王愛(ài)華

上海振華重工（集團(tuán)）股份有限公司，上海，200135

0 引言

船舶電站的工作環(huán)境比陸用電站更加惡劣，因?yàn)樗鼈儾粌H要面對(duì)鹽霧、油污、濕度和溫度等多種環(huán)境因素，還要應(yīng)對(duì)船體傾斜搖擺等不利條件[1]。這些極端的環(huán)境條件對(duì)船舶供電系統(tǒng)的絕緣性能提出了極高的要求，所以必須采取有效的措施來(lái)保證電力系統(tǒng)的安全可靠運(yùn)行。如果長(zhǎng)期存在絕緣故障，將會(huì)造成船舶電氣系統(tǒng)出現(xiàn)短路，引起設(shè)備損毀，甚至?xí)?dǎo)致船舶電力系統(tǒng)癱瘓，使得整條船的電力供應(yīng)得不到保障，危及乘員的生命安全和船舶的航行安全[2]。在錯(cuò)綜復(fù)雜的各種供電系統(tǒng)中，當(dāng)出現(xiàn)絕緣故障時(shí)，智慧、快速定位到故障點(diǎn)的控制系統(tǒng)的研究和應(yīng)用將對(duì)船舶應(yīng)用領(lǐng)域產(chǎn)生重大影響，并具有前瞻性意義。此外，這一信息系統(tǒng)還可以為用戶提供更加有效的設(shè)備維護(hù)、維修和保養(yǎng)服務(wù)，從而節(jié)省維護(hù)、維修和保養(yǎng)成本，并且將成為船舶安全配置的一個(gè)重要組成部分[3]。在研究船舶電力系統(tǒng)絕緣故障智能診斷系統(tǒng)之前，首先要了解超大型船舶電站的組成及其相關(guān)規(guī)范，以便更好地理解絕緣系統(tǒng)的具體要求，并能夠有效地監(jiān)測(cè)、采集、判斷、定位和排除故障[4]。

1 電力設(shè)備數(shù)據(jù)特點(diǎn)

根據(jù)統(tǒng)計(jì)結(jié)構(gòu)形式的不同，電力設(shè)備檢測(cè)數(shù)據(jù)可以分為結(jié)構(gòu)化統(tǒng)計(jì)數(shù)據(jù)和非結(jié)構(gòu)化統(tǒng)計(jì)數(shù)據(jù)，其中非結(jié)構(gòu)化統(tǒng)計(jì)占據(jù)了主導(dǎo)[5]。電力設(shè)備數(shù)據(jù)分析的主要來(lái)源具有大量、多樣且高速的特點(diǎn)；電力設(shè)備監(jiān)測(cè)數(shù)據(jù)與監(jiān)測(cè)設(shè)備之間存在著密切的聯(lián)系，其中的狀態(tài)量是設(shè)備運(yùn)行的關(guān)鍵指標(biāo)；記錄故障過(guò)程的數(shù)據(jù)量較少，而且質(zhì)量也不夠理想，存在大量的錯(cuò)誤信息，這些數(shù)據(jù)無(wú)法滿足后續(xù)故障處理的需求；數(shù)據(jù)被廣泛地分布在多個(gè)不同的系統(tǒng)中。隨著電力設(shè)備數(shù)據(jù)信息的不斷變化，傳統(tǒng)的故障診斷方法已經(jīng)無(wú)法滿足需求，這給診斷科技提出了新的巨大挑戰(zhàn)。為此，深度學(xué)習(xí)應(yīng)運(yùn)而生，它具備多層次網(wǎng)絡(luò)結(jié)構(gòu)，能夠從大規(guī)模故障數(shù)據(jù)中提取出更高層次的抽象特征，而且不要求人工介入，為診斷提供了一種全新的方法。深度學(xué)習(xí)在故障診斷和預(yù)測(cè)中的應(yīng)用已經(jīng)取得了巨大的進(jìn)步，它能夠有效獲取復(fù)雜性條件下的事故特性，并且能夠更好地適應(yīng)能源產(chǎn)品信息的新特性。

2 深度學(xué)習(xí)

