基于深度置信網(wǎng)絡(luò)的管網(wǎng)泄漏故障診斷方法研究*

姚志強

(中國安全生產(chǎn)科學(xué)研究院，北京 100012)

0 引言

石油天然氣是我國國民經(jīng)濟的命脈，占據(jù)著重要的戰(zhàn)略位置[1]。管道運輸與其他運輸方式相比具有明顯的優(yōu)勢，密閉的管道運輸可以減少液體的揮發(fā)損耗[2]，運輸過程中受氣候和環(huán)境影響較小，并且能適應(yīng)復(fù)雜的地形。因此管道運輸已經(jīng)成為石油天然氣的主要運輸方式。但是，長輸管道多埋于地下，自然災(zāi)害以及人為破壞很容易導(dǎo)致管體損壞，使管道發(fā)生泄漏，造成大量的經(jīng)濟損失[3]。

早在上世紀50至60年代，國外的一些專家學(xué)者就已經(jīng)對管道的泄漏檢測方面開展了大量研究[4]。目前，對管道故障診斷的方法大多主要是基于管道模型與管道拓撲結(jié)構(gòu)的方法[5]。文獻[6]提出了1種基于統(tǒng)計的泄漏檢測方法，該方法分析了發(fā)生泄漏時流量和壓力的變化關(guān)系，利用序列概率比和模式識別的方法進行模態(tài)檢驗，但是由于該方法對移變精度依賴較大，所以檢測精度不高；文獻[7]在基于瞬態(tài)模型的研究基礎(chǔ)上，提出了管道的功能傳遞模型，大大提高了模型的計算效率與泄漏檢測效率；文獻[8]提出了1種基于多廣義現(xiàn)行模型和聚類的決策方法，利用置信區(qū)間估計從而減少管道泄漏的誤報率；文獻[9]設(shè)計了1種基于管道與泵機組狀態(tài)耦合分析的泄漏檢測方法，該方法主要包括了基于邏輯推理的管道壓力異常步驟算法、管道相關(guān)設(shè)備實時狀態(tài)識別，以及基于耦合狀態(tài)分析的管道泄漏判別，實驗結(jié)果表明，該方法在一定程度上提高了泄漏檢測的準確率[10]。

但是，隨著當前管網(wǎng)系統(tǒng)及相關(guān)設(shè)備不斷增加，對應(yīng)的管網(wǎng)數(shù)據(jù)量驟增，管網(wǎng)的不確定性和復(fù)雜性也不斷增加。所以，如何解決管網(wǎng)的故障診斷問題成為當務(wù)之急。

圖1 輸油管網(wǎng)系統(tǒng)模型Fig.1 Model of oil pipeline network system

以往基于管道模型與管道拓撲結(jié)構(gòu)的方法顯得乏力，計算復(fù)雜度低，利用存儲的離線和在線數(shù)據(jù)，實現(xiàn)對系統(tǒng)的監(jiān)控、診斷和決策等功能，泄漏檢測精度及效果并不理想。因此，針對管網(wǎng)系統(tǒng)數(shù)據(jù)量大以及結(jié)構(gòu)復(fù)雜的特點，需要采用基于數(shù)據(jù)驅(qū)動的方式建立管網(wǎng)模型，并在分析原始數(shù)據(jù)的基礎(chǔ)上，發(fā)掘數(shù)據(jù)最本質(zhì)的特征，從而進行管道故障診斷。

深度學(xué)習(xí)的概念由Hinton等人于2006年提出，源于人類對人工神經(jīng)網(wǎng)絡(luò)的研究，是基于對數(shù)據(jù)進行表征學(xué)習(xí)的方法，有多個隱層的多感知器是深度學(xué)習(xí)模型的主要特征[11]。深度學(xué)習(xí)通過組合低層特征形成更加抽象表示屬性類別或特征的高層，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示[12]。與傳統(tǒng)方法相比，深度學(xué)習(xí)研究的重點是數(shù)據(jù)的有用表示，尋找數(shù)據(jù)的內(nèi)部結(jié)構(gòu)，通過原始數(shù)據(jù)發(fā)現(xiàn)變量間的本質(zhì)關(guān)系[13]。

