基于特征優(yōu)選與深度學(xué)習(xí)的車(chē)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(xué) 電氣工程與信息工程學(xué)院， 甘肅 蘭州 730050；2.甘肅省工業(yè)過(guò)程先進(jìn)控制重點(diǎn)實(shí)驗(yàn)室, 甘肅 蘭州 730050;3.蘭州理工大學(xué) 電氣與控制工程國(guó)家級(jí)實(shí)驗(yàn)教學(xué)示范中心, 甘肅 蘭州 730050;4.蘭州電源車(chē)輛研究所有限公司, 甘肅 蘭州 730050)

0 引言

隨著現(xiàn)代戰(zhàn)場(chǎng)信息化程度日益提高，軍事裝備的電能需求亦快速增長(zhǎng)。車(chē)載電源以其移動(dòng)快捷、低噪聲運(yùn)行、操作簡(jiǎn)便、環(huán)境適應(yīng)性強(qiáng)等技術(shù)優(yōu)勢(shì)，廣泛應(yīng)用于部隊(duì)野戰(zhàn)照明、指揮、控制、通訊、電子對(duì)抗、工程作業(yè)及搶險(xiǎn)急救等[1-2]。通常車(chē)載電源工作環(huán)境復(fù)雜多變，故障種類(lèi)多且隨機(jī)性高[3]。各類(lèi)微小故障往往是導(dǎo)致系統(tǒng)無(wú)法正常工作的源頭，運(yùn)行過(guò)程中一旦演變?yōu)閲?yán)重故障，輕則使整個(gè)武器系統(tǒng)可能陷入癱瘓，影響軍隊(duì)?wèi)?zhàn)斗力，重則甚至造成危及人員生命和財(cái)產(chǎn)安全的重大事故。因此，若能及時(shí)發(fā)現(xiàn)系統(tǒng)常見(jiàn)故障的早期征兆，準(zhǔn)確識(shí)別出微小故障類(lèi)型，提前進(jìn)行防御性維護(hù)，則可降低或避免嚴(yán)重故障的發(fā)生，提高車(chē)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(dòng)淹沒(méi)、不同微小故障之間難以準(zhǔn)確區(qū)分等特點(diǎn)，因而迫切需要識(shí)別能力更強(qiáng)的故障診斷方法。車(chē)載電源本身屬于復(fù)雜的機(jī)電系統(tǒng)，由于建模代價(jià)高且難以建立精確的數(shù)學(xué)模型，加之先驗(yàn)知識(shí)有限，因此傳統(tǒng)基于解析模型、專(zhuān)家知識(shí)的診斷方法并不適用于車(chē)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(fù)雜系統(tǒng)可以獲得海量、多源、高維的相關(guān)監(jiān)測(cè)數(shù)據(jù)[6]，因而基于數(shù)據(jù)驅(qū)動(dòng)的智能故障診斷方法已成為解決復(fù)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(luò)的診斷方法因其具有較強(qiáng)的非線性擬合能力、自學(xué)習(xí)能力，已被應(yīng)用于復(fù)雜系統(tǒng)微小故障診斷[7-8]。

理論上，只要對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行合理且足夠深度的挖掘，便可以獲得數(shù)據(jù)更為細(xì)致化的特征。但是傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)因自身的淺層結(jié)構(gòu)，限制了其從監(jiān)測(cè)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(xué)習(xí)的思想，并證明了通過(guò)深度多層的網(wǎng)絡(luò)結(jié)構(gòu)自動(dòng)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(wú)疑為微小故障診斷的研究開(kāi)辟了新的途徑。Tamilselvan等在文獻(xiàn)[10]中給出了一種基于深度置信網(wǎng)絡(luò)的健康診斷方法，對(duì)飛機(jī)發(fā)動(dòng)機(jī)和電力變壓器的健康狀態(tài)進(jìn)行有效的診斷。文獻(xiàn)[11]提出了一種基于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)作為微小故障特征提取器，支持向量機(jī)(SVM)代替Softmax作為分類(lèi)器的方法，用于電機(jī)軸承的微小故障智能診斷。為確保高速列車(chē)穩(wěn)定安全運(yùn)行，文獻(xiàn)[12]提出了一種改進(jìn)的長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)自編碼器結(jié)構(gòu)，通過(guò)從原始信號(hào)中提取故障特征，實(shí)現(xiàn)了高速列車(chē)牽引系統(tǒng)微小故障的無(wú)監(jiān)督診斷。文獻(xiàn)[13]提出了一種基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法，用于船舶旋轉(zhuǎn)機(jī)械微小故障的快速診斷。

