基于特征優(yōu)選與深度學習的車載電源微小故障診斷方法

李煒， 韓寅龍， 孫曉靜

(1.蘭州理工大學 電氣工程與信息工程學院， 甘肅 蘭州 730050；2.甘肅省工業(yè)過程先進控制重點實驗室, 甘肅 蘭州 730050;3.蘭州理工大學 電氣與控制工程國家級實驗教學示范中心, 甘肅 蘭州 730050;4.蘭州電源車輛研究所有限公司, 甘肅 蘭州 730050)

0 引言

隨著現(xiàn)代戰(zhàn)場信息化程度日益提高，軍事裝備的電能需求亦快速增長。車載電源以其移動快捷、低噪聲運行、操作簡便、環(huán)境適應性強等技術(shù)優(yōu)勢，廣泛應用于部隊野戰(zhàn)照明、指揮、控制、通訊、電子對抗、工程作業(yè)及搶險急救等[1-2]。通常車載電源工作環(huán)境復雜多變，故障種類多且隨機性高[3]。各類微小故障往往是導致系統(tǒng)無法正常工作的源頭，運行過程中一旦演變?yōu)閲乐毓收希p則使整個武器系統(tǒng)可能陷入癱瘓，影響軍隊戰(zhàn)斗力，重則甚至造成危及人員生命和財產(chǎn)安全的重大事故。因此，若能及時發(fā)現(xiàn)系統(tǒng)常見故障的早期征兆，準確識別出微小故障類型，提前進行防御性維護，則可降低或避免嚴重故障的發(fā)生，提高車載電源安全可靠性。

微小故障具有故障特征不明顯、容易被噪聲和擾動淹沒、不同微小故障之間難以準確區(qū)分等特點，因而迫切需要識別能力更強的故障診斷方法。車載電源本身屬于復雜的機電系統(tǒng)，由于建模代價高且難以建立精確的數(shù)學模型，加之先驗知識有限，因此傳統(tǒng)基于解析模型、專家知識的診斷方法并不適用于車載電源的微小故障診斷[4-5]。得益于傳感器與信息技術(shù)的迅速發(fā)展，復雜系統(tǒng)可以獲得海量、多源、高維的相關(guān)監(jiān)測數(shù)據(jù)[6]，因而基于數(shù)據(jù)驅(qū)動的智能故障診斷方法已成為解決復雜系統(tǒng)微小故障診斷的重要途徑。其中基于神經(jīng)網(wǎng)絡的診斷方法因其具有較強的非線性擬合能力、自學習能力，已被應用于復雜系統(tǒng)微小故障診斷[7-8]。

理論上，只要對監(jiān)測數(shù)據(jù)進行合理且足夠深度的挖掘，便可以獲得數(shù)據(jù)更為細致化的特征。但是傳統(tǒng)的神經(jīng)網(wǎng)絡因自身的淺層結(jié)構(gòu)，限制了其從監(jiān)測數(shù)據(jù)中充分挖掘微小故障特征的能力，也就影響了其診斷能力。Hinton等[9]在2006年首次提出了深度學習的思想，并證明了通過深度多層的網(wǎng)絡結(jié)構(gòu)自動提取數(shù)據(jù)的高層次特征，能夠更加完整地描述原始數(shù)據(jù)，這無疑為微小故障診斷的研究開辟了新的途徑。Tamilselvan等在文獻[10]中給出了一種基于深度置信網(wǎng)絡的健康診斷方法，對飛機發(fā)動機和電力變壓器的健康狀態(tài)進行有效的診斷。文獻[11]提出了一種基于改進的卷積神經(jīng)網(wǎng)絡作為微小故障特征提取器，支持向量機(SVM)代替Softmax作為分類器的方法，用于電機軸承的微小故障智能診斷。為確保高速列車穩(wěn)定安全運行，文獻[12]提出了一種改進的長短時記憶網(wǎng)絡自編碼器結(jié)構(gòu)，通過從原始信號中提取故障特征，實現(xiàn)了高速列車牽引系統(tǒng)微小故障的無監(jiān)督診斷。文獻[13]提出了一種基于改進卷積神經(jīng)網(wǎng)絡的深度學習算法，用于船舶旋轉(zhuǎn)機械微小故障的快速診斷。

