基于深度置信网络的移动电站发电机故障诊断

孙 鑫，陈海松，王 清

（陆军工程大学，野战工程学院，江苏 南京210001）

0 引言

移动电站作为一种移动式的独立电源，在工程作业中的主要作用是提供动力或者照明供电，通常使用在矿井、洞穴、建筑工地等场所，由于这些场所扬尘多、潮湿，工作环境较为恶劣，而发电机作为电站核心部件，长久处于该种环境下极易导致故障频发，且不同作业环境下故障类型不同，为故障排除带来困难。实现对移动电站发电机故障快速准确的诊断识别，不仅有利于提高作业效率，对保证作业人身安全也具有较大意义。针对移动电站及其发电机的故障诊断，很多学者提出了有效方法，如小波分析[1]、故障字典诊断法和灰色预测诊断法[2]、BP神经网络[3]等，但这些方法较多的依赖于人工经验，要求具有一定的先验知识，而浅层人工神经网络挖掘故障信息、提取故障特征和识别设备故障状况的能力有限，还可能产生维数灾难等问题，因此这些方法很难达到理想效果。深度置信网络由 Hinton[4]自 2006 年提出后，Tamilselva[5]、Tran[6]等使用DBN（Deep Belief Network，DBN）分别对飞机发动机和压缩机进行故障诊断，效果明显，取得了相比机器学习算法更好的诊断精度。

本文利用DBN从底层到顶层逐步获取移动电站发电机故障特征，在对初始数据进行简单预处理之后，无需过多的专业知识即可完成发电机故障的诊断，减少人为因素的影响，拥有较好的普适性和实用性。

1 深度置信网络基本理论

深度学习网络能够模拟人的大脑，建立与人思维相似的分析和学习结构[7]，来解释相关数据，如图像、声音、文本等。深度置信网络是一种非监督贪婪逐层训练的神经网络，通过不断的实验与验证，DBN展现了优异的特征提取和训练算法，能很好的表达出初始数据与最终输出之间的复杂映射关系。

深度置信网络是基于限制玻尔兹曼机堆栈而成的，其基本机构如图1所示。该图展示的是一个含有3个限制玻尔兹曼机的DBN结构示意图，每个RBM都有相对的输入与输出，即可见层与隐含层。如最初的RBM1中，原始数据按照样本的维度输入作为可见层v1，其输出层h1，两者之间的连接权重为w1；在RBM2中，RBM1的输出h1作为其输入v2，经过连接权重w2输出为h2，以此类推下去。每个RBM都是采用非监督的贪婪学习，使得输出层能最大似然的表示输入，因此通过多层RBM，实现了最初数据的特征提取。最后在输出层加上softmax函数完成对故障模式的分类识别。

图1 DB N结构示意图

深度置信网络的训练主要包含两个过程，一是基于RBM由下自上的前向传播，二是在BP算法下进行自顶向下的反向微调。

在前向传播中，Hinton提出了对比散度算法[8]，以n次（n一般取1）吉布斯采样完成快速参数更新，使RBM训练得以有效完成，更新公式为：

其中＜*＞data表示输入数据，＜*＞recon表示重建后的数据，m为惯性系数，控制参数受上一次影响的程度，η为正向学习率。单个RBM的参数训练完毕之后，将其输出作为下一个RBM输入循环以上步骤即可，从而完成所有RBM的参数初始化。

反向微调时使用BP算法，将分类误差自顶向下传播，对初始化的权重和偏置进行微调，更新公式为：

其中，α为微调学习率。通过反向微调完成整个网络的参数优化，达到整体网络性能最优。

2 基于DB N的发电机故障诊断模型

2.1 数据预处理

基于学者对发电机故障的分析[9-11]，结合实际工作，确定相应指标作为输入。对故障种类进行编号，记为1，2，…，m，为与正常工作时的指标进行对比，添加正常工作状态下的参数，编号为0，共m+1种输出类别标签。

为降低各指标之间的数量级差别，减少量纲对预测的影响，需要对数据进行预处理，作为后期DBN网络输入。

（1）对于部分为0的数据，将其赋值为10-8，避免运算过程中出现分母为0导致溢出；

（2）为提高数据随机性，将所有样本随机打乱组成样本集，按比例组成训练集和测试集；

（3）将数据进行归一化处理，调整到[0，1]之间，调整方式为：

其中，x′为调整后的数据，xmax和xmin为指标特征的最大和最小值，

2.2 DB N结构确定

DBN的结构参数主要包括数据输入维度、输出维度、RBM数量（隐含层数量）、各隐含层节点数。其中，数据输入维度由输入样本集的指标维度确定，输出维度一般由故障类别总数确定。这里主要需要人为确定的参数为隐含层数L和各隐含层节点数nl，由于这两个参数的确定尚无理论依据，本文采取文献[9]中提出的经验公式进行确定：

ni和no分别表示三层神经网络的输入与输出节点数，由于深度神经网络中第i个RBM的输出为第i+1个RBM的输入，因此对于第k个隐含层ni=hk-1，代入到式12，得到：