對(duì)于微小故障診斷，基于深度學(xué)習(xí)的故障診斷算法仍存在訓(xùn)練時(shí)間長(zhǎng)、診斷精度有待提高等問(wèn)題，除了深度學(xué)習(xí)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(wú)關(guān)系。因此，針對(duì)車(chē)載電源這一復(fù)雜機(jī)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(shí)別準(zhǔn)確率，減少時(shí)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(luò)(SAE)相融合的微小故障智能診斷方法。首先應(yīng)用RFE算法對(duì)采集到的車(chē)載電源運(yùn)行數(shù)據(jù)進(jìn)行特征優(yōu)選，剔除對(duì)分類(lèi)不敏感的冗余特征，在此基礎(chǔ)上采用深度學(xué)習(xí)中的SAE網(wǎng)絡(luò)完成車(chē)載電源的微小故障診斷，以期達(dá)到準(zhǔn)確診斷車(chē)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(chē)載電源微小故障分析

車(chē)載電源是一類(lèi)典型的復(fù)雜機(jī)電系統(tǒng)，其主要模塊包括柴油機(jī)、電子調(diào)速器、同步發(fā)電機(jī)、勵(lì)磁系統(tǒng)。由于各個(gè)模塊之間具有強(qiáng)耦合性，故障機(jī)理較復(fù)雜，故障類(lèi)型既有電氣故障，也有機(jī)械故障[14]。在長(zhǎng)期運(yùn)行過(guò)程中由于負(fù)載變化、元部件退化磨損以及環(huán)境惡劣等因素，系統(tǒng)會(huì)逐漸出現(xiàn)一些故障，如同步發(fā)電機(jī)失磁、發(fā)電機(jī)三相電壓不平衡、電機(jī)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(dǎo)致車(chē)載電源無(wú)法正常工作。而車(chē)載電源微小故障具有測(cè)量信號(hào)征兆不明顯且噪聲大等特點(diǎn)。當(dāng)微小故障發(fā)生時(shí)，車(chē)載電源可能仍以某種狀態(tài)繼續(xù)運(yùn)行，但是隨著時(shí)間的推移，微小故障將逐漸演變?yōu)閲?yán)重故障，其本質(zhì)上是系統(tǒng)相關(guān)參數(shù)從“量變”到“質(zhì)變”的過(guò)程，引發(fā)故障的機(jī)理是一致的。因此本文研究車(chē)載電源微小故障將聚焦于上述幾種常見(jiàn)故障的早期階段，具體可根據(jù)國(guó)家軍用交流移動(dòng)電站通用規(guī)范(GJB 235A—97)中四類(lèi)電站指標(biāo)界定。

故障機(jī)理與征兆數(shù)據(jù)是開(kāi)展微小故障診斷研究的基礎(chǔ)?？紤]車(chē)載電源前期歷史監(jiān)測(cè)數(shù)據(jù)匱乏，破壞性試驗(yàn)成本過(guò)高，而復(fù)雜系統(tǒng)虛擬仿真不僅可行而且已是未來(lái)發(fā)展趨勢(shì)，在深入分析前述車(chē)載電源故障機(jī)理的基礎(chǔ)上，借助實(shí)驗(yàn)室團(tuán)隊(duì)前期為軍方用戶研發(fā)的“車(chē)載電源仿真系統(tǒng)”，該系統(tǒng)模型與車(chē)載電源實(shí)體的一致性前期已通過(guò)實(shí)體對(duì)象實(shí)驗(yàn)驗(yàn)證。通過(guò)在此平臺(tái)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(cè)數(shù)據(jù)，進(jìn)而依據(jù)GJB 235A—97中四類(lèi)電站的電氣性能主要指標(biāo)，結(jié)合行業(yè)專(zhuān)家經(jīng)驗(yàn)與歷史數(shù)據(jù)，最終確定4種車(chē)載電源微小故障，如表1所示。

