基于故障樹(shù)和LSTM-SVM 的稀土電解給料自動(dòng)輔機(jī)故障診斷方法

程哲，羅奕，王騰飛，文淵，董學(xué)琴

（桂林電子科技大學(xué)機(jī)電工程學(xué)院，廣西桂林 541004）

0 前言

稀土作為支撐高新技術(shù)產(chǎn)業(yè)發(fā)展的關(guān)鍵資源，具有獨(dú)特且優(yōu)異的性能，被廣泛應(yīng)用于航空航天、軍工、醫(yī)學(xué)等高技術(shù)關(guān)鍵領(lǐng)域，戰(zhàn)略地位顯著［1］。近年來(lái)我國(guó)的稀土冶煉工藝技術(shù)發(fā)展迅速，常見(jiàn)的稀土冶煉方法有兩大類，分別為濕法冶金和火法冶金。濕法冶金流程復(fù)雜，產(chǎn)品純度高；火法冶金流程簡(jiǎn)單，生產(chǎn)效率高。火法冶金又包括硅熱還原法、熔鹽電解法、金屬熱還原法等［2］，其中的熔鹽電解法在稀土冶煉中因具有生產(chǎn)連續(xù)、產(chǎn)率高、成本低以及廢渣少的優(yōu)點(diǎn)應(yīng)用十分廣泛［3］。熔鹽電解法的主要流程分為3個(gè)步驟，依次為給料過(guò)程、電解過(guò)程以及提取過(guò)程。粉體通過(guò)給料環(huán)節(jié)送入電解槽中，在電解槽中電解之后以高溫熔融狀態(tài)滴入槽中的坩堝中，再通過(guò)提取設(shè)備將熔融態(tài)成品取出?？梢?jiàn)圍繞電解工藝過(guò)程需要完成物料的準(zhǔn)備、稱取、輸送、取出等系列輔助流程。這些流程傳統(tǒng)上主要依賴人工完成，存在精確度和效率低、質(zhì)量不穩(wěn)定的弊端。為此針對(duì)性開(kāi)發(fā)了自動(dòng)輔機(jī)系統(tǒng)來(lái)完成這些輔助流程，因此給料自動(dòng)輔機(jī)在稀土熔鹽電解過(guò)程中起著重要作用，一旦設(shè)備發(fā)生故障，會(huì)使得粉體原料無(wú)法完成電解工藝，導(dǎo)致生產(chǎn)中斷、產(chǎn)生次品等后果，所以必須相應(yīng)研發(fā)自動(dòng)輔機(jī)設(shè)備的故障診斷方法，監(jiān)測(cè)系統(tǒng)工作狀態(tài)，及時(shí)檢測(cè)故障、預(yù)警不正常運(yùn)行狀態(tài)，這對(duì)在電解車間高溫腐蝕性惡劣環(huán)境下保證產(chǎn)品質(zhì)量有重要意義。

為了提高生產(chǎn)線故障診斷效率，研究人員提出了各種故障診斷方法。故障樹(shù)分析法依據(jù)頂事件按照故障樹(shù)的建樹(shù)規(guī)則建立相應(yīng)的模型，分析各級(jí)要素的聯(lián)系［4］，其故障可視化能力強(qiáng)，結(jié)構(gòu)清晰。故障樹(shù)分析法可直接應(yīng)用定性定量分析結(jié)果計(jì)算重要度，依據(jù)重要度分析重要部位進(jìn)行可靠性分析，或基于貝葉斯網(wǎng)絡(luò)進(jìn)行故障原因推斷［5］?，F(xiàn)有的基于貝葉斯網(wǎng)絡(luò)的故障樹(shù)分析法智能化和準(zhǔn)確度較高［6］，但對(duì)底層故障概率數(shù)據(jù)的準(zhǔn)確度要求較高，實(shí)際應(yīng)用效果不盡人意。文獻(xiàn)［7］建立了基于離散時(shí)間貝葉斯網(wǎng)絡(luò)的動(dòng)態(tài)故障樹(shù)診斷模型，該模型針對(duì)受復(fù)雜工況影響的不確定、模糊、動(dòng)態(tài)的故障概率數(shù)據(jù)［8］，在故障樹(shù)中引入動(dòng)態(tài)邏輯門(mén)，形成動(dòng)態(tài)故障樹(shù)，結(jié)合貝葉斯網(wǎng)絡(luò)組成基于離散貝葉斯網(wǎng)絡(luò)的動(dòng)態(tài)故障樹(shù)診斷模型，并進(jìn)行改進(jìn)，可以有效地定位故障可能發(fā)生的位置，但該模型模塊修改困難，人為調(diào)整容易破壞模型結(jié)構(gòu)。文獻(xiàn)［9］提出一種將貝葉斯網(wǎng)絡(luò)和故障樹(shù)相集成的故障診斷方法，文獻(xiàn)［10］提出一種將概率神經(jīng)網(wǎng)絡(luò)和故障樹(shù)相結(jié)合的方法。這兩種方法將神經(jīng)網(wǎng)絡(luò)與故障樹(shù)分析法相結(jié)合，將故障樹(shù)節(jié)點(diǎn)作為神經(jīng)網(wǎng)絡(luò)輸出，再通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)事件進(jìn)行故障定位，可以相對(duì)準(zhǔn)確定位故障，數(shù)據(jù)需要人工進(jìn)行處理，處理過(guò)程中可能出現(xiàn)人工誤差影響檢測(cè)結(jié)果。

