裴小鄧，羅 林，陳 帥，王 喬

（遼寧石油化工大學(xué)信息與控制工程學(xué)院，遼寧撫順113001）

電力變壓器是電力系統(tǒng)中關(guān)鍵電氣設(shè)備之一，一旦變壓器因故障而停止工作，將會(huì)對整個(gè)區(qū)域的生產(chǎn)生活造成不可估量的損失。因此，實(shí)時(shí)識(shí)別電力變壓器的運(yùn)行狀態(tài)是非常必要的[1]。電力變壓器在實(shí)際運(yùn)行條件下受電氣應(yīng)力、機(jī)械應(yīng)力和熱壓力等因素的影響，其絕緣材料與變壓器油會(huì)發(fā)生緩慢的化學(xué)變化，進(jìn)而放出CO2、CO 氣體以及生成某些碳?xì)浠衔铮–H4、C2H6等）溶解在油中。當(dāng)變壓器發(fā)生故障時(shí)，將加速這些化學(xué)反應(yīng)的進(jìn)行，所生成的化合物種類及比例與放電、放熱等故障有著密切的聯(lián)系[2]。

基于DGA 的電力變壓器故障診斷方法主要分為傳統(tǒng)診斷方法和人工智能診斷方法。傳統(tǒng)診斷方法主要有特征氣體法和比值法（包括IEC 三比值法、改進(jìn)的IEC 三比值法）。雖然這些方法便于工程應(yīng)用，但是編碼并不完備，對于某些故障很難找到與之對應(yīng)的編碼，因此診斷的準(zhǔn)確率較低。人工智能診斷方法主要包括模糊理論[3]、專家系統(tǒng)[4]、神經(jīng)網(wǎng)絡(luò)[5]、支持向量機(jī)[6]等。雖然這些方法取得了較好的應(yīng)用效果，提高了故障識(shí)別率，但同時(shí)存在著一定不足。模糊理論診斷法隸屬函數(shù)難以確定，需要大量的實(shí)際故障數(shù)據(jù)；專家系統(tǒng)診斷法需要大量的專家經(jīng)驗(yàn)，獲取到的經(jīng)驗(yàn)難以表達(dá)，推理能力較弱；神經(jīng)網(wǎng)絡(luò)診斷法存在易陷入局部最優(yōu)、收斂速度慢、泛化能力差等缺點(diǎn)；支持向量機(jī)診斷法在本質(zhì)上屬于二分類問題，處理多分類問題時(shí)需要經(jīng)歷“一對一”或“一對多”等復(fù)雜的過程，核函數(shù)和正則化參數(shù)選擇困難。

隨著機(jī)器學(xué)習(xí)的發(fā)展，深度學(xué)習(xí)的發(fā)展推動(dòng)了人工智能技術(shù)在變壓器DGA 故障診斷方面的諸多應(yīng)用，如深度置信網(wǎng)絡(luò)（Deep Belief Network，DBN）[7]、深度自編碼網(wǎng)絡(luò)(Deep Auto -Encoder Network，DAEN)[8]、卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)[9]。文獻(xiàn)[10]提出了一種基于深度置信網(wǎng)絡(luò)構(gòu)建變壓器故障診斷模型，利用快速歧化算法加快了網(wǎng)絡(luò)收斂速度，在診斷的準(zhǔn)確率上較BPNN 和SVM 有了提升。文獻(xiàn)[11]提出了一種基于貝葉斯正則化深度信念網(wǎng)絡(luò)的電力變壓器故障診斷方法，克服了傳統(tǒng)的DBN 方法在大量無標(biāo)簽樣本的情況下才能得到較高準(zhǔn)確率的缺點(diǎn)。文獻(xiàn)[12]提出了一種基于深度自編碼網(wǎng)絡(luò)的電力變壓器故障診斷方法，解決了一些樣本數(shù)據(jù)缺少標(biāo)簽的問題，但是該方法需要大量的預(yù)訓(xùn)練樣本，在預(yù)訓(xùn)練樣本數(shù)據(jù)較少時(shí)，診斷的效果并不理想。文獻(xiàn)[13]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法，雖然克服了一些淺層機(jī)器學(xué)習(xí)方法存在的問題，但是池化類型和網(wǎng)絡(luò)深度的選擇并未說明，卷積網(wǎng)絡(luò)強(qiáng)大的特征提取能力并未得到展示。