表1 車(chē)載電源微小故障

2 基于RFE-SAE的車(chē)載電源微小故障診斷方法

2.1 基于RFE-SAE車(chē)載電源微小故障診斷方法思想的提出

深度學(xué)習(xí)具有從原始樣本中自動(dòng)學(xué)習(xí)數(shù)據(jù)本質(zhì)特征的能力，通過(guò)構(gòu)建的深層神經(jīng)網(wǎng)絡(luò)可從輸入數(shù)據(jù)中挖掘更具抽象性、細(xì)節(jié)化的高階信息，而這些高層次特征無(wú)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(xué)習(xí)領(lǐng)域中的經(jīng)典網(wǎng)絡(luò)模型，其通過(guò)對(duì)輸入數(shù)據(jù)的“復(fù)制”逐層提取高階特征，并在此過(guò)程中實(shí)現(xiàn)數(shù)據(jù)降維，將復(fù)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(luò)模型的特性完全契合微小故障診斷的目標(biāo)需求，因此選擇SAE用于車(chē)載電源微小故障特征的提取，再通過(guò)添加一個(gè)Softmax分類(lèi)器，對(duì)于車(chē)載電源常見(jiàn)微小故障的診斷無(wú)疑是可行的。

考慮到實(shí)際中用于車(chē)載電源狀態(tài)監(jiān)測(cè)的數(shù)據(jù)較多，測(cè)量數(shù)據(jù)中的變量對(duì)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(wú)監(jiān)督學(xué)習(xí)效率與微小故障診斷能力，需先對(duì)原始測(cè)量數(shù)據(jù)進(jìn)行特征選擇。RFE算法通常被用于消除冗余和無(wú)用特征，應(yīng)用領(lǐng)域較廣泛。相對(duì)于經(jīng)典的特征降維方法——主成分分析，通過(guò)RFE選擇最優(yōu)特征子集時(shí)，不僅可以將特征變量按其對(duì)故障分類(lèi)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(cè)量數(shù)據(jù)的可解釋性。因此將RFE作為車(chē)載電源微小故障測(cè)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(luò)基礎(chǔ)上引入RFE算法，以實(shí)現(xiàn)車(chē)載電源微小故障的快速有效診斷?；赗FE-SAE車(chē)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(lèi)等三部分。該算法的核心思想是：對(duì)于大量監(jiān)測(cè)數(shù)據(jù)構(gòu)成的特征集，首先利用RFE算法對(duì)特征進(jìn)行優(yōu)選，剔除對(duì)微小故障分類(lèi)不敏感的冗余特征；其次在此基礎(chǔ)上利用無(wú)標(biāo)簽樣本無(wú)監(jiān)督地訓(xùn)練SAE，進(jìn)一步挖掘故障的深層特征；最后結(jié)合分類(lèi)器有監(jiān)督的對(duì)整個(gè)網(wǎng)絡(luò)模型參數(shù)進(jìn)行反向微調(diào)，從而使整個(gè)深度網(wǎng)絡(luò)可以更好的在優(yōu)選特征子集中提取微小故障特征，并進(jìn)行微小故障模式的有效分類(lèi)。

2.2 基于RFE的車(chē)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(duì)分類(lèi)器性能指標(biāo)的重要度來(lái)評(píng)價(jià)特征，并通過(guò)重要度產(chǎn)生特征排序，其性能與采用何種迭代分類(lèi)器有關(guān)，常用的分類(lèi)器有SVM、隨機(jī)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(jìn)行癌癥分類(lèi)的基因選擇時(shí)提出來(lái)的。SVM-RFE作為經(jīng)典的封裝器模型算法，其中SVM作為分類(lèi)器，在每一輪訓(xùn)練時(shí)會(huì)選擇所有特征值進(jìn)行訓(xùn)練，根據(jù)特征排序準(zhǔn)則，在每次迭代訓(xùn)練時(shí)去掉一個(gè)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(duì)車(chē)載電源候選特征進(jìn)行重要度排序，目的是從中選擇出對(duì)常見(jiàn)微小故障更為敏感的最優(yōu)特征子集，以其作為深度學(xué)習(xí)網(wǎng)絡(luò)的輸入。候選特征集由車(chē)載電源監(jiān)測(cè)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(wú)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(lì)磁電壓Ef、三相電壓UA、UB、UC以及三相電流IA、IB、IC。構(gòu)建車(chē)載電源微小故障候選特征向量集合X∈RN×M，故障特征標(biāo)簽集合y∈R。

(1)

(2)