深度學(xué)習(xí)是當(dāng)前新一代人工智能研究的一個(gè)重要方向，它的技術(shù)發(fā)展方向是模仿或完成類人思維，其特性可概括為：信息取樣、深層網(wǎng)絡(luò)結(jié)構(gòu)、自動(dòng)獲取深度抽象特性及多層網(wǎng)絡(luò)參數(shù)逐層預(yù)訓(xùn)練。這種方法的發(fā)展得益于大數(shù)據(jù)處理技術(shù)和計(jì)算機(jī)科學(xué)在并聯(lián)、異構(gòu)計(jì)算科學(xué)技術(shù)領(lǐng)域方面的不斷改進(jìn)。深度學(xué)習(xí)網(wǎng)絡(luò)是一項(xiàng)廣泛應(yīng)用的技術(shù)，其中包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）、遞歸神經(jīng)網(wǎng)絡(luò)（RNN）、深度置信網(wǎng)絡(luò)（DBN）以及自編碼網(wǎng)絡(luò)等。這些網(wǎng)絡(luò)可以幫助我們更好地理解和預(yù)測(cè)復(fù)雜的數(shù)據(jù)，從而提高計(jì)算效率和準(zhǔn)確性。

隨著科學(xué)技術(shù)的發(fā)展，深度學(xué)習(xí)在診斷中的運(yùn)用已經(jīng)成為供電裝置長(zhǎng)期運(yùn)行中不可或缺的一環(huán)，其主要包含外力損壞、電氣設(shè)備長(zhǎng)期運(yùn)行導(dǎo)致絕緣衰老以及電氣設(shè)備自身出現(xiàn)設(shè)計(jì)問(wèn)題。近年來(lái)，國(guó)家電網(wǎng)中增加了大批的信號(hào)設(shè)施，而且已建立的設(shè)備運(yùn)行管理網(wǎng)絡(luò)平臺(tái)也能夠收集到大批的電氣設(shè)備運(yùn)行數(shù)據(jù)，從而更好地幫助管理者診斷故障。隨著信息化時(shí)代的到來(lái)，原有的診斷手段已經(jīng)難以滿足當(dāng)今的需要，診斷效率低下。因此，深度學(xué)習(xí)技術(shù)的出現(xiàn)，使得從海量數(shù)據(jù)中獲取深層次抽象特征的能力獲得了極大的提升，并且在診斷應(yīng)用領(lǐng)域獲得了普遍的應(yīng)用。

3 基于深度學(xué)習(xí)的故障診斷

深度學(xué)習(xí)故障診斷方法與傳統(tǒng)方法在管理數(shù)據(jù)量和狀態(tài)量方面存在顯著差異，這體現(xiàn)在以下幾點(diǎn)。

其一，前者更加靈活，可以更有效地管理更多的信息和狀態(tài)。其二，特征提取技術(shù)的進(jìn)步使得判斷早期事故和細(xì)微事故的能力大幅提升，而且大大減少了關(guān)于先驗(yàn)認(rèn)識(shí)的依賴性。其三，通過(guò)分析，能夠更準(zhǔn)確地判斷出各種故障類型，并且能夠更有效地從常規(guī)數(shù)據(jù)信息中挖掘出與設(shè)備狀態(tài)有關(guān)的內(nèi)容。深度學(xué)習(xí)在故障預(yù)知中的應(yīng)用可以有效地提高診斷結(jié)果的準(zhǔn)確性，這是因?yàn)樗梢岳帽O(jiān)測(cè)設(shè)備數(shù)據(jù)分析來(lái)及時(shí)發(fā)現(xiàn)早期故障，從而有效地制定科學(xué)合理的檢測(cè)規(guī)劃，盡量減少損失。電力設(shè)備的監(jiān)測(cè)數(shù)據(jù)中，電壓、電流和輸出功率等信息是常見(jiàn)的，但也可能隱藏著電氣設(shè)備的故障信息。因此，利用這些數(shù)據(jù)信息開(kāi)展故障預(yù)測(cè)有著重要的意義。利用dropout層和批歸一化技術(shù)，能夠有效地處理線路故障預(yù)報(bào)中的過(guò)擬合問(wèn)題，并且能夠?qū)崿F(xiàn)離線訓(xùn)練模式，從而實(shí)時(shí)執(zhí)行，有著重要的實(shí)踐應(yīng)用價(jià)值。為了獲得更加可靠的診斷結(jié)果，在設(shè)備故障預(yù)測(cè)研究中，應(yīng)當(dāng)充分利用多源信息，如自然環(huán)境條件負(fù)荷數(shù)據(jù)分析、天氣數(shù)據(jù)分析、定時(shí)監(jiān)測(cè)資訊及地理信息數(shù)據(jù)分析等。深度學(xué)習(xí)技術(shù)在應(yīng)用中面臨著許多挑戰(zhàn)，其中一個(gè)挑戰(zhàn)是如何提取電力設(shè)備數(shù)據(jù)中具有應(yīng)用價(jià)值的特征。