深度學(xué)習(xí)雖然在語音識別、圖像處理等方面取得了巨大的成功[14]，但是在管道泄漏檢測方面的應(yīng)用相對較少。由于管網(wǎng)故障診斷實質(zhì)上是個多分類的問題,正常運行、管道泄漏、工況調(diào)整，加之現(xiàn)代化管網(wǎng)復(fù)雜以及數(shù)據(jù)量大的特點[15]，所以深度學(xué)習(xí)適合應(yīng)用于管道故障診斷的研究。

綜上所述，本文提出1種基于深度學(xué)習(xí)的管道故障診斷方法。

1 復(fù)雜管網(wǎng)數(shù)據(jù)的選取與建模

1.1 復(fù)雜管網(wǎng)數(shù)據(jù)的選取

成品油管網(wǎng)是1種復(fù)雜且具有擴展性的網(wǎng)絡(luò)系統(tǒng)，現(xiàn)有成品油管網(wǎng)系統(tǒng)(見圖1)主要依據(jù)系統(tǒng)采集到的表征管網(wǎng)運行狀態(tài)的數(shù)據(jù)和表征設(shè)備運行狀態(tài)的數(shù)據(jù)進行決策控制，同樣的，在管網(wǎng)系統(tǒng)發(fā)生故障時上述信息也會隨之發(fā)生異常。

表征管網(wǎng)運行狀態(tài)的數(shù)據(jù)主要由系統(tǒng)的測量儀器來采集獲取，主要包括油品進出站壓力、油品流量、油品溫度，以及分輸站內(nèi)油品儲量。經(jīng)過現(xiàn)場實際數(shù)據(jù)分析，發(fā)現(xiàn)當管網(wǎng)運行發(fā)生故障時，發(fā)生異常波動的數(shù)據(jù)主要是壓力數(shù)據(jù)和流量數(shù)據(jù)，溫度及油品儲量并未發(fā)生明顯異常波動，換言之，管網(wǎng)故障主要影響管網(wǎng)的壓力流量數(shù)據(jù)。通常，由管網(wǎng)故障引起的壓力波動一般可沿管網(wǎng)傳播200 km左右，超過200 km后，由于壓力信號的衰減，波動信號難以采集，且由于噪聲擾動的影響波動信號已經(jīng)不具備實際參考意義。與壓力信號相比，由于管網(wǎng)中分輸站的存在，油品流量數(shù)據(jù)波動的傳播一般截止到與管網(wǎng)發(fā)生故障位置臨近分輸站，由于分輸站內(nèi)的工況調(diào)整，超過多個分輸站后的流量數(shù)據(jù)同樣不具備實際參考意義。

管網(wǎng)設(shè)備是油品輸送的基礎(chǔ)，通過各種各樣的設(shè)備操控實現(xiàn)對管網(wǎng)工藝流程的控制。管網(wǎng)設(shè)備主要包括安裝或附加在管道上的設(shè)備，主要包括閥門、泵機組、管線長度和管道直徑。由于分輸站內(nèi)為實現(xiàn)工況調(diào)整而操作管網(wǎng)設(shè)備同樣會造成管網(wǎng)數(shù)據(jù)發(fā)生異常波動，所以在對管網(wǎng)故障診斷時需要充分考慮管網(wǎng)設(shè)備的數(shù)據(jù)，以此區(qū)分管網(wǎng)故障和工況調(diào)整2種不同的情況。

綜上所述，首先，將管網(wǎng)分輸站進行分組，將每個分輸站以及其周圍距離其2個分輸站距離以內(nèi)的分輸站作為1組；其次，將每個分輸站組及組內(nèi)鏈接管網(wǎng)的油品壓力數(shù)據(jù)、油品流量數(shù)據(jù)、分輸站內(nèi)閥門狀態(tài)數(shù)據(jù)，泵機組狀態(tài)數(shù)據(jù)、管線長度、管線直徑以及時間數(shù)據(jù)作為管網(wǎng)故障診斷的數(shù)據(jù)依據(jù)；最后，由于管網(wǎng)故障診斷是個多分類問題，因此將診斷結(jié)果分為3種：正常運行、工況調(diào)整和泄漏故障。

