基于改進(jìn)棧式降噪自編碼器的控制系統(tǒng)故障診斷

羅 毅 趙聰杰 武博翔

(華北電力大學(xué)控制與計算機(jī)工程學(xué)院 北京 102206)

0 引 言

隨著自動化技術(shù)水平及計算機(jī)技術(shù)不斷進(jìn)步，現(xiàn)在工業(yè)系統(tǒng)規(guī)模逐步趨向于大型化和復(fù)雜化，結(jié)構(gòu)越來越復(fù)雜。控制系統(tǒng)中的結(jié)構(gòu)相互關(guān)聯(lián)耦合，單一部件發(fā)生故障時，往往引起連鎖反應(yīng)，造成重大安全事故[1]。在當(dāng)前工業(yè)系統(tǒng)中，控制系統(tǒng)主要由控制器、執(zhí)行器、被控對象和傳感器等組成。隨著智能化程度的提高，控制器和被控對象設(shè)備的穩(wěn)定性和可靠性有了顯著的提高，傳感器故障和執(zhí)行器故障成為控制系統(tǒng)中主要故障，占系統(tǒng)故障的80%左右。傳感器和執(zhí)行器故障主要為恒增益故障、恒偏差故障、慢漂移故障和卡死等。傳感器和執(zhí)行器作為控制系統(tǒng)中基本設(shè)備，其分布面廣，數(shù)量多，且其故障具有隨機(jī)性和隱蔽性[2]。目前針對控制系統(tǒng)的故障診斷手段主要還是巡檢等方法，浪費(fèi)大量的人力和物力，難以及時有效地發(fā)現(xiàn)故障并修復(fù)故障。因此，建立快速高效的故障診斷系統(tǒng)及時發(fā)現(xiàn)故障、處理故障，對保障系統(tǒng)安全可靠的運(yùn)行具有重要的意義。

目前，故障診斷方法主要為基于知識的方法、基于解析模型的方法和基于數(shù)據(jù)驅(qū)動的方法[3-4]?，F(xiàn)階段，人工智能技術(shù)在工業(yè)過程中大力發(fā)展，現(xiàn)場總線控制系統(tǒng)和分布式控制系統(tǒng)在工業(yè)控制系統(tǒng)中得到廣泛應(yīng)用。支持向量機(jī)(SVM)[5]、BP神經(jīng)網(wǎng)絡(luò)[6]等基于數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)算法在故障診斷領(lǐng)域得到大量的應(yīng)用。1986年，Rumelhar等[7]首次提出自動編碼器(Auto-Encoder，AE)的概念，并將其用于處理高維復(fù)雜數(shù)據(jù)。Hinton等[8]在2006年提出了非監(jiān)督逐層貪婪訓(xùn)練的算法，使得棧式自編碼器成為可能。棧式自編碼器在無監(jiān)督學(xué)習(xí)中具有巨大優(yōu)勢，從較少的無標(biāo)簽數(shù)據(jù)中，通過自學(xué)習(xí)提取故障特征，使模型具有強(qiáng)大的表達(dá)能力和魯棒性，廣泛地應(yīng)用于回歸、分類領(lǐng)域。曲星宇等[9]提出Dropout降噪自編碼器來解決數(shù)據(jù)線性不可分和高復(fù)雜度的問題，將該方法應(yīng)用于磨礦系統(tǒng)故障診斷中，具有較高的分類準(zhǔn)確率。洪驥宇等[10]將降噪自編碼器與螢火蟲徑向網(wǎng)絡(luò)相結(jié)合對航空發(fā)動機(jī)氣路故障進(jìn)行診斷，通過實例驗證了算法的優(yōu)勢。陳仁祥等[11]建立棧式稀疏加噪自編碼器進(jìn)行滾動軸承損傷程度診斷。孫文珺等[12]提出稀疏自編碼器深度神經(jīng)網(wǎng)絡(luò)實現(xiàn)感應(yīng)的故障診斷。另外，棧式自編碼器在圖像識別[13]和情感識別[14]等領(lǐng)域也得到廣泛的應(yīng)用。

