基于特征優選與深度學習的車載電源微小故障診斷方法

李煒， 韓寅龍， 孫曉靜

(1.蘭州理工大學 電氣工程與信息工程學院， 甘肅 蘭州 730050；2.甘肅省工業過程先進控制重點實驗室, 甘肅 蘭州 730050;3.蘭州理工大學 電氣與控制工程國家級實驗教學示范中心, 甘肅 蘭州 730050;4.蘭州電源車輛研究所有限公司, 甘肅 蘭州 730050)

0 引言

隨著現代戰場信息化程度日益提高，軍事裝備的電能需求亦快速增長。車載電源以其移動快捷、低噪聲運行、操作簡便、環境適應性強等技術優勢，廣泛應用于部隊野戰照明、指揮、控制、通訊、電子對抗、工程作業及搶險急救等[1-2]。通常車載電源工作環境復雜多變，故障種類多且隨機性高[3]。各類微小故障往往是導致系統無法正常工作的源頭，運行過程中一旦演變為嚴重故障，輕則使整個武器系統可能陷入癱瘓，影響軍隊戰斗力，重則甚至造成危及人員生命和財產安全的重大事故。因此，若能及時發現系統常見故障的早期征兆，準確識別出微小故障類型，提前進行防御性維護，則可降低或避免嚴重故障的發生，提高車載電源安全可靠性。

微小故障具有故障特征不明顯、容易被噪聲和擾動淹沒、不同微小故障之間難以準確區分等特點，因而迫切需要識別能力更強的故障診斷方法。車載電源本身屬于復雜的機電系統，由于建模代價高且難以建立精確的數學模型，加之先驗知識有限，因此傳統基于解析模型、專家知識的診斷方法并不適用于車載電源的微小故障診斷[4-5]。得益于傳感器與信息技術的迅速發展，復雜系統可以獲得海量、多源、高維的相關監測數據[6]，因而基于數據驅動的智能故障診斷方法已成為解決復雜系統微小故障診斷的重要途徑。其中基于神經網絡的診斷方法因其具有較強的非線性擬合能力、自學習能力，已被應用于復雜系統微小故障診斷[7-8]。

理論上，只要對監測數據進行合理且足夠深度的挖掘，便可以獲得數據更為細致化的特征。但是傳統的神經網絡因自身的淺層結構，限制了其從監測數據中充分挖掘微小故障特征的能力，也就影響了其診斷能力。Hinton等[9]在2006年首次提出了深度學習的思想，并證明了通過深度多層的網絡結構自動提取數據的高層次特征，能夠更加完整地描述原始數據，這無疑為微小故障診斷的研究開辟了新的途徑。Tamilselvan等在文獻[10]中給出了一種基于深度置信網絡的健康診斷方法，對飛機發動機和電力變壓器的健康狀態進行有效的診斷。文獻[11]提出了一種基于改進的卷積神經網絡作為微小故障特征提取器，支持向量機(SVM)代替Softmax作為分類器的方法，用于電機軸承的微小故障智能診斷。為確保高速列車穩定安全運行，文獻[12]提出了一種改進的長短時記憶網絡自編碼器結構，通過從原始信號中提取故障特征，實現了高速列車牽引系統微小故障的無監督診斷。文獻[13]提出了一種基于改進卷積神經網絡的深度學習算法，用于船舶旋轉機械微小故障的快速診斷。

對于微小故障診斷，基于深度學習的故障診斷算法仍存在訓練時間長、診斷精度有待提高等問題，除了深度學習參數優化自身的原因外，與數據的特征優選不無關系。因此，針對車載電源這一復雜機電系統微小故障的診斷需求，為了獲取更本質的數據特征，提高故障識別準確率，減少時間成本，本文提出一種基于遞歸特征消除(RFE)和棧式自編碼網絡(SAE)相融合的微小故障智能診斷方法。首先應用RFE算法對采集到的車載電源運行數據進行特征優選，剔除對分類不敏感的冗余特征，在此基礎上采用深度學習中的SAE網絡完成車載電源的微小故障診斷，以期達到準確診斷車載電源微小故障的目的，為盡早消除潛在安全隱患提供依據。

