深度學(xué)習(xí)在電機故障診斷中的運用分析

中潤資源投資股份有限公司 馬傳廣

如今電機的功能性不斷完善，但其內(nèi)部結(jié)構(gòu)及運行技術(shù)種類也越來越復(fù)雜，使得設(shè)備故障幾率大幅提升，在此情況下提高電機故障診斷準確性和高效性十分必要。

1 深度學(xué)習(xí)理論概述

深度學(xué)習(xí)是一種被廣泛應(yīng)用在計算機視覺、自然語言處理和生物信息學(xué)當中的理論，是機器學(xué)習(xí)這一研究領(lǐng)域的新方向。深度學(xué)習(xí)的學(xué)習(xí)內(nèi)容是樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，在學(xué)習(xí)過程中可獲取相關(guān)信息，它們可用于解釋文字、圖像和聲音；該理論應(yīng)用的最終目標十分接近人工智能，就是讓機器擁有分析學(xué)習(xí)能力。究其本質(zhì)，深度學(xué)習(xí)屬于模式分析方法，更是一種機器學(xué)習(xí)算法，具有極高的復(fù)雜性和先進性，能夠借助于機器和擬人化思維解決復(fù)雜的模式識別問題。

深度學(xué)習(xí)與淺層學(xué)習(xí)有著極大差異，在應(yīng)用該理論和技術(shù)時著重強調(diào)了模型結(jié)構(gòu)的深度。深度學(xué)習(xí)模型大多擁有多個層次，5～6層十分常見，部分模型的隱層節(jié)點甚至高達10層。而且深度學(xué)習(xí)的應(yīng)用對特征學(xué)習(xí)的重要性進行了進一步明確，可基于逐層特征變換和大數(shù)據(jù)來高效完成特征分析，從而更加科學(xué)地進行預(yù)測和評判。現(xiàn)階段深度學(xué)習(xí)理論被引入了多個領(lǐng)域當中，為提高傳統(tǒng)識別任務(wù)的識別率提供了巨大幫助，也使得深度學(xué)習(xí)的算法不斷被改進。在此環(huán)節(jié)深度學(xué)習(xí)模型已被廣泛應(yīng)用在電機故障診斷、人臉識別、語音分析等方面，為相關(guān)工作的開展提供了新的思路和方法。

2 基于深度學(xué)習(xí)模型的電機故障診斷

電機故障診斷技術(shù)的發(fā)展為提高電機檢修維護質(zhì)效、延長電機使用壽命、節(jié)約電機維修成本和優(yōu)化電機結(jié)構(gòu)與性能設(shè)計提供了巨大幫助。以往為有效開展電機故障診斷，需人為提取大量的故障特征數(shù)據(jù)，為有效判斷和分析電機故障提供支持；但隨著電機性能與結(jié)構(gòu)復(fù)雜性的提升，這種故障診斷技術(shù)已不再適用，在故障診斷工作中引入更具現(xiàn)代化、信息化和創(chuàng)新性的技術(shù)勢在必行。為此可將深度學(xué)習(xí)理論引入電機故障診斷工作，并基于不同的深度學(xué)習(xí)模型推進電機故障診斷工作的創(chuàng)新和優(yōu)化。

2.1 深度置信網(wǎng)絡(luò)模型的應(yīng)用

2.1.1 模型概述

深度置信網(wǎng)絡(luò)模型是最為經(jīng)典的深度學(xué)習(xí)模型之一，它可被解釋為貝葉斯概率生成模型，由多層隨機隱變量組合而成。這種模型的主要構(gòu)成單元是受限玻爾茲曼機和分類器，它們共同構(gòu)成了這種多層神經(jīng)網(wǎng)絡(luò)，使其能夠基于組合底層特征抽象高層學(xué)習(xí)數(shù)據(jù)特征，進而完成分析與判斷[1]。