本文提出一種基于KPCA-SDAE神經(jīng)網(wǎng)絡(luò)模型的控制系統(tǒng)故障診斷方法。利用KPCA良好非線性數(shù)據(jù)處理能力和棧式降噪自編碼器強(qiáng)大的故障特征提取能力，實現(xiàn)了控制系統(tǒng)中故障數(shù)據(jù)特征的有效提取，并通過Softmax分類器實現(xiàn)故障的分類，從而構(gòu)建了完整的KPCA-SDAE神經(jīng)網(wǎng)絡(luò)故障診斷模型。KPCA-SDAE神經(jīng)網(wǎng)絡(luò)模型，通過較少的故障數(shù)據(jù)便能夠?qū)崿F(xiàn)故障數(shù)據(jù)的深度挖掘，對于控制系統(tǒng)中故障數(shù)據(jù)少和特征不明顯的情況具有明顯的優(yōu)勢，極大地提高了控制系統(tǒng)中慢漂移故障診斷的準(zhǔn)確率。并通過人為對數(shù)據(jù)加入噪聲，使網(wǎng)絡(luò)模型對輸入信號具有更強(qiáng)的魯棒性。最后通過TE控制系統(tǒng)仿真實驗驗證了該算法的有效性。

1 KPCA-SDAE的基本原理

1.1 核主成分分析基本原理

核主成分分析是對主成分分析(Principal Component Analysis，PCA)的非線性擴(kuò)展，PCA是線性的，但工業(yè)控制系統(tǒng)中的數(shù)據(jù)大多數(shù)為非線性數(shù)據(jù)，其對于非線性的數(shù)據(jù)往往顯得無能為力。KPCA通過核映射的方法，運(yùn)用非線性函數(shù)將數(shù)據(jù)映射到高維特征空間，再在特征空間中對數(shù)據(jù)進(jìn)行線性操作，深度挖掘數(shù)據(jù)的非線性信息，提取更多特征[15]。

通過非線性映射函數(shù)φ(·)將原空間數(shù)據(jù)X=(x1,x2,…,xm)映射到高維空間得到特征樣本數(shù)據(jù)Φ(X)=(φ(x1),φ(x2),…,φ(xm))，通過式(1)求得特征向量W=(w1,w2,…，wd)：

Φ(X)Φ(X)TW=λW

(1)

式中：λ為特征向量W的特征值。

由式(1)得到式(2)：

(2)

將式(2)代入到式(1)并左乘Φ(X)T得到：

Φ(X)TΦ(X)Φ(X)TΦ(X)A=λΦ(X)TΦ(X)A

(3)

令核矩陣K=Φ(X)TΦ(X)得到式(4)：

KA=λA

(4)

通過式(4)求取高維空間下的特征值，將求得的特征值進(jìn)行排序，得到：λ1≥λ2≥…≥λd，取K中最大的d個特征值對應(yīng)的特征向量，得到核主成分分析后的降維數(shù)據(jù)，完成特征提取。

1.2 自編碼器的基本原理

自編碼器是一種無監(jiān)督學(xué)習(xí)算法，多用于高維數(shù)據(jù)處理。自編碼器分為兩個部分：編碼器和解碼器[7]。單層自編碼器是一種對稱的三層網(wǎng)絡(luò)結(jié)構(gòu)，如圖1所示。

圖1 自編碼器網(wǎng)絡(luò)結(jié)構(gòu)

編碼過程可表示為：

h=f(x)=Sf(Wx+b)

(5)

式中：Sf為編碼器的激活函數(shù)；編碼器的參數(shù)為θ={W,b}，其中W為編碼器權(quán)重矩陣，b為編碼器偏置矩陣。

解碼過程可表示為：

y=g(x)=Sg(W′x+b′)

(6)

式中：Sg為解碼器的激活函數(shù)；解碼器的參數(shù)為θ′={W′,b′}，其中W′為解碼器權(quán)重矩陣，b′為解碼器偏置矩陣。

自編碼器通過訓(xùn)練數(shù)據(jù)，不斷修正重構(gòu)誤差，使得誤差最小化，從而得到最優(yōu)網(wǎng)絡(luò)參數(shù)θ和θ′。重構(gòu)誤差函數(shù)表達(dá)式為：