其中第一层输入h0=n0。

而关于层数的确定，一方面过少的层数易造成数据欠拟合，使得训练在训练集上表现就很差。另一方面，当层数过多时，则对分类特征具有更详细的表达，但是容易造成过拟合，虽然在训练集上表现很好，但泛化能力较差。因此，需要选取在合理的范围之内，由于没有确定的理论依据，通常2-3层可以满足需求，若想找到具体问题的最佳层数，需要通过实验确定。

分类问题中，一般采用交叉熵作为损失函数，而添加正则化项可防止模型过拟合，本文最终的损失函数为：

λ为惩罚系数，其值越大，对较大的权重值惩罚越大，从而控制目标权重在较为合理的区间取值。pˆi、pi分别表示数据输出的真实值与预测值。

2.3 模型训练

基于以上分析，移动电站发电机故障诊断模型流程为：

（1）采集发电机指标，对数据进行预处理，记录故障标签，划分训练集与测试集；

（2）设定网络各项参数，如网络层数、节点数与学习率、迭代次数等超参数；

（3）以样本输入维度为第一个RBM的输入，通过对比散度算法不断调整该RBM的权重与偏置，实现局部参数最优；

（4）将第一个RBM输出作为第二个RBM输入，重复3，直至所有RBM训练完毕；

（5）根据softmax层输出与实际标签对比，利用BP反向传播算法，将误差进行反传至各个RBM，微调权重与偏置，得到全局最优参数；

（6）判定是否达到停止条件，若是，停止迭代并输出，否则继续训练。

3 实例分析

3.1 实验数据

为验证模型有效性，使用某型拖车式移动电站进行实验验证。确定以下14项指标作为输入：工作线电压、工作电流、工作频率、发电机转速、励磁电压、励磁电流、水温、油压、油温、蓄电池电压、电机轴承温度、发电机外壳温度、发电机振动量、绝缘电阻。从这些指标可以看出，很多参数之间具有复杂联系，如励磁电压与励磁电流、发电机外壳温度与发电机振动量之间可能存在某种隐形函数关系，传统方法很难处理，并且随着维数的拓展，浅层神经网络也逐步丧失可行性，该种情况下宜使用提出的DBN方法进行分析。

实验设置了发电机轴承旷动、熔丝烧断、调压器调整不当、电刷接触不良、风扇损坏、润滑脂缺少、绕组受潮共7种故障，加上正常运行状态，共8类输出。为保证数据能充分反映发电机工作实际情况，水温、油压、油温、电机轴承温度和外壳温度统一设定为稳定运行30 min之后测量所得。

所有故障采样间隔为5 s。其中，每个故障取500组数据，共5000个样本，每个样本14个维度，打乱后构成整个数据集。对于标签数据，为便于计算输出误差，将故障编号转换为独热编码，如熔丝烧断编号为2，转换为[0 0 1 0 0 0 0 0 0]，采样结果按照前述数据预处理方法进行归一化，得到表1样本数据。

表1 预处理后部分数据

根据前文描述，隐含层数可从最少的2层开始，考虑输入数据维度为14，并不大，本文设为2层。节点数按照经验公式计算为11，将其作为参考值带入，前向学习率与微调学习率取为0.001，惯性权重为0.9，迭代次数为50次。为去除随机性影响，每次计算结果重复实验20次，取平均值，损失函数采用交叉熵，正则化系数为0.000 2。训练集为按比例随机在所有样本中抽取，剩余样本作为测试集。

3.2 实验与结果分析

为说明与其它传统故障诊断或浅层神经网络的区别，将DBN与BP、SVM方法进行对比，为保证环境的一致性，其中三层BP采用的隐含层节点数为11，激活函数同样为sigmoid，学习率、迭代次数与惯性系数均与DBN一致。SVM采用RBF作为核函数，训练集与测试集按照从1∶9到9∶1的比例进行试验，取20次实验平均值，准确率表示为模型预测类别正确的样本占测试总样本的百分比，结果如表2。

表2 DB N、BP、S V M准确率

从图2实验结果可知：

图2 不同方法结果对比图

（1）但从DBN准确率变化曲线来看，从第三组开始网络的预测准确率就已经高达98%以上，并且随着训练样本比例的增加最终递增到100%，说明样本越多，对模型提高其准确性具有更大的帮助，而且DBN对样本数据集划分比例变动不是很敏感，具有一定的鲁棒性。

（2）三种算法比较来看，在同样迭代到40次时，BP尚未找到合适的参数拟合，效果最差。而SVM具有与DBN相当的精度，即使在样本比例为1∶9时，仍然可以达到75.19%的准确率，此时DBN参数训练还严重欠拟合，导致其准确率接近随机结果。但当实验进行到编号3时，DBN具有相对较高的准确率，而SVM在最后还可能出现波动。整体实验表明，DBN用于发电机故障诊断切实可行，且相对浅层网络和传统方法具有更高的准确率和稳定性。

4 结论

本文基于深度置信网络较强的特征提取能力，构建了针对移动电站发电机的故障诊断模型，通过正向传播和反向微调，优化网络参数。验证了更多的测试样本有利于增加模型的预测准确率，表明DBN对划分的训练集和测试集比例变化具有一定的抵抗能力。通过与BP、SVM等算法的比较，进一步说明了DBN具有高精度、鲁棒性的优点[12]。