蔡舒妤，史 濤，師利中

（中國(guó)民航大學(xué)航空工程學(xué)院，天津 300300）

0 引言

航空發(fā)動(dòng)機(jī)作為飛機(jī)的核心部件，其健康狀態(tài)和性能極大地影響著飛機(jī)的安全，發(fā)動(dòng)機(jī)性能數(shù)據(jù)作為反映其運(yùn)行狀態(tài)的重要依據(jù)，為異常診斷與預(yù)警[1-3]、飛行品質(zhì)監(jiān)控與改善[4-6]、排放與環(huán)保評(píng)測(cè)[7-9]等方面的研究提供了重要的數(shù)據(jù)支持。

近年來(lái)，深度學(xué)習(xí)智能算法為航空發(fā)動(dòng)機(jī)的故障診斷提供了新思路，基于性能數(shù)據(jù)的智能診斷方法成為研究熱點(diǎn)。車暢暢等[10]提出了基于深度學(xué)習(xí)的發(fā)動(dòng)機(jī)故障融合診斷模型，利用深度學(xué)習(xí)模型得出故障分類置信度，后對(duì)多次故障分類結(jié)果進(jìn)行決策融合，得出更準(zhǔn)確的診斷結(jié)果；鐘詩(shī)勝等[11]分析民航發(fā)動(dòng)機(jī)飛行歷史數(shù)據(jù)，結(jié)合深度置信網(wǎng)絡(luò)建立基于不均衡樣本驅(qū)動(dòng)的民航發(fā)動(dòng)機(jī)故障診斷模型；Zhang 等[12]針對(duì)基于卷積神經(jīng)網(wǎng)絡(luò)忽略數(shù)據(jù)的時(shí)間序列信息問題，提出了一種基于遞歸神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障類型識(shí)別方法，并在2 個(gè)公共數(shù)據(jù)集上取得了很好的效果；Park 等[13]提出了一種基于深度學(xué)習(xí)的液體火箭發(fā)動(dòng)機(jī)起動(dòng)瞬態(tài)故障檢測(cè)與診斷方法，建立發(fā)動(dòng)機(jī)起動(dòng)過(guò)程中潛在故障類型的數(shù)據(jù)集，用于訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)，并利用實(shí)際發(fā)射地面試驗(yàn)數(shù)據(jù)驗(yàn)證了該方法的有效性；Guo 等[14]提出基于混合特征模型和深度學(xué)習(xí)的無(wú)人機(jī)傳感器故障診斷方法，利用短時(shí)傅立葉變換將故障信號(hào)變換為相應(yīng)的時(shí)頻圖，然后利用卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征，實(shí)現(xiàn)了無(wú)人機(jī)傳感器的故障診斷；Chen等[15]針對(duì)電氣傳動(dòng)系統(tǒng)，提出了一種基于數(shù)據(jù)驅(qū)動(dòng)和深度學(xué)習(xí)相結(jié)合的方法來(lái)處理早期故障；Manjurul I 等[16]提出了一種自適應(yīng)深度卷積神經(jīng)網(wǎng)絡(luò)，利用試驗(yàn)臺(tái)采集的數(shù)據(jù)驗(yàn)證了所提出的故障診斷方法的有效性。

然而深度學(xué)習(xí)在故障診斷領(lǐng)域仍然存在不適應(yīng)性?；谏疃葘W(xué)習(xí)的故障診斷方法需要大量高質(zhì)量的數(shù)據(jù)，才能取得良好的診斷性能。然而實(shí)際的發(fā)動(dòng)性能數(shù)據(jù)故障樣本遠(yuǎn)遠(yuǎn)小于正常樣本，會(huì)影響深度學(xué)習(xí)模型的檢測(cè)結(jié)果，使診斷模型結(jié)果向大樣本傾斜[17]。目前解決不平衡故障診斷問題時(shí)通常有2 種手段：第1 種是從數(shù)據(jù)增強(qiáng)方面入手，如利用生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）[18-19]生成和原始數(shù)據(jù)相似的數(shù)據(jù)樣本；第2 種是對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，如采用過(guò)采樣和欠采樣技術(shù)來(lái)平衡故障數(shù)據(jù)和正常數(shù)據(jù)之間的數(shù)量差異。然而，通過(guò)GAN 進(jìn)行訓(xùn)練對(duì)樣本數(shù)量要求嚴(yán)苛，訓(xùn)練樣本太小會(huì)導(dǎo)致模型無(wú)法學(xué)習(xí)到真實(shí)樣本的分布，訓(xùn)練樣本太多會(huì)脫離發(fā)動(dòng)機(jī)實(shí)際工況；對(duì)于過(guò)采樣預(yù)處理，會(huì)復(fù)制少數(shù)樣本以擴(kuò)充樣本量，但容易出現(xiàn)過(guò)度擬合問題，而欠采樣預(yù)處理減少了大多數(shù)類的樣本數(shù)，難免造成信息丟失。針對(duì)以上問題，本文提出航空發(fā)動(dòng)機(jī)性能圖像紋理片段劃分方法。