受限玻爾茲曼機屬于遞歸神經(jīng)網(wǎng)絡(luò)，主要分為可視層和隱層，前者內(nèi)部分布多顯元，后者中則分布多個隱元，且二者都是二元變量，狀態(tài)為0或1。在受限玻爾茲曼機中兩個網(wǎng)絡(luò)層的單一內(nèi)部神經(jīng)元間不存在連接狀態(tài)，但兩層神經(jīng)元可基于權(quán)重w連接。在實際應(yīng)用環(huán)節(jié)，深度置信網(wǎng)絡(luò)模型可被看作是基于能量的模型，模型的能量函數(shù)越小意味著系統(tǒng)越穩(wěn)定，且基于訓(xùn)練獲得最小化網(wǎng)絡(luò)能量與最優(yōu)化網(wǎng)絡(luò)參數(shù)。如將受限玻爾茲曼機中的顯層神經(jīng)元設(shè)定為v、隱層神經(jīng)元設(shè)定為h，并假定（v，h）是一組確定的神經(jīng)元狀態(tài)，則可以公式表達深度置信網(wǎng)絡(luò)模型的能量函數(shù)。其中θ={w，a，b}，vi代表可視層內(nèi)第i個神經(jīng)元的狀態(tài)；hj代表隱層的第j個神經(jīng)元的狀態(tài)；ai和bi分別表示顯元與隱元的偏置，wij表示vi與hj之間的權(quán)重。

在使用深度置信網(wǎng)絡(luò)模型時，底層可視層將會成為樣本特征的輸入口，在輸出前會經(jīng)過多個由可視層和隱層構(gòu)成的特征提取層，再由頂層輸出層輸出分類識別結(jié)果。在設(shè)計隱層層數(shù)和各層單元數(shù)時需基于實踐經(jīng)驗作業(yè)。從網(wǎng)絡(luò)訓(xùn)練角度來看，深度置信網(wǎng)絡(luò)模型的訓(xùn)練流程主要有預(yù)訓(xùn)練及反向微調(diào)訓(xùn)練，前者是自下而上逐層開展的訓(xùn)練，后者是自上而下的進行參數(shù)調(diào)整訓(xùn)練，能為實現(xiàn)全局參數(shù)最優(yōu)化奠定基礎(chǔ)。

2.1.2 模型應(yīng)用

起初深度置信網(wǎng)絡(luò)模型主要被應(yīng)用在機器視覺領(lǐng)域，后來Tamilselvan等人將深度置信網(wǎng)絡(luò)模型應(yīng)用在飛機發(fā)動機故障診斷中，讓該模型正式進入故障診斷領(lǐng)域。隨著研究的深入，深度置信網(wǎng)絡(luò)模型已可用于提取滾動軸承、傳感器、洗輪箱、風(fēng)力發(fā)電機組的故障特征，可有效完成故障診斷與分析。

在電機故障診斷中，深度置信網(wǎng)絡(luò)模型的應(yīng)用需要經(jīng)過以下步驟：基于傳感器和信號預(yù)處理技術(shù)完成電機狀態(tài)信號采集，此時需分別在電機正常狀態(tài)和故障狀態(tài)下獲得設(shè)備的時域或頻域信號；開展信號分段和歸一化處理，并以訓(xùn)練集和測試集對其進行劃分；建立深度置信網(wǎng)絡(luò)模型，模型中需包含多個隱層且借助于訓(xùn)練集完成無監(jiān)督貪婪逐層訓(xùn)練；進入微調(diào)訓(xùn)練階段，將類別信息引入深度置信網(wǎng)絡(luò)模型，以此為基礎(chǔ)微調(diào)模型參數(shù)；獲得訓(xùn)練完畢的深度置信網(wǎng)絡(luò)模型，針對測試機完成電機故障診斷。