1 車載電源微小故障分析

車載電源是一類典型的復雜機電系統，其主要模塊包括柴油機、電子調速器、同步發電機、勵磁系統。由于各個模塊之間具有強耦合性，故障機理較復雜，故障類型既有電氣故障，也有機械故障[14]。在長期運行過程中由于負載變化、元部件退化磨損以及環境惡劣等因素，系統會逐漸出現一些故障，如同步發電機失磁、發電機三相電壓不平衡、電機匝間短路、噴油嘴堵塞、調速器失效等，上述故障一旦發生將導致車載電源無法正常工作。而車載電源微小故障具有測量信號征兆不明顯且噪聲大等特點。當微小故障發生時，車載電源可能仍以某種狀態繼續運行，但是隨著時間的推移，微小故障將逐漸演變為嚴重故障，其本質上是系統相關參數從“量變”到“質變”的過程，引發故障的機理是一致的。因此本文研究車載電源微小故障將聚焦于上述幾種常見故障的早期階段，具體可根據國家軍用交流移動電站通用規范(GJB 235A—97)中四類電站指標界定。

故障機理與征兆數據是開展微小故障診斷研究的基礎。考慮車載電源前期歷史監測數據匱乏，破壞性試驗成本過高，而復雜系統虛擬仿真不僅可行而且已是未來發展趨勢，在深入分析前述車載電源故障機理的基礎上，借助實驗室團隊前期為軍方用戶研發的“車載電源仿真系統”，該系統模型與車載電源實體的一致性前期已通過實體對象實驗驗證。通過在此平臺接入輔助元件或調整相關模塊參數，分別模擬不同故障工況并采集監測數據，進而依據GJB 235A—97中四類電站的電氣性能主要指標，結合行業專家經驗與歷史數據，最終確定4種車載電源微小故障，如表1所示。

表1 車載電源微小故障

2 基于RFE-SAE的車載電源微小故障診斷方法

2.1 基于RFE-SAE車載電源微小故障診斷方法思想的提出

深度學習具有從原始樣本中自動學習數據本質特征的能力，通過構建的深層神經網絡可從輸入數據中挖掘更具抽象性、細節化的高階信息，而這些高層次特征無疑是提升微小故障診斷性能的關鍵因素[4]。SAE作為深度學習領域中的經典網絡模型，其通過對輸入數據的“復制”逐層提取高階特征，并在此過程中實現數據降維，將復雜的輸入數據轉換為更具代表性的低維特征。SAE網絡模型的特性完全契合微小故障診斷的目標需求，因此選擇SAE用于車載電源微小故障特征的提取，再通過添加一個Softmax分類器，對于車載電源常見微小故障的診斷無疑是可行的。

考慮到實際中用于車載電源狀態監測的數據較多，測量數據中的變量對于微小故障，其敏感度各有差異，且存在一定的冗余。為提高SAE無監督學習效率與微小故障診斷能力，需先對原始測量數據進行特征選擇。RFE算法通常被用于消除冗余和無用特征，應用領域較廣泛。相對于經典的特征降維方法——主成分分析，通過RFE選擇最優特征子集時，不僅可以將特征變量按其對故障分類的重要度排序，為剔除冗余特征提供依據，而且構造的新特征子集還可保持原始測量數據的可解釋性。因此將RFE作為車載電源微小故障測量數據特征變量的優選算法，更利于故障溯源。