對于微小故障診斷，基于深度學習的故障診斷算法仍存在訓練時間長、診斷精度有待提高等問題，除了深度學習參數(shù)優(yōu)化自身的原因外，與數(shù)據(jù)的特征優(yōu)選不無關(guān)系。因此，針對車載電源這一復雜機電系統(tǒng)微小故障的診斷需求，為了獲取更本質(zhì)的數(shù)據(jù)特征，提高故障識別準確率，減少時間成本，本文提出一種基于遞歸特征消除(RFE)和棧式自編碼網(wǎng)絡(SAE)相融合的微小故障智能診斷方法。首先應用RFE算法對采集到的車載電源運行數(shù)據(jù)進行特征優(yōu)選，剔除對分類不敏感的冗余特征，在此基礎(chǔ)上采用深度學習中的SAE網(wǎng)絡完成車載電源的微小故障診斷，以期達到準確診斷車載電源微小故障的目的，為盡早消除潛在安全隱患提供依據(jù)。

1 車載電源微小故障分析

車載電源是一類典型的復雜機電系統(tǒng)，其主要模塊包括柴油機、電子調(diào)速器、同步發(fā)電機、勵磁系統(tǒng)。由于各個模塊之間具有強耦合性，故障機理較復雜，故障類型既有電氣故障，也有機械故障[14]。在長期運行過程中由于負載變化、元部件退化磨損以及環(huán)境惡劣等因素，系統(tǒng)會逐漸出現(xiàn)一些故障，如同步發(fā)電機失磁、發(fā)電機三相電壓不平衡、電機匝間短路、噴油嘴堵塞、調(diào)速器失效等，上述故障一旦發(fā)生將導致車載電源無法正常工作。而車載電源微小故障具有測量信號征兆不明顯且噪聲大等特點。當微小故障發(fā)生時，車載電源可能仍以某種狀態(tài)繼續(xù)運行，但是隨著時間的推移，微小故障將逐漸演變?yōu)閲乐毓收?，其本質(zhì)上是系統(tǒng)相關(guān)參數(shù)從“量變”到“質(zhì)變”的過程，引發(fā)故障的機理是一致的。因此本文研究車載電源微小故障將聚焦于上述幾種常見故障的早期階段，具體可根據(jù)國家軍用交流移動電站通用規(guī)范(GJB 235A—97)中四類電站指標界定。

故障機理與征兆數(shù)據(jù)是開展微小故障診斷研究的基礎(chǔ)。考慮車載電源前期歷史監(jiān)測數(shù)據(jù)匱乏，破壞性試驗成本過高，而復雜系統(tǒng)虛擬仿真不僅可行而且已是未來發(fā)展趨勢，在深入分析前述車載電源故障機理的基礎(chǔ)上，借助實驗室團隊前期為軍方用戶研發(fā)的“車載電源仿真系統(tǒng)”，該系統(tǒng)模型與車載電源實體的一致性前期已通過實體對象實驗驗證。通過在此平臺接入輔助元件或調(diào)整相關(guān)模塊參數(shù)，分別模擬不同故障工況并采集監(jiān)測數(shù)據(jù)，進而依據(jù)GJB 235A—97中四類電站的電氣性能主要指標，結(jié)合行業(yè)專家經(jīng)驗與歷史數(shù)據(jù)，最終確定4種車載電源微小故障，如表1所示。

表1 車載電源微小故障

2 基于RFE-SAE的車載電源微小故障診斷方法

2.1 基于RFE-SAE車載電源微小故障診斷方法思想的提出

深度學習具有從原始樣本中自動學習數(shù)據(jù)本質(zhì)特征的能力，通過構(gòu)建的深層神經(jīng)網(wǎng)絡可從輸入數(shù)據(jù)中挖掘更具抽象性、細節(jié)化的高階信息，而這些高層次特征無疑是提升微小故障診斷性能的關(guān)鍵因素[4]。SAE作為深度學習領(lǐng)域中的經(jīng)典網(wǎng)絡模型，其通過對輸入數(shù)據(jù)的“復制”逐層提取高階特征，并在此過程中實現(xiàn)數(shù)據(jù)降維，將復雜的輸入數(shù)據(jù)轉(zhuǎn)換為更具代表性的低維特征。SAE網(wǎng)絡模型的特性完全契合微小故障診斷的目標需求，因此選擇SAE用于車載電源微小故障特征的提取，再通過添加一個Softmax分類器，對于車載電源常見微小故障的診斷無疑是可行的。