1 發(fā)動(dòng)機(jī)性能圖像的紋理特征表示

1.1 發(fā)動(dòng)機(jī)性能數(shù)據(jù)圖像化

發(fā)動(dòng)機(jī)性能數(shù)據(jù)圖像化通過(guò)建立各發(fā)動(dòng)機(jī)性能數(shù)據(jù)值域與RGB 彩色空間的映射關(guān)系，將高數(shù)據(jù)維度的性能參數(shù)數(shù)據(jù)轉(zhuǎn)換為2 維性能圖像，保持性能數(shù)據(jù)的細(xì)節(jié)，為性能參數(shù)之間和性能數(shù)據(jù)之間的關(guān)聯(lián)分析提供高效、直觀的支持。

對(duì)于任意發(fā)動(dòng)機(jī)性能參數(shù)，其性能數(shù)據(jù)值域空間[imin,imax]與RGB彩色空間[0,255]的映射關(guān)系，如圖1所示。

圖1 發(fā)動(dòng)機(jī)性能數(shù)據(jù)圖像化映射

假設(shè)vij表示第i個(gè)性能參數(shù)在第j個(gè)時(shí)刻采集的數(shù)據(jù)值，則vij∈[imin,imax]其中imin為第i個(gè)性能參數(shù)取值的最小值；imax 為第i個(gè)性能參數(shù)取值的最大值，則發(fā)動(dòng)機(jī)性能數(shù)據(jù)圖像化公式為

式中：RGB為計(jì)算所得顏色分量值。

由此轉(zhuǎn)化的性能圖像橫軸為時(shí)間，縱軸為各性能參數(shù)取值。

1.2 基于分形盒維的性能圖像紋理特征表示

分形維數(shù)理論是對(duì)非光滑、非規(guī)則、非完整等的極其復(fù)雜形體定量分析的重要參數(shù)，是形體的復(fù)雜度、粗糙度的度量[20]?？蓪⒎中尉S數(shù)理論引入發(fā)動(dòng)機(jī)性能圖像的紋理特征表示[21-22]。

假設(shè)大小為M×N的發(fā)動(dòng)機(jī)性能圖像中，任意像素點(diǎn)(x,y) 定義其灰度值函數(shù)為I(x,y)，均滿足I(x,y)∈[0,255]，且1 ≤x≤M，1 ≤y≤N。

構(gòu)建圖像的灰度空間，如圖2 所示。性能圖像灰度空間中，X軸、Y軸分別表示圖像像素點(diǎn)的坐標(biāo)值，Z軸表示圖像像素點(diǎn)的灰度值。取邊長(zhǎng)為ε的分形盒，像素點(diǎn)(x,y)的分形盒維數(shù)為

圖2 灰度空間

定義像素點(diǎn)(x,y) 處的紋理特征維數(shù)為Nε(x,y)，即以像素點(diǎn)(x,y)為中心，邊長(zhǎng)為ε的鄰域內(nèi)像素分形盒維數(shù)最大值和最小值的差值

紋理特征維數(shù)如圖3所示。

圖3 紋理特征維數(shù)

紋理特征維數(shù)表示了像素點(diǎn)ε-鄰域內(nèi)的紋理特征，通過(guò)圖像化方法將獨(dú)立且離散的性能數(shù)據(jù)相融合。這種融合既包含了不同參數(shù)間的關(guān)聯(lián)，同時(shí)包含了不同時(shí)刻參數(shù)的關(guān)聯(lián)。

