深度學