2.2 自編碼網(wǎng)絡(luò)模型的應(yīng)用

2.2.1 模型概述

自編碼網(wǎng)絡(luò)模型也是十分常見的一種深度學(xué)習(xí)模型，屬于三層非監(jiān)督特征學(xué)習(xí)模型，可基于自適應(yīng)學(xué)習(xí)特征在輸出環(huán)節(jié)盡可能地還原輸入。在實際應(yīng)用環(huán)節(jié)，自編碼網(wǎng)絡(luò)模型演變出多種形式，除原始自編碼網(wǎng)絡(luò)模型外還包括稀疏自編碼網(wǎng)絡(luò)模型、降噪自編碼網(wǎng)絡(luò)模型和棧式自編碼網(wǎng)絡(luò)模型。原始自編碼網(wǎng)絡(luò)屬于三層神經(jīng)網(wǎng)絡(luò)，包含輸入層、隱藏層和輸出層，前兩者構(gòu)成編碼器用于編碼，后兩者則構(gòu)成解碼器。分析自編碼網(wǎng)絡(luò)模型使用原理時發(fā)現(xiàn)，在輸入原始數(shù)據(jù)后，可利用編碼器編碼后完成特征輸出提取特征，然后經(jīng)解碼器將特征重構(gòu)輸出，在重構(gòu)誤差足夠小時即可認為隱層輸出的特征是原始數(shù)據(jù)的特征表達[2]。

在稀疏自編碼網(wǎng)絡(luò)中融入了稀疏編碼原理，將稀疏懲罰項引入到自編碼網(wǎng)絡(luò)模型當中，這樣能讓隱層滿足稀疏性，從而基于稀疏性限制讓自編碼網(wǎng)絡(luò)模型完成特征表達。在應(yīng)用降噪自編碼網(wǎng)絡(luò)模型時，需在原始樣本信號中隨機加入到具有一定統(tǒng)計特性的噪聲，然后基于編碼、解碼和映射，實現(xiàn)樣本信號（未受噪聲影響）還原，其作業(yè)原理類似于人體的感官系統(tǒng)。此外，自編碼網(wǎng)絡(luò)或由其演變出的稀疏自編碼網(wǎng)絡(luò)與降噪自編碼網(wǎng)絡(luò)都可被視為棧式自編碼網(wǎng)絡(luò)模型的基本單元，在該模型應(yīng)用環(huán)節(jié)將采用貪婪逐層訓(xùn)練法完成特征提取和輸出，從而實現(xiàn)數(shù)據(jù)分析。

2.2.2 模型應(yīng)用

在眾多自編碼網(wǎng)絡(luò)類型中只有棧式自編碼網(wǎng)絡(luò)屬于深層學(xué)習(xí)網(wǎng)絡(luò)，所以在基于深度學(xué)習(xí)理論開展電機故障診斷時可引入棧式自編碼網(wǎng)絡(luò)模型。這種模型的故障診斷效率和分類準確率都很高，可完成詳細化故障分析和判斷，從而實現(xiàn)有效的故障診斷?，F(xiàn)階段，利用棧式自編碼網(wǎng)絡(luò)模型可對風(fēng)力發(fā)電機組、滾動軸承、旋轉(zhuǎn)機械、齒輪等多種設(shè)備故障進行診斷，診斷正確率幾近100%。

從現(xiàn)有的棧式自編碼網(wǎng)絡(luò)模型使用情況來看，在其診斷電機故障時需基于特定框架和如下步驟：基于傳感器收集原始數(shù)據(jù)，將電機正常狀態(tài)與故障狀態(tài)的運行信號完整采集起來；基于數(shù)據(jù)標準化、分割，完成信號預(yù)處理，確定測試集和訓(xùn)練集；以數(shù)據(jù)為基礎(chǔ)選定重構(gòu)誤差，建立以深度學(xué)習(xí)理論為基礎(chǔ)的自編碼網(wǎng)絡(luò)模型，并借助于訓(xùn)練集完成無監(jiān)督貪婪逐層訓(xùn)練；將分類算法引入頂層并完成自編碼網(wǎng)絡(luò)參數(shù)或分類器參數(shù)的科學(xué)調(diào)整；確定深度自編碼網(wǎng)絡(luò)模型，利用模型診斷測試集故障；完成電機故障診斷。

