基于深度置信網絡的通信控制設備故障診斷

陳子兆，矯文成，孫慧賢，陳 旭

(陸軍工程大學石家莊校區，河北 石家莊 050003)

0 引言

通信控制機作為指控系統重要通信控制設備，對其故障診斷在保障戰時通信網絡的安全穩定中具有重要作用。目前，故障診斷的方法主要分為定性分析和定量分析兩類[1]。在定性分析方法中以基于專家系統和故障樹的故障診斷方法最為常用[2-4]。范躍華等采用故障樹分析法構建推理策略和推理機，對故障源逐層進行排查診斷[5]；劉斌斌通過多個故障樹模型和專家系統完成對指控裝備的故障診斷[6]；蘇利敏利用神經網絡對數據進行預處理，改善數據庫的結構和性能，從而提高專家系統的診斷效率[7]。在基于定量分析方法中，由于系統結構復雜難以構建準確的故障模型，故而常常使用基于支持向量機的方法[8-9]和神經網絡的方法[10-11]。羅民將BP神經網絡應用于無人機指揮控制系統的故障診斷，解決了專家系統推理時間長、效率低的問題[12]；王格芳采用Agent技術構建智能故障診斷模型對炮兵指揮自動化系統的故障診斷[13]。

但是由于指揮控制系統結構的日趨復雜和領域專家缺少，無法對故障系統進行準確建模和缺少必要的專家知識庫，使得基于故障樹和專家系統的方法耗時耗力且效果較差；同時由于設備故障類型多樣且造成原因未知，使用基于支持向量機和BP神經網絡的方法易致使故障類型無法準確區分、出現“維數爆炸”等問題。傳統的故障診斷方法已無法滿足當前裝備故障診斷中對時效性和準確性的要求。

深度置信網絡作為一種典型的深度神經網絡模型，具有優良的特征提取和分類識別能力，已經成功應用于文本檢測[14]、信號識別[15]、序列預測[16]、故障診斷[17-20]等領域。本文提出了一種基于小波變換和深度置信網絡的通控機故障診斷方法，以兩臺通控機遠距離通信傳輸為背景，采集傳輸過程中的故障通信波形作為輸入數據，對易發生的故障類型進行識別和診斷，以解決傳統故障診斷方法在裝備故障診斷中帶來的準確率低問題。

1 基本原理介紹

1.1 小波變換

小波變換(WT)作為一種常用的特征提取和信號處理方法，在時頻兩域都具有表征信號局部特征的能力，在信號低頻部分具有較低的時間分辨率和較高的頻率分辨率，在高頻部分具有較高的時間分辨率和較低的頻率分辨率。

小波變換有連續小波變換和離散小波變換兩種形式，因為本文實驗的數據是經過高頻采樣后的離散數據，所以采用離散小波變換形式，表達形式為：

(1)

式(1)中，N為采樣點數，δt為采樣間隔，xm為離散時間序列。

1.2 深度置信網絡

深度置信網絡(DBN)是一個由多層限制波爾茨曼機(RBM)堆疊而成的深度學習網絡模型。

1.2.1限制波爾茨曼機

限制玻爾茲曼機(RBM)是一種無監督學習模型，目的是以某種概率分布最大可能的擬合輸入數據的分布。研究表明任何概率分布都可以由基于能量的模型表示，由此定義RBM的能量函數為：

E(v,h,θ)=-vTWh-vTa-hTb

(2)

式(2)中，θ={ai,bj,wij}。故而RBM的聯合概率分布為：

(3)

由于RBM模型層間不存在連接，使得每層間節點條件獨立，故而可以求得每層激活概率為：

(4)

1.2.2深度置信網絡的訓練方法

本文使用的深度置信網絡模型如圖1所示。訓練方法采用傳統的對比散度算法、貪婪學習和梯度下降算法，首先根據式(3)和對比散度算法計算第一層隱藏層的激活概率和輸入層的重構概率。然后根據貪婪學習準則，將第一層隱藏層作為輸入層，逐層求得下一層的激活概率，最后根據梯度下降算法對整個DBN網絡進行反向調優：

(5)

圖1 DBN(2 hidden layer)結構模型圖Fig.1 Structural model of DBN(2 hidden layer)

2 基于深度置信網絡的故障診斷

2.1 故障數據的小波變換和歸一化

通信控制機的遠程傳輸信號屬于典型的非平穩信號，信號特點表現在時域上的復雜、難區分，而包含的頻率成分較為豐富、易識別，故而本文選取小波變換作為特征預處理手段，將提取的時域信號轉變至頻域信號后進行頻譜特征分析。

通過小波變換的時域信號分為高頻信號和低頻信號兩類，低頻信號蘊含著信號傳輸的主要信息內容，而高頻信號則給出了傳輸信號的細節特征和描述。由于深度置信網絡的輸入數據范圍在0～1之間，同時為了加快神經網絡訓練速度，避免數據出現扁平化現象，所以將兩類信號整合作為頻域特征信號后將進行歸一化處理。