J(W,b)=minL(x,y)=minL(s,g(f(x)))

(7)

式中：L(·)表示為損失函數(shù)。根據(jù)不同數(shù)據(jù)的形式，損失函數(shù)可用平方誤差函數(shù)或者交叉熵?fù)p失函數(shù)，分別如式(8)和式(9)所示，本文模型選用交叉熵?fù)p失函數(shù)。

(8)

(9)

通過訓(xùn)練得到隱藏層編碼矢量h，再經(jīng)過解碼得到重構(gòu)數(shù)據(jù)y。如果損失函數(shù)與原始輸入x誤差較小，則認(rèn)為經(jīng)過自編碼器訓(xùn)練，對數(shù)據(jù)實現(xiàn)了重構(gòu)，學(xué)習(xí)到復(fù)現(xiàn)原始數(shù)據(jù)的能力，完成故障特征提取。

1.3 降噪自編碼器的基本原理

降噪自編碼器(Denoising Auto-Encoder，DAE)[16]通過在輸入樣本數(shù)據(jù)中添加噪聲，使樣本部分被破壞，將經(jīng)過處理的數(shù)據(jù)作為自編碼器訓(xùn)練數(shù)據(jù)，使輸出數(shù)據(jù)盡可能地復(fù)現(xiàn)原始數(shù)據(jù)。DAE經(jīng)過編碼器和解碼器的學(xué)習(xí)重構(gòu)，使模型獲得的數(shù)據(jù)特征更具魯棒性，降低對微小擾動的敏感。降噪自編碼器的基本原理如圖2所示。

圖2 降噪自編碼器

2 KPCA-SDAE神經(jīng)網(wǎng)絡(luò)

2.1 SDAE神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

SDAE神經(jīng)網(wǎng)絡(luò)將前一層DAE的輸出作為下一個DAE的輸入，經(jīng)過多層DAE的數(shù)據(jù)特征提取，能夠有效地挖掘出故障數(shù)據(jù)之間的關(guān)系，使得SDAE具有更加強(qiáng)大的表達(dá)能力[11-12]。多層DAE網(wǎng)絡(luò)為無監(jiān)督學(xué)習(xí)，通過層層特征提取只能輸出為原始數(shù)據(jù)的重構(gòu)，為使SDAE具有分類識別的功能，在SDAE最后輸出層加入Softmax分類器。Softmax分類器通過計算給出每個類別的概率，能夠?qū)崿F(xiàn)多個故障分類，在多分類問題上具有廣泛的優(yōu)勢[17]。經(jīng)SDAE提取的特征，作為Softmax的輸入，輸出為故障的類型，其中輸出層中神經(jīng)元的個數(shù)為故障種類數(shù)。SDAE神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 SDAE網(wǎng)絡(luò)結(jié)構(gòu)

2.2 KPCA-SDAE算法實現(xiàn)

本文將KPCA與SDAE相結(jié)合，KPCA將故障數(shù)據(jù)映射到高維空間，對其進(jìn)行主導(dǎo)成分特征提取，經(jīng)處理后的數(shù)據(jù)，故障特征更加明顯，輸入到SDAE神經(jīng)網(wǎng)絡(luò)模型中。SDAE神經(jīng)網(wǎng)絡(luò)模型經(jīng)過無監(jiān)督訓(xùn)練獲得隱藏層網(wǎng)絡(luò)參數(shù)，實現(xiàn)故障特征的檢測，并與Softmax級聯(lián)作為整體網(wǎng)絡(luò)模型進(jìn)行有監(jiān)督訓(xùn)練，實現(xiàn)系統(tǒng)故障的分類。將KPCA與SDAE相結(jié)合，通過KPCA高維映射處理和SDAE神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)訓(xùn)練兩次數(shù)據(jù)分析處理，能夠有效地提取控制系統(tǒng)非線性故障數(shù)據(jù)特征，極大地提高了模型對慢漂移故障數(shù)據(jù)變化的檢測識別能力和故障診斷精度。