1.2 復(fù)雜管網(wǎng)的建模

深度置信網(wǎng)絡(luò)(DBN)是基于概率的模型，模型可以形成1個樣本特征和樣本標簽的聯(lián)合概率分布函數(shù)，從而對P(Observation | Label)和P(Label | Observation)進行估計。深度置信網(wǎng)絡(luò)是由多個受限制玻爾茲曼機(RBM)堆疊構(gòu)成的多隱層網(wǎng)絡(luò)結(jié)構(gòu)。深度置信網(wǎng)絡(luò)采用逐層訓(xùn)練的方式網(wǎng)絡(luò)參數(shù)進行尋優(yōu)，整個網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練主要有預(yù)訓(xùn)練以及調(diào)優(yōu)2部分，解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法不適用于多層網(wǎng)絡(luò)訓(xùn)練的問題。

基于深度置信網(wǎng)絡(luò)的管網(wǎng)故障診斷的網(wǎng)絡(luò)結(jié)構(gòu)模型(見圖2)主要由若干層受限制玻爾茲曼機堆疊而成，并且在若干層受限制玻爾茲曼機后加上分類層作為輸出層，輸出層通常選用Softmax分類器。模型的輸入為油品壓力數(shù)據(jù)(Press)、油品流量數(shù)據(jù)(Flow)、分輸站內(nèi)閥門狀態(tài)數(shù)據(jù)(Valve)、本機組狀態(tài)數(shù)據(jù)(Pump)、管線長度(Length)、管道直徑(Diameter)和時間數(shù)據(jù)(Time)；模型的輸出為管網(wǎng)正常運行(Normal)、管網(wǎng)故障(Error)和工況調(diào)整(Adjustment)3種運行狀態(tài)的概率，概率值最大的即為管網(wǎng)當前的運行狀態(tài)。

圖2 深度置信網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 DBN structure diagram

基于DBN的管網(wǎng)故障診斷網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練主要包含預(yù)訓(xùn)練及調(diào)優(yōu)2個部分。預(yù)訓(xùn)練的主要手段是使用大量實時監(jiān)測得到的管網(wǎng)無標簽數(shù)據(jù)訓(xùn)練樣本，實現(xiàn)對DBN網(wǎng)絡(luò)底部的若干層RBM參數(shù)的初始化工作；調(diào)優(yōu)過程則是利用少部分的有標簽數(shù)據(jù)樣本對網(wǎng)絡(luò)參數(shù)進行微調(diào)，使整體網(wǎng)絡(luò)結(jié)構(gòu)的參數(shù)達到全局最優(yōu)。假設(shè)深度信念網(wǎng)絡(luò)模型的輸出為hw,b(X)，則其采用平方損失的損失函數(shù)為：

式中：λ為正則化系數(shù)。

2 基于深度信念網(wǎng)絡(luò)的管網(wǎng)故障診斷算法

預(yù)訓(xùn)練過程的主要任務(wù)是對網(wǎng)絡(luò)的參數(shù)進行初始化，預(yù)訓(xùn)練通過逐層地?zé)o監(jiān)督特征優(yōu)化算法進行訓(xùn)練，初始化的參數(shù)主要為每一層受限制玻爾茲曼機以及分類器之間的連接權(quán)重和偏置值。每一層受限制RBM都包含顯層v和隱層h，其整體結(jié)構(gòu)如圖3所示。

假設(shè)顯層有m個神經(jīng)單元，隱層有n個神經(jīng)單元，利用對比散度算法對重構(gòu)數(shù)據(jù)進行近似采樣，受限制玻爾茲曼機訓(xùn)練算法如下：設(shè)某訓(xùn)練樣本點的樣本值為x0。

圖3 受限制玻爾茲曼機結(jié)構(gòu)Fig.3 RBM structure diagram

1)初始化網(wǎng)絡(luò)參數(shù)θ以及顯層單元的初始狀態(tài)值v0=x0，設(shè)定每一層受限制玻爾茲曼機訓(xùn)練是的最大迭代次數(shù)N。

5)按下列各式更新各個參數(shù)：

式中：ρ表示學(xué)習(xí)率。

在最大迭代次數(shù)內(nèi)，不斷地重復(fù)上述訓(xùn)練步驟，直至訓(xùn)練次數(shù)達到最大迭代次數(shù)或輸入輸出誤差足夠小時結(jié)束該層RBM的訓(xùn)練。當一層RBM訓(xùn)練完成后，以該層RBM隱層的輸出作為下一層RBM的輸入，重復(fù)訓(xùn)練過程，逐層訓(xùn)練，直至整個網(wǎng)絡(luò)訓(xùn)練完畢。