2 基于高頻次生長(zhǎng)樹的圖像紋理片段劃分

發(fā)動(dòng)機(jī)性能圖像中，紋理片段出現(xiàn)的不同頻次表征了性能狀態(tài)的不同。高頻次紋理片段體現(xiàn)性能的穩(wěn)定，低頻次紋理片段體現(xiàn)性能的波動(dòng)?？赏ㄟ^(guò)對(duì)性能狀態(tài)頻次的提取，實(shí)現(xiàn)高低頻次紋理圖像紋理片段的劃分。

2.1 高頻次生長(zhǎng)樹理論

依據(jù)發(fā)動(dòng)機(jī)性能數(shù)據(jù)特點(diǎn)，性能圖像中的每一列對(duì)應(yīng)于飛機(jī)某時(shí)刻各參數(shù)的性能狀態(tài)，每一行對(duì)應(yīng)于某個(gè)參數(shù)各飛行時(shí)刻的性能狀態(tài)?？赏ㄟ^(guò)性能圖像每列像素的紋理特征維數(shù)表示圖像性能狀態(tài)。

式中：k為圖像性能狀態(tài)的列數(shù)，1 ≤k≤N。

高頻次生長(zhǎng)樹理論如圖4 所示。將發(fā)動(dòng)機(jī)性能圖像中每個(gè)性能狀態(tài)定義為1 顆種子，其初始狀態(tài)為，計(jì)算該性能狀態(tài)在圖像中出現(xiàn)的頻次Pk。當(dāng)頻次Pk大于等于一定閾值T時(shí)，種子開始第1輪生長(zhǎng)；第n輪生長(zhǎng)可表示為當(dāng)頻次Pk小于一定閾值T時(shí)，種子則停止生長(zhǎng)。該過(guò)程持續(xù)進(jìn)行，直至所有種子停止生長(zhǎng)。

圖4 高頻次生長(zhǎng)樹

2.2 基于高頻次生長(zhǎng)樹的圖像紋理片段劃分算法

本文提出一種基于高頻次生長(zhǎng)樹的圖像紋理片段劃分算法建立數(shù)據(jù)集，算法流程如圖5所示。

圖5 算法流程

算法的具體步驟：

（1）性能數(shù)據(jù)圖像化。輸入發(fā)動(dòng)機(jī)性能參數(shù)，確定其性能數(shù)據(jù)值域空間[imin,imax]。

（2）依據(jù)式（1）建立與彩色空間的映射關(guān)系，實(shí)現(xiàn)發(fā)動(dòng)機(jī)性能數(shù)據(jù)圖像化。

（3）計(jì)算分形盒維數(shù)。取邊長(zhǎng)為ε的分形盒，根據(jù)式（2）計(jì)算性能圖像中每個(gè)像素點(diǎn)的盒維數(shù)N(x,y)。

（4）計(jì)算紋理特征維數(shù)。計(jì)算像素點(diǎn)ε鄰域內(nèi)分形盒維數(shù)的最大值和最小值，根據(jù)式（3）計(jì)算紋理特征維數(shù)Nε。

（5）計(jì)算性能狀態(tài)的頻次Pk。記圖像中每列特征維數(shù)為一種性能狀態(tài)，計(jì)算各性能狀態(tài)在性能圖像中出現(xiàn)的頻次Pk。

（6）高頻次生長(zhǎng)。當(dāng)性能狀態(tài)的頻次Pk小于閾值T則淘汰，大于閾值T 時(shí)輸出Pk，然后依據(jù)式（4）開始生長(zhǎng)，計(jì)算新性能狀態(tài)的頻次P'k再與閾值T比較，重復(fù)此過(guò)程直至所有性能狀態(tài)生長(zhǎng)完成；