本文在SAE網絡基礎上引入RFE算法，以實現車載電源微小故障的快速有效診斷。基于RFE-SAE車載電源微小故障診斷算法，主要包括特征優選、微小故障特征提取和故障模式分類等三部分。該算法的核心思想是：對于大量監測數據構成的特征集，首先利用RFE算法對特征進行優選，剔除對微小故障分類不敏感的冗余特征；其次在此基礎上利用無標簽樣本無監督地訓練SAE，進一步挖掘故障的深層特征；最后結合分類器有監督的對整個網絡模型參數進行反向微調，從而使整個深度網絡可以更好的在優選特征子集中提取微小故障特征，并進行微小故障模式的有效分類。

2.2 基于RFE的車載電源微小故障特征優選

RFE算法本質是根據原始數據對分類器性能指標的重要度來評價特征，并通過重要度產生特征排序，其性能與采用何種迭代分類器有關，常用的分類器有SVM、隨機森林、樸素貝葉斯等。基于SVM的遞歸特征消除(SVM-RFE)是由Guyon等[26]在2002年進行癌癥分類的基因選擇時提出來的。SVM-RFE作為經典的封裝器模型算法，其中SVM作為分類器，在每一輪訓練時會選擇所有特征值進行訓練，根據特征排序準則，在每次迭代訓練時去掉一個排序系數最小的特征變量，最終得到所有特征重要性的遞減順序的排序。

本文采用SVM-RFE算法對車載電源候選特征進行重要度排序，目的是從中選擇出對常見微小故障更為敏感的最優特征子集，以其作為深度學習網絡的輸入。候選特征集由車載電源監測數據中的15種相關變量構成，具體包括有功功率P、無功功率Q、功率因數cosφ、頻率f、轉子轉速n、電磁轉矩Te、定子電壓Us、定子電流Is、勵磁電壓Ef、三相電壓UA、UB、UC以及三相電流IA、IB、IC。構建車載電源微小故障候選特征向量集合X∈RN×M，故障特征標簽集合y∈R。

(1)

(2)

式中：N表示特征集合中樣本個數；M表示候選的特征變量個數，即M=15；k表示車載電源工況類型對應的標簽,由表1常見微小故障類型加上正常狀態共計k=5。

基于SVM-RFE的車載電源特征優選，是利用候選特征集中的樣本訓練SVM，并通過特征排序系數公式(3)式計算各個特征權重，作為特征排序的依據。目標分類器SVM采用徑向基核函數代替內積，如(4)式所示。

(3)

(4)

式中：r為特征序號；α為拉格朗日乘子；H為樣本矩陣，H(-r)表示第r個特征被移除時矩陣的值；Hij表示核函數K(xi,xj)對應的核矩陣，xi，xj為輸入樣本；σ表示高斯核的帶寬。基于SVM-RFE算法流程如圖1所示。

圖1 SVM-RFE算法流程圖

圖1中，S表示當前候選特征排序列表，F表示最終輸出的特征排序列表；二者在每次執行完畢后進行更新；?表示空集。

2.3 基于SAE的車載電源微小故障診斷

自編碼器(AE)主要包括編碼器和解碼器兩部分。其中編碼器由輸入層和隱層組成，其對原始數據進行編碼，在隱層得到特征向量并“壓縮”原始數據。解碼器由隱層和輸出層組成，隱層輸出的特征向量通過解碼器“還原”為原始數據，當輸出數據和原始數據之間的重構誤差足夠小時，則認為隱層輸出的高階特征可以有效表達原始數據[27-28]。多個自編碼網絡堆疊在一起構成了SAE，其能夠獲取比原始AE網絡更抽象的特征表達。SAE因利用“貪婪逐層”算法訓練網絡，解決了傳統神經網絡算法容易陷入局部最優的問題[29-30]。因而其與原始的自編碼網絡相比，更適合復雜的多分類問題。

單層AE網絡編碼過程可定義為

h=sf(Wx+b)

(5)

式中：h為隱層輸出的特征集合；sf(·)為編碼器的激活函數，一般選擇sigmoid函數；W為輸入層到隱層之間的權值矩陣；x為原始輸入數據；b為輸入層到隱層之間的偏置矩陣。

