基于深度置信網絡的船舶電氣系統(tǒng)絕緣故障診斷監(jiān)測方法

王愛華

上海振華重工（集團）股份有限公司，上海，200135

0 引言

船舶電站的工作環(huán)境比陸用電站更加惡劣，因為它們不僅要面對鹽霧、油污、濕度和溫度等多種環(huán)境因素，還要應對船體傾斜搖擺等不利條件[1]。這些極端的環(huán)境條件對船舶供電系統(tǒng)的絕緣性能提出了極高的要求，所以必須采取有效的措施來保證電力系統(tǒng)的安全可靠運行。如果長期存在絕緣故障，將會造成船舶電氣系統(tǒng)出現短路，引起設備損毀，甚至會導致船舶電力系統(tǒng)癱瘓，使得整條船的電力供應得不到保障，危及乘員的生命安全和船舶的航行安全[2]。在錯綜復雜的各種供電系統(tǒng)中，當出現絕緣故障時，智慧、快速定位到故障點的控制系統(tǒng)的研究和應用將對船舶應用領域產生重大影響，并具有前瞻性意義。此外，這一信息系統(tǒng)還可以為用戶提供更加有效的設備維護、維修和保養(yǎng)服務，從而節(jié)省維護、維修和保養(yǎng)成本，并且將成為船舶安全配置的一個重要組成部分[3]。在研究船舶電力系統(tǒng)絕緣故障智能診斷系統(tǒng)之前，首先要了解超大型船舶電站的組成及其相關規(guī)范，以便更好地理解絕緣系統(tǒng)的具體要求，并能夠有效地監(jiān)測、采集、判斷、定位和排除故障[4]。

1 電力設備數據特點

根據統(tǒng)計結構形式的不同，電力設備檢測數據可以分為結構化統(tǒng)計數據和非結構化統(tǒng)計數據，其中非結構化統(tǒng)計占據了主導[5]。電力設備數據分析的主要來源具有大量、多樣且高速的特點；電力設備監(jiān)測數據與監(jiān)測設備之間存在著密切的聯系，其中的狀態(tài)量是設備運行的關鍵指標；記錄故障過程的數據量較少，而且質量也不夠理想，存在大量的錯誤信息，這些數據無法滿足后續(xù)故障處理的需求；數據被廣泛地分布在多個不同的系統(tǒng)中。隨著電力設備數據信息的不斷變化，傳統(tǒng)的故障診斷方法已經無法滿足需求，這給診斷科技提出了新的巨大挑戰(zhàn)。為此，深度學習應運而生，它具備多層次網絡結構，能夠從大規(guī)模故障數據中提取出更高層次的抽象特征，而且不要求人工介入，為診斷提供了一種全新的方法。深度學習在故障診斷和預測中的應用已經取得了巨大的進步，它能夠有效獲取復雜性條件下的事故特性，并且能夠更好地適應能源產品信息的新特性。

2 深度學習

深度學習是當前新一代人工智能研究的一個重要方向，它的技術發(fā)展方向是模仿或完成類人思維，其特性可概括為：信息取樣、深層網絡結構、自動獲取深度抽象特性及多層網絡參數逐層預訓練。這種方法的發(fā)展得益于大數據處理技術和計算機科學在并聯、異構計算科學技術領域方面的不斷改進。深度學習網絡是一項廣泛應用的技術，其中包括卷積神經網絡（CNN）、遞歸神經網絡（RNN）、深度置信網絡（DBN）以及自編碼網絡等。這些網絡可以幫助我們更好地理解和預測復雜的數據，從而提高計算效率和準確性。

隨著科學技術的發(fā)展，深度學習在診斷中的運用已經成為供電裝置長期運行中不可或缺的一環(huán)，其主要包含外力損壞、電氣設備長期運行導致絕緣衰老以及電氣設備自身出現設計問題。近年來，國家電網中增加了大批的信號設施，而且已建立的設備運行管理網絡平臺也能夠收集到大批的電氣設備運行數據，從而更好地幫助管理者診斷故障。隨著信息化時代的到來，原有的診斷手段已經難以滿足當今的需要，診斷效率低下。因此，深度學習技術的出現，使得從海量數據中獲取深層次抽象特征的能力獲得了極大的提升，并且在診斷應用領域獲得了普遍的應用。

3 基于深度學習的故障診斷

深度學習故障診斷方法與傳統(tǒng)方法在管理數據量和狀態(tài)量方面存在顯著差異，這體現在以下幾點。

其一，前者更加靈活，可以更有效地管理更多的信息和狀態(tài)。其二，特征提取技術的進步使得判斷早期事故和細微事故的能力大幅提升，而且大大減少了關于先驗認識的依賴性。其三，通過分析，能夠更準確地判斷出各種故障類型，并且能夠更有效地從常規(guī)數據信息中挖掘出與設備狀態(tài)有關的內容。深度學習在故障預知中的應用可以有效地提高診斷結果的準確性，這是因為它可以利用監(jiān)測設備數據分析來及時發(fā)現早期故障，從而有效地制定科學合理的檢測規(guī)劃，盡量減少損失。電力設備的監(jiān)測數據中，電壓、電流和輸出功率等信息是常見的，但也可能隱藏著電氣設備的故障信息。因此，利用這些數據信息開展故障預測有著重要的意義。利用dropout層和批歸一化技術，能夠有效地處理線路故障預報中的過擬合問題，并且能夠實現離線訓練模式，從而實時執(zhí)行，有著重要的實踐應用價值。為了獲得更加可靠的診斷結果，在設備故障預測研究中，應當充分利用多源信息，如自然環(huán)境條件負荷數據分析、天氣數據分析、定時監(jiān)測資訊及地理信息數據分析等。深度學習技術在應用中面臨著許多挑戰(zhàn)，其中一個挑戰(zhàn)是如何提取電力設備數據中具有應用價值的特征。