針對控制系統(tǒng)故障特性，構(gòu)建4層神經(jīng)網(wǎng)絡(luò)。其中第1層為SDAE的輸入層；第2層和第3層為隱藏層，通過無監(jiān)督方式對數(shù)據(jù)逐層預(yù)訓(xùn)練，獲得初始權(quán)重和偏置；第4層為分類層，通過帶標(biāo)簽數(shù)據(jù)對整個神經(jīng)網(wǎng)絡(luò)進(jìn)行有監(jiān)督的微調(diào)，提升SDAE的性能表現(xiàn)。其算法實現(xiàn)流程如圖4所示。

圖4 KPCA-SDAE算法流程

該算法流程主要包括：

(1) 故障數(shù)據(jù)采集并對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化和歸一化預(yù)處理，將其值歸一化到[-1,1]范圍內(nèi)。

(2) 將預(yù)處理后的數(shù)據(jù)進(jìn)行KPCA處理，將非線性數(shù)據(jù)映射到高維空間進(jìn)行主元分析，提取主導(dǎo)成分，實現(xiàn)數(shù)據(jù)的降維。將數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，作為SDAE的輸入數(shù)據(jù)。

(3) 設(shè)置神經(jīng)元個數(shù)、加噪比例，初始化網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)行無監(jiān)督訓(xùn)練，每一層的輸出作為下一層的輸入，利用批量訓(xùn)練法隨機(jī)選取批量數(shù)據(jù)進(jìn)行迭代運(yùn)算，獲取最優(yōu)權(quán)值W和偏置b。

(4) 以Softmax分類層作為輸出層，根據(jù)故障個數(shù)確定輸出神經(jīng)元個數(shù)，對數(shù)據(jù)進(jìn)行one-hot編碼，通過有標(biāo)簽數(shù)據(jù)進(jìn)行有監(jiān)督訓(xùn)練，最后用BP算法對網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)優(yōu)化。

(5) 將測試樣本輸入到訓(xùn)練好的SDAE中，輸出故障類型，實現(xiàn)對控制系統(tǒng)的故障診斷。

3 實驗與結(jié)果分析

3.1 實驗數(shù)據(jù)來源

本文選取TE(Tennessee Eastman)控制系統(tǒng)[18]模型為實驗仿真模型，對控制系統(tǒng)進(jìn)行故障診斷研究。TE過程是美國Eastman化學(xué)公司依據(jù)一個實際化工控制系統(tǒng)開發(fā)的化工模型仿真平臺，TE過程產(chǎn)生的數(shù)據(jù)具有強(qiáng)耦合、非線性的特征，能夠有效地測試控制系統(tǒng)故障診斷模型。

TE控制系統(tǒng)中共有53個變量，操作變量為12個，過程測量變量為41個。在41個測量變量中，過程變量為22個，成分變量為19個。TE仿真控制系統(tǒng)中共預(yù)設(shè)有21種不同的故障，其中故障1-7為階躍故障，故障8-12為隨機(jī)故障，故障13為慢漂移故障，故障14-15為控制閥粘住故障，故障16-21為未知故障[19]。每一種故障包含測試數(shù)據(jù)960組和訓(xùn)練數(shù)據(jù)480組。測試數(shù)據(jù)仿真時間為25 h，每3 min采集一次數(shù)據(jù)，故障發(fā)生在系統(tǒng)運(yùn)行1 h后；訓(xùn)練數(shù)據(jù)仿真時間為48 h，故障發(fā)生在8 h后。

3.2 實驗參數(shù)設(shè)置

本文選取故障1、故障4、故障6、故障10、故障13和故障14共6個故障進(jìn)行實驗研究。以上6種故障的具體描述見表1所示。

表1 TE過程故障描述

針對這6種故障，每個故障選取480個訓(xùn)練數(shù)據(jù)，200個測試數(shù)據(jù)。SDAE神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)率設(shè)置為0.01，加噪比例設(shè)置為0.3，輸出神經(jīng)元為6，批量數(shù)據(jù)設(shè)置為128，每層訓(xùn)練迭代次數(shù)為500次。

激活函數(shù)選擇tanh函數(shù)，其運(yùn)算簡單、收斂速度快，在神經(jīng)網(wǎng)絡(luò)中具有很好的擬合效果，其數(shù)學(xué)形式為：

