基于深度置信網絡的移動電站發電機故障診斷

孫 鑫，陳海松，王 清

（陸軍工程大學，野戰工程學院，江蘇 南京210001）

0 引言

移動電站作為一種移動式的獨立電源，在工程作業中的主要作用是提供動力或者照明供電，通常使用在礦井、洞穴、建筑工地等場所，由于這些場所揚塵多、潮濕，工作環境較為惡劣，而發電機作為電站核心部件，長久處于該種環境下極易導致故障頻發，且不同作業環境下故障類型不同，為故障排除帶來困難。實現對移動電站發電機故障快速準確的診斷識別，不僅有利于提高作業效率，對保證作業人身安全也具有較大意義。針對移動電站及其發電機的故障診斷，很多學者提出了有效方法，如小波分析[1]、故障字典診斷法和灰色預測診斷法[2]、BP神經網絡[3]等，但這些方法較多的依賴于人工經驗，要求具有一定的先驗知識，而淺層人工神經網絡挖掘故障信息、提取故障特征和識別設備故障狀況的能力有限，還可能產生維數災難等問題，因此這些方法很難達到理想效果。深度置信網絡由 Hinton[4]自 2006 年提出后，Tamilselva[5]、Tran[6]等使用DBN（Deep Belief Network，DBN）分別對飛機發動機和壓縮機進行故障診斷，效果明顯，取得了相比機器學習算法更好的診斷精度。

本文利用DBN從底層到頂層逐步獲取移動電站發電機故障特征，在對初始數據進行簡單預處理之后，無需過多的專業知識即可完成發電機故障的診斷，減少人為因素的影響，擁有較好的普適性和實用性。

1 深度置信網絡基本理論

深度學習網絡能夠模擬人的大腦，建立與人思維相似的分析和學習結構[7]，來解釋相關數據，如圖像、聲音、文本等。深度置信網絡是一種非監督貪婪逐層訓練的神經網絡，通過不斷的實驗與驗證，DBN展現了優異的特征提取和訓練算法，能很好的表達出初始數據與最終輸出之間的復雜映射關系。

深度置信網絡是基于限制玻爾茲曼機堆棧而成的，其基本機構如圖1所示。該圖展示的是一個含有3個限制玻爾茲曼機的DBN結構示意圖，每個RBM都有相對的輸入與輸出，即可見層與隱含層。如最初的RBM1中，原始數據按照樣本的維度輸入作為可見層v1，其輸出層h1，兩者之間的連接權重為w1；在RBM2中，RBM1的輸出h1作為其輸入v2，經過連接權重w2輸出為h2，以此類推下去。每個RBM都是采用非監督的貪婪學習，使得輸出層能最大似然的表示輸入，因此通過多層RBM，實現了最初數據的特征提取。最后在輸出層加上softmax函數完成對故障模式的分類識別。

圖1 DB N結構示意圖

深度置信網絡的訓練主要包含兩個過程，一是基于RBM由下自上的前向傳播，二是在BP算法下進行自頂向下的反向微調。

在前向傳播中，Hinton提出了對比散度算法[8]，以n次（n一般取1）吉布斯采樣完成快速參數更新，使RBM訓練得以有效完成，更新公式為：

其中＜*＞data表示輸入數據，＜*＞recon表示重建后的數據，m為慣性系數，控制參數受上一次影響的程度，η為正向學習率。單個RBM的參數訓練完畢之后，將其輸出作為下一個RBM輸入循環以上步驟即可，從而完成所有RBM的參數初始化。

反向微調時使用BP算法，將分類誤差自頂向下傳播，對初始化的權重和偏置進行微調，更新公式為：

其中，α為微調學習率。通過反向微調完成整個網絡的參數優化，達到整體網絡性能最優。

2 基于DB N的發電機故障診斷模型

2.1 數據預處理

基于學者對發電機故障的分析[9-11]，結合實際工作，確定相應指標作為輸入。對故障種類進行編號，記為1，2，…，m，為與正常工作時的指標進行對比，添加正常工作狀態下的參數，編號為0，共m+1種輸出類別標簽。

為降低各指標之間的數量級差別，減少量綱對預測的影響，需要對數據進行預處理，作為后期DBN網絡輸入。

（1）對于部分為0的數據，將其賦值為10-8，避免運算過程中出現分母為0導致溢出；

（2）為提高數據隨機性，將所有樣本隨機打亂組成樣本集，按比例組成訓練集和測試集；

（3）將數據進行歸一化處理，調整到[0，1]之間，調整方式為：

其中，x′為調整后的數據，xmax和xmin為指標特征的最大和最小值，

2.2 DB N結構確定

DBN的結構參數主要包括數據輸入維度、輸出維度、RBM數量（隱含層數量）、各隱含層節點數。其中，數據輸入維度由輸入樣本集的指標維度確定，輸出維度一般由故障類別總數確定。這里主要需要人為確定的參數為隱含層數L和各隱含層節點數nl，由于這兩個參數的確定尚無理論依據，本文采取文獻[9]中提出的經驗公式進行確定：

ni和no分別表示三層神經網絡的輸入與輸出節點數，由于深度神經網絡中第i個RBM的輸出為第i+1個RBM的輸入，因此對于第k個隱含層ni=hk-1，代入到式12，得到：