（7）依據(jù)性能狀態(tài)頻次，對(duì)圖像進(jìn)行劃分。

3 實(shí)例驗(yàn)證與分析

3.1 性能數(shù)據(jù)圖像化方法驗(yàn)證

為驗(yàn)證基于高頻次生長(zhǎng)樹紋理分析的發(fā)動(dòng)機(jī)性能圖像紋理片段劃分方法，選取12 個(gè)航段的發(fā)動(dòng)機(jī)性能參數(shù)數(shù)據(jù)，包括左右發(fā)低壓轉(zhuǎn)子振動(dòng)值N1V（low pressure compressor rotor vibrate）和高壓轉(zhuǎn)子振動(dòng)值N2V（high pressure compressor rotor vibrate），本文采用的數(shù)據(jù)均來(lái)自于某航空公司譯碼后的QAR 數(shù)據(jù)，其數(shù)據(jù)信息見表1。

表1 各航段性能數(shù)據(jù)

3.1.1 本文圖像化方法驗(yàn)證

依據(jù)性能數(shù)據(jù)與顏色空間映射關(guān)系，將性能數(shù)據(jù)轉(zhuǎn)化成2 維性能圖像，各航段性能數(shù)據(jù)對(duì)應(yīng)性能圖像如圖6 所示。從圖中可見，對(duì)于正常航段A～J所對(duì)應(yīng)的性能圖像，其存在明顯的主色調(diào)區(qū)域，局部區(qū)域呈現(xiàn)相對(duì)統(tǒng)一的顏色，如圖中紅框所示，說(shuō)明該性能狀態(tài)平穩(wěn)。

圖6 各航段性能圖像

對(duì)于異常航段K和L，其性能圖像紋理細(xì)密，說(shuō)明性能狀態(tài)波動(dòng)較大，平穩(wěn)性差，使得圖像顏色變化較大，難以維持局部穩(wěn)定色調(diào)。

3.1.2 時(shí)頻圖像化方法驗(yàn)證

常用的圖像化方法有短時(shí)傅里葉變換法，利用短時(shí)傅里葉變換法對(duì)發(fā)動(dòng)機(jī)性能數(shù)據(jù)進(jìn)行圖像化，生成的時(shí)頻圖像如圖7所示。

圖7 各航段時(shí)頻圖像

2 種方法圖像化所需要的時(shí)間見表2。從表中可見，本文提出的圖像化方法的運(yùn)算效率優(yōu)于時(shí)頻法的。

表2 圖像化時(shí)間結(jié)果對(duì)比

圖像的細(xì)節(jié)紋理可以用圖像信息熵的大小來(lái)衡量，反映了圖像中平均信息量的多少，信息熵越大，說(shuō)明圖像中所包含的細(xì)節(jié)紋理越多。

式中：i表示某像素點(diǎn)的灰度值；j表示某像素點(diǎn)領(lǐng)域灰度值；pij表示某像素點(diǎn)的2維特征。

信息熵計(jì)算結(jié)果對(duì)比見表3。從表中可見，本文方法生成的圖像信息量遠(yuǎn)遠(yuǎn)大于時(shí)頻法所得的圖像，在融合不同時(shí)刻不同性能參數(shù)的情況下，保留性能數(shù)據(jù)更多的細(xì)節(jié)，減小信息損失。

3.2 數(shù)據(jù)集建立驗(yàn)證

3.2.1 本文方法建立的數(shù)據(jù)集

在性能圖像的基礎(chǔ)上，依據(jù)基于高頻次生長(zhǎng)樹的圖像紋理片段劃分算法，對(duì)性能圖像紋理片段進(jìn)行劃分，結(jié)果見表4，從表中可見，本文提出的算法可以對(duì)完整的性能圖像進(jìn)行精細(xì)劃分，將其劃分為高頻次圖像紋理片段和低頻次圖像片段。其中低頻次圖像紋理片段1189張，高頻次圖像紋理片段1181張，消除了數(shù)據(jù)不平衡。

表4 性能圖像劃分

對(duì)于正常航段，劃分后的低頻次圖像紋理片段數(shù)量與高頻次圖像紋理片段數(shù)量接近，增強(qiáng)了低頻次圖像紋理片段的數(shù)量，并且真實(shí)客觀，不損失信息細(xì)節(jié)；對(duì)于異常航段，均為低頻次紋理片段，印證了前文的假設(shè)，即高頻次紋理片段正常，低頻次紋理片段異常。