本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法，利用卷積層提取特征和池化層強(qiáng)化重要特征的能力來解決特征提取和過擬合的問題，達(dá)到提高診斷準(zhǔn)確率的目的。

1 卷積神經(jīng)網(wǎng)絡(luò)的基本原理

一個(gè)完整的卷積神經(jīng)網(wǎng)絡(luò)一般是由輸入層、卷積層、池化層、展開層、全連接層、輸出層組成,其中卷積層和池化層是整個(gè)網(wǎng)絡(luò)的核心。

1.1 卷積層

卷積層是通過使用卷積核對上一層的部分區(qū)域進(jìn)行卷積運(yùn)算，提取出相應(yīng)的特征信息。卷積層最重要的兩個(gè)特點(diǎn)是稀疏連接和權(quán)值共享，這兩點(diǎn)也是卷積神經(jīng)網(wǎng)絡(luò)和普通的神經(jīng)絡(luò)本質(zhì)上的區(qū)別。稀疏連接和全連接的不同之處在于卷積層中的神經(jīng)元只與上一層的部分神經(jīng)元相連，權(quán)值共享的優(yōu)點(diǎn)在于特征提取時(shí)可以不考慮局部特征的位置，同時(shí)可以有效地減少卷積層網(wǎng)絡(luò)參數(shù)的數(shù)量，從而降低因參數(shù)過多而發(fā)生過擬合的幾率。全連接、稀疏連接、權(quán)值共享示意圖如圖1 所示。

圖1 全連接、稀疏連接、權(quán)值共享示意圖

卷積層的輸出結(jié)果為：

1.2 池化層

卷積層提取到的特征在傳入下一層之前，可以對其進(jìn)行處理，池化是最常用的處理方式。通過池化層的處理，卷積層提取到的特征維度得到有效的壓縮，可以減少網(wǎng)絡(luò)中參數(shù)的數(shù)量，網(wǎng)絡(luò)的計(jì)算量得到降低，同時(shí)也降低網(wǎng)絡(luò)發(fā)生過擬合的幾率。池化有最大池化和平均池化兩種方式，最大池化是對某個(gè)區(qū)域的特征取最大化的操作，可以濾去一些不重要的特征信息。平均池化是對某個(gè)區(qū)域的特征進(jìn)行平均化的操作，對一些不重要的特征信息并不像最大池化那樣完全濾去，而是淡化，以此來強(qiáng)化那些重要的特征信息。由此可見，模型經(jīng)過池化處理后，其抗干擾能力和穩(wěn)定性都得到加強(qiáng)。

池化層的輸出結(jié)果為：

1.3 Softmax 回歸模型

本文采用Softmax 回歸模型。Softmax 回歸模型是Logistic 回歸模型的推廣,常用于求解多分類問題。假設(shè)訓(xùn)練集為{(x(1)，y(1))，(x(2)，y(2))，…，(x(m)，y(m))}，其中x(i)∈Rn+1，y(i)∈{1，2，3，4，…，k}，當(dāng)輸入樣本為x 時(shí)，可由激勵(lì)函數(shù)hθ(x)求出樣本屬于任意類別時(shí)的概率p(y=j|x)。假設(shè)函數(shù)將要輸出一個(gè)k維的向量來表示k 個(gè)估計(jì)的概率值，這些向量元素之和為1。激勵(lì)函數(shù)可表示為：

式中，θ1,θ2,…,θK∈Rn+1為模型參數(shù)項(xiàng)是對概率分布進(jìn)行歸一化處理，使所有概率的和等于1。將θ 用一個(gè)K×(n+1)的矩陣可表示為：

接下來對Softmax 回歸代價(jià)函數(shù)進(jìn)行分析。代價(jià)函數(shù)J(θ)見式（5）。在式（5）中，1{·}是指示性函數(shù)，運(yùn)算規(guī)則為：1{表達(dá)式的值為真}=1，1{表達(dá)式的值為假}=0。

將樣本x 分類，分為第j 類的概率為：

在實(shí)現(xiàn)softmax 回歸算法時(shí),通過在式中添加一個(gè)權(quán)重衰減項(xiàng)對過大的參數(shù)值進(jìn)行懲罰?；貧w代價(jià)函數(shù)公式將表示為：