預(yù)訓(xùn)練完成后，基于DBN的管網(wǎng)故障診斷網(wǎng)絡(luò)結(jié)構(gòu)的各層RBM以及分類器均得到了初始化參數(shù)，構(gòu)成了基于深度置信網(wǎng)絡(luò)的管網(wǎng)故障診斷的網(wǎng)絡(luò)結(jié)構(gòu)模型的基本框架。在預(yù)訓(xùn)練之后，需要對網(wǎng)絡(luò)參數(shù)進行進一步調(diào)優(yōu)，調(diào)優(yōu)訓(xùn)練過程使用有監(jiān)督訓(xùn)練的方式，采用有標簽樣本進行訓(xùn)練，利用反向傳播算法對網(wǎng)絡(luò)參數(shù)進行微調(diào)，最終達到最優(yōu)效果。

其只需要計算損失函數(shù)的一階導(dǎo)數(shù)，計算量較小，適合訓(xùn)練大規(guī)模數(shù)據(jù)，能收斂到全局最優(yōu)。反向傳播算法對權(quán)重W與偏置b的更新方式如下所示。

式中：α為學(xué)習(xí)率。

在網(wǎng)絡(luò)參數(shù)訓(xùn)練的過程中，正向無監(jiān)督訓(xùn)練將模型參數(shù)優(yōu)化到最優(yōu)值附近，在此基礎(chǔ)上反向訓(xùn)練可以對模型進行進一步的局部的搜索調(diào)優(yōu)。相比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)，利用正向無監(jiān)督訓(xùn)練與反向有監(jiān)督訓(xùn)練相結(jié)合的方式，可以避免網(wǎng)絡(luò)參數(shù)限于局優(yōu)，參數(shù)收斂時間短，訓(xùn)練速度快。

基于深度置信網(wǎng)絡(luò)(DBN)的管網(wǎng)泄漏故障檢測算法具體實現(xiàn)步驟如圖4所示。

圖4 基于深度置信網(wǎng)絡(luò)的管網(wǎng)故障診斷算法流程Fig.4 Flow chart of pipelines fault diagnosis algorithm based on DBN

1)選擇管網(wǎng)樣本數(shù)據(jù)和管網(wǎng)特征變量，并且對管網(wǎng)樣本數(shù)據(jù)進行標準化處理后，按一定的比例將管網(wǎng)樣本數(shù)據(jù)分為預(yù)訓(xùn)練數(shù)據(jù)集、調(diào)優(yōu)數(shù)據(jù)集和測試數(shù)據(jù)集。由于管網(wǎng)實測數(shù)據(jù)數(shù)量限制，樣本集屬于小樣本數(shù)據(jù)，所以一般劃分比例取7∶2∶1。

2)根據(jù)實際情況對管網(wǎng)運行狀態(tài)進行相應(yīng)的分類。

3)建立基于深度置信網(wǎng)絡(luò)的管網(wǎng)故障診斷結(jié)構(gòu)模型，將模型參數(shù)初始化為隨機較小值；

4)采用預(yù)訓(xùn)練集內(nèi)無標簽樣本，利用對比散度算法通過對模型的RBM層以及Softmax分類器進行逐層訓(xùn)練，使模型參數(shù)到達最優(yōu)值附近。

5)采用調(diào)優(yōu)集內(nèi)有標簽樣本，并利用BP反向傳播算法對整個網(wǎng)絡(luò)進行調(diào)優(yōu)，使整個網(wǎng)絡(luò)參數(shù)達到全局最優(yōu)，使用測試集數(shù)據(jù)對模型進行測試，當模型預(yù)測準確率達到最高(不再上升)時即為模型參數(shù)最優(yōu)，從而得到最終的網(wǎng)絡(luò)模型。

6)利用驗證集數(shù)據(jù)，對上述步驟得到的網(wǎng)絡(luò)模型進行測試，分析模型性能。

3 實驗仿真

本文設(shè)計的基于深度置信網(wǎng)絡(luò)的管網(wǎng)故障診斷算法，網(wǎng)絡(luò)參數(shù)W，a，b均初始化為0，學(xué)習(xí)率ρ初始化為0.1。