高、低頻次圖像紋理片段部分樣本分別如圖8、9所示。從圖中可見，高頻次圖像紋理片段與低頻次圖像紋理片段差異明顯，高頻次圖像紋理片段多數(shù)較寬，表明該性能狀態(tài)平穩(wěn)，低頻次圖像紋理片段窄小，表明該性能狀態(tài)波動(dòng)大。

圖8 高頻次圖像紋理片段部分樣本

圖9 低頻次圖像紋理片段部分樣本

根據(jù)式（5）計(jì)算高頻次和低頻次圖像紋理片段的信息熵，結(jié)果見表5。從表中可見，高頻次圖像紋理片段的熵值均小于低頻次圖像紋理片段熵值，這是因?yàn)楦哳l圖像紋理片段在紋理變化上較為穩(wěn)定，能夠維持穩(wěn)定色調(diào)，低頻圖像紋理片段顏色變化波動(dòng)較大，難以維持穩(wěn)定色調(diào)，進(jìn)而導(dǎo)致信息熵增加。

表5 信息熵計(jì)算結(jié)果

選取正常航段A～J與異常航段L～L中的高頻次和低頻次圖像紋理片段，按照不同比例構(gòu)建數(shù)據(jù)集，見表6。

表6 本文方法構(gòu)建的數(shù)據(jù)集

3.2.2 時(shí)頻方法建立的數(shù)據(jù)集

時(shí)頻圖像中橫軸每一點(diǎn)對(duì)應(yīng)一列性能數(shù)據(jù)，以100 列數(shù)據(jù)為一組對(duì)圖像進(jìn)行劃分，建立數(shù)據(jù)集d，結(jié)合過(guò)采樣方法建立數(shù)據(jù)集e，結(jié)合欠采樣方法建立數(shù)據(jù)集f，見表7。

表7 時(shí)頻法構(gòu)建的數(shù)據(jù)集

3.3 應(yīng)用驗(yàn)證與分析

基于VGG16、ResNet18和ResNet50深度學(xué)習(xí)網(wǎng)絡(luò)模型對(duì)本文方法建立的數(shù)據(jù)集a、b和c，和傳統(tǒng)方法建立的數(shù)據(jù)集d、e和f分別進(jìn)行對(duì)比驗(yàn)證，網(wǎng)絡(luò)模型參數(shù)設(shè)置見表8。

表8 網(wǎng)絡(luò)模型參數(shù)設(shè)置

3.3.1 本文方法建立的數(shù)據(jù)集上的訓(xùn)練準(zhǔn)確率

VGG16、ResNet18 和ResNet50 模型在數(shù)據(jù)集a、b 和c 上訓(xùn)練過(guò)程的準(zhǔn)確率變化如圖10～12所示。

圖10 VGG16在數(shù)據(jù)集a、b和c的準(zhǔn)確率曲線

圖12 ResNet50在數(shù)據(jù)集a、b和c的準(zhǔn)確率曲線

從圖中可見，VGG16 模型在數(shù)據(jù)集a上，隨著訓(xùn)練次數(shù)增加，準(zhǔn)確率略微上升，在數(shù)據(jù)集b和數(shù)據(jù)集c上，準(zhǔn)確率先突增后保持不變。造成這種結(jié)果是因?yàn)閿?shù)據(jù)集a中正常樣本和異常樣本數(shù)量幾乎一致，淺層卷積神經(jīng)網(wǎng)絡(luò)無(wú)法提取更深層次的圖像特征，最終導(dǎo)致準(zhǔn)確率很低。數(shù)據(jù)集b中正常樣本和異常樣本數(shù)量的比例為1∶2，數(shù)據(jù)集c中為2∶1，VGG16 模型將所有輸入樣本識(shí)別為數(shù)量占多數(shù)的樣本類型，反而導(dǎo)致準(zhǔn)確率高于數(shù)據(jù)集a，可以看出淺層卷積神經(jīng)網(wǎng)絡(luò)效果不好。

