殷振興

（江蘇省淮沭新河管理處，江蘇 淮安 223005）

泵站主要承擔(dān)水資源調(diào)度任務(wù)，當(dāng)泵站運行狀態(tài)劣化到一定程度，機組正常運行受到影響，無法正常生產(chǎn)工作，則泵站系統(tǒng)出現(xiàn)故障［1］。 機械故障的特點主要表現(xiàn)為潛在性、漸發(fā)性、耗損性等［2］，對于泵站機組中水泵與電機等旋轉(zhuǎn)機械，主要有基礎(chǔ)松動、軸承故障、油膜振蕩等故障，這些旋轉(zhuǎn)機械中幾乎過半故障均為轉(zhuǎn)軸引起［3］，轉(zhuǎn)軸故障一般為不對中故障、油膜渦動及轉(zhuǎn)子質(zhì)量不平衡等［4］，因此，對轉(zhuǎn)軸進行故障檢測保證轉(zhuǎn)軸正常運行具有重要意義，有利于梯級泵站更好地運行。

針對多要素不確定性故障，根據(jù)深度學(xué)習(xí)理論知識構(gòu)建稀疏自編碼器，可完成泵站故障特征表達，再結(jié)合支持向量機（SVM）良好的分類能力建立自編碼的SVM故障檢測模型，以達到泵站不確定性故障檢測目的。

1 計算原理與方法

近年來深度學(xué)習(xí)在科研領(lǐng)域被廣泛應(yīng)用，相比之前的神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)深度神經(jīng)網(wǎng)絡(luò)（Deep neural network，DNN）算法在輸入與輸出層間包含了多于一層的隱含層，是一種前饋人工神經(jīng)網(wǎng)絡(luò)，識別率提高了一個檔次。

1.1 稀疏自動編碼器

自動編碼是一種典型的無監(jiān)督學(xué)習(xí)，本質(zhì)是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的一層隱含層，其目的是為了表達網(wǎng)絡(luò)的輸入等于輸出這一等式［9］。 若多層神經(jīng)網(wǎng)絡(luò)也被視為一個多層結(jié)構(gòu)編碼系統(tǒng)，其輸出均等于輸入，提取出每個隱含層的激活值，便得到多組原始數(shù)據(jù)的新表達方式，其激活值與原始數(shù)據(jù)形成新的特征映射。這便是一個特征學(xué)習(xí)的過程，亦是自動編碼可行性的出發(fā)點。

隱藏神經(jīng)元的數(shù)量較大，可能比輸入像素的數(shù)量還多，若不稀疏化將無法得到輸入的壓縮表示。Hinton提出的一種防止神經(jīng)網(wǎng)絡(luò)過度擬合的Dropout方法［10］，是一種解決此問題的技術(shù)。稀疏編碼前后的模型對比如圖1，關(guān)鍵是在訓(xùn)練期間從神經(jīng)網(wǎng)絡(luò)中隨機丟棄單位（及其連接）。 可以防止過多單元之間的相互適應(yīng)。在訓(xùn)練期間，從指數(shù)數(shù)量級的不同“稀疏”網(wǎng)絡(luò)中抽取樣本。在測試時，通過簡單地使用具有較小權(quán)重的單個未稀疏網(wǎng)絡(luò)，很容易近似平均所有這些稀疏網(wǎng)絡(luò)的預(yù)測效果。

圖1 稀疏編碼前后的模型對比

1.2 支持向量機

若為一個分類問題，神經(jīng)網(wǎng)絡(luò)在得到編碼數(shù)據(jù)后將數(shù)據(jù)輸入輸出層得到結(jié)果，其輸出層僅依據(jù)結(jié)果比重進行類別劃分，缺少一個尋優(yōu)的決策過程。而SVM對事物劃分是依據(jù)事物本身特征進行二次尋優(yōu)，得到有效的尋優(yōu)分類面。

1.3 稀疏自編碼支持向量機模型

綜合稀疏自動編碼與支持向量機的特點，建立了稀疏自編碼支持向量機模型，泵站故障檢測原理如圖2。

圖2 泵站故障檢測原理

2 泵站仿真實驗研究

2.1 SVM故障檢測可行性實驗

為驗證SVM對轉(zhuǎn)軸油膜渦動故障檢測的可行性，在正常運行與油膜渦動倍頻上各取100組能量分布數(shù)據(jù)。通過觀察頻譜結(jié)構(gòu)發(fā)現(xiàn)二者在1～4倍頻成分上分布相似，但半頻成分上，正常運行時所取樣本值較小，而油膜渦動時卻近似為1，可見油膜渦動時與正常運行情況有明顯區(qū)別。

利用SVM進行測試，發(fā)現(xiàn)油膜渦動時在振動頻率特征分布上區(qū)分度較正常運行時大，與觀察頻譜結(jié)構(gòu)規(guī)律一致，正確率100%。 實驗測試結(jié)果顯示自編碼的SVM亦可達到滿意的檢測結(jié)果，表明SVM在小樣本故障簡單情況下檢測的有效性。

2.2 故障特征提取必要性實驗

若遇到更為復(fù)雜的情況，SVM檢測方法是否可以繼續(xù)保持良好的檢測性能，下面做進一步驗證。

同樣各取100組正常運行樣本和不對中樣本數(shù)據(jù)，觀察發(fā)現(xiàn)兩者在頻率分布上差異性較小，均存在較為豐富的高頻成分，無法通過頻譜結(jié)構(gòu)得出檢測結(jié)論。

對100組樣本數(shù)據(jù)建立檢測不對中故障SVM，模型懲罰因子c取5000，核函數(shù)寬度取100。 結(jié)果表明正確率僅70%，SVM分類器無法獲得不對中故障知識，從而亦無法得到高精確度的檢測結(jié)果。