首先，針對每一層RBM層進行仿真訓(xùn)練，以確定每層RBM層的最優(yōu)訓(xùn)練次數(shù)。實驗發(fā)現(xiàn)，在迭代次數(shù)較小時，模型預(yù)測的準確率會隨著迭代次數(shù)增加而提高；但是當模型訓(xùn)練次數(shù)較高時，過多的訓(xùn)練次數(shù)不會使模型準確率提高，甚至?xí)捎谶^擬合的問題導(dǎo)致預(yù)測準確率下降。根據(jù)實驗結(jié)果，當?shù)螖?shù)超過1 500 次時，RBM模型的準確率上升緩慢，如圖5所示。

圖5 DBN不同參數(shù)對比Fig.5 Contrast diagram of DBN with different parameters

因此，綜合考慮管網(wǎng)數(shù)據(jù)結(jié)構(gòu)與特性以及模型訓(xùn)練的復(fù)雜度，本文選擇RBM訓(xùn)練迭代次數(shù)2 000次。

在對RBM迭代次數(shù)進行試驗仿真，確定每層RBM的最優(yōu)迭代次數(shù)后，本文針對整體網(wǎng)絡(luò)結(jié)構(gòu)模型的RBM層數(shù)進行了試驗仿真。試驗發(fā)現(xiàn)，當只有Softmax分類器時，管網(wǎng)故障診斷的正確率在50%左右。隨著RBM層數(shù)的增加，管網(wǎng)故障診斷正確率也不斷增加，當RBM層數(shù)到5層時，故障診斷正確率達到96.87%，繼續(xù)增加RBM層數(shù)時，由于反向傳播算法傳播能力有限，層數(shù)過多，網(wǎng)絡(luò)結(jié)構(gòu)過于復(fù)雜，誤差不能有效反向傳遞，網(wǎng)絡(luò)參數(shù)不能進行有效更新，所以模型預(yù)測準確率不再上升，甚至有略微降低。因此，綜合考慮模型復(fù)雜度與訓(xùn)練效果，為保證診斷正確率，且盡可能簡化模型結(jié)構(gòu)，本文設(shè)計的算法采用5層RBM構(gòu)成的深度置信網(wǎng)絡(luò)結(jié)構(gòu)，且每層RBM節(jié)點數(shù)分別為30，60，100，60，30。針對不同層數(shù)的RBM網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練結(jié)果如表1所示。

表1 不同層數(shù)的RBM網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練結(jié)果Table 1 Training results of RBM network structurewith different layers

基于深度信念網(wǎng)絡(luò)的管網(wǎng)故障診斷方法與傳統(tǒng)基于模型的方法預(yù)測準確率與誤報率如表2所示，其中基于模型的方法為負壓波傳遞管道故障診斷方法。

表2 深度信念網(wǎng)絡(luò)與傳統(tǒng)方法預(yù)測準確率對比Table 2 Accuracy rate contrast of deep belief network andthe traditional method

由表2中數(shù)據(jù)可以看出，基于深度置信網(wǎng)絡(luò)的方法與基于模型的方法(負壓波檢測)相比較，在單一管道泄漏檢測時優(yōu)勢并不明顯，因為單一管道模型較為簡單，負壓波傳播模型可以很好地擬合管網(wǎng)泄漏數(shù)據(jù)；但是當應(yīng)用范圍擴展到整體管網(wǎng)時，由于管網(wǎng)數(shù)據(jù)量增大，管網(wǎng)結(jié)構(gòu)復(fù)雜，傳統(tǒng)管道模型不能很好的擬合管網(wǎng)數(shù)據(jù)，此時基于深度置信網(wǎng)絡(luò)泄漏檢測方法能夠良好地發(fā)掘管網(wǎng)數(shù)據(jù)中的信息并擬合管網(wǎng)數(shù)據(jù)，相較于傳統(tǒng)模型方法在管網(wǎng)泄漏檢測方面優(yōu)勢明顯。

4 結(jié)論

1)設(shè)計了基于深度置信網(wǎng)絡(luò)的管網(wǎng)故障診斷方法，建立了基于深度置信網(wǎng)絡(luò)的管網(wǎng)故障診斷模型，確定了模型優(yōu)化目標函數(shù)，利用對比散度算法和反向傳播算法對參數(shù)進行了調(diào)優(yōu)，使模型參數(shù)達到全局最優(yōu)。

2)實驗結(jié)果顯示，設(shè)計的基于深度置信網(wǎng)絡(luò)的管網(wǎng)故障診斷算法對管網(wǎng)故障診斷可以達到良好的診斷結(jié)果，泄漏預(yù)測準確率在驗證集樣本上可達96.87%，在管網(wǎng)泄漏檢測中相較于傳統(tǒng)基于模型的方法優(yōu)勢明顯。

[1] 張喬. 石油天然氣長輸管道泄漏檢測及定位探討[J]. 價值工程, 2015(3):75-76.