增加權(quán)重衰減項(xiàng)后，代價(jià)函數(shù)成為一個(gè)凸函數(shù)，這樣能防止優(yōu)化過程中陷入局部收斂，得到最優(yōu)解。為對其進(jìn)行優(yōu)化，需要計(jì)算J(θ)的導(dǎo)數(shù)，其梯度公式為：

式中，?θjJ(θ)為向量，第l 個(gè)元素是J(θ)對θj第l 個(gè)分量的偏導(dǎo)數(shù)。利用梯度下降法對代價(jià)函數(shù)J(θ)進(jìn)行最小化。每次迭代過程中都需要對參數(shù)進(jìn)行更新。

式中，α 為學(xué)習(xí)率。

2 卷積網(wǎng)絡(luò)診斷模型的搭建

2.1 輸入和輸出向量的選擇

根據(jù)《變壓器油中溶解氣體分析和判斷導(dǎo)則》可知，變壓器發(fā)生故障狀態(tài)時(shí)共有氫氣（H2）、甲烷（CH4）、乙烷（C2H6）、乙烯（C2H4）、乙炔（C2H2）、一氧化碳（CO）、二氧化碳（CO2）七種氣體存在，本文選取其中五種氣體（H2、CH4、C2H6、C2H4、C2H2）作為變壓器故障診斷的輸入特征向量。選取正常N、局部放電PD、低能放電D1、高能放電D2、中低溫過熱T1、高溫過熱T2 作為卷積神經(jīng)網(wǎng)絡(luò)的輸出向量。

2.2 數(shù)據(jù)預(yù)處理

本文將每種氣體（共五種）體積與氣體總體積之比作為卷積網(wǎng)絡(luò)診斷模型的輸入，按照式（10）做規(guī)范化處理。

2.3 變壓器故障編碼

對六種變壓器故障類型進(jìn)行二進(jìn)制編碼，結(jié)果如表1 所示。

2.4 CNN 模型診斷結(jié)構(gòu)圖

卷積神經(jīng)網(wǎng)絡(luò)處理的數(shù)據(jù)一般是m×n 的二維格式，但是本文用于診斷變壓器故障的數(shù)據(jù)是m×1 的一維格式，所以采用一維卷積神經(jīng)網(wǎng)絡(luò)搭建診斷模型。由于數(shù)據(jù)維度小，只搭建了單層和雙層兩種診斷模型。

表1 變壓器故障類型編碼

CNN 模型診斷結(jié)構(gòu)如圖2 所示。輸入層的大小為5×1，因此卷積層C1卷積核的大小有1×1、2×1、3×1、4×1 四種選擇。為了體現(xiàn)卷積層稀疏連接的優(yōu)勢，C1層只選擇卷積核大小為2×1、3×1、4×1三種進(jìn)行實(shí)驗(yàn)。

圖2 CNN 模型診斷結(jié)構(gòu)

2.4.1 單層卷積診斷模型 當(dāng)卷積層有K 個(gè)大小為m×1(m=2,3,4)的卷積核，可以提取到K 個(gè)大小為(6-m)×1 的特征圖。當(dāng)池化層的大小為2×1，可以得到K 個(gè)大小為的 特征圖，經(jīng)展開后共獲得K(6-m)/2 個(gè)特征。

2.4.2 雙層卷積診斷模型

(a)當(dāng)卷積層C1有K1個(gè)大小為2×1 的卷積核，可以提取到K1個(gè)大小為4×1 的特征圖。當(dāng)池化層P1的大小為2×1，可以得到K1個(gè)大小為2×1 的特征圖。當(dāng)卷積層C2有K2個(gè)大小為2×1 的卷積核，可以提取到K2個(gè)大小為1×1 的特征圖，當(dāng)池化層P2的大小為1×1，可以得到K2個(gè)大小為1×1 的特征圖，經(jīng)展開后共獲得K2個(gè)特征。(b)當(dāng)卷積層C1有K1個(gè)大小為3×1 的卷積核，可以提取到K1個(gè)大小為3×1的特征圖。當(dāng)池化層P1的大小為2×1，可以得到K1個(gè)大小為2×1 的特征圖。當(dāng)卷積層C2有K2個(gè)大小為2×1 的卷積核，可以提取到K2個(gè)大小為1×1 的特征圖。當(dāng)池化層P2的大小為1×1，可以得到K2個(gè)大小為1×1 的特征圖，經(jīng)展開后共獲得K2個(gè)特征。