式中：N表示特征集合中樣本個(gè)數(shù)；M表示候選的特征變量個(gè)數(shù)，即M=15；k表示車(chē)載電源工況類(lèi)型對(duì)應(yīng)的標(biāo)簽,由表1常見(jiàn)微小故障類(lèi)型加上正常狀態(tài)共計(jì)k=5。

基于SVM-RFE的車(chē)載電源特征優(yōu)選，是利用候選特征集中的樣本訓(xùn)練SVM，并通過(guò)特征排序系數(shù)公式(3)式計(jì)算各個(gè)特征權(quán)重，作為特征排序的依據(jù)。目標(biāo)分類(lèi)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(hào)；α為拉格朗日乘子；H為樣本矩陣，H(-r)表示第r個(gè)特征被移除時(shí)矩陣的值；Hij表示核函數(shù)K(xi,xj)對(duì)應(yīng)的核矩陣，xi，xj為輸入樣本；σ表示高斯核的帶寬。基于SVM-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(dāng)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(jìn)行更新；?表示空集。

2.3 基于SAE的車(chē)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(duì)原始數(shù)據(jù)進(jìn)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(guò)解碼器“還原”為原始數(shù)據(jù)，當(dāng)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(shí)，則認(rèn)為隱層輸出的高階特征可以有效表達(dá)原始數(shù)據(jù)[27-28]。多個(gè)自編碼網(wǎng)絡(luò)堆疊在一起構(gòu)成了SAE，其能夠獲取比原始AE網(wǎng)絡(luò)更抽象的特征表達(dá)。SAE因利用“貪婪逐層”算法訓(xùn)練網(wǎng)絡(luò)，解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法容易陷入局部最優(yōu)的問(wèn)題[29-30]。因而其與原始的自編碼網(wǎng)絡(luò)相比，更適合復(fù)雜的多分類(lèi)問(wèn)題。

單層AE網(wǎng)絡(luò)編碼過(guò)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(guò)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(guò)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(luò)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(lái)定義，即

(7)

式中：m為樣本數(shù)。

車(chē)載電源微小故障診斷的深度網(wǎng)絡(luò)模型中使用多層堆疊的AE來(lái)提取更高級(jí)別的微小故障特征。對(duì)SAE執(zhí)行分層的正向無(wú)監(jiān)督訓(xùn)練，隨機(jī)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(guò)梯度下降算法訓(xùn)練網(wǎng)絡(luò)使得重構(gòu)誤差達(dá)到最小。待第1層AE網(wǎng)絡(luò)訓(xùn)練完成后只保留其編碼部分，然后將第1層 AE提取的高級(jí)特征作為第2層AE的輸入，并對(duì)第2層網(wǎng)絡(luò)進(jìn)行訓(xùn)練。以此類(lèi)推，完成整個(gè)網(wǎng)絡(luò)的訓(xùn)練后，最后一層網(wǎng)絡(luò)輸出的高級(jí)特征即為車(chē)載電源微小故障最終的特征表達(dá)。

將一個(gè)Softmax分類(lèi)層連接在SAE網(wǎng)絡(luò)層頂端，使用樣本標(biāo)簽和提取的微小故障特征進(jìn)一步訓(xùn)練整個(gè)深度網(wǎng)絡(luò)，微調(diào)網(wǎng)絡(luò)參數(shù)。同時(shí)Softmax分類(lèi)層輸出車(chē)載電源各類(lèi)微小故障的概率，最終完成故障診斷。SAE網(wǎng)絡(luò)結(jié)構(gòu)可表示如圖2所示，其輸入為車(chē)載電源最優(yōu)特征子集，輸出為微小故障類(lèi)別標(biāo)簽。

圖2 SAE網(wǎng)絡(luò)結(jié)構(gòu)圖

2.4 基于RFE-SAE車(chē)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(chē)載電源微小故障診斷方法框架如圖3所示。

圖3 車(chē)載電源微小故障診斷框架圖

本文所提車(chē)載電源微小故障診斷方法其診斷步驟如下：

步驟1在車(chē)載電源仿真平臺(tái)模擬表1內(nèi)對(duì)應(yīng)的微小故障，并采集運(yùn)行數(shù)據(jù)。

步驟2對(duì)采集到的數(shù)據(jù)進(jìn)行歸一化預(yù)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(duì)候選特征集進(jìn)行特征重要度排序，并通過(guò)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(jī)生成訓(xùn)練集和測(cè)試集。