影響稀土電解輔機(jī)系統(tǒng)工作狀況的參數(shù)種類較多，受環(huán)境因素影響較大，故障大多具有時(shí)序性。綜合以上分析，本文作者提出一種基于故障樹(shù)和LSTMSVM 的故障診斷方法，并將其應(yīng)用于稀土電解輔機(jī)系統(tǒng)故障診斷。

1 稀土輔機(jī)給料系統(tǒng)的特性

1.1 輔機(jī)給料過(guò)程工作原理

設(shè)備原理如圖1 所示：設(shè)備啟動(dòng)前先將粉體原料置于下方大料斗中，設(shè)備運(yùn)行時(shí)氣泵工作，粉體經(jīng)管道通過(guò)進(jìn)料閥進(jìn)入上方的料斗內(nèi)，同時(shí)料斗下方的壓力傳感器將測(cè)得的進(jìn)料質(zhì)量反饋到控制系統(tǒng)，當(dāng)上方料斗內(nèi)質(zhì)量到達(dá)事先設(shè)好的標(biāo)準(zhǔn)時(shí)氣泵、進(jìn)料閥、氣閥1 關(guān)閉，以此達(dá)到控制下料裝置單次給料量的目的。給料過(guò)程中，粉體在重力作用下下落到螺桿處，電機(jī)工作帶動(dòng)螺桿轉(zhuǎn)動(dòng)，將落下的粉體推出。為防止料斗內(nèi)粉體堆積堵塞，分別設(shè)置攪拌結(jié)構(gòu)、氣孔以及振動(dòng)模塊用以輔助下料，防止出現(xiàn)粉體堵塞影響給料過(guò)程進(jìn)行。

圖1 給料系統(tǒng)原理Fig.1 Principle of feeding system

對(duì)應(yīng)的工作流程如圖2 所示。

圖2 給料工作流程Fig.2 Feeding workflow

1.2 系統(tǒng)常見(jiàn)故障分析

粉體給料系統(tǒng)主要由電機(jī)、軸承、螺桿、攪拌器、料斗、壓力傳感器等組件構(gòu)成。設(shè)備常見(jiàn)的異常工作狀況、故障產(chǎn)生原因以及常用的處理方法如表1所示。

表1 粉體下料設(shè)備常見(jiàn)故障Tab.1 Common failures of powder blanking equipment

電機(jī)過(guò)熱、氣泵溫度過(guò)高等不會(huì)直接影響生產(chǎn)過(guò)程，但其作為異常工作狀態(tài)可能造成潛在故障，應(yīng)進(jìn)行判斷并在必要時(shí)進(jìn)行處理。