全連接層的神經(jīng)元個(gè)數(shù)設(shè)為32，卷積層和全連接層的激活函數(shù)為Relu。為防止過擬合，在全連接層后面使用Dropout 技術(shù)，比率設(shè)為0.2，學(xué)習(xí)率設(shè)為0.000 1，迭代次數(shù)設(shè)為2 500。

3 實(shí)驗(yàn)分析

本文變壓器故障實(shí)驗(yàn)基于python3.7 語言環(huán)境，在操作系統(tǒng)為Windows10 家庭中文版(64 位)、CPU為Intel(R) Core(TM) i5-5200U (2 201 MHz)、內(nèi)存為8 G 聯(lián)想80FA 電腦上完成。

3.1 樣本數(shù)據(jù)的選取

本文從相關(guān)文獻(xiàn)中一共獲取了393 條完整的變壓器DGA 數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。將故障樣本按照7∶3 的比例劃分為訓(xùn)練集和測試集。訓(xùn)練集和測試集的分布狀況如表2 所示。

表2 訓(xùn)練集和測試集的分布情況

3.2 卷積核數(shù)目對模型性能的影響

為了保證實(shí)驗(yàn)的準(zhǔn)確性，將卷積網(wǎng)絡(luò)其他參數(shù)的設(shè)置保持一致（包括卷積核大小、池化類型的選擇、全連接層單元數(shù)目、學(xué)習(xí)率、Dropout 比率等參數(shù)）。卷積核數(shù)目對訓(xùn)練集準(zhǔn)確率、測試集準(zhǔn)確率以及訓(xùn)練損失的影響如圖3 所示。

圖3 卷積核數(shù)目對訓(xùn)練集準(zhǔn)確率、測試集準(zhǔn)確率以及訓(xùn)練損失的影響

從圖3 可以看出，當(dāng)卷積核數(shù)目從1 增加到3時(shí)，訓(xùn)練集準(zhǔn)確率和測試準(zhǔn)確率不斷提高，卷積核數(shù)目從3 增加到30 時(shí)訓(xùn)練集準(zhǔn)確率和測試準(zhǔn)確率趨于平穩(wěn)。當(dāng)卷積核數(shù)目從1 增加到4 時(shí)，訓(xùn)練損失大幅減少，卷積核數(shù)目從4 增加到17 時(shí)總體上為下降趨勢，卷積核數(shù)目從17 增加到30 時(shí)有小幅度變化，總體是趨于平穩(wěn)的。由此可以得出，隨著卷積核數(shù)目的增加，訓(xùn)練集和測試集的準(zhǔn)確率并不會(huì)一直增大，訓(xùn)練損失也不會(huì)一直減小。為了使訓(xùn)練集和測試集準(zhǔn)確率高，同時(shí)使訓(xùn)練損失小，卷積核數(shù)目為17 時(shí)最為合適。

3.3 卷積核大小對模型性能的影響

在卷積核數(shù)目為17、其他參數(shù)保持相同的情況下，選擇卷積核大小為2×1、3×1、4×1 來測試卷積核對模型性能的影響，從訓(xùn)練損失和訓(xùn)練準(zhǔn)確率兩方面來比較說明。不同卷積核的訓(xùn)練損失及訓(xùn)練集準(zhǔn)確率迭代圖如圖4 所示。

圖4 不同卷積核的訓(xùn)練損失及訓(xùn)練集準(zhǔn)確率迭代圖

從圖4 可以看出，當(dāng)卷積核大小為3×1 時(shí)，訓(xùn)練損失最大，訓(xùn)練集準(zhǔn)確率最低；當(dāng)卷積核大小為4×1 時(shí)，訓(xùn)練損失最小，訓(xùn)練準(zhǔn)確率最高。該實(shí)驗(yàn)證明，并不是卷積核越小訓(xùn)練集準(zhǔn)確率越高，訓(xùn)練損失越小。為了使訓(xùn)練集準(zhǔn)確率高同時(shí)訓(xùn)練損失小，卷積核大小為4×1 最為合適。