解碼過程可以定義為

x′=sg(W′h+b′)

(6)

式中：x′為輸出集合；sg(·)為解碼器的激活函數；W′為隱層到輸出層之間的權值矩陣；b′為隱層到輸出層之間的偏置矩陣。

自編碼器通過尋求最優參數{W,W′,b,b′}令輸出x′盡可能的還原輸入x。網絡輸出層采用非線性激活函數，其還原程度用重構誤差來定義，即

(7)

式中：m為樣本數。

車載電源微小故障診斷的深度網絡模型中使用多層堆疊的AE來提取更高級別的微小故障特征。對SAE執行分層的正向無監督訓練，隨機初始化第1層 AE的初始權值和偏置{W1,W′1,b1,b′1}，采用(7)式所示的均方誤差作為損失函數，通過梯度下降算法訓練網絡使得重構誤差達到最小。待第1層AE網絡訓練完成后只保留其編碼部分，然后將第1層 AE提取的高級特征作為第2層AE的輸入，并對第2層網絡進行訓練。以此類推，完成整個網絡的訓練后，最后一層網絡輸出的高級特征即為車載電源微小故障最終的特征表達。

將一個Softmax分類層連接在SAE網絡層頂端，使用樣本標簽和提取的微小故障特征進一步訓練整個深度網絡，微調網絡參數。同時Softmax分類層輸出車載電源各類微小故障的概率，最終完成故障診斷。SAE網絡結構可表示如圖2所示，其輸入為車載電源最優特征子集，輸出為微小故障類別標簽。

圖2 SAE網絡結構圖

2.4 基于RFE-SAE車載電源微小故障診斷框架與步驟

綜合2.1節～2.3節，基于RFE-SAE的車載電源微小故障診斷方法框架如圖3所示。

圖3 車載電源微小故障診斷框架圖

本文所提車載電源微小故障診斷方法其診斷步驟如下：

步驟1在車載電源仿真平臺模擬表1內對應的微小故障，并采集運行數據。

步驟2對采集到的數據進行歸一化預處理，消除不同特征之間的量綱影響。

步驟3利用SVM-RFE算法對候選特征集進行特征重要度排序，并通過優選得到最優特征子集。

步驟4將最優特征子集按一定比例隨機生成訓練集和測試集。

步驟5初始化網絡參數，即設置SAE網絡的網絡層數和每層單元數，并隨機初始化其權值和偏置。

步驟6將訓練集中無標簽樣本輸入上述多層網絡，采用逐層貪婪的方法對網絡進行訓練，提取故障特征并更新網絡參數。

步驟7在SAE網絡頂部添加Softmax分類器，將提取到的特征和樣本標簽作為分類器的輸入，通過誤差反向傳播算法，對整個網絡的參數進行有監督的微調。

步驟8將測試集輸入已建立的SAE故障診斷模型，進行故障分類。

3 仿真實驗與結果分析

3.1 數據采集與評價指標

本文通過車載電源仿真平臺分別模擬5類運行工況，即系統正常運行、同步發電機部分失磁、同步發電機三相電壓不平衡度1%～2%、噴油嘴輕微堵塞、調速器退化。采集相應的運行數據構成候選特征集，數據集中每類工況包含5 000個樣本，共計 25 000個數據，具體數據集描述如表2所示。在數據集中隨機抽取80%的樣本作為訓練集，即20 000個樣本用于網絡模型的訓練。剩余20%的樣本作為測試集，即5 000個樣本用于模型最終的微小故障診斷效果測試。

表2 車載電源微小故障數據集描述

為了客觀量化的評價所建模型對車載電源常見微小故障診斷的有效性，考慮其本質仍屬于多分類問題，在此運用分類任務中常用的評價指標：準確率(accuracy)、精度(precision)、召回率(recall)，對RFE-SAE診斷模型進行評價。計算第i類樣本的評價指標時，將第i類作為正類，其他類作為負類。評價指標計算公式如下：