處理方法采用傳統的均值歸一化：

(6)

本文曾嘗試過z-score歸一化、Sigmoid函數歸一化、log函數歸一化等方法，但是發現使用上述方法進行歸一化后神經網絡訓練時間會大幅度增加，準確率下降，分析其原因是由于對原始數據進行非線性的收縮，致使數據過度集中，從而導致訓練時間大幅增加，準確率下降，所以選擇均值歸一化作為歸一化方法。

2.2 訓練神經網絡

由于數據樣本量較小，將歸一化后的數據輸入神經網絡中進行訓練的過程中，容易出現泛化能力下降，模型過擬合等問題。針對上述可能存在的問題，在深度置信網絡中加入稀疏正則項優化神經網絡隱藏層間的激活概率，從而優化神經網絡的泛化能力，修正后代價函數為：

(7)

式(7)中，Cost(hθ(x(i)),y(i))為代價函數，λ為稀疏正則參數，L(hθ(x(i)),y(i))為稀疏正則函數。

2.3 故障診斷流程

基于深度置信網絡的故障診斷是從統計和概率角度出發，對系統的健康狀況和可靠性進行推斷、估計和預測。其基本思想是通過對系統歷史信息的學習來掌握正常系統和非正常系統的表現行為差異，從而實現對系統現在狀態的識別和對系統未來狀態的預測。故而設計通信控制設備的故障診斷/預測流程如圖2所示。

圖2 故障診斷/預測流程圖Fig.2 Fault diagnosis/prediction process

首先，根據通信信息系統的特點選取合適的監測信號，根據監測信號與特征向量之間的關系，選擇適當的特征提取方法計算特征向量，構建故障數據集；其次，利用數據庫中歷史數據和訓練數據，對網絡模型進行訓練和學習，得到訓練完成的神經網絡；最后，將實時提取的特征向量輸入神經網絡，完成現在狀態的識別和未來狀態的預測。

3 實驗與分析

本文實驗診斷對象為通信控制機，實驗背景為實際環境下，兩臺通控機之間通過遠傳群路口進行有線的數據和話音傳輸，連接方式如圖3所示。實驗過程中涉及的主要技術參數有群路口A口和群路口HDSL口，端口速率的變化方式為人工或者自動變成設定，具有機外加密功能。

圖3 中繼方式有線連接示意圖Fig.3 Relay mode wire connection diagram

3.1 狀態種類設定

在遠距離有線傳輸的工作環境下，兩臺通控機需要設定為一主一從，同時需要保持相同速率才能完成中繼連通。其工作的狀態種類主要有：

1) 正常：通控機遠距離傳輸時處于正常工作狀態；

2) 短路：通控機遠距離傳輸時出現短路現象；

3) 斷路：通控機遠距離傳輸時出現斷路現象；

4) 兩從：通控機遠距離傳輸時兩臺通控機設定都為從；

5) 兩主：通控機遠距離傳輸時兩臺通控機設定都為主；

6) 速度不一致：通控機遠距離傳輸時兩臺通控機設定的速率不一致。

其中短路狀態和斷路狀態兩種狀態屬于線路故障；兩從狀態、兩主狀態和速度不一致狀態屬于設備傳輸單元故障。

3.2 數據采集及預處理

通過對兩臺通控機各類參數的設定，使得通控機的遠距離傳輸處于上述六種不同的工作狀態下，然后通過示波器對各類工作狀態下的傳輸波形進行觀察和采樣，采樣頻率設定為5 MHz，采集1 000個點，按照正常狀態與每種故障狀態比例為9∶1采集。

因為通控機傳輸速度有5種不同的速度選項，即兩臺通控機傳輸過程中，發生速度不一致的故障將有10種不同的具體故障組合模式，故而我們對每種組合模式按照9∶1的比例采集，組成速度不一致故障數據。

同時因為較通控機工作處于正常狀態而言，通控機發生故障的概率極小，所以我們按照實際故障發生比列適當增加采集樣本中故障數據所占的比重，以期涵蓋更多故障數據特征。

綜上所述，實際各類狀態采集樣本組數分別為：正常數據907組，短路數據206組，斷路數據201組，兩從數據339組，兩主數據200組，速度不一致數據1 181組，共計3 034組。

因為深度置信網絡對輸入數據范圍要求為0～1，所以先對3 034×1 000數據進行小波變換，各類狀態數據樣本如圖4所示。然后采用均值歸一化將數據范圍變換至范圍要求內。最后將3 034組數據分為訓練集A、訓練集B、訓練集C和訓練集D四類。