3.4 池化層對模型性能的影響

分別測試最大池化和平均池化對模型性能的影響，選擇卷積核數(shù)目為17，卷積核大小為4×1，池化層大小為2×1，其他的參數(shù)保持相同。不同池化層下的訓(xùn)練損失、訓(xùn)練集準(zhǔn)確率、測試集準(zhǔn)確率如表3 所示。從表3 可以看出，最大池化的訓(xùn)練集和測試集準(zhǔn)確率更高，訓(xùn)練損失更小，證明最大池化使模型的診斷性能更為優(yōu)秀。

表3 不同池化層的訓(xùn)練損失、訓(xùn)練集準(zhǔn)確率、測試集準(zhǔn)確率

3.5 學(xué)習(xí)率和Dropout 比率對診斷結(jié)果的影響

為了優(yōu)化模型性能，測試學(xué)習(xí)率和Dropout 比率對變壓器診斷結(jié)果的影響，結(jié)果如圖5 所示。

圖5 學(xué)習(xí)率和Dropout 比率對變壓器診斷結(jié)果的影響

從圖5 可以看出，當(dāng)Dropout 比率一定時(shí)，診斷的準(zhǔn)確率會(huì)隨著學(xué)習(xí)率的減小而增加。當(dāng)學(xué)習(xí)率為0.100 0、0.010 0、0.001 0 時(shí)，Dropout 比率對診斷結(jié)果影響較大，當(dāng)學(xué)習(xí)率為0.000 1 時(shí)，Dropout 比率對于診斷結(jié)果沒有影響。實(shí)驗(yàn)結(jié)果表明，當(dāng)學(xué)習(xí)率選擇合適時(shí)，模型并不會(huì)發(fā)生過擬合現(xiàn)象，證明了卷積層的稀疏連接和權(quán)值共享能夠有效地防止過擬合，同時(shí)也證明了池化層增強(qiáng)了模型的穩(wěn)定性。

3.6 網(wǎng)絡(luò)深度對模型性能的影響

為了測試網(wǎng)絡(luò)深度對模型診斷性能的影響，本實(shí)驗(yàn)將對單層和雙層（單個(gè)卷積層加上單個(gè)池化層為一層網(wǎng)絡(luò)）卷積診斷模型的性能進(jìn)行對比。單層模型參數(shù)選擇實(shí)驗(yàn)最佳參數(shù)，即卷積核數(shù)目為17，卷積核大小為4×1，池化層選擇最大池化。雙層模型有2 種方式，單層卷積和雙層卷積診斷模型性能如表4 所示。卷積層中17-4×1 表示卷積核數(shù)目為17，卷積核大小為4×1，池化層中2×1表示池化層大小為2×1，池化類型同樣選擇最大池化。其余的參數(shù)單層和雙層保持一致（從結(jié)構(gòu)上講，雙層是單層網(wǎng)絡(luò)的復(fù)制，僅設(shè)定單層網(wǎng)絡(luò)初始參數(shù)）。從表4 可知，單層和雙層的訓(xùn)練損失、訓(xùn)練集準(zhǔn)確率、測試集準(zhǔn)確率幾乎相同，證明了單層和雙層診斷模型的性能相同，這是由于DGA數(shù)據(jù)結(jié)構(gòu)簡單，受網(wǎng)絡(luò)深度影響較小。

表4 單層卷積和雙層卷積診斷模型性能

3.7 實(shí)驗(yàn)對比

從混淆矩陣、ROC 曲線、PR 曲線等多個(gè)方面來比較CNN、SVM、BPNN 模型診斷性能。CNN、BPNN、SVM 的混淆矩陣如圖6 所示。從圖6 可以看出，CNN 模型對于正常、低能放電、高能放電、中低溫過熱、高溫過熱狀態(tài)預(yù)測上效果較好，局部放電狀態(tài)的預(yù)測效果一般；BPNN 模型在高能放電、中低溫過熱、高溫過熱狀態(tài)的預(yù)測效果較好，在正常、局部放電、低能放電狀態(tài)的預(yù)測效果較差；SVM模型在高能放電、中低溫過熱、高溫過熱狀態(tài)的預(yù)測效果較好，在局部放電狀態(tài)的預(yù)測效果一般，在正常、低能放電狀態(tài)預(yù)測效果非常差。尤其是低能放電狀態(tài)，SVM 模型預(yù)測準(zhǔn)確率為0，BPNN 模型預(yù)測準(zhǔn)確率為50%，而CNN 模型預(yù)測準(zhǔn)確率為100%。實(shí)驗(yàn)證明了CNN 模型的分類性能要明顯優(yōu)于BPNN 模型和SVM 模型。