步驟5初始化網(wǎng)絡(luò)參數(shù)，即設(shè)置SAE網(wǎng)絡(luò)的網(wǎng)絡(luò)層數(shù)和每層單元數(shù)，并隨機(jī)初始化其權(quán)值和偏置。

步驟6將訓(xùn)練集中無(wú)標(biāo)簽樣本輸入上述多層網(wǎng)絡(luò)，采用逐層貪婪的方法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，提取故障特征并更新網(wǎng)絡(luò)參數(shù)。

步驟7在SAE網(wǎng)絡(luò)頂部添加Softmax分類(lèi)器，將提取到的特征和樣本標(biāo)簽作為分類(lèi)器的輸入，通過(guò)誤差反向傳播算法，對(duì)整個(gè)網(wǎng)絡(luò)的參數(shù)進(jìn)行有監(jiān)督的微調(diào)。

步驟8將測(cè)試集輸入已建立的SAE故障診斷模型，進(jìn)行故障分類(lèi)。

3 仿真實(shí)驗(yàn)與結(jié)果分析

3.1 數(shù)據(jù)采集與評(píng)價(jià)指標(biāo)

本文通過(guò)車(chē)載電源仿真平臺(tái)分別模擬5類(lèi)運(yùn)行工況，即系統(tǒng)正常運(yùn)行、同步發(fā)電機(jī)部分失磁、同步發(fā)電機(jī)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(yīng)的運(yùn)行數(shù)據(jù)構(gòu)成候選特征集，數(shù)據(jù)集中每類(lèi)工況包含5 000個(gè)樣本，共計(jì) 25 000個(gè)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(jī)抽取80%的樣本作為訓(xùn)練集，即20 000個(gè)樣本用于網(wǎng)絡(luò)模型的訓(xùn)練。剩余20%的樣本作為測(cè)試集，即5 000個(gè)樣本用于模型最終的微小故障診斷效果測(cè)試。

表2 車(chē)載電源微小故障數(shù)據(jù)集描述

為了客觀量化的評(píng)價(jià)所建模型對(duì)車(chē)載電源常見(jiàn)微小故障診斷的有效性，考慮其本質(zhì)仍屬于多分類(lèi)問(wèn)題，在此運(yùn)用分類(lèi)任務(wù)中常用的評(píng)價(jià)指標(biāo)：準(zhǔn)確率(accuracy)、精度(precision)、召回率(recall)，對(duì)RFE-SAE診斷模型進(jìn)行評(píng)價(jià)。計(jì)算第i類(lèi)樣本的評(píng)價(jià)指標(biāo)時(shí)，將第i類(lèi)作為正類(lèi)，其他類(lèi)作為負(fù)類(lèi)。評(píng)價(jià)指標(biāo)計(jì)算公式如下：

(8)

(9)

(10)

式中：TP表示模型輸出為正類(lèi)且實(shí)際為正類(lèi)的樣本數(shù)量；TN表示模型輸出為負(fù)類(lèi)且實(shí)際為負(fù)類(lèi)的樣本數(shù)量；FP表示模型輸出為正類(lèi)且實(shí)際為負(fù)類(lèi)的樣本數(shù)量；FN表示模型輸出為負(fù)類(lèi)且實(shí)際為正類(lèi)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(duì)不同特征進(jìn)行預(yù)處理。進(jìn)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(duì)15個(gè)候選特征變量進(jìn)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(gè)數(shù)在一定程度上會(huì)影響到網(wǎng)絡(luò)模型的性能，過(guò)少選擇特征個(gè)數(shù)會(huì)丟失有用的故障信息，降低故障診斷效果。為了選擇出車(chē)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(kāi)始，逐次遞增變量個(gè)數(shù)進(jìn)行剔除，將剩余特征變量作為模型輸入。預(yù)先設(shè)定SAE網(wǎng)絡(luò)隱層結(jié)構(gòu)為2層AE組成，每層分別取9個(gè)和6個(gè)神經(jīng)元，在此模型結(jié)構(gòu)下進(jìn)行試驗(yàn)，最終得到特征變量剔除個(gè)數(shù)不同時(shí)微小故障診斷準(zhǔn)確率的結(jié)果，如表4所示。

