類別不平衡的通信基站空調故障診斷

羅方芳,郭文忠,劉耿耿,陳國龍

1(福州大學 數學與計算機科學學院,福州 350116) 2(福州大學 空間數據挖掘與信息共享教育部重點實驗室,福州 350116) 3(集美大學 計算機工程學院,廈門 361021)E-mail:fzugwz@163.com

1 引 言

移動通信系統中的基站通過無線連接技術為移動臺提供接入系統的接口.據工信部發布的《2017年通信運營業統計公報》顯示,2017年,移動通信基站的總數達到593萬,其中4G基站新增86.1萬個,總數達到328萬個,移動網絡覆蓋范圍和服務能力繼續提升[1].由于基站設備需要在相對恒溫的條件下才能正常工作,所以移動通信基站中都要加裝專用的通信空調,為基站內各種設備的穩定運行提供必要條件.對基站空調各傳感器數據進行健康狀態評估不僅可以了解設備的運行狀況,還可以對異常狀態及時報警,以便盡早進行故障排查,盡可能將軟故障解決于萌芽狀態,避免硬故障的發生而影響通信設備的正常運行.因此,高效的、多維度故障源分析的基站空調故障檢測和診斷系統的研究有其實際意義.

空調故障診斷實際上是一個分類問題,目前已有一些人工智能技術應用于空調故障診斷.如將主成成分分析(PCA)法應用于變風量空調傳感器故障診斷[2],利用神經網絡檢測空氣處理機組故障[3],綜合角度分析法和Fisher判別法應用于空調傳感器多故障診斷[4],構建專家規則集進行空調系統故障診斷[5],將SVM應用于螺桿制冷系統故障診斷[6],等等.從這些研究中可以發現,相較于PCA法和專家系統,基于神經網絡和SVM的故障診斷模型魯棒性強,診斷精度較高,但普遍存在兩個問題:

1)忽略了訓練集中的類別不平衡問題.上述算法均是在訓練集類別平衡的假設基礎上構建的.然而,數據集類別不均衡現象很普遍,這種不平衡性會使得一些少量樣本的故障類型在分類器的訓練過程中被視為噪聲而遭“吞噬”.與決策樹處理方法相比,小類樣本識別率低的問題在神經網絡類型的故障診斷中更為嚴重.

2)上述方法大多給出單類的已發生的硬故障診斷結果.空調系統處于亞健康狀態時,軟故障源通常不是一種,并且一種軟故障可能引發另外一種軟故障發生.若能檢測出仍在繼續工作的多維度的軟故障并及時預警,可為通信基站空調系統的高效運行提供更堅實的保障.

針對不平衡數據分類已有一些研究,主要可以劃分為數據層面方法和算法層面方法兩大類.數據層面方法是通過重采樣的數據預處理方式來平衡數據集中的樣本分布.重采樣的代表算法有SMOTE[7]及其衍生方法.SMOTE算法在相鄰樣本之間通過插值來合成一定數量的正類樣本,使得正類樣本數量與負類樣本的數量相近達到平衡,但易出現數據重疊的現象,并且在樣本特征維度高的情況下會合成不準確數據[8].算法層面方式是通過設計特定的分類模型使其對不平衡的樣本分布不敏感.一種途徑是訓練單類分類器,再集成獲得最終的分類結果[9].這種方法在標簽空間龐大時效率低,并且沒有利用負類樣本的信息.另一種途徑是代價敏感學習[10,11],在訓練分類器的時候考慮不同類別樣本的錯分代價,通過最小化錯分總代價來改變樣本的空間分布,這種方式綜合考慮了正負樣本的信息.

基于上述分析,本文設計一個基于單隱層前饋神經網絡的基站空調故障診斷系統,針對各個故障模式給出多標簽診斷結果.在最小化風險損失的訓練階段,引入非對稱階式損失函數,通過為小樣本類別設置較高的截斷參數和邊界參數來提高小類樣本的識別率.另一方面,多標簽的分類結果可以為空調維護人員提供軟故障排查的故障源的偏序序列.