圖6 CNN、BPNN、SVM 的混淆矩陣

不同模型的訓(xùn)練集和測試集準(zhǔn)確率如表5所示。

表5 不同模型的訓(xùn)練集和測試集準(zhǔn)確率 %

從表5 可以看出，CNN 模型的訓(xùn)練集準(zhǔn)確率和測試集準(zhǔn)確率都超過了90%，明顯高于SVM 模型和BPNN 模型，這是由于CNN 模型特征提取能力要比SVM 和BPNN 強(qiáng)。SVM 模型訓(xùn)練集和測試集的準(zhǔn)確率都不高，說明SVM 模型在多分類問題上分類能力一般。BPNN 模型雖然訓(xùn)練集準(zhǔn)確率高達(dá)95.636%，但是訓(xùn)練集的準(zhǔn)確率只有85.593%，說明BPNN 模型的泛化能力較差，容易發(fā)生過擬合。

不同模型的ROC 曲線如圖7 所示。從圖7 可以看出，CNN模型ROC 曲線AUC 值高達(dá)0.99，比SVM 模型AUC 值高0.02，比BPNN 模型AUC 值高0.01，AUC 值接近的原因是由于樣本不平衡造成的，AUC 值受樣本數(shù)量影響較大，從混淆矩陣中可以看出BPNN、SVM 模型在高能放電、高溫過熱狀態(tài)預(yù)測結(jié)果非常出色，最終導(dǎo)致AUC 值接近。但是，CNN 模型的分類和泛化能力比SVM 和BPNN模型要優(yōu)秀。

圖7 不同模型的ROC 曲線

PR 曲線跟ROC 曲線相比，AUC 的值受樣本不平衡影響較小。不同模型的PR 曲線如圖8 所示。

圖8 不同模型的PR 曲線

從圖8 可以看出，CNN 模型PR 曲線AUC 值高達(dá)0.97，比SVM 模型AUC值高出0.07，比BPNN模型AUC 值高出0.05,證明CNN 模型的泛化和分類能力更為優(yōu)秀。

3.8 特征可視化

CNN 模型診斷準(zhǔn)確率高的原因之一在于它強(qiáng)大的特征提取能力。為了驗(yàn)證CNN 模型強(qiáng)大的特征提取能力，采用t-SNE（t-Distributed Stochastic Neighbor Embeding）技術(shù)，把CNN 模型提取到的高維特征映射成二維特征，并以散點(diǎn)圖的形式可視化出來。首先把CNN 模型的全連接層提取到的393個(gè)樣本的三十二維特征提取出來，然后利用t-SNE技術(shù)將393 個(gè)樣本的三十二維特征降為二維并展示出來。CNN 模型特征可視化如圖9 所示。從圖9 可以看出，相同的類聚集在一起，不同的類有一定的距離，聚類的準(zhǔn)確率在98%以上，說明CNN 模型提取到的特征可分性好，證明CNN 模型有著優(yōu)秀的特征提取能力。

圖9 CNN 模型特征可視化

4 結(jié) 論

在變壓器診斷領(lǐng)域，淺層機(jī)器學(xué)習(xí)診斷方法雖然在診斷的精度上較傳統(tǒng)的方法有所提升，但是還存在著一些缺點(diǎn)，為克服這些缺點(diǎn)，構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷模型。通過混淆矩陣、ROC 曲線、PR 曲線多方面實(shí)驗(yàn)驗(yàn)證，基于卷積神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法跟支持向量機(jī)、BP 神經(jīng)網(wǎng)絡(luò)相比，特征提取和泛化能力更強(qiáng)，診斷的準(zhǔn)確率更高。實(shí)驗(yàn)結(jié)果表明，雙層卷積網(wǎng)絡(luò)模型診斷準(zhǔn)確率不一定比單層的高，卷積核的數(shù)量并不是越多越好，卷積核的尺寸并不是越小越好，因此卷積網(wǎng)絡(luò)的深度、核數(shù)目、核大小要根據(jù)數(shù)據(jù)的實(shí)際情況來選擇。對于池化層的大小和全連接層神經(jīng)元數(shù)目的選擇并未討論，這也是下一步研究的重點(diǎn)。