基于深度置信网络的故障诊断方法

王永杰

摘要 针对复杂系统故障诊断需求，研究利用深度学习的故障诊断方法，解决通过样本数据特征识别和分析进行故障诊断的问题，提出了一种基于深度置信网络的故障诊断方法，通过实验验证，分析了诊断误差与模型训练次数的关系。为自主运行系统的故障诊断提供了一种可行方法。

【关键词】故障诊断 深度置信网络 诊断模型故障识别误差

本文介绍了一种基于深度置信网络的故障诊断方法，该方法通过可标注样本和模型训练为复杂系统的故障定位提供一种解决方案。

1 诊断模型设计

深度置信网络（ Deep Belief Network，DBN）是深度学习算法中的一种，其优势在于能够摆脱对大量信号处理技术与诊断经验的依赖，完成故障特征的自适应提取与装备运行状况的智能诊断。

基于DBN网络的故障诊断的具体实现步骤如下：

（1）定义故障类型;

（2）对故障信号及设备状态进行编码处理，将各种类型的信号单独归一化;

（3）将带标签的原始信息数据集为训练集和测试集;

（4）初始化DBN网络参数，调整各层隐含单元数量，逐层训练RBM网络，微调网络参数，获取最优权重矩阵信息;

（5）通过测试集测试网络。

DBN网络包括两层受限玻尔兹曼机（Restricred Boltzmann Machine， RBM）和一层反向传播网络（ Back Propagation，BP）。深度置信网络的训练过程分为预训练和微调两个步骤：第一步预训练，分别单独无监督地训练每一层RBM网络，使特征映射到不同的特征空间，保留尽量多的特征信息;第二步网络参数微调，利用BP网络有监督地训练最顶层的分类器，将RBM网络学习到的特征进行融合分类。在本方法中，采用对比散度法（Contrastive Divergence，CD）逐层训练RBMs，定义hl为第i层的隐单元，其中i=l，2，3，4，定义v为输出数据，选择的深度网

2 仿真和试验

以北斗主控站地面管理系统数据为例进行了仿真和试验，通过仿真实验验证该方案的可行性与有效性，具体实现如表1。

2.1 故障类型定义

如表1所示。

2.2 实验内容及仿真结果分析

首先对原始信息数据进行线性归一化变换，使其范围限制在[O，11内。DBN模型采用的4层模型，各层节点数分别为25、200、200、17。以正态随机分布初始化DBN模型的权重，初始阈值设为O，最大迭代次数为1000，学习率为0.01。每类故障选取1000个样本作为训练，100个样本作为测试。

结果表明利用深度置信网络可以直接从原始数据中进行故障特征提取及诊断可以适应复杂工况。但由于训练样本较少，多样性不足，因此还存在故障识别错误率较高的问题，在工程中随着训练样本的增加，故障诊断的准确率将会大大提高，估计在99%以上。

3 结束语

利用深度学习的方法，对大型复杂系统运行过程中积累的样本数据进行了特征提取和分析，通过实验数据验证了深度置信网络算法对故障识别的有效性。在后面研究工作中将开展小样本数据条件下提高故障诊断准确率的方法。

参考文献

[1]王锋，孙秀霞.基于专家系统与人工神经网络集成的航姿系统故障诊断[J].空军工程大学学报，2005，6（01）：17-19.

[2]周志華.机器学习[M]，北京：清华大学出版社，2016.