2.3 卷積神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用

2.3.1 模型概述

卷積神經(jīng)網(wǎng)絡(luò)模型具有局部感知、時空降采樣和共享權(quán)重的特點，可在減少參數(shù)的情況下實現(xiàn)對數(shù)據(jù)局部特征的充分利用。這種網(wǎng)絡(luò)中主要包含四個層級，分別為輸入層、輸出層、隱層和全連接層。其中隱層數(shù)量較多，主要由卷積層和子采樣層組合而成，前者主要用于提取特征而后者則用于采樣，隱層的輸入數(shù)據(jù)有向量和圖像兩種形式。在實踐中卷積層的數(shù)學(xué)模型可用來表達，其中Mj屬于輸入特征，L表示網(wǎng)絡(luò)層次，K代表卷積核，b表示偏置，xjl與xil-1則分別代表第L層輸出和第L-1層輸入。

2.3.2 模型應(yīng)用

卷積神經(jīng)網(wǎng)絡(luò)模型在電機故障診斷中的應(yīng)用可有效減少網(wǎng)絡(luò)參數(shù)數(shù)量、規(guī)避網(wǎng)絡(luò)擬合，可極大程度提高特征提取的效率和診斷質(zhì)量。在實踐工作中卷積神經(jīng)網(wǎng)絡(luò)模型主要用于充當分類器或充當特征提取和識別分類模型[3]。以該模型為基礎(chǔ)的電機故障診斷流程如下：

基于傳感器收集電機運行信號，分別采集正常和故障狀態(tài)下的電機時域、信號頻域；開展故障預(yù)處理與劃分，確定訓(xùn)練集和測試集；確定卷積神經(jīng)網(wǎng)絡(luò)的卷積核個數(shù)和大小，明確其掃描步長和隱層數(shù)，然后相關(guān)結(jié)果為基礎(chǔ)建立可用的卷積神經(jīng)網(wǎng)絡(luò)模型；對卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進行初始化處理，并利用訓(xùn)練集完成監(jiān)督訓(xùn)練，逐步推進網(wǎng)絡(luò)參數(shù)更新，最終達到最大迭代數(shù)；基于卷積神經(jīng)網(wǎng)絡(luò)模型開展測試集故障診斷。

3 深度學(xué)習(xí)模型的應(yīng)用優(yōu)缺點

本文所提到的常用于電機故障診斷的深度學(xué)習(xí)模型都可為高質(zhì)高效地完成故障診斷提供輔助，但在其使用環(huán)節(jié)也存在缺陷，現(xiàn)對其應(yīng)用優(yōu)缺點進行總結(jié)：

深度置信網(wǎng)絡(luò)模型。這種模型無需依靠精確數(shù)字模型也能學(xué)習(xí)數(shù)據(jù)特征，且其多個隱層結(jié)構(gòu)能規(guī)避維數(shù)災(zāi)難，半監(jiān)督訓(xùn)練方法更可有效提升神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法在多層網(wǎng)絡(luò)中的適應(yīng)性。但基于該模型必須逐層開展參數(shù)調(diào)節(jié)、會嚴重拖慢訓(xùn)練速度，若使用的選用參數(shù)不合適則難以實現(xiàn)訓(xùn)練最優(yōu)化；自編碼網(wǎng)絡(luò)模型。應(yīng)用此類模型能降低計算復(fù)雜度得到簡明特征，還可減少信號提取環(huán)節(jié)的隨機因素干擾，擁有良好的魯棒性。但在普通自編碼網(wǎng)絡(luò)映射環(huán)節(jié)，輸入和輸出一致容易出現(xiàn)數(shù)據(jù)過擬合情況，將會限制特征表達，影響輸出重構(gòu)；卷積神經(jīng)網(wǎng)絡(luò)模型。在其使用時擁有高亮數(shù)據(jù)處理能力，能有效減少網(wǎng)絡(luò)參數(shù)和規(guī)避數(shù)據(jù)過擬合風(fēng)險。但卷積神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜性高且訓(xùn)練集龐大，使訓(xùn)練速度難以提升。

總之，應(yīng)用在電機故障診斷中的深度學(xué)習(xí)模型主要有深度置信網(wǎng)絡(luò)模型、卷積神經(jīng)網(wǎng)絡(luò)模型和堆棧自編碼網(wǎng)絡(luò)模型。這些深度學(xué)習(xí)模型的應(yīng)用可快速完成原始數(shù)據(jù)的處理效率和故障特征分類，將會為提高電機故障診斷質(zhì)量和效率提供有力保障。