(10)

損失函數(shù)選取交叉熵函數(shù)，交叉熵函數(shù)刻畫的是真實概率與預(yù)測概率之間的距離，在分類問題上具有廣泛的優(yōu)勢。

優(yōu)化器選取自適應(yīng)學(xué)習(xí)率優(yōu)化器Adam算法，Adam算法依據(jù)訓(xùn)練次數(shù)而自動改變學(xué)習(xí)率，在實驗中能夠快速地實現(xiàn)梯度下降。

數(shù)據(jù)的標(biāo)簽選用one-hot編碼為數(shù)據(jù)標(biāo)簽。本文共有6個故障，所以設(shè)置向量[1 0 0 0 0 0]表示故障1，向量[0 1 0 0 0 0]表示故障2，以此類推表示系統(tǒng)的故障。

首先對6個故障數(shù)據(jù)進(jìn)行KPCA分析處理，提取故障數(shù)據(jù)的主導(dǎo)成分，故障數(shù)據(jù)維數(shù)降為37，經(jīng)過處理的后的數(shù)據(jù)添加0.3倍高斯噪聲作為SDAE網(wǎng)絡(luò)模型的輸入。SDAE神經(jīng)網(wǎng)絡(luò)模型每個隱藏層以重構(gòu)輸入數(shù)據(jù)為目標(biāo)進(jìn)行無監(jiān)督學(xué)習(xí)，獲得最優(yōu)權(quán)值W和偏置b，完成故障特征提取。最后將第2層隱藏層輸出數(shù)據(jù)作為Softmax分類器的輸入數(shù)據(jù)，利用標(biāo)簽數(shù)據(jù)進(jìn)行有監(jiān)督訓(xùn)練。并通過BP神經(jīng)網(wǎng)絡(luò)對整個神經(jīng)網(wǎng)絡(luò)模型進(jìn)行微調(diào)優(yōu)化，完成模型訓(xùn)練，最后利用測試數(shù)據(jù)對訓(xùn)練好的KPCA-SDAE模型進(jìn)行故障測試。

3.3 結(jié)果與分析

為檢驗故障診斷結(jié)果，選取BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)、SDAE神經(jīng)網(wǎng)絡(luò)與KPCA-SDAE神經(jīng)網(wǎng)絡(luò)作對比。RBF神經(jīng)網(wǎng)絡(luò)分類結(jié)果如圖5所示。

(a) RBF神經(jīng)網(wǎng)絡(luò)分類輸出

BP神經(jīng)網(wǎng)絡(luò)分類結(jié)果如圖6所示。

(a) BP神經(jīng)網(wǎng)絡(luò)分類輸出

SDAE神經(jīng)網(wǎng)絡(luò)分類結(jié)果如圖7所示。

(a) SDAE神經(jīng)網(wǎng)絡(luò)分類輸出

KPCA-SDAE神經(jīng)網(wǎng)絡(luò)分類結(jié)果如圖8所示。

(a) KPCA-SDAE神經(jīng)網(wǎng)絡(luò)分類輸出

通過四種神經(jīng)網(wǎng)絡(luò)分類結(jié)果圖形對比，可以看出四種方法都能夠準(zhǔn)確分類故障1，對于故障4、故障10、故障14，RBF神經(jīng)網(wǎng)絡(luò)分類能力較弱。對于故障6，BP有較明顯的錯分情況，準(zhǔn)確率較低。錯誤故障分類多集中在故障13上。對于故障分類誤差，RBF的分類誤差較大，多分布在兩類誤差之上；BP相對較小，差距在一類誤差之間居多，SDAE的分類誤差明顯較小且多分布于一類誤差之間，KPCA-SDAE分類誤差個數(shù)較少，相對比較分散，相較于SDAE神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)具有一定的優(yōu)勢。故本文方法在控制系統(tǒng)故障分類中要優(yōu)于其他三種方法。為更進(jìn)一步地將KPCA-SDAE方法與另外三種神經(jīng)網(wǎng)絡(luò)模型進(jìn)行比較，將三種方法的各故障分類準(zhǔn)確率進(jìn)行分析，如表2所示。