4 深度置信網絡

深度置信網絡系統(tǒng)是一套基于多重受限玻爾茲曼機和分類器的概率形成模式，它可以有效地抽取出復雜的信息，并且能夠準確地預測未來的發(fā)展趨勢。圖1展示了一套復雜的網絡結構，由兩層RBM形成，每層包含可視層v和隱含層h。可視層v0將輸入數據投射到隱藏層h0，形成第一個RBM；而h0則成為下一次RBM的入口，這樣一來，信息就會不斷地傳輸，最后在多層抽取出具備表征能力的信息。

圖1 深度置信網絡結構

DBN是一類深層神經網絡，它具有多種用途，既能夠用作非監(jiān)督教學中，也能夠用作督導學習中。在非監(jiān)督教學中，DBN只能當作一臺自編碼器來處理數據，而在督導教學中，DBN只能當作一臺分類器來處理。深度置信網絡系統(tǒng)的培訓應該分成兩個階段：第一階段是無督導的預培訓，采用貪婪算法從低到高分別培訓受限玻爾茲曼機，將每一次RBM的輸入輸出當作下一次RBM的注入，不斷更新網絡技術參數以獲得最佳教學特性；第二階段是有督導的正反向微調，將培訓偏差正相反傳輸給每一次RBM，進而實現對網絡技術參數的微調，以提高建模的準確性和可靠性。經過反復迭代，深度置信網絡模式的參數能夠得到進一步優(yōu)化。這一步驟的核心內容是運用貪婪學習算法從故障診斷信息中抽取出有用的特性，并使用BP神經網絡進行反向調整，以達到最佳的故障診斷和預測效果。

4.1 受限玻爾茲曼機的結構與原理

受限玻爾茲曼機是一個具有重要意義的能量模式，它可以用于深度置信網絡模型的構建和訓練，其結構如圖2所示，由可視層v和隱藏層h組成，它們共同構成了一個完整的網絡系統(tǒng)。在可視層和隱藏層之間，單元之間沒有直接的聯系，而是通過雙向的方式交互。

圖2 受限玻爾茲曼機結構

4.2 受限玻爾茲曼機的訓練算法

在RBM訓練中，可見單元被視作數據分布的樣品，經過不斷更新θ={w，a，b}，使邊際分布Pθ(v，h)盡量接近真實觀測數據散布P?(v)，從而盡量進一步提高建模的準確率和真實性。利用吉布斯抽樣過程，能夠有效逼近對數似然梯度上升，從而形成RBM的學習規(guī)則：δwi，j=η（{vihj}data-{vihj}model）；其中，{·}data代表訓練數據的期望值，{·}model代表模型分布下的數據結果期望值，η代表學習率，且∈（0，1）。通常情況下，由于{·}model難以通過計算得到，因此采用抽樣逼近的方法來獲取近似值。想要實現均衡，利用吉布斯采樣近似值必須建立充足的數據。然而，對比散度算法能夠有效解答這些難題，并且在實際應用中表現出色。該文提出了一種新的方法，即使用K步對比散度方法來近似{·}model，以提高網絡參量的準確性和可靠性。

4.3 船舶電氣系統(tǒng)故障診斷步驟

由于深度置信網絡系統(tǒng)的剎車器診斷可能分為多個過程，其中第一步是使用柔性薄膜感應器陣列獲得各種工作情況下的剎車電壓，并通過相關數據分析和歸一化處理，以確定故障原因，最終確定診斷的準確性。經過多次測試，我們能夠確定深度置信網絡系統(tǒng)的技術參數，包括DBN網絡層數、進入節(jié)點數、輸出節(jié)點數及其隱藏層節(jié)點數、學習率和迭代頻次。為了更好地模擬實際情況，我們使用訓練數據作為入口，對各個RBM實施無監(jiān)管的培訓，直至第N個RBM培訓完畢。通過BP算法，我們能夠有效地培訓DBN網絡系統(tǒng)，并實現反向微調。訓練完成后，即可提供測試樣本數據分析，以便對吊車制動器實施故障識別和分級。

5 診斷結果分析

通過對一個超大型船舶電站的仿真驗證，本文詳細分析了DBN網絡在故障診斷中的優(yōu)勢，該電站由6.6kV、450V、230V、應急系統(tǒng)以及多套450V子系統(tǒng)組成，從而可以更好地實現故障診斷。通過多種試驗，研究比較了GA-BP和SVM的培訓集和檢測集，結果表明，DBN診斷的準確性達到了92.14%，遠超GA-BP神經網絡和SVM；而且其準確度差別也顯著小于前兩者，這表明DBN在吊車制動器故障診斷中具有較高的安全性。通過這項試驗，我們發(fā)現使用深度置信網絡來診斷吊車制動器故障是非常有效的。

6 結論

基于深度置信網絡的船舶電氣系統(tǒng)絕緣故障診斷模型具有更好的全局尋優(yōu)能力，在結構上也更為精簡，減少了模型訓練參數數量，進而提升了模型的學習速度。仿真實驗結果表明，將深度置信網絡應用于船舶電氣系統(tǒng)絕緣故障診斷獲得了良好的診斷準確度，表明本文研究具有較好的實踐價值。