4 深度置信網(wǎng)絡(luò)

深度置信網(wǎng)絡(luò)系統(tǒng)是一套基于多重受限玻爾茲曼機(jī)和分類器的概率形成模式，它可以有效地抽取出復(fù)雜的信息，并且能夠準(zhǔn)確地預(yù)測(cè)未來(lái)的發(fā)展趨勢(shì)。圖1展示了一套復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，由兩層RBM形成，每層包含可視層v和隱含層h。可視層v0將輸入數(shù)據(jù)投射到隱藏層h0，形成第一個(gè)RBM；而h0則成為下一次RBM的入口，這樣一來(lái)，信息就會(huì)不斷地傳輸，最后在多層抽取出具備表征能力的信息。

圖1 深度置信網(wǎng)絡(luò)結(jié)構(gòu)

DBN是一類深層神經(jīng)網(wǎng)絡(luò)，它具有多種用途，既能夠用作非監(jiān)督教學(xué)中，也能夠用作督導(dǎo)學(xué)習(xí)中。在非監(jiān)督教學(xué)中，DBN只能當(dāng)作一臺(tái)自編碼器來(lái)處理數(shù)據(jù)，而在督導(dǎo)教學(xué)中，DBN只能當(dāng)作一臺(tái)分類器來(lái)處理。深度置信網(wǎng)絡(luò)系統(tǒng)的培訓(xùn)應(yīng)該分成兩個(gè)階段：第一階段是無(wú)督導(dǎo)的預(yù)培訓(xùn)，采用貪婪算法從低到高分別培訓(xùn)受限玻爾茲曼機(jī)，將每一次RBM的輸入輸出當(dāng)作下一次RBM的注入，不斷更新網(wǎng)絡(luò)技術(shù)參數(shù)以獲得最佳教學(xué)特性；第二階段是有督導(dǎo)的正反向微調(diào)，將培訓(xùn)偏差正相反傳輸給每一次RBM，進(jìn)而實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)技術(shù)參數(shù)的微調(diào)，以提高建模的準(zhǔn)確性和可靠性。經(jīng)過(guò)反復(fù)迭代，深度置信網(wǎng)絡(luò)模式的參數(shù)能夠得到進(jìn)一步優(yōu)化。這一步驟的核心內(nèi)容是運(yùn)用貪婪學(xué)習(xí)算法從故障診斷信息中抽取出有用的特性，并使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行反向調(diào)整，以達(dá)到最佳的故障診斷和預(yù)測(cè)效果。

4.1 受限玻爾茲曼機(jī)的結(jié)構(gòu)與原理

受限玻爾茲曼機(jī)是一個(gè)具有重要意義的能量模式，它可以用于深度置信網(wǎng)絡(luò)模型的構(gòu)建和訓(xùn)練，其結(jié)構(gòu)如圖2所示，由可視層v和隱藏層h組成，它們共同構(gòu)成了一個(gè)完整的網(wǎng)絡(luò)系統(tǒng)。在可視層和隱藏層之間，單元之間沒(méi)有直接的聯(lián)系，而是通過(guò)雙向的方式交互。

圖2 受限玻爾茲曼機(jī)結(jié)構(gòu)