考慮到實際中用于車載電源狀態(tài)監(jiān)測的數(shù)據(jù)較多，測量數(shù)據(jù)中的變量對于微小故障，其敏感度各有差異，且存在一定的冗余。為提高SAE無監(jiān)督學習效率與微小故障診斷能力，需先對原始測量數(shù)據(jù)進行特征選擇。RFE算法通常被用于消除冗余和無用特征，應用領(lǐng)域較廣泛。相對于經(jīng)典的特征降維方法——主成分分析，通過RFE選擇最優(yōu)特征子集時，不僅可以將特征變量按其對故障分類的重要度排序，為剔除冗余特征提供依據(jù)，而且構(gòu)造的新特征子集還可保持原始測量數(shù)據(jù)的可解釋性。因此將RFE作為車載電源微小故障測量數(shù)據(jù)特征變量的優(yōu)選算法，更利于故障溯源。

本文在SAE網(wǎng)絡基礎(chǔ)上引入RFE算法，以實現(xiàn)車載電源微小故障的快速有效診斷?；赗FE-SAE車載電源微小故障診斷算法，主要包括特征優(yōu)選、微小故障特征提取和故障模式分類等三部分。該算法的核心思想是：對于大量監(jiān)測數(shù)據(jù)構(gòu)成的特征集，首先利用RFE算法對特征進行優(yōu)選，剔除對微小故障分類不敏感的冗余特征；其次在此基礎(chǔ)上利用無標簽樣本無監(jiān)督地訓練SAE，進一步挖掘故障的深層特征；最后結(jié)合分類器有監(jiān)督的對整個網(wǎng)絡模型參數(shù)進行反向微調(diào)，從而使整個深度網(wǎng)絡可以更好的在優(yōu)選特征子集中提取微小故障特征，并進行微小故障模式的有效分類。

2.2 基于RFE的車載電源微小故障特征優(yōu)選

RFE算法本質(zhì)是根據(jù)原始數(shù)據(jù)對分類器性能指標的重要度來評價特征，并通過重要度產(chǎn)生特征排序，其性能與采用何種迭代分類器有關(guān)，常用的分類器有SVM、隨機森林、樸素貝葉斯等。基于SVM的遞歸特征消除(SVM-RFE)是由Guyon等[26]在2002年進行癌癥分類的基因選擇時提出來的。SVM-RFE作為經(jīng)典的封裝器模型算法，其中SVM作為分類器，在每一輪訓練時會選擇所有特征值進行訓練，根據(jù)特征排序準則，在每次迭代訓練時去掉一個排序系數(shù)最小的特征變量，最終得到所有特征重要性的遞減順序的排序。

本文采用SVM-RFE算法對車載電源候選特征進行重要度排序，目的是從中選擇出對常見微小故障更為敏感的最優(yōu)特征子集，以其作為深度學習網(wǎng)絡的輸入。候選特征集由車載電源監(jiān)測數(shù)據(jù)中的15種相關(guān)變量構(gòu)成，具體包括有功功率P、無功功率Q、功率因數(shù)cosφ、頻率f、轉(zhuǎn)子轉(zhuǎn)速n、電磁轉(zhuǎn)矩Te、定子電壓Us、定子電流Is、勵磁電壓Ef、三相電壓UA、UB、UC以及三相電流IA、IB、IC。構(gòu)建車載電源微小故障候選特征向量集合X∈RN×M，故障特征標簽集合y∈R。

(1)

(2)

式中：N表示特征集合中樣本個數(shù)；M表示候選的特征變量個數(shù)，即M=15；k表示車載電源工況類型對應的標簽,由表1常見微小故障類型加上正常狀態(tài)共計k=5。

基于SVM-RFE的車載電源特征優(yōu)選，是利用候選特征集中的樣本訓練SVM，并通過特征排序系數(shù)公式(3)式計算各個特征權(quán)重，作為特征排序的依據(jù)。目標分類器SVM采用徑向基核函數(shù)代替內(nèi)積，如(4)式所示。