表2 故障分類準(zhǔn)確率結(jié)果(%)

可以看出，對于故障1，四種算法基本都能準(zhǔn)確分類，準(zhǔn)確率都在95%以上。對于故障4、故障10、故障14三種故障，RBF神經(jīng)網(wǎng)絡(luò)故障診斷準(zhǔn)確率較低，SDAE故障診斷效果較好，準(zhǔn)確率最高，BP神經(jīng)網(wǎng)絡(luò)故障診斷準(zhǔn)確率高于RBF神經(jīng)網(wǎng)絡(luò)，KPCA-SDAE模型準(zhǔn)確率雖然不是最高，但依舊維持在一個較高的水平，能夠準(zhǔn)確地識別故障類型。而對故障6的診斷中BP神經(jīng)網(wǎng)絡(luò)準(zhǔn)確率要低于RBF神經(jīng)網(wǎng)絡(luò)，RBF神經(jīng)網(wǎng)絡(luò)、SDAE和KPCA-SDAE均達(dá)到了100%的準(zhǔn)確率，BP神經(jīng)網(wǎng)絡(luò)只有87.68%。針對故障13，三種算法準(zhǔn)確率都比較低。故障13為慢漂移故障，特征不明顯，SDAE神經(jīng)網(wǎng)絡(luò)模型難以完成其故障診斷，故障特征較為隱蔽。KPCA通過將故障數(shù)據(jù)映射到高維空間，在高維空間對其進(jìn)行線性變換，有效地提取出故障13種故障特征，將處理后的數(shù)據(jù)輸入到SDAE神經(jīng)網(wǎng)絡(luò)模型中，識別出其微小特征，解決了故障特征不明顯導(dǎo)致故障診斷錯誤的問題。

綜合分析，KPCA-SDAE神經(jīng)網(wǎng)絡(luò)故障診斷準(zhǔn)確率優(yōu)于BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和SDAE神經(jīng)網(wǎng)絡(luò)，尤其在控制系統(tǒng)慢漂移故障診斷中，其準(zhǔn)確率要遠(yuǎn)高于其他三種故障診斷方法。因此，本文提出的KPCA-SDAE神經(jīng)網(wǎng)絡(luò)模型在控制系統(tǒng)中具有更強(qiáng)故障診斷能力和故障診斷精度。

4 結(jié) 語

本文提出的KPCA-SDAE模型在控制系統(tǒng)故障診斷中具有較好的性能并通過實驗驗證了該方法的有效性。KPCA具有強(qiáng)大的非線性非高斯數(shù)據(jù)處理能力，能夠深度挖掘非線性數(shù)據(jù)的信息，降低數(shù)據(jù)的維數(shù)。經(jīng)過 KPCA處理的數(shù)據(jù)故障特征更加明顯，訓(xùn)練速度更快。SDAE神經(jīng)網(wǎng)絡(luò)方法通過數(shù)據(jù)降噪能力的學(xué)習(xí)，使得訓(xùn)練模型能有效地降低噪聲數(shù)據(jù)的干擾，增強(qiáng)模型魯棒性。通過實驗結(jié)果證明在控制系統(tǒng)故障診斷中KPCA-SDAE神經(jīng)網(wǎng)絡(luò)故障診斷效果最優(yōu)，雖然SDAE神經(jīng)網(wǎng)絡(luò)方法具有降維的功能，但是其在故障診斷效果并不好，尤其對于慢漂移故障診斷精度相較于SDAE模型有了顯著提高，解決了控制系統(tǒng)中慢漂移故障診斷效果差的問題，驗證了該模型的可行性和優(yōu)勢。但是KPCA-SDAE神經(jīng)網(wǎng)絡(luò)模型針對的只是已經(jīng)發(fā)生過此類故障的診斷，對于新故障，難以及時有效地進(jìn)行監(jiān)測和診斷。如何使模型實現(xiàn)自我更新，提高網(wǎng)絡(luò)自適應(yīng)能力，實現(xiàn)故障的識別與分類，需要進(jìn)行更深入研究。