4.2 受限玻爾茲曼機(jī)的訓(xùn)練算法

在RBM訓(xùn)練中，可見(jiàn)單元被視作數(shù)據(jù)分布的樣品，經(jīng)過(guò)不斷更新θ={w，a，b}，使邊際分布Pθ(v，h)盡量接近真實(shí)觀測(cè)數(shù)據(jù)散布P?(v)，從而盡量進(jìn)一步提高建模的準(zhǔn)確率和真實(shí)性。利用吉布斯抽樣過(guò)程，能夠有效逼近對(duì)數(shù)似然梯度上升，從而形成RBM的學(xué)習(xí)規(guī)則：δwi，j=η（{vihj}data-{vihj}model）；其中，{·}data代表訓(xùn)練數(shù)據(jù)的期望值，{·}model代表模型分布下的數(shù)據(jù)結(jié)果期望值，η代表學(xué)習(xí)率，且∈（0，1）。通常情況下，由于{·}model難以通過(guò)計(jì)算得到，因此采用抽樣逼近的方法來(lái)獲取近似值。想要實(shí)現(xiàn)均衡，利用吉布斯采樣近似值必須建立充足的數(shù)據(jù)。然而，對(duì)比散度算法能夠有效解答這些難題，并且在實(shí)際應(yīng)用中表現(xiàn)出色。該文提出了一種新的方法，即使用K步對(duì)比散度方法來(lái)近似{·}model，以提高網(wǎng)絡(luò)參量的準(zhǔn)確性和可靠性。

4.3 船舶電氣系統(tǒng)故障診斷步驟

由于深度置信網(wǎng)絡(luò)系統(tǒng)的剎車器診斷可能分為多個(gè)過(guò)程，其中第一步是使用柔性薄膜感應(yīng)器陣列獲得各種工作情況下的剎車電壓，并通過(guò)相關(guān)數(shù)據(jù)分析和歸一化處理，以確定故障原因，最終確定診斷的準(zhǔn)確性。經(jīng)過(guò)多次測(cè)試，我們能夠確定深度置信網(wǎng)絡(luò)系統(tǒng)的技術(shù)參數(shù)，包括DBN網(wǎng)絡(luò)層數(shù)、進(jìn)入節(jié)點(diǎn)數(shù)、輸出節(jié)點(diǎn)數(shù)及其隱藏層節(jié)點(diǎn)數(shù)、學(xué)習(xí)率和迭代頻次。為了更好地模擬實(shí)際情況，我們使用訓(xùn)練數(shù)據(jù)作為入口，對(duì)各個(gè)RBM實(shí)施無(wú)監(jiān)管的培訓(xùn)，直至第N個(gè)RBM培訓(xùn)完畢。通過(guò)BP算法，我們能夠有效地培訓(xùn)DBN網(wǎng)絡(luò)系統(tǒng)，并實(shí)現(xiàn)反向微調(diào)。訓(xùn)練完成后，即可提供測(cè)試樣本數(shù)據(jù)分析，以便對(duì)吊車制動(dòng)器實(shí)施故障識(shí)別和分級(jí)。

5 診斷結(jié)果分析

通過(guò)對(duì)一個(gè)超大型船舶電站的仿真驗(yàn)證，本文詳細(xì)分析了DBN網(wǎng)絡(luò)在故障診斷中的優(yōu)勢(shì)，該電站由6.6kV、450V、230V、應(yīng)急系統(tǒng)以及多套450V子系統(tǒng)組成，從而可以更好地實(shí)現(xiàn)故障診斷。通過(guò)多種試驗(yàn)，研究比較了GA-BP和SVM的培訓(xùn)集和檢測(cè)集，結(jié)果表明，DBN診斷的準(zhǔn)確性達(dá)到了92.14%，遠(yuǎn)超GA-BP神經(jīng)網(wǎng)絡(luò)和SVM；而且其準(zhǔn)確度差別也顯著小于前兩者，這表明DBN在吊車制動(dòng)器故障診斷中具有較高的安全性。通過(guò)這項(xiàng)試驗(yàn)，我們發(fā)現(xiàn)使用深度置信網(wǎng)絡(luò)來(lái)診斷吊車制動(dòng)器故障是非常有效的。

6 結(jié)論

基于深度置信網(wǎng)絡(luò)的船舶電氣系統(tǒng)絕緣故障診斷模型具有更好的全局尋優(yōu)能力，在結(jié)構(gòu)上也更為精簡(jiǎn)，減少了模型訓(xùn)練參數(shù)數(shù)量，進(jìn)而提升了模型的學(xué)習(xí)速度。仿真實(shí)驗(yàn)結(jié)果表明，將深度置信網(wǎng)絡(luò)應(yīng)用于船舶電氣系統(tǒng)絕緣故障診斷獲得了良好的診斷準(zhǔn)確度，表明本文研究具有較好的實(shí)踐價(jià)值。