(3)

(4)

式中：r為特征序號；α為拉格朗日乘子；H為樣本矩陣，H(-r)表示第r個特征被移除時矩陣的值；Hij表示核函數(shù)K(xi,xj)對應的核矩陣，xi，xj為輸入樣本；σ表示高斯核的帶寬?；赟VM-RFE算法流程如圖1所示。

圖1 SVM-RFE算法流程圖

圖1中，S表示當前候選特征排序列表，F(xiàn)表示最終輸出的特征排序列表；二者在每次執(zhí)行完畢后進行更新；?表示空集。

2.3 基于SAE的車載電源微小故障診斷

自編碼器(AE)主要包括編碼器和解碼器兩部分。其中編碼器由輸入層和隱層組成，其對原始數(shù)據(jù)進行編碼，在隱層得到特征向量并“壓縮”原始數(shù)據(jù)。解碼器由隱層和輸出層組成，隱層輸出的特征向量通過解碼器“還原”為原始數(shù)據(jù)，當輸出數(shù)據(jù)和原始數(shù)據(jù)之間的重構(gòu)誤差足夠小時，則認為隱層輸出的高階特征可以有效表達原始數(shù)據(jù)[27-28]。多個自編碼網(wǎng)絡堆疊在一起構(gòu)成了SAE，其能夠獲取比原始AE網(wǎng)絡更抽象的特征表達。SAE因利用“貪婪逐層”算法訓練網(wǎng)絡，解決了傳統(tǒng)神經(jīng)網(wǎng)絡算法容易陷入局部最優(yōu)的問題[29-30]。因而其與原始的自編碼網(wǎng)絡相比，更適合復雜的多分類問題。

單層AE網(wǎng)絡編碼過程可定義為

h=sf(Wx+b)

(5)

式中：h為隱層輸出的特征集合；sf(·)為編碼器的激活函數(shù)，一般選擇sigmoid函數(shù)；W為輸入層到隱層之間的權(quán)值矩陣；x為原始輸入數(shù)據(jù)；b為輸入層到隱層之間的偏置矩陣。

解碼過程可以定義為

x′=sg(W′h+b′)

(6)

式中：x′為輸出集合；sg(·)為解碼器的激活函數(shù)；W′為隱層到輸出層之間的權(quán)值矩陣；b′為隱層到輸出層之間的偏置矩陣。

自編碼器通過尋求最優(yōu)參數(shù){W,W′,b,b′}令輸出x′盡可能的還原輸入x。網(wǎng)絡輸出層采用非線性激活函數(shù)，其還原程度用重構(gòu)誤差來定義，即

(7)

式中：m為樣本數(shù)。

車載電源微小故障診斷的深度網(wǎng)絡模型中使用多層堆疊的AE來提取更高級別的微小故障特征。對SAE執(zhí)行分層的正向無監(jiān)督訓練，隨機初始化第1層 AE的初始權(quán)值和偏置{W1,W′1,b1,b′1}，采用(7)式所示的均方誤差作為損失函數(shù)，通過梯度下降算法訓練網(wǎng)絡使得重構(gòu)誤差達到最小。待第1層AE網(wǎng)絡訓練完成后只保留其編碼部分，然后將第1層 AE提取的高級特征作為第2層AE的輸入，并對第2層網(wǎng)絡進行訓練。以此類推，完成整個網(wǎng)絡的訓練后，最后一層網(wǎng)絡輸出的高級特征即為車載電源微小故障最終的特征表達。

將一個Softmax分類層連接在SAE網(wǎng)絡層頂端，使用樣本標簽和提取的微小故障特征進一步訓練整個深度網(wǎng)絡，微調(diào)網(wǎng)絡參數(shù)。同時Softmax分類層輸出車載電源各類微小故障的概率，最終完成故障診斷。SAE網(wǎng)絡結(jié)構(gòu)可表示如圖2所示，其輸入為車載電源最優(yōu)特征子集，輸出為微小故障類別標簽。