2 通信基站空調結構

如圖1所示,實驗對象是目前應用最為廣泛的移動通信基站空調系統(非迷你型通信基站),基站空調有內機和外機兩部分,中間采用制冷劑管道連接.基站空調主要部件有:全封閉渦旋式壓縮機、室外風冷冷凝器、冷凝風機、室內蒸發器、送風風機、電子膨脹閥及控制系統等.

圖1 移動基站空調系統示意圖Fig.1 Schematic diagram of base station′s air conditioner

本文所設計的故障監測和診斷系統分為離線訓練階段與在線監測分析兩部分.離線訓練階段,對數據歸一化預處理后,導入基于單隱層前饋多標簽分類器進行訓練,獲得穩定的故障診斷模型.在線監測階段,系統接收基站空調傳感器的數據(溫度、濕度、壓力等),歸一化預處理后輸入離線訓練階段所獲得的診斷模型,分析當前空調的運行狀態.對軟故障及時預警排查以提高空調系統的制冷效率.

表1 實例參數及其含義Table 1 Parameters and their meaning of sample

表2 故障模式與樣本數Table 2 Fault mode and number of samples

3 算法模型構建

3.1 多標簽輸出的單隱層前饋神經網絡

圖2 SLF結構圖Fig.2 Structure diagram of SLF

(1)

3.2 基于代價敏感的損失函數風險最小化模型

一般情況下,損失函數的計算是用平方誤差損失函數L2,即,l(T.,i,Y.,i)=‖T.,i-Y.,i‖2.L2損失函數實現簡單,但存在著一些不適用于類別不平衡數據集的因素.首先,L2損失函數對異常樣本不魯棒,當異常樣本的邊界(margin)為較小的負值時,損失函數值仍很大.其次,L2損失函數不是單調遞減的,依舊懲罰Yji>1的樣本xi,從統計學角度分析Yji>1時,故障模式j的分類置信度很高.再者,L2損失函數無差別對待所有的訓練樣本,在不平衡分類問題中應用效果不佳.

本文采用非對稱階式最小二乘損失函數(asymmetric stage wise least square loss function ASLS)[12]替代L2損失函數,ASLS的定義和迭代規則如公式(2)所示.其中,r是截斷系數,δ是邊界系數.

(2)

ASLS通過截斷參數和邊界參數不僅可以給不同類別的樣本設定不同的錯分代價,還可以使正類樣本被錯分為負類樣本的代價更大.通過邊界參數δ的調整,使得正類樣本比負類樣本更加遠離分類邊界.當ASLS收斂時的表達式如公式(3)所示.

(3)

對類別不平衡的故障診斷問題,各故障模式的負類樣本的ASLS的截斷參數和邊界參數設置為(γ-,δ-)=(1,1),這樣只需調節正類樣本的ASLS參數(γ+,δ+).為了提高小類樣本的故障識別率,需要特別設置較大的(γ+,δ+)值,并且為了加速收斂,在迭代的過程中可以動態調整ASLS.

目標函數 本文將面向類別不平衡的單隱層神經網絡(single hidden layer feed-ward neural network with class imbalance)稱為SLF-CIB.采用ASLS損失函數,第t次迭代時SLF-CIB模型可用公式(4)表示.

(4)

其中,Λ是一個對角矩陣,如果Tji=-1,那么Λjj=1;如果Tji=+1,那么Λjj=(r+)/(δ2).

凸分析 SLF-CIB模型通過引入代價敏感的ASLS參數改變了樣本的分布,改善了類別不平衡數據產生的不利影響.同時由于施加了截斷參數r,對異常樣本更加魯棒,具有更好的稀疏性.對于模型(1),當W或H有一個是固定時,即可轉為凸規劃問題.SLF-CIB模型在模型(1)的基礎上加入了ASLS損失函數.由于在每輪迭代ASLS損失函數均為最小二乘形式,因而在每輪迭代模型(4)仍是凸的.綜上,SLF-CIB仍是一個凸規劃問題,因而交替方向乘子算法(alternating direction method of multipliers ADMM)[13]可以應用于SLF-CIB的求解.

模型(4)的拉格朗日形式如公式(5)所示.

(5)

在第t輪迭代中,采用ADMM方法獲得如公式(6)所示的W(t+1)、H(t+1)、ξ(t+1)、λ(t+1)后,進入t+1輪迭代.

