基于深度置信網絡的故障診斷方法

王永杰

摘要 針對復雜系統故障診斷需求，研究利用深度學習的故障診斷方法，解決通過樣本數據特征識別和分析進行故障診斷的問題，提出了一種基于深度置信網絡的故障診斷方法，通過實驗驗證，分析了診斷誤差與模型訓練次數的關系。為自主運行系統的故障診斷提供了一種可行方法。

【關鍵詞】故障診斷 深度置信網絡 診斷模型故障識別誤差

本文介紹了一種基于深度置信網絡的故障診斷方法，該方法通過可標注樣本和模型訓練為復雜系統的故障定位提供一種解決方案。

1 診斷模型設計

深度置信網絡（ Deep Belief Network，DBN）是深度學習算法中的一種，其優勢在于能夠擺脫對大量信號處理技術與診斷經驗的依賴，完成故障特征的自適應提取與裝備運行狀況的智能診斷。

基于DBN網絡的故障診斷的具體實現步驟如下：

（1）定義故障類型;

（2）對故障信號及設備狀態進行編碼處理，將各種類型的信號單獨歸一化;

（3）將帶標簽的原始信息數據集為訓練集和測試集;

（4）初始化DBN網絡參數，調整各層隱含單元數量，逐層訓練RBM網絡，微調網絡參數，獲取最優權重矩陣信息;

（5）通過測試集測試網絡。

DBN網絡包括兩層受限玻爾茲曼機（Restricred Boltzmann Machine， RBM）和一層反向傳播網絡（ Back Propagation，BP）。深度置信網絡的訓練過程分為預訓練和微調兩個步驟：第一步預訓練，分別單獨無監督地訓練每一層RBM網絡，使特征映射到不同的特征空間，保留盡量多的特征信息;第二步網絡參數微調，利用BP網絡有監督地訓練最頂層的分類器，將RBM網絡學習到的特征進行融合分類。在本方法中，采用對比散度法（Contrastive Divergence，CD）逐層訓練RBMs，定義hl為第i層的隱單元，其中i=l，2，3，4，定義v為輸出數據，選擇的深度網

2 仿真和試驗

以北斗主控站地面管理系統數據為例進行了仿真和試驗，通過仿真實驗驗證該方案的可行性與有效性，具體實現如表1。

2.1 故障類型定義

如表1所示。

2.2 實驗內容及仿真結果分析

首先對原始信息數據進行線性歸一化變換，使其范圍限制在[O，11內。DBN模型采用的4層模型，各層節點數分別為25、200、200、17。以正態隨機分布初始化DBN模型的權重，初始閾值設為O，最大迭代次數為1000，學習率為0.01。每類故障選取1000個樣本作為訓練，100個樣本作為測試。

結果表明利用深度置信網絡可以直接從原始數據中進行故障特征提取及診斷可以適應復雜工況。但由于訓練樣本較少，多樣性不足，因此還存在故障識別錯誤率較高的問題，在工程中隨著訓練樣本的增加，故障診斷的準確率將會大大提高，估計在99%以上。

3 結束語

利用深度學習的方法，對大型復雜系統運行過程中積累的樣本數據進行了特征提取和分析，通過實驗數據驗證了深度置信網絡算法對故障識別的有效性。在后面研究工作中將開展小樣本數據條件下提高故障診斷準確率的方法。

參考文獻

[1]王鋒，孫秀霞.基于專家系統與人工神經網絡集成的航姿系統故障診斷[J].空軍工程大學學報，2005，6（01）：17-19.

[2]周志華.機器學習[M]，北京：清華大學出版社，2016.