圖2 SAE網(wǎng)絡結(jié)構(gòu)圖

2.4 基于RFE-SAE車載電源微小故障診斷框架與步驟

綜合2.1節(jié)～2.3節(jié)，基于RFE-SAE的車載電源微小故障診斷方法框架如圖3所示。

圖3 車載電源微小故障診斷框架圖

本文所提車載電源微小故障診斷方法其診斷步驟如下：

步驟1在車載電源仿真平臺模擬表1內(nèi)對應的微小故障，并采集運行數(shù)據(jù)。

步驟2對采集到的數(shù)據(jù)進行歸一化預處理，消除不同特征之間的量綱影響。

步驟3利用SVM-RFE算法對候選特征集進行特征重要度排序，并通過優(yōu)選得到最優(yōu)特征子集。

步驟4將最優(yōu)特征子集按一定比例隨機生成訓練集和測試集。

步驟5初始化網(wǎng)絡參數(shù)，即設置SAE網(wǎng)絡的網(wǎng)絡層數(shù)和每層單元數(shù)，并隨機初始化其權(quán)值和偏置。

步驟6將訓練集中無標簽樣本輸入上述多層網(wǎng)絡，采用逐層貪婪的方法對網(wǎng)絡進行訓練，提取故障特征并更新網(wǎng)絡參數(shù)。

步驟7在SAE網(wǎng)絡頂部添加Softmax分類器，將提取到的特征和樣本標簽作為分類器的輸入，通過誤差反向傳播算法，對整個網(wǎng)絡的參數(shù)進行有監(jiān)督的微調(diào)。

步驟8將測試集輸入已建立的SAE故障診斷模型，進行故障分類。

3 仿真實驗與結(jié)果分析

3.1 數(shù)據(jù)采集與評價指標

本文通過車載電源仿真平臺分別模擬5類運行工況，即系統(tǒng)正常運行、同步發(fā)電機部分失磁、同步發(fā)電機三相電壓不平衡度1%～2%、噴油嘴輕微堵塞、調(diào)速器退化。采集相應的運行數(shù)據(jù)構(gòu)成候選特征集，數(shù)據(jù)集中每類工況包含5 000個樣本，共計 25 000個數(shù)據(jù)，具體數(shù)據(jù)集描述如表2所示。在數(shù)據(jù)集中隨機抽取80%的樣本作為訓練集，即20 000個樣本用于網(wǎng)絡模型的訓練。剩余20%的樣本作為測試集，即5 000個樣本用于模型最終的微小故障診斷效果測試。

表2 車載電源微小故障數(shù)據(jù)集描述

為了客觀量化的評價所建模型對車載電源常見微小故障診斷的有效性，考慮其本質(zhì)仍屬于多分類問題，在此運用分類任務中常用的評價指標：準確率(accuracy)、精度(precision)、召回率(recall)，對RFE-SAE診斷模型進行評價。計算第i類樣本的評價指標時，將第i類作為正類，其他類作為負類。評價指標計算公式如下：

(8)

(9)

(10)

式中：TP表示模型輸出為正類且實際為正類的樣本數(shù)量；TN表示模型輸出為負類且實際為負類的樣本數(shù)量；FP表示模型輸出為正類且實際為負類的樣本數(shù)量；FN表示模型輸出為負類且實際為正類的樣本數(shù)量。

3.2 基于RFE的特征優(yōu)選結(jié)果分析

在完成數(shù)據(jù)采集工作后，首先采用MAX-MIN歸一化算法對不同特征進行預處理。進一步為了消除冗余特征，根據(jù)2.2節(jié)中SVM-RFE算法步驟對15個候選特征變量進行重要度排序，重要度排序結(jié)果如表3所示。

表3 基于RFE的特征重要度排序

考慮到特征個數(shù)在一定程度上會影響到網(wǎng)絡模型的性能，過少選擇特征個數(shù)會丟失有用的故障信息，降低故障診斷效果。為了選擇出車載電源微小故障診斷模型最適用的優(yōu)選特征子集，按表3第2行中的排序，從重要度排序最低的特征變量開始，逐次遞增變量個數(shù)進行剔除，將剩余特征變量作為模型輸入。預先設定SAE網(wǎng)絡隱層結(jié)構(gòu)為2層AE組成，每層分別取9個和6個神經(jīng)元，在此模型結(jié)構(gòu)下進行試驗，最終得到特征變量剔除個數(shù)不同時微小故障診斷準確率的結(jié)果，如表4所示。