(8)

(9)

(10)

式中：TP表示模型輸出為正類且實際為正類的樣本數量；TN表示模型輸出為負類且實際為負類的樣本數量；FP表示模型輸出為正類且實際為負類的樣本數量；FN表示模型輸出為負類且實際為正類的樣本數量。

3.2 基于RFE的特征優選結果分析

在完成數據采集工作后，首先采用MAX-MIN歸一化算法對不同特征進行預處理。進一步為了消除冗余特征，根據2.2節中SVM-RFE算法步驟對15個候選特征變量進行重要度排序，重要度排序結果如表3所示。

表3 基于RFE的特征重要度排序

考慮到特征個數在一定程度上會影響到網絡模型的性能，過少選擇特征個數會丟失有用的故障信息，降低故障診斷效果。為了選擇出車載電源微小故障診斷模型最適用的優選特征子集，按表3第2行中的排序，從重要度排序最低的特征變量開始，逐次遞增變量個數進行剔除，將剩余特征變量作為模型輸入。預先設定SAE網絡隱層結構為2層AE組成，每層分別取9個和6個神經元，在此模型結構下進行試驗，最終得到特征變量剔除個數不同時微小故障診斷準確率的結果，如表4所示。

表4 特征剔除個數與故障診斷結果的關系

由表4可以看出：從輸入全部15個特征變量開始，逐步剔除1～4個重要度低的冗余特征，SAE模型對微小故障的診斷準確率隨之提高；當剔除4個重要度排序最低的特征變量時，故障診斷準確率達到最高，為95.2%。進一步剔除特征變量故障診斷準確率反而下降。表明對故障分類非關鍵特征量過多地保留以及對其過度剔除，均會降低SAE網絡對微小故障的診斷性能，前者因為冗余使網絡魯棒性變弱，后者則因丟失過多有用的信息致使網絡診斷能力降低。

綜上結果文中選取重要度排序前11的特征變量作為優選后的微小故障特征數據集，即SAE網絡模型的輸入。

3.3 SAE網絡結構及參數的確定

為了確定SAE網絡模型結構，對深度網絡的隱層數量和隱層神經元個數進行優化實驗。根據前期大量仿真經驗，綜合考慮后對SAE隱層數和隱層神經元數量設置一個試驗范圍，其中隱層數由2層遞增到4層，隱層神經元數量范圍為5～10個。選用Sigmoid函數作為隱層的激活函數，代價函數選用均方差損失函數，網絡迭代次數為2 000次。以全工況下的微小故障診斷準確率作為優化試驗的評價指標，確定此模型最優的SAE網絡結構，具體結果如表5所示。

表5 SAE網絡隱層數量及隱層神經元個數對于故障診斷結果的影響

表5給出了9種組合下SAE網絡模型的微小故障診斷準確率。對于2層隱層中的[10 5]組合，其準確率最高，為95.4%，表明該結構最利于SAE網絡學習車載電源微小故障的數據特征。對于3層、4層隱層的5種組合雖然增加了網絡隱層數量和隱層神經元個數，但是其準確率并不理想，反而會增加網絡訓練時間。綜上，最終確定SAE整體網絡結構為4層，其中隱層為2層AE，神經元個數分別為10-5。輸入層神經元個數對應車載電源優選特征集中變量個數，即11個。Softmax分類層作為輸出層，其神經元個數對應表1中車載電源5類工況(正常與4類微小故障工況)。

3.4 基于RFE-SAE的故障診斷結果分析

混淆矩陣可以較為直觀全面的反映車載電源不同微小故障的診斷準確率和召回率，以及各類微小故障誤診、漏診的樣本數量。因此將RFE-SAE模型的微小故障診斷結果使用混淆矩陣進行可視化，如圖4所示。其中橫軸坐標表示故障診斷的目標類別，縱軸坐標表示模型輸出的故障類別，主對角線右下角單元格顯示全工況的故障診斷準確率為95.4%。矩陣第1行表示第1種工況下有866個樣本被正確診斷，88個樣本被誤診，診斷精度達到90.8%，錯誤診斷率為9.2%。矩陣第1列表示第1種工況中共有101個樣本被漏診，召回率為89.6%，其漏診率為10.4%。