2 故障樹(shù)分析法

故障樹(shù)分析法于1961 年被提出，目前在傳動(dòng)器件故障檢測(cè)［11］、風(fēng)電機(jī)組可靠 性［12］、船舶風(fēng)險(xiǎn) 分析［13］等工程領(lǐng)域均有應(yīng)用。故障樹(shù)分析法用樹(shù)狀圖來(lái)直觀地表示所有可能導(dǎo)致分析失效發(fā)生的原因［14］，是對(duì)設(shè)備故障（頂事件）、工作單位故障（中間事件）和元器件故障（基本事件）的綜合分析，結(jié)合構(gòu)成故障樹(shù)，由此樹(shù)推導(dǎo)出系統(tǒng)故障的概率。

2.1 粉體給料系統(tǒng)故障樹(shù)結(jié)構(gòu)

給料設(shè)備故障為頂事件，通過(guò)分析粉體給料設(shè)備各組成部分工作聯(lián)系，結(jié)合實(shí)際生產(chǎn)過(guò)程中的故障案例調(diào)查分析故障層次關(guān)系，構(gòu)造其故障樹(shù)模型，如圖3 所示。

圖3 粉體下料設(shè)備故障樹(shù)Fig.3 Powder blanking equipment fault tree

各事件名稱與符號(hào)對(duì)應(yīng)如表2 所示。

表2 事件名稱與符號(hào)Tab.2 Event names and symbols

2.2 故障樹(shù)事件概率分析

由圖3 可知，粉體下料設(shè)備故障樹(shù)由“與門(mén)”和“或門(mén)” 組成，且粉體下料設(shè)備故障樹(shù)底事件相互獨(dú)立，可得頂事件的概率表達(dá)式為

式中：P（T）和P（Xi）分別表示粉體下料系統(tǒng)頂事件和第i個(gè)底事件的發(fā)生概率。

底事件名稱及故障概率如表3 所示。

表3 底事件故障率Tab.3 Bottom events failure rates

頂事件發(fā)生概率計(jì)算公式：

其中：IP（Xi）為底事件Xi的概率重要度。

底事件相對(duì)概率重要度計(jì)算公式：

計(jì)算結(jié)果如表4—5 所示。

表4 發(fā)生概率Tab.4 Probability of occurrence

根據(jù)定量分析計(jì)算出的重要度結(jié)果，可對(duì)次級(jí)故障位置進(jìn)行權(quán)重定義并對(duì)異常位置進(jìn)行判斷定位。

3 基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的故障診斷模型研究

在實(shí)際應(yīng)用中，對(duì)于給料系統(tǒng)這種自動(dòng)化系統(tǒng)，由于不同模塊在工作中遵循一定的流程，不同流程工作狀態(tài)存在相互影響，單個(gè)事件在系統(tǒng)處于不同狀態(tài)下受到的影響不同，觸發(fā)故障的因素具有時(shí)序性，設(shè)備實(shí)際運(yùn)行中發(fā)生故障時(shí)需要快速準(zhǔn)確地對(duì)異常位置進(jìn)行定位。而經(jīng)過(guò)訓(xùn)練的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)對(duì)于處理時(shí)序性數(shù)據(jù)具有較大的優(yōu)勢(shì)，可通過(guò)對(duì)提取的實(shí)時(shí)數(shù)據(jù)與歷史數(shù)據(jù)相組合進(jìn)行分析，結(jié)合故障樹(shù)概率模型所定義的故障上下級(jí)關(guān)系，以及所確定的權(quán)重大小對(duì)故障位置進(jìn)行定位。另外，長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)在處理序列數(shù)據(jù)過(guò)程中可以在較好處理一維時(shí)序數(shù)據(jù)的同時(shí)減少傳統(tǒng)RNN 的梯度消失或梯度爆炸的問(wèn)題［15］，同時(shí)相對(duì)于傳統(tǒng)RNN 具有更快的訓(xùn)練速度、更高的準(zhǔn)確率。

3.1 LSTM

長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM，Long Short-Term Memory）是一種時(shí)間循環(huán)神經(jīng)網(wǎng)絡(luò)，是對(duì)RNN 的改進(jìn)，LSTM 在RNN 的基礎(chǔ)上引入了輸入門(mén)、遺忘門(mén)和輸出門(mén)對(duì)數(shù)據(jù)信息的傳輸進(jìn)行控制［16］，因此訓(xùn)練速度相較于RNN 更快。其神經(jīng)元基本結(jié)構(gòu)如圖4 所示。