根據(jù)前述設(shè)計計算原理與方法進行無監(jiān)督學(xué)習(xí)構(gòu)造多層自動編碼層，并基于訓(xùn)練數(shù)據(jù)通過BP算法對整體編碼系統(tǒng)開展微調(diào)，稀疏自編碼系統(tǒng)微調(diào)的迭代精度曲線如圖3。

圖3 稀疏自編碼系統(tǒng)微調(diào)迭代精度曲線

圖3顯示了稀疏自編碼器微調(diào)過程，即兩類信息在保持原始信息不變時編碼特征又一次組合，亦可以表述為泵站故障特征重構(gòu)特征的過程?？梢钥闯?，0～60s時，整個編碼系統(tǒng)精度波動較大但整體呈上升趨勢，表明在0～60s迭代時精度上升較快，效果提升明顯。 60s后逐漸收斂于一個固定值。

為保證與實驗輸入數(shù)據(jù)維度一致，選取h3層數(shù)據(jù)輸入已訓(xùn)練好的SVM。

微調(diào)后，抽取h3層編碼數(shù)據(jù)進行SVM的模型訓(xùn)練。取10組泵站不對中故障數(shù)據(jù)進行模型測試，稀疏自編碼的SVM測試結(jié)果能夠準確檢測出對應(yīng)的泵站故障，正確率達100%，遠高于了僅使用SVM分類器正確率的70%。 表明稀疏自編碼的SVM對于泵站不對中故障檢測具有可行性、有效性。

為檢驗?zāi)Ｐ蜋z測精度提高是否受到特征提取的影響，模型編碼層對故障數(shù)據(jù)是否具有有效的特征提取能力，提取編碼后的數(shù)據(jù)進行比較分析：

（1）首先將原始數(shù)據(jù)經(jīng)過稀疏自動編碼器編碼，使原始特征重新分布到現(xiàn)在的5個維度上。

（2）其次使用樣本類間距離評價特征提取效果，隨機從正常樣本及不對中故障樣本各選2組進行計算類間距離。

（3）最后從這兩類中各選1組計算樣本距離（隨機進行5次取平均值），樣本類間距離如表1。

表1 樣本類間距離

視2組數(shù)據(jù)距離越短為同一類別可能性越大［11］，未編碼數(shù)據(jù)計算類間距離均接近于0。表明數(shù)據(jù)相似大，難以做出正確區(qū)分。編碼后樣本數(shù)據(jù)之間的距離均較大，編碼前后兩類數(shù)據(jù)分布如圖4和圖5。

圖4 未編碼兩類數(shù)據(jù)分布

圖5 編碼后兩類數(shù)據(jù)分布

可以看出編碼增加了兩類數(shù)據(jù)的類間距離，即通過編碼使得本來相似度大的頻率特征重新分布。表明編碼層對于兩類數(shù)據(jù)得到了較好的特征表達，驗證了其有效提取特征的能力。

實驗結(jié)果表明稀疏自編碼的SVM識別故障方法與SVM方法對比結(jié)果顯著，但是否對于其他識別方法仍具有優(yōu)勢，下面以相同結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)開展進一步實驗，分別從檢測時間、訓(xùn)練精度、測試精度3個方面對比不同檢測方法的實驗結(jié)果，不同檢測方法實驗結(jié)果如圖6。

圖6 不同檢測方法實驗結(jié)果

（1）檢測時間。3種方法所用時間分別為7.1，3.2，1.8s，稀疏自編碼的SVM檢測方法耗時最長，可能是因為稀疏自編碼的SVM模型復(fù)雜度較高，運算量較大。

（2）訓(xùn)練精度。 3種方法訓(xùn)練精度分別為97.9%，93.2%，82.4%，稀疏自編碼的SVM的檢測方法在訓(xùn)練集上出現(xiàn)了最好的檢測結(jié)果，依次為BP神經(jīng)網(wǎng)絡(luò)和SVM。

（3）測試精度。 3種方法測試精度分別為100%，50%，70%，稀疏自編碼的SVM的檢測方法在測試集上表現(xiàn)出顯著的優(yōu)越性，這是因為SVM求解分類面時，只受支持向量影響，而與其他樣本無關(guān)。 稀疏自編碼的SVM結(jié)合了自編碼器的特征提取能力及SVM較強的分類面尋優(yōu)能力。

從實驗結(jié)果可知，SVM檢測方法耗時最少，但訓(xùn)練精度與測試精度均較差，BP神經(jīng)網(wǎng)絡(luò)的檢測方法雖然在訓(xùn)練集上表現(xiàn)了較好的檢測結(jié)果，但測試集的結(jié)果只有50%，稀疏自編碼的SVM雖然耗時稍長，但魯棒性強，識別精度最高。 此外稀疏自編碼的SVM檢測方法在故障檢測中擺脫了人工特征提取的局限性，在泵站故障檢測中表現(xiàn)出良好的優(yōu)越性。

3 結(jié)語

（1）對于有限樣本情況下，稀疏自編碼的SVM檢測方法在泵站故障檢測可獲得較高的精度，驗證了方法的可行性、正確性及有效性。

（2）對比了SVM、稀疏自編碼的SVM、BP神經(jīng)網(wǎng)絡(luò)3種泵站故障檢測方法，得出稀疏自編碼的SVM雖然耗時稍長，但魯棒性強，識別精度最高。 此外稀疏自編碼的SVM檢測方法在故障檢測中擺脫了人工特征提取的局限性，在泵站故障檢測中表現(xiàn)出良好的優(yōu)越性。