表4 特征剔除個數(shù)與故障診斷結(jié)果的關(guān)系

由表4可以看出：從輸入全部15個特征變量開始，逐步剔除1～4個重要度低的冗余特征，SAE模型對微小故障的診斷準確率隨之提高；當剔除4個重要度排序最低的特征變量時，故障診斷準確率達到最高，為95.2%。進一步剔除特征變量故障診斷準確率反而下降。表明對故障分類非關(guān)鍵特征量過多地保留以及對其過度剔除，均會降低SAE網(wǎng)絡對微小故障的診斷性能，前者因為冗余使網(wǎng)絡魯棒性變?nèi)?，后者則因丟失過多有用的信息致使網(wǎng)絡診斷能力降低。

綜上結(jié)果文中選取重要度排序前11的特征變量作為優(yōu)選后的微小故障特征數(shù)據(jù)集，即SAE網(wǎng)絡模型的輸入。

3.3 SAE網(wǎng)絡結(jié)構(gòu)及參數(shù)的確定

為了確定SAE網(wǎng)絡模型結(jié)構(gòu)，對深度網(wǎng)絡的隱層數(shù)量和隱層神經(jīng)元個數(shù)進行優(yōu)化實驗。根據(jù)前期大量仿真經(jīng)驗，綜合考慮后對SAE隱層數(shù)和隱層神經(jīng)元數(shù)量設置一個試驗范圍，其中隱層數(shù)由2層遞增到4層，隱層神經(jīng)元數(shù)量范圍為5～10個。選用Sigmoid函數(shù)作為隱層的激活函數(shù)，代價函數(shù)選用均方差損失函數(shù)，網(wǎng)絡迭代次數(shù)為2 000次。以全工況下的微小故障診斷準確率作為優(yōu)化試驗的評價指標，確定此模型最優(yōu)的SAE網(wǎng)絡結(jié)構(gòu)，具體結(jié)果如表5所示。

表5 SAE網(wǎng)絡隱層數(shù)量及隱層神經(jīng)元個數(shù)對于故障診斷結(jié)果的影響

表5給出了9種組合下SAE網(wǎng)絡模型的微小故障診斷準確率。對于2層隱層中的[10 5]組合，其準確率最高，為95.4%，表明該結(jié)構(gòu)最利于SAE網(wǎng)絡學習車載電源微小故障的數(shù)據(jù)特征。對于3層、4層隱層的5種組合雖然增加了網(wǎng)絡隱層數(shù)量和隱層神經(jīng)元個數(shù)，但是其準確率并不理想，反而會增加網(wǎng)絡訓練時間。綜上，最終確定SAE整體網(wǎng)絡結(jié)構(gòu)為4層，其中隱層為2層AE，神經(jīng)元個數(shù)分別為10-5。輸入層神經(jīng)元個數(shù)對應車載電源優(yōu)選特征集中變量個數(shù)，即11個。Softmax分類層作為輸出層，其神經(jīng)元個數(shù)對應表1中車載電源5類工況(正常與4類微小故障工況)。

3.4 基于RFE-SAE的故障診斷結(jié)果分析

混淆矩陣可以較為直觀全面的反映車載電源不同微小故障的診斷準確率和召回率，以及各類微小故障誤診、漏診的樣本數(shù)量。因此將RFE-SAE模型的微小故障診斷結(jié)果使用混淆矩陣進行可視化，如圖4所示。其中橫軸坐標表示故障診斷的目標類別，縱軸坐標表示模型輸出的故障類別，主對角線右下角單元格顯示全工況的故障診斷準確率為95.4%。矩陣第1行表示第1種工況下有866個樣本被正確診斷，88個樣本被誤診，診斷精度達到90.8%，錯誤診斷率為9.2%。矩陣第1列表示第1種工況中共有101個樣本被漏診，召回率為89.6%，其漏診率為10.4%。