表4 特征剔除個(gè)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(gè)特征變量開(kāi)始，逐步剔除1～4個(gè)重要度低的冗余特征，SAE模型對(duì)微小故障的診斷準(zhǔn)確率隨之提高；當(dāng)剔除4個(gè)重要度排序最低的特征變量時(shí)，故障診斷準(zhǔn)確率達(dá)到最高，為95.2%。進(jìn)一步剔除特征變量故障診斷準(zhǔn)確率反而下降。表明對(duì)故障分類(lèi)非關(guān)鍵特征量過(guò)多地保留以及對(duì)其過(guò)度剔除，均會(huì)降低SAE網(wǎng)絡(luò)對(duì)微小故障的診斷性能，前者因?yàn)槿哂嗍咕W(wǎng)絡(luò)魯棒性變?nèi)酰笳邉t因丟失過(guò)多有用的信息致使網(wǎng)絡(luò)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(luò)模型的輸入。

3.3 SAE網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)的確定

為了確定SAE網(wǎng)絡(luò)模型結(jié)構(gòu)，對(duì)深度網(wǎng)絡(luò)的隱層數(shù)量和隱層神經(jīng)元個(gè)數(shù)進(jìn)行優(yōu)化實(shí)驗(yàn)。根據(jù)前期大量仿真經(jīng)驗(yàn)，綜合考慮后對(duì)SAE隱層數(shù)和隱層神經(jīng)元數(shù)量設(shè)置一個(gè)試驗(yàn)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(gè)。選用Sigmoid函數(shù)作為隱層的激活函數(shù)，代價(jià)函數(shù)選用均方差損失函數(shù)，網(wǎng)絡(luò)迭代次數(shù)為2 000次。以全工況下的微小故障診斷準(zhǔn)確率作為優(yōu)化試驗(yàn)的評(píng)價(jià)指標(biāo)，確定此模型最優(yōu)的SAE網(wǎng)絡(luò)結(jié)構(gòu)，具體結(jié)果如表5所示。

表5 SAE網(wǎng)絡(luò)隱層數(shù)量及隱層神經(jīng)元個(gè)數(shù)對(duì)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(luò)模型的微小故障診斷準(zhǔn)確率。對(duì)于2層隱層中的[10 5]組合，其準(zhǔn)確率最高，為95.4%，表明該結(jié)構(gòu)最利于SAE網(wǎng)絡(luò)學(xué)習(xí)車(chē)載電源微小故障的數(shù)據(jù)特征。對(duì)于3層、4層隱層的5種組合雖然增加了網(wǎng)絡(luò)隱層數(shù)量和隱層神經(jīng)元個(gè)數(shù)，但是其準(zhǔn)確率并不理想，反而會(huì)增加網(wǎng)絡(luò)訓(xùn)練時(shí)間。綜上，最終確定SAE整體網(wǎng)絡(luò)結(jié)構(gòu)為4層，其中隱層為2層AE，神經(jīng)元個(gè)數(shù)分別為10-5。輸入層神經(jīng)元個(gè)數(shù)對(duì)應(yīng)車(chē)載電源優(yōu)選特征集中變量個(gè)數(shù)，即11個(gè)。Softmax分類(lèi)層作為輸出層，其神經(jīng)元個(gè)數(shù)對(duì)應(yīng)表1中車(chē)載電源5類(lèi)工況(正常與4類(lèi)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(chē)載電源不同微小故障的診斷準(zhǔn)確率和召回率，以及各類(lèi)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(jìn)行可視化，如圖4所示。其中橫軸坐標(biāo)表示故障診斷的目標(biāo)類(lèi)別，縱軸坐標(biāo)表示模型輸出的故障類(lèi)別，主對(duì)角線右下角單元格顯示全工況的故障診斷準(zhǔn)確率為95.4%。矩陣第1行表示第1種工況下有866個(gè)樣本被正確診斷，88個(gè)樣本被誤診，診斷精度達(dá)到90.8%，錯(cuò)誤診斷率為9.2%。矩陣第1列表示第1種工況中共有101個(gè)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(duì)車(chē)載電源微小故障的優(yōu)勢(shì)，仿真實(shí)驗(yàn)同時(shí)對(duì)基于淺層BP神經(jīng)網(wǎng)絡(luò)，RFE-BP網(wǎng)絡(luò)以及單純SAE網(wǎng)絡(luò)3種模型分別進(jìn)行了測(cè)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(zhǔn)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(gè)模型訓(xùn)練過(guò)程中的偶然性和隨機(jī)因素對(duì)診斷結(jié)果的影響，為了使故障診斷結(jié)果更具說(shuō)服力。對(duì)4種網(wǎng)絡(luò)模型各進(jìn)行10次故障診斷試驗(yàn)并對(duì)診斷結(jié)果進(jìn)行統(tǒng)計(jì)，求取不同模型診斷結(jié)果的準(zhǔn)確率、精度、召回率3項(xiàng)評(píng)價(jià)指標(biāo)的平均值，具體統(tǒng)計(jì)數(shù)據(jù)如表6所示。