ZHANG Qiao. Discuss on leakage detection and location of long distance pipeline of oil and gas[J]. Value Engineering，2015(3):75-76.

[2] 李云鵬，闞哲，王曉蕾，等.基于運動波理論吸油管路故障診斷[J].電子設(shè)計工程，2016，24(17):116-118.

LI Yunpeng, KAN Zhe, WANG Xiaolei, et al. The fault diagnosis of oil pipeline based on the kinematic wave theory[J]. Electronic Design Engineering,2016, 24(17):116-118.

[3] ZADKARAMI M, SHAHBAZIAN M, SALAHSHOOR K. Pipeline leakage detection and isolation: An integrated approach of statistical and wavelet feature extraction with multi-layer perception neural network (MLPNN)[J]. Journal of Loss Prevention in the Process Industries, 2016, 43:479-487.

[4] ZHAO J, LI D, QI H, et al. The fault diagnosis method of pipeline leakage based on neural network[C]// IEEE .International Conference on Computer, Mechatronics, Control and Electronic Engineering, 2010:322-325.

[5] 倫淑嫻,張化光,馮健. 自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)在管道泄漏檢測中的應(yīng)用[J]. 石油學(xué)報,2004,25(4):101-104.

LUN Shuxian，ZHANG Huaguang，F(xiàn)ENG Jian.Filering technique based on adaptive fuzzy-neural network applied to leakage detection of pipeline[J]. Acta Petrolei Sinica，2004，25(4):101-104.

[6] ZHANG Q，DONG C L, CUI Y. Dynamic uncertain causality graph for knowledge representation and probabilistic reasoning: statistics base, matrix, and application[J]. IEEE transactions on neural networks and learning systems, 2014, 25(4): 645-663.

[7] 王占山，張化光，馮健，等. 長距離流體輸送管道泄漏檢測與定位技術(shù)的現(xiàn)狀與展望[J].化工自動化及儀表，2003，30(5):5-10.

WANG Zhanshan，ZHANG Huaguang，F(xiàn)ENG Jian，et al. Present situation and prospect on leak detection and localization techniques for long-distance fluid transport-pipelines[J].Control and Instruments in Chemical Industry，2003，30(5):5-10.

[8] DONG C T, ZHANG Q, GENG S C. A modeling and probabilistic reasoning method of dynamic uncertain causality graph for industrial fault detection[J]. International Journal of Automation and computing, 2014, 11(3): 288-298.

[9] 高強,馬艷梅. 深度信念網(wǎng)絡(luò)(DBN)網(wǎng)絡(luò)層次數(shù)量的研究及應(yīng)用[J]. 科學(xué)技術(shù)與工程，2016，16(23):234-238,262.

GAO Qiang，MA Yanmei.Research and application of the level of the deep belief network (DBN) [J]. Science Technology and Engineering，2016，16(23):234-238,262.

[10] ZHAO J, WANG Z, ZHAO Y B, et al. Application research of pipeline leakage detection and localization based on information fusion technology[J]. Computer Measurement & Control, 2008, 16(7):923-925.

[11] TAMILSELVAN P, WANG P. Failure diagnosis using deep belief learning based health state classification[J]. Reliability Engineering & System Safety, 2013, 115(7):124-135.

[12] TRAN V T，ALTHOBIANI F，BALL A. An approach to fault detection of reciprocating compressor valves using Teager-Kaiser energy operator and deep belief networks [J]. Expert systems with Applications, 2014,41(9):4113-4122.

[13] WANG F. A feature extraction method for fault classification of rolling bearing based on PCA [J]. Journal of Physics Conference, 2015, 628(1):1-5.

[14] DALTON L, PAGE D L. Grading breast cancer on microarray samples: comparison with Nottingham grade, and use of boosting classification [J]. Histopathology，2012，61(3): 497-508.

[15] WANG X, ZHANG W, QIANG J I. A kernel PCA shape prior and edge based MRF image segmentation[J]. Chinese Journal of Electronics, 2016, 25(5):892-900.