(6)

故障診斷結果輸出 當訓練完成后,獲得穩定的SLF-CIB結構.將未知實例x輸入SLF-CIB可得到預測輸出Y=[y1,…,yq],對于yi≥0的各分量進行降序排序,得到可能故障源的一個偏序關系.ya>yb?ta?tb,表示故障ta的發生概率高于故障tb的發生概率.最終獲得一個故障源的偏序序列[y(1),y(2),…,y(q)]，y(1)?y(2)?…?y(q),為基站空調維護人員進行故障排查提供參考.

4 實 驗

4.1 標準UCI數據集試驗

為了更好地測試SLF-CIB算法的性能,本文對3組不同領域的類別分布不均衡的UCI數據集(Wine、Glass、Abalone)進行測試.數據集的具體信息如表3所示,數據集名稱后的(n)中的數字代表少數類的類別.規模為M的不平衡類別數據集的混淆矩陣如表4定義.采用TPR(True positive ratio),TNR(True negative ratio),ACC(Accuracy),AUC(Area under the curve of ROC)指標進行評價.TPR=TP/(TP+FN)，TNR=TN/(TN+FP)，ACC=(TP+TN)/M.

表3 UCI數據集信息Table 3 Properties of the UCI data sets

表4 混淆矩陣Table 4 Confusion matrix

對比算法有BP神經網絡、多類SVM、決策樹C4.5算法.各程序均在Matlab2017上部署運行,SVM采用徑向基函數作為核函數,參數采用網格計算方法,λ和γ的搜索范圍為λ∈{2-9，…，210}和γ∈{2-9，…，25}. 采用增量生長法來確定SLF-CIB算法和BP神經網絡的隱層節點數目,從5開始遞增,測試學習誤差,若誤差的變化低于閾值(0.01),則停止增長.SLF-CIB算法輸出的偏序序列的第一個分量參與評價指標計算,實驗采用五折交叉驗證法,實驗結果的平均值如表5所示.從表5可以看到,SLF-CIB在大多數的數據集下取得了較高的AUC和TPR.對于存在著極小類樣本的數據集Glass、Abalone,SLF-CIB算法與決策樹算法的TNR值相近,但TPR值提高了,說明對于小類樣本的識別率有顯著的提高,進而提高了AUC指標值.

表5 各算法在UCI數據集上的實驗結果Table 5 Experiment results on the UCI data sets

4.2 在通信基站空調數據集上的實驗

針對通信基站空調故障數據集,SLF-CIB算法各故障模式的ASLS參數設置如表6所示.故障模式2、4、7為少數類(ASLS參數(γ+,δ+)設置較高),其余故障模式均可視為多數類.將SLF-CIB算法與SMOTE決策樹算法進行比較,輸出的偏序序列的第一個分量參與評價指標計算,實驗采用五折交叉驗證法,針對少數類正確率和多數類錯誤率進行分析,對比結果見表7.表7中的“過采樣參數”為SMOTE方法在近鄰中隨機選擇的樣本數,即過采樣倍頻.基于SMOTE的采樣方法隨著過采樣參數的增高,在高維的數據集上不僅會產生交叉型的樣本還會生成不準確的樣本,從而影響故障診斷性能.而SLF-CIB通過非對稱的階式損失函數調整了樣本的分布來提高故障診斷性能,在不平衡數據集的處理取得了更好的分類效果.

表6 故障模式與ASLS參數Table 6 Fault mode and ASLS parameter

表7 通信基站空調故障數據集上的實驗結果Table 7 Experiment results on communication base station air conditioning data set

5 結 論

本文提出了一種基于單隱層前饋神經網絡的多標簽分類算法來解決通信基站空調故障診斷中的類別不平衡問題.可以通過為各故障模式靈活地設置損失函數的截斷參數和邊界參數來改變小類樣本的分布,在UCI標準數據集和通信基站空調故障數據集上的實驗結果表明所提SLF-CIB算法提高了不平衡數據集的故障診斷精度,特別是提高了小類樣本的識別率.并且多標簽分類輸出的故障模式的偏序序列,為維護人員在軟故障排查上提供了多維度的技術支持.但隱層神經元數目的設定目前采用的是生長法實驗產生,過程較為耗時,在今后的工作中將進一步優化隱層神經元數目的設定.