訓練集A分為訓練數據和測試數據，其中訓練數據中正常數據800組，短路數據150組，斷路數據150組，兩從數據270組，兩主數據150組，速度不一致數據1 050組，共2 570組；剩余464組數據組成測試數據。

訓練集B刪除速度不一致數據狀態后，由1 520組數據組成訓練數據，剩余333組數據組成測試數據。訓練集C和訓練集A組成相同，區別在于經過小波變換提取頻域特征，而采用頻域特征進行學習；訓練集D和訓練集B的區別，與訓練集C和訓練集A的區別相似。

3.3 通控機狀態識別與診斷

本實驗分別選取自建訓練集A(時域特征)、訓練集B(時域特征)、訓練集C(頻域特征)和訓練集D(頻域特征)作為深度置信網絡的輸入數據，同時選取傳統的支持向量機SVM、k臨近法KNN、BP神經網絡進行對比實驗。

圖4 小波變換處理圖Fig.4 Wavelet transform processing

實驗中DBN、SVM、KNN、BP神經網絡均為未改良傳統模型，BP神經網絡的參數設定為：學習率α為0.01，批訓練量batchsizes為1，網絡迭代次數為1 000次；DBN神經網絡的參數設定為：學習率α為0.01，稀疏正則參數λ為0.000 5，批訓練量batchsizes為30，網絡訓練次數為3 000次。實驗開發環境為Matlab R2015b。

實驗一為在數據集A條件下對通控機故障數據進行狀態識別，實驗結果如表1所示；實驗二為在數據集B條件下對通控機故障數據進行狀態識別，實驗結果如表2所示；實驗三為在數據集C條件下對通控機故障數據進行狀態識別，實驗結果如表3所示；實驗四為在數據集D條件下對通控機故障數據進行狀態識別，實驗結果如表4所示。

表1 數據集A上四種模型的準確率

表2 數據集B上四種模型的準確率

表3 數據集C上四種模型的準確率

表4 數據集D上四種模型的準確率

通過四組實驗可以看出，基于DBN的通信控制設備診斷的準確率一般高于SVM，KNN，BP等傳統故障診斷方法的準確率，表現更加優異；通過分別將數據集A和數據集C、數據集B和數據集D進行對比，兩者差異在于是否進行了小波變換，可以看出通過小波變換將時域信號轉換為頻域信號，對原始信號的特征提取有所加強，使得頻域數據集的準確率較時域數據集的準確率普遍提高6%。

而分別將數據集A與數據集B、數據集C和數據集D進行對比，兩者差異在于刪除了速度不一致這一類數據，可以看出前者的準確率明顯低于后者。同時可以看出在數據集C條件下進行的實驗，神經網絡的準確率較SVM和KNN兩類模型的準確率相差較大，但是在數據集D和數據集A條件下表現較好。分析其原因在于速度不一致狀態下產生的故障數據與正常狀態下產生的數據相似度過大，使得神經網絡無法準確識別，而經過小波變換后的數據在高維線性空間中區分度變大，使得神經網絡的識別準確率有所上升。

實驗過程中曾嘗試將頻域特征和時域特征融合輸入至神經網絡中進行訓練和識別，通過增加特征數量的方法提升神經網絡識別的準確率，但是較單純使用頻域特征和時域特征作為輸入數據進行網絡的訓練和識別相比，準確率提升不明顯，而由于特征向量維數的增加使得訓練時間增加，得不償失，所以本文沒有詳細說明列舉此類實驗。

實驗五為在雙隱藏層條件下，網絡模型對四種自建數據集的訓練時間對比，實驗結果如表5所示。通過實驗五可以看出通過小波變換后的數據集C和數據集D較沒有通過小波變換的數據集A和數據集B，網絡模型訓練所需要的平均時間減少了5 s左右。同時基于深度置信網絡故障診斷的所需訓練時長為3～5 min，具有一定的實時性。

表5 四種數據集的網絡訓練時間

不可否認的是基于深度置信網絡的故障診斷由于更多的參數配置和更復雜的網絡結構，其訓練時間較傳統機器學習的方法所需時間更長。但通過犧牲一定訓練時長獲取更高的準確率，這種代價對于保證通控機的安全穩定運行是值得的。

4 結論

本文提出了一種基于小波變換和深度置信網絡的通信控制設備故障診斷方法。該方法通過采集樣本故障數據、分析處理故障數據、輸入神經網絡進行學習、對測試數據進行識別等步驟，對通信控制設備的遠距離傳輸工作狀態進行故障診斷。仿真實驗結果表明該方法對通信控制設備故障診斷識別率達到93%，與SVM，KNN，BP神經網絡等傳統方法相比，具有更高的準確性，表現更好。但是本文只是選取指揮控制系統通信控制機中一類工作狀態進行故障診斷，是否可推廣至其他武器裝備的故障診斷還待進一步研究驗證。