圖4 LSTM 神經(jīng)元結(jié)構(gòu)Fig.4 Structure of LSTM neurons

圖中圓圈表示向量計(jì)算；箭頭分叉表示向量復(fù)制；σ表示一個(gè)sigmoid 層，其輸出值為0～1，表示有多少信息可以通過(guò)該層，0 為都不能通過(guò)，1 為都能通過(guò)。

圖中水平線Ct為L(zhǎng)STM 模型的核心，它是一個(gè)記憶單元，其主要用途是確定上一級(jí)輸入Ct-1和下方輸入xt有多少成分保存在Ct中，長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)可以通過(guò)Ct選擇性保留信息。其表示公式為

遺忘門(mén)決定t時(shí)刻的輸入Ct-1哪些信息被舍棄，通過(guò)sigmoid 單元對(duì)ht以及xt的信息分析后輸出一個(gè)處于0～1 之間的向量，該向量中的數(shù)值表示Ct-1中信息被保留或丟棄的量。其表示公式為

式中：bf表示遺忘門(mén)的偏置項(xiàng)；Wf為此時(shí)前一層隱藏神經(jīng)元在遺忘門(mén)輸出時(shí)的權(quán)重。

輸入門(mén)決定輸入哪些新信息，由一個(gè)sigmoid 單元和一個(gè)tanh 激活函數(shù)組成。其表示公式為

其中：Wi表示t時(shí)刻輸入層的權(quán)重；WC表示t時(shí)刻隱藏層的權(quán)重；xt表示t時(shí)刻的輸入；ht-1表示t-1時(shí)刻的隱藏狀態(tài)；bi和bC分別表示輸入層與候選值的偏置。

輸出門(mén)主要用于判斷輸出的狀態(tài)，輸入通過(guò)輸出門(mén)的sigmoid 層得到一個(gè)判斷條件，并結(jié)合tanh 層輸出的一個(gè)-1～1 之間的向量，該向量與輸出門(mén)得到的判斷條件相乘就得到了該單元的輸出。其表示公式為

3.2 粉體下料系統(tǒng)故障診斷模型建立

通過(guò)多種影響因素?cái)?shù)據(jù)建立數(shù)據(jù)矩陣，進(jìn)行故障特征提取，對(duì)長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，實(shí)現(xiàn)從多種影響因素中定位故障所在故障樹(shù)分支，選擇權(quán)重較高的底事件作為輸出，輸出故障診斷結(jié)果。

基于LSTM 神經(jīng)網(wǎng)絡(luò)原理，并結(jié)合粉體下料系統(tǒng)多種數(shù)據(jù)特點(diǎn)，通過(guò)修改長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)層數(shù)，修改部分參數(shù)以適應(yīng)該故障數(shù)據(jù)以及使用adam 算法進(jìn)行優(yōu)化以提高檢測(cè)準(zhǔn)確度。該模型主要包括輸入層、LSTM 層、全連接層、Softmax 層以及分類輸出層五部分。

根據(jù)故障樹(shù)節(jié)點(diǎn)之間的相關(guān)規(guī)則，根據(jù)計(jì)算出的事件概率重要度（表5）提取出幾種設(shè)備故障狀態(tài)模式并進(jìn)行編號(hào)分類，如表6 所示。

表5 底事件定量分析結(jié)果Tab.5 Quantitative analysis results of bottom events

表6 工作模式編號(hào)Tab.6 Working mode numbers

各模式故障診斷輸出結(jié)果如表7 所示。

表7 故障診斷輸出結(jié)果權(quán)重Tab.7 Weight of fault diagnosis output results

在診斷給料設(shè)備故障時(shí)，分別采集電動(dòng)機(jī)功率、電動(dòng)機(jī)溫度、下料速度、階段下料完成后上方料斗內(nèi)剩余料量以及空氣濕度5 種數(shù)據(jù)信息，輸入到LSTM診斷模型進(jìn)行分析，判斷出相應(yīng)的故障樹(shù)分支節(jié)點(diǎn)，輸出診斷結(jié)果。模型診斷過(guò)程見(jiàn)圖5。