圖4 RFE-SAE模型故障診斷結(jié)果

為了顯示本文方法對車載電源微小故障的優(yōu)勢，仿真實驗同時對基于淺層BP神經(jīng)網(wǎng)絡，RFE-BP網(wǎng)絡以及單純SAE網(wǎng)絡3種模型分別進行了測試。不同模型診斷結(jié)果的混淆矩陣如圖5所示。

圖5 不同模型故障診斷結(jié)果

圖5(a)～圖5(c)分別顯示出BP、RFE-BP、SAE 3種模型在全工況下的故障診斷準確率分別為78.2%、82.1%、93.1%，均低于圖4中RFE-SAE模型的95.4%?？紤]到各個模型訓練過程中的偶然性和隨機因素對診斷結(jié)果的影響，為了使故障診斷結(jié)果更具說服力。對4種網(wǎng)絡模型各進行10次故障診斷試驗并對診斷結(jié)果進行統(tǒng)計，求取不同模型診斷結(jié)果的準確率、精度、召回率3項評價指標的平均值，具體統(tǒng)計數(shù)據(jù)如表6所示。

從表6中的對比數(shù)據(jù)可以看出：僅就全工況下的故障診斷準確率而言，基于RFE-SAE的網(wǎng)絡模型診斷效果最好，其總體故障診斷準確率的平均值達到95.4%，較SAE網(wǎng)絡故障診斷準確率提高了2.4%；RFE-BP將BP的故障診斷準確率平均值從78.1%提升到81.5%，但診斷效果仍不理想。上述結(jié)果充分表明：對于微小故障診斷，深層網(wǎng)絡明顯優(yōu)于淺層網(wǎng)絡，尤其是文中提出的RFE-SAE模型具有更強的故障診斷能力，因此更加適合應用于車載電源的微小故障診斷。

表6 不同模型診斷效果對比結(jié)果

為了進一步說明RFE-SAE網(wǎng)絡模型的優(yōu)勢，在仿真過程中分別統(tǒng)計了各模型訓練與測試計算時間，仿真實驗環(huán)境基于16G內(nèi)存的i7-8750H處理器筆記本電腦。不同模型網(wǎng)絡耗時如表7所示。

表7 不同模型訓練計算時間

對比表7中各模型訓練時長可知，BP神經(jīng)網(wǎng)絡因其自身的淺層結(jié)構(gòu)所以訓練耗時較短，深度網(wǎng)絡SAE模型耗時最長。在引入RFE算法后，RFE-BP模型對比BP網(wǎng)絡的訓練時長縮短了3.74 s，RFE-SAE模型訓練時長為83.071 8 s，相對于SAE網(wǎng)絡模型訓練診斷耗時縮短14.7%，表明特征優(yōu)選可以有效減少網(wǎng)絡訓練耗時，提升模型故障診斷效能。

4 結(jié)論

車載電源微小故障征兆微弱，且監(jiān)測數(shù)據(jù)中存在冗余特征，導致微小故障難以有效診斷。為此，本文結(jié)合特征選擇算法RFE與深度網(wǎng)絡SAE二者的優(yōu)勢，提出了一種基于RFE-SAE的微小故障診斷方法。經(jīng)過大量試驗分析得到如下結(jié)論：

1) 對于車載電源微小故障的診斷，所構(gòu)建的深度網(wǎng)絡模型RFE-SAE(包括SAE)，其診斷效果明顯優(yōu)于淺層網(wǎng)絡BP、RFE-BP兩種模型。表明深度網(wǎng)絡結(jié)構(gòu)能夠更加深入地學習車載電源監(jiān)測數(shù)據(jù)中高級特征，因此能更準確地診斷車載電源的微小故障。

2) 對于車載電源監(jiān)測數(shù)據(jù)存在冗余，其微小故障診斷模型的特征變量并非越多越好，冗余變量的合理剔除可以有效提升模型的故障診斷性能。RFE-SAE模型與單純的SAE網(wǎng)絡相比，在微小故障診斷準確率和網(wǎng)絡訓練時效性方面，均顯現(xiàn)出更大優(yōu)勢，可以實現(xiàn)車載電源微小故障的有效診斷。

在實際工程中，由于噪聲和擾動的存在，會使車載電源微小故障的診斷任務更加困難，因此結(jié)合主動故障診斷技術(shù)開展車載電源的微小故障診斷，將是下一步研究工作的目標。