ResNet18 和ResNet50 這2 種模型的準(zhǔn)確率變化趨勢(shì)相似，首先隨著訓(xùn)練次數(shù)增加，準(zhǔn)確率先不斷上升，上升到一定程度后開始穩(wěn)定，最終達(dá)到收斂。其中數(shù)據(jù)集a的準(zhǔn)確率最高，數(shù)據(jù)集b和數(shù)據(jù)集c的準(zhǔn)確率相近且都低于數(shù)據(jù)集a，這是因?yàn)閿?shù)據(jù)集a中的高頻和低頻圖像紋理片段數(shù)量接近，深度學(xué)習(xí)模型能夠準(zhǔn)確的學(xué)習(xí)高頻次和低頻次圖像紋理片段的特征，消除了數(shù)據(jù)不平衡對(duì)識(shí)別精度的影響。

3.3.2 時(shí)頻法建立的數(shù)據(jù)集上的訓(xùn)練準(zhǔn)確率

VGG16、ResNet18 和ResNet50 模型在數(shù)據(jù)集e、b 和c 上訓(xùn)練過(guò)程的準(zhǔn)確率變化如圖13～15所示。

圖13 VGG16在數(shù)據(jù)集d、e和f的準(zhǔn)確率曲線

圖14 ResNet18在數(shù)據(jù)集d、e和f的準(zhǔn)確率曲線

圖15 ResNet50在數(shù)據(jù)集d、e和f的準(zhǔn)確率曲線

從圖中可見，VGG16模型在數(shù)據(jù)集d和f上，準(zhǔn)確率先迅速上升后保持不變，在數(shù)據(jù)集e 上準(zhǔn)確率逐漸上升，最終達(dá)到收斂。數(shù)據(jù)集d中正常樣本和異常樣本數(shù)量的比例接近6∶1，正常樣本數(shù)量遠(yuǎn)遠(yuǎn)大于異常樣本數(shù)量，VGG16 模型將所有輸入樣本識(shí)別為正常樣本，反而達(dá)到較高的準(zhǔn)確率。

ResNet18 和ResNet50 這2 種模型的準(zhǔn)確率變化趨勢(shì)相似，首先隨著訓(xùn)練次數(shù)增加，準(zhǔn)確率快速上升，到一定程度后開始穩(wěn)定，最終達(dá)到收斂。經(jīng)過(guò)采樣方法建立的數(shù)量平衡數(shù)據(jù)集e和f相較于數(shù)量不平衡的數(shù)據(jù)集d在準(zhǔn)確率上提升不明顯，且ResNet18 和ResNet50 模型在數(shù)據(jù)集d、e和f上的準(zhǔn)確率均低于數(shù)據(jù)集a、b和c。

選取各數(shù)據(jù)集80%作為訓(xùn)練集，20%作為測(cè)試集，訓(xùn)練準(zhǔn)確率和測(cè)試準(zhǔn)確率作為評(píng)價(jià)指標(biāo)，分別為

以數(shù)據(jù)集a為例，在VGG16 模型上，隨著訓(xùn)練次數(shù)不斷增加，訓(xùn)練集中檢測(cè)正確樣本數(shù)量不斷增多，訓(xùn)練集樣本總數(shù)不變，當(dāng)訓(xùn)練次數(shù)分別達(dá)到50、100、200 和500 次時(shí)，根據(jù)式（6）計(jì)算訓(xùn)練訓(xùn)練準(zhǔn)確率，分別為52.38%、53.23%、53.60%和54.03%，保存訓(xùn)練次數(shù)為500 次的模型對(duì)測(cè)試集進(jìn)行測(cè)試，測(cè)試集樣本總數(shù)不變，根據(jù)式（7）計(jì)算得到測(cè)試準(zhǔn)確率為48.73%。在ResNet18 模型上，隨著訓(xùn)練次數(shù)不斷增加，訓(xùn)練集中檢測(cè)正確樣本數(shù)量不斷增多，訓(xùn)練集樣本總數(shù)不變，訓(xùn)練準(zhǔn)確率逐漸增加，當(dāng)訓(xùn)練次數(shù)分別達(dá)到50、100、200 和500 次時(shí)，訓(xùn)練準(zhǔn)確率分別為76.60%、81.96%、83.65%和84.08%，保存訓(xùn)練次數(shù)為500 次的模型對(duì)測(cè)試集進(jìn)行測(cè)試，測(cè)試準(zhǔn)確率為80.34%。在ResNet50 模型上，其訓(xùn)練準(zhǔn)確率的變化趨勢(shì)與ResNet18模型相似，但最終訓(xùn)練準(zhǔn)確率測(cè)試準(zhǔn)確率較高，分別為91.72%和88.37%，這是因?yàn)镽esNet50 網(wǎng)絡(luò)層數(shù)多于ResNet18網(wǎng)絡(luò)的，提取信息量更多。

