVM具有與DBN相當(dāng)?shù)木?，即使在樣本比例?∶9時(shí)，仍然可以達(dá)到75.19%的準(zhǔn)確率，此時(shí)DBN參數(shù)訓(xùn)練還嚴(yán)重欠擬合，導(dǎo)致其準(zhǔn)確率接近隨機(jī)結(jié)果。但當(dāng)實(shí)驗(yàn)進(jìn)行到編號(hào)3時(shí)，DBN具有相對(duì)較高的準(zhǔn)確率，而SVM在最后還可能出現(xiàn)波動(dòng)。整體實(shí)驗(yàn)表明，DBN用于發(fā)電機(jī)故障診斷切實(shí)可行，且相對(duì)淺層網(wǎng)絡(luò)和傳統(tǒng)方法具有更高的準(zhǔn)確率和穩(wěn)定性。

4 結(jié)論

本文基于深度置信網(wǎng)絡(luò)較強(qiáng)的特征提取能力，構(gòu)建了針對(duì)移動(dòng)電站發(fā)電機(jī)的故障診斷模型，通過(guò)正向傳播和反向微調(diào)，優(yōu)化網(wǎng)絡(luò)參數(shù)。驗(yàn)證了更多的測(cè)試樣本有利于增加模型的預(yù)測(cè)準(zhǔn)確率，表明DBN對(duì)劃分的訓(xùn)練集和測(cè)試集比例變化具有一定的抵抗能力。通過(guò)與BP、SVM等算法的比較，進(jìn)一步說(shuō)明了DBN具有高精度、魯棒性的優(yōu)點(diǎn)[12]。