其中第一層輸入h0=n0。

而關于層數的確定，一方面過少的層數易造成數據欠擬合，使得訓練在訓練集上表現就很差。另一方面，當層數過多時，則對分類特征具有更詳細的表達，但是容易造成過擬合，雖然在訓練集上表現很好，但泛化能力較差。因此，需要選取在合理的范圍之內，由于沒有確定的理論依據，通常2-3層可以滿足需求，若想找到具體問題的最佳層數，需要通過實驗確定。

分類問題中，一般采用交叉熵作為損失函數，而添加正則化項可防止模型過擬合，本文最終的損失函數為：

λ為懲罰系數，其值越大，對較大的權重值懲罰越大，從而控制目標權重在較為合理的區間取值。p?i、pi分別表示數據輸出的真實值與預測值。

2.3 模型訓練

基于以上分析，移動電站發電機故障診斷模型流程為：

（1）采集發電機指標，對數據進行預處理，記錄故障標簽，劃分訓練集與測試集；

（2）設定網絡各項參數，如網絡層數、節點數與學習率、迭代次數等超參數；

（3）以樣本輸入維度為第一個RBM的輸入，通過對比散度算法不斷調整該RBM的權重與偏置，實現局部參數最優；

（4）將第一個RBM輸出作為第二個RBM輸入，重復3，直至所有RBM訓練完畢；

（5）根據softmax層輸出與實際標簽對比，利用BP反向傳播算法，將誤差進行反傳至各個RBM，微調權重與偏置，得到全局最優參數；

（6）判定是否達到停止條件，若是，停止迭代并輸出，否則繼續訓練。

3 實例分析

3.1 實驗數據

為驗證模型有效性，使用某型拖車式移動電站進行實驗驗證。確定以下14項指標作為輸入：工作線電壓、工作電流、工作頻率、發電機轉速、勵磁電壓、勵磁電流、水溫、油壓、油溫、蓄電池電壓、電機軸承溫度、發電機外殼溫度、發電機振動量、絕緣電阻。從這些指標可以看出，很多參數之間具有復雜聯系，如勵磁電壓與勵磁電流、發電機外殼溫度與發電機振動量之間可能存在某種隱形函數關系，傳統方法很難處理，并且隨著維數的拓展，淺層神經網絡也逐步喪失可行性，該種情況下宜使用提出的DBN方法進行分析。

實驗設置了發電機軸承曠動、熔絲燒斷、調壓器調整不當、電刷接觸不良、風扇損壞、潤滑脂缺少、繞組受潮共7種故障，加上正常運行狀態，共8類輸出。為保證數據能充分反映發電機工作實際情況，水溫、油壓、油溫、電機軸承溫度和外殼溫度統一設定為穩定運行30 min之后測量所得。

所有故障采樣間隔為5 s。其中，每個故障取500組數據，共5000個樣本，每個樣本14個維度，打亂后構成整個數據集。對于標簽數據，為便于計算輸出誤差，將故障編號轉換為獨熱編碼，如熔絲燒斷編號為2，轉換為[0 0 1 0 0 0 0 0 0]，采樣結果按照前述數據預處理方法進行歸一化，得到表1樣本數據。

表1 預處理后部分數據

根據前文描述，隱含層數可從最少的2層開始，考慮輸入數據維度為14，并不大，本文設為2層。節點數按照經驗公式計算為11，將其作為參考值帶入，前向學習率與微調學習率取為0.001，慣性權重為0.9，迭代次數為50次。為去除隨機性影響，每次計算結果重復實驗20次，取平均值，損失函數采用交叉熵，正則化系數為0.000 2。訓練集為按比例隨機在所有樣本中抽取，剩余樣本作為測試集。

3.2 實驗與結果分析

為說明與其它傳統故障診斷或淺層神經網絡的區別，將DBN與BP、SVM方法進行對比，為保證環境的一致性，其中三層BP采用的隱含層節點數為11，激活函數同樣為sigmoid，學習率、迭代次數與慣性系數均與DBN一致。SVM采用RBF作為核函數，訓練集與測試集按照從1∶9到9∶1的比例進行試驗，取20次實驗平均值，準確率表示為模型預測類別正確的樣本占測試總樣本的百分比，結果如表2。

表2 DB N、BP、S V M準確率

從圖2實驗結果可知：

圖2 不同方法結果對比圖

（1）但從DBN準確率變化曲線來看，從第三組開始網絡的預測準確率就已經高達98%以上，并且隨著訓練樣本比例的增加最終遞增到100%，說明樣本越多，對模型提高其準確性具有更大的幫助，而且DBN對樣本數據集劃分比例變動不是很敏感，具有一定的魯棒性。

（2）三種算法比較來看，在同樣迭代到40次時，BP尚未找到合適的參數擬合，效果最差。而SVM具有與DBN相當的精度，即使在樣本比例為1∶9時，仍然可以達到75.19%的準確率，此時DBN參數訓練還嚴重欠擬合，導致其準確率接近隨機結果。但當實驗進行到編號3時，DBN具有相對較高的準確率，而SVM在最后還可能出現波動。整體實驗表明，DBN用于發電機故障診斷切實可行，且相對淺層網絡和傳統方法具有更高的準確率和穩定性。

4 結論

本文基于深度置信網絡較強的特征提取能力，構建了針對移動電站發電機的故障診斷模型，通過正向傳播和反向微調，優化網絡參數。驗證了更多的測試樣本有利于增加模型的預測準確率，表明DBN對劃分的訓練集和測試集比例變化具有一定的抵抗能力。通過與BP、SVM等算法的比較，進一步說明了DBN具有高精度、魯棒性的優點[12]。