上述3 種模型在6 種數(shù)據(jù)集上的訓(xùn)練準(zhǔn)確率、測(cè)試準(zhǔn)確率和運(yùn)算時(shí)間分別見表9、并如圖16所示。

表9 3種模型在各數(shù)據(jù)集上的準(zhǔn)確率和運(yùn)算時(shí)間

圖16 3種模型在各數(shù)據(jù)集上的運(yùn)算時(shí)間對(duì)比

在準(zhǔn)確率方面，VGG16 在數(shù)據(jù)集b、c和d上的訓(xùn)練準(zhǔn)確率和測(cè)試準(zhǔn)確率相同，這是因?yàn)閿?shù)據(jù)集中正常樣本和異常樣本數(shù)量不平衡，VGG16 模型無(wú)法進(jìn)行有效學(xué)習(xí)，導(dǎo)致將輸入樣本都識(shí)別為數(shù)量占多的樣本類型，在數(shù)據(jù)集a、e和f上的準(zhǔn)確率均低于ResNet18和ResNet50；這2 種模型在數(shù)據(jù)a的訓(xùn)練集和測(cè)試集上的準(zhǔn)確率都達(dá)到最高，其中ResNet50 模型的準(zhǔn)確率最高，分別為91.72%和88.37%，這是因?yàn)閿?shù)據(jù)集a中的正常樣本和異常樣本數(shù)量接近，減少了數(shù)據(jù)不平衡對(duì)模型準(zhǔn)確率帶來(lái)的影響；數(shù)據(jù)集e訓(xùn)練集和測(cè)試集的準(zhǔn)確率相差最大，這是因?yàn)檫^(guò)采樣的方法只是對(duì)少數(shù)樣本進(jìn)行隨機(jī)復(fù)制以增加樣本數(shù)量，造成過(guò)擬合現(xiàn)象，從而導(dǎo)致這訓(xùn)練集上的準(zhǔn)確率遠(yuǎn)高于測(cè)試集；數(shù)據(jù)集f 是通過(guò)欠采樣方法得到，欠采樣方法隨機(jī)丟棄多數(shù)樣本以達(dá)到數(shù)據(jù)平衡，這樣會(huì)丟失有用的信息，導(dǎo)致準(zhǔn)確率難以提升。

在運(yùn)算時(shí)間上，由于本文所采用的ResNet 中的殘差結(jié)構(gòu)減少了運(yùn)算量，50 層的ResNet 模型運(yùn)算時(shí)間仍略低于16 層的VGG 模型的，且準(zhǔn)確率遠(yuǎn)高于VGG16模型的，ResNet18模型運(yùn)算時(shí)間最短，相較于ResNet50模型的運(yùn)算時(shí)間最多提升65%，但準(zhǔn)確率略低于ResNet50模型的。

傳統(tǒng)的過(guò)采樣或欠采樣方法得到的平衡數(shù)據(jù)集不僅準(zhǔn)確率提升有限而且容易發(fā)生過(guò)擬合問題，本文提出的方法不但避免了過(guò)擬合問題，而且準(zhǔn)確率提升明顯。

4 結(jié)論

（1）在運(yùn)算速度方面，本文方法能夠快速完成性能數(shù)據(jù)向性能圖像的轉(zhuǎn)化，時(shí)間復(fù)雜度較低。

（2）在劃分效果方面，本文方法在保留原始數(shù)據(jù)信息的同時(shí)，對(duì)性能數(shù)據(jù)進(jìn)行圖像化降維并精細(xì)劃分，為建立包含數(shù)量相近的正常樣本和異常樣本的數(shù)據(jù)集提供了保障。

（3）在應(yīng)用效果方面，利用本文方法劃分生成的數(shù)據(jù)集相較于采樣方法得到的數(shù)據(jù)集在深度學(xué)習(xí)模型的性能異常檢測(cè)中效果更好。