圖5 診斷過(guò)程Fig.5 Diagnosis process

3.3 數(shù)據(jù)歸一化

數(shù)據(jù)歸一化處理是數(shù)據(jù)挖掘的一項(xiàng)基本工作，由于不同的評(píng)價(jià)指標(biāo)具有不同的量綱和量綱單位，這種情況會(huì)影響數(shù)據(jù)的分析結(jié)果［17］。為了消除指標(biāo)之間的量綱影響，需要對(duì)數(shù)據(jù)進(jìn)行歸一化處理，以解決數(shù)據(jù)指標(biāo)之間的可比性。原始數(shù)據(jù)經(jīng)過(guò)數(shù)據(jù)歸一化處理后單位統(tǒng)一，處于同一個(gè)量綱，可以進(jìn)行綜合對(duì)比評(píng)價(jià)。

本文作者應(yīng)用的歸一化方法為min-max 標(biāo)準(zhǔn)化方法，即離差標(biāo)準(zhǔn)化，是對(duì)元數(shù)據(jù)進(jìn)行線性變換，使其結(jié)果映射到［0，1］之間［18］，其轉(zhuǎn)換公式如下：

其中：xmax為樣本某一屬性數(shù)據(jù)的最大值；xmin為樣本同一數(shù)據(jù)最小值。

3.4 基于LSTM 的故障診斷模型結(jié)果分析

故障診斷模型架構(gòu)如圖6 所示，當(dāng)下料系統(tǒng)發(fā)生故障時(shí)，模型匹配到相應(yīng)故障樹(shù)并采集實(shí)時(shí)數(shù)據(jù)，將數(shù)據(jù)集經(jīng)歸一化處理之后的數(shù)據(jù)集合A＝｛a1，a2，a3，a4，a5｝ 輸入至已訓(xùn)練好的長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)模型中，診斷網(wǎng)絡(luò)根據(jù)故障模式分類規(guī)則（見(jiàn)表6）對(duì)故障進(jìn)行識(shí)別診斷，識(shí)別出對(duì)應(yīng)的故障模式，之后根據(jù)該模式對(duì)應(yīng)的故障樹(shù)節(jié)點(diǎn)分支的底事件集合B＝｛b1，b2，…，bn｝，計(jì)算故障樹(shù)分支中底事件的相對(duì)概率重要度確定權(quán)重，根據(jù)其對(duì)節(jié)點(diǎn)的影響權(quán)重，選取權(quán)重最大的事件為輸出結(jié)果，見(jiàn)表7 勾選項(xiàng)。

圖6 粉體下料系統(tǒng)故障診斷系統(tǒng)架構(gòu)Fig.6 Architecture of fault diagnosis system of powder feeding system

數(shù)據(jù)集含有600 組數(shù)據(jù)，分別為6 種工作模式下所采集的數(shù)據(jù)，訓(xùn)練集大小占數(shù)據(jù)集的70%。修改不同參數(shù)，測(cè)試過(guò)程收斂時(shí)迭代次數(shù)對(duì)比，如圖7—8 所示。

圖7 使用adam 時(shí)修改最小批量迭代次數(shù)對(duì)比Fig.7 Comparison of minimum batch iteration times when using adam

圖8 最小批取300 時(shí)求解器迭代次數(shù)對(duì)比Fig.8 Comparison of solver iterations when the minimum batch size is 300

由圖7—8 可見(jiàn)：使用adam 時(shí)相較于使用SGD收斂速度更快，最小批取值越小收斂速度越快，但最小批取值越小訓(xùn)練速度越慢，所以最小批取30。使用adam 作為求解器，訓(xùn)練過(guò)程中模型準(zhǔn)確率曲線及損失函數(shù)曲線如圖9 所示。

圖9 訓(xùn)練過(guò)程準(zhǔn)確率曲線（a）及損失函數(shù)曲線（b）Fig.9 The accuracy curves（a）and loss function curves（b）of the training process

以數(shù)據(jù)集剩下的30%為測(cè)試集，對(duì)訓(xùn)練好的模型進(jìn)行準(zhǔn)確率測(cè)試，測(cè)試結(jié)果混淆矩陣如圖10 所示。