圖4 RFE-SAE模型故障診斷結果

為了顯示本文方法對車載電源微小故障的優勢，仿真實驗同時對基于淺層BP神經網絡，RFE-BP網絡以及單純SAE網絡3種模型分別進行了測試。不同模型診斷結果的混淆矩陣如圖5所示。

圖5 不同模型故障診斷結果

圖5(a)～圖5(c)分別顯示出BP、RFE-BP、SAE 3種模型在全工況下的故障診斷準確率分別為78.2%、82.1%、93.1%，均低于圖4中RFE-SAE模型的95.4%。考慮到各個模型訓練過程中的偶然性和隨機因素對診斷結果的影響，為了使故障診斷結果更具說服力。對4種網絡模型各進行10次故障診斷試驗并對診斷結果進行統計，求取不同模型診斷結果的準確率、精度、召回率3項評價指標的平均值，具體統計數據如表6所示。

從表6中的對比數據可以看出：僅就全工況下的故障診斷準確率而言，基于RFE-SAE的網絡模型診斷效果最好，其總體故障診斷準確率的平均值達到95.4%，較SAE網絡故障診斷準確率提高了2.4%；RFE-BP將BP的故障診斷準確率平均值從78.1%提升到81.5%，但診斷效果仍不理想。上述結果充分表明：對于微小故障診斷，深層網絡明顯優于淺層網絡，尤其是文中提出的RFE-SAE模型具有更強的故障診斷能力，因此更加適合應用于車載電源的微小故障診斷。

表6 不同模型診斷效果對比結果

為了進一步說明RFE-SAE網絡模型的優勢，在仿真過程中分別統計了各模型訓練與測試計算時間，仿真實驗環境基于16G內存的i7-8750H處理器筆記本電腦。不同模型網絡耗時如表7所示。

表7 不同模型訓練計算時間

對比表7中各模型訓練時長可知，BP神經網絡因其自身的淺層結構所以訓練耗時較短，深度網絡SAE模型耗時最長。在引入RFE算法后，RFE-BP模型對比BP網絡的訓練時長縮短了3.74 s，RFE-SAE模型訓練時長為83.071 8 s，相對于SAE網絡模型訓練診斷耗時縮短14.7%，表明特征優選可以有效減少網絡訓練耗時，提升模型故障診斷效能。

4 結論

車載電源微小故障征兆微弱，且監測數據中存在冗余特征，導致微小故障難以有效診斷。為此，本文結合特征選擇算法RFE與深度網絡SAE二者的優勢，提出了一種基于RFE-SAE的微小故障診斷方法。經過大量試驗分析得到如下結論：

1) 對于車載電源微小故障的診斷，所構建的深度網絡模型RFE-SAE(包括SAE)，其診斷效果明顯優于淺層網絡BP、RFE-BP兩種模型。表明深度網絡結構能夠更加深入地學習車載電源監測數據中高級特征，因此能更準確地診斷車載電源的微小故障。

2) 對于車載電源監測數據存在冗余，其微小故障診斷模型的特征變量并非越多越好，冗余變量的合理剔除可以有效提升模型的故障診斷性能。RFE-SAE模型與單純的SAE網絡相比，在微小故障診斷準確率和網絡訓練時效性方面，均顯現出更大優勢，可以實現車載電源微小故障的有效診斷。

在實際工程中，由于噪聲和擾動的存在，會使車載電源微小故障的診斷任務更加困難，因此結合主動故障診斷技術開展車載電源的微小故障診斷，將是下一步研究工作的目標。