王永杰

摘要 針對復雜系統(tǒng)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(shù)據(jù)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(wǎng)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(shù)的關系。為自主運行系統(tǒng)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(wǎng)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(wǎng)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(tǒng)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(wǎng)絡（ Deep Belief Network，DBN）是深度學習算法中的一種，其優(yōu)勢在于能夠擺脫對大量信號處理技術與診斷經(jīng)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(wǎng)絡的故障診斷的具體實現(xiàn)步驟如下：

（1）定義故障類型;

（2）對故障信號及設備狀態(tài)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(shù)據(jù)集為訓練集和測試集;

（4）初始化DBN網(wǎng)絡參數(shù)，調整各層隱含單元數(shù)量，逐層訓練RBM網(wǎng)絡，微調網(wǎng)絡參數(shù)，獲取最優(yōu)權重矩陣信息;

（5）通過測試集測試網(wǎng)絡。

DBN網(wǎng)絡包括兩層受限玻爾茲曼機（Restricred Boltzmann Machine， RBM）和一層反向傳播網(wǎng)絡（ Back Propagation，BP）。深度置信網(wǎng)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(jiān)督地訓練每一層RBM網(wǎng)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(wǎng)絡參數(shù)微調，利用BP網(wǎng)絡有監(jiān)督地訓練最頂層的分類器，將RBM網(wǎng)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(shù)據(jù)，選擇的深度網(wǎng)

2 仿真和試驗

以北斗主控站地面管理系統(tǒng)數(shù)據(jù)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(xiàn)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(shù)據(jù)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(jié)點數(shù)分別為25、200、200、17。以正態(tài)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(shù)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(wǎng)絡可以直接從原始數(shù)據(jù)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(tǒng)運行過程中積累的樣本數(shù)據(jù)進行了特征提取和分析，通過實驗數(shù)據(jù)驗證了深度置信網(wǎng)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(shù)據(jù)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(tǒng)與人工神經(jīng)網(wǎng)絡集成的航姿系統(tǒng)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.