圖10 測(cè)試結(jié)果混淆矩陣Fig.10 Test result confusion matrix

從圖10 可以看出：在180 次測(cè)試過(guò)程中，僅有4次故障類型診斷錯(cuò)誤，最終準(zhǔn)確率達(dá)到97.8%，可見(jiàn)該模型擁有較高的故障診斷準(zhǔn)確率。

由于實(shí)際生產(chǎn)過(guò)程中溫度、濕度等數(shù)據(jù)容易存在干擾，故分別將溫度和濕度加入干擾數(shù)據(jù)后對(duì)模型進(jìn)行準(zhǔn)確度測(cè)試，10 次測(cè)試結(jié)果對(duì)比如圖11 所示。

圖11 引入干擾測(cè)試準(zhǔn)確度對(duì)比Fig.11 Introduces an interference test accuracy comparison

由圖11 可知：在引入溫度與濕度干擾時(shí)，對(duì)診斷結(jié)果有影響，其中溫度干擾影響較大，濕度干擾影響較小，但仍能到達(dá)較高的準(zhǔn)確度。由此可見(jiàn)，與故障樹(shù)分析法相結(jié)合的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)應(yīng)用于設(shè)備故障診斷效果顯著。

4 異常工作故障分級(jí)

識(shí)別過(guò)程中最常出錯(cuò)的位置是將狀態(tài)4 電機(jī)異常工作識(shí)別為正常工作狀態(tài)，是由于電機(jī)異常工作如電機(jī)過(guò)熱或異常振動(dòng)時(shí)不會(huì)立即影響設(shè)備工作過(guò)程，屬于亞健康的工作狀態(tài)而非即時(shí)故障。此時(shí)需要對(duì)其異常程度進(jìn)行判斷，以決定是否需要立即進(jìn)行維修。

分類方法選擇支持向量機(jī)（SVM），是一類按監(jiān)督學(xué)習(xí)方式對(duì)數(shù)據(jù)進(jìn)行分類的分類器。該方法是非常經(jīng)典的、也最受歡迎的分類方法之一。

部分參數(shù)設(shè)置如表8 所示。

表8 SVM 部分參數(shù)Tab.8 Partial parameters of SVM

數(shù)據(jù)集將異常工作數(shù)據(jù)進(jìn)行標(biāo)簽，分別定義為輕度異常（編號(hào)為1）以及重度異常（編號(hào)為2）。經(jīng)過(guò)多次訓(xùn)練，準(zhǔn)確率均能達(dá)到100%，圖12 為測(cè)試數(shù)據(jù)混淆矩陣熱力圖。

圖12 測(cè)試數(shù)據(jù)混淆矩陣熱力圖Fig.12 Test data confusion matrix thermogram

分類結(jié)果值是擁有最大預(yù)測(cè)概率的分類組別，部分測(cè)試結(jié)果如表9 所示。

表9 測(cè)試結(jié)果Tab.9 Test results

由表9 看出：SVM 模型可以準(zhǔn)確將輕度異常和重度異常分類。

5 結(jié)論

本文作者提出基于故障樹(shù)和LSTM-SVM 相結(jié)合的粉體下料系統(tǒng)故障診斷方法，診斷過(guò)程中對(duì)多種故障模式狀態(tài)進(jìn)行定性診斷。利用LSTM 進(jìn)行故障診斷后結(jié)合故障樹(shù)的上下級(jí)關(guān)系以及所定義的權(quán)重比輸出診斷結(jié)果，并使用SVM 對(duì)非故障的異常工作狀態(tài)進(jìn)行故障分級(jí)，判斷是否發(fā)展為故障；針對(duì)僅靠LSTM無(wú)法快速準(zhǔn)確對(duì)復(fù)雜設(shè)備進(jìn)行故障診斷以及將異常狀態(tài)診斷為故障的缺點(diǎn)，利用故障樹(shù)定量分析定義影響權(quán)重，搭配LSTM 進(jìn)行故障診斷輸出結(jié)果，以及對(duì)非故障的異常工作狀態(tài)進(jìn)行故障分級(jí)，可以較容易應(yīng)用到實(shí)際工程中。隨著訓(xùn)練數(shù)據(jù)的逐漸積累，可以進(jìn)一步提高訓(xùn)練速度和準(zhǔn)確率。