從表6中的對(duì)比數(shù)據(jù)可以看出：僅就全工況下的故障診斷準(zhǔn)確率而言，基于RFE-SAE的網(wǎng)絡(luò)模型診斷效果最好，其總體故障診斷準(zhǔn)確率的平均值達(dá)到95.4%，較SAE網(wǎng)絡(luò)故障診斷準(zhǔn)確率提高了2.4%；RFE-BP將BP的故障診斷準(zhǔn)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(duì)于微小故障診斷，深層網(wǎng)絡(luò)明顯優(yōu)于淺層網(wǎng)絡(luò)，尤其是文中提出的RFE-SAE模型具有更強(qiáng)的故障診斷能力，因此更加適合應(yīng)用于車(chē)載電源的微小故障診斷。

表6 不同模型診斷效果對(duì)比結(jié)果

為了進(jìn)一步說(shuō)明RFE-SAE網(wǎng)絡(luò)模型的優(yōu)勢(shì)，在仿真過(guò)程中分別統(tǒng)計(jì)了各模型訓(xùn)練與測(cè)試計(jì)算時(shí)間，仿真實(shí)驗(yàn)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(luò)耗時(shí)如表7所示。

表7 不同模型訓(xùn)練計(jì)算時(shí)間

對(duì)比表7中各模型訓(xùn)練時(shí)長(zhǎng)可知，BP神經(jīng)網(wǎng)絡(luò)因其自身的淺層結(jié)構(gòu)所以訓(xùn)練耗時(shí)較短，深度網(wǎng)絡(luò)SAE模型耗時(shí)最長(zhǎng)。在引入RFE算法后，RFE-BP模型對(duì)比BP網(wǎng)絡(luò)的訓(xùn)練時(shí)長(zhǎng)縮短了3.74 s，RFE-SAE模型訓(xùn)練時(shí)長(zhǎng)為83.071 8 s，相對(duì)于SAE網(wǎng)絡(luò)模型訓(xùn)練診斷耗時(shí)縮短14.7%，表明特征優(yōu)選可以有效減少網(wǎng)絡(luò)訓(xùn)練耗時(shí)，提升模型故障診斷效能。

4 結(jié)論

車(chē)載電源微小故障征兆微弱，且監(jiān)測(cè)數(shù)據(jù)中存在冗余特征，導(dǎo)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(luò)SAE二者的優(yōu)勢(shì)，提出了一種基于RFE-SAE的微小故障診斷方法。經(jīng)過(guò)大量試驗(yàn)分析得到如下結(jié)論：

1) 對(duì)于車(chē)載電源微小故障的診斷，所構(gòu)建的深度網(wǎng)絡(luò)模型RFE-SAE(包括SAE)，其診斷效果明顯優(yōu)于淺層網(wǎng)絡(luò)BP、RFE-BP兩種模型。表明深度網(wǎng)絡(luò)結(jié)構(gòu)能夠更加深入地學(xué)習(xí)車(chē)載電源監(jiān)測(cè)數(shù)據(jù)中高級(jí)特征，因此能更準(zhǔn)確地診斷車(chē)載電源的微小故障。

2) 對(duì)于車(chē)載電源監(jiān)測(cè)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(luò)相比，在微小故障診斷準(zhǔn)確率和網(wǎng)絡(luò)訓(xùn)練時(shí)效性方面，均顯現(xiàn)出更大優(yōu)勢(shì)，可以實(shí)現(xiàn)車(chē)載電源微小故障的有效診斷。

在實(shí)際工程中，由于噪聲和擾動(dòng)的存在，會(huì)使車(chē)載電源微小故障的診斷任務(wù)更加困難，因此結(jié)合主動(dòng)故障診斷技術(shù)開(kāi)展車(chē)載電源的微小故障診斷，將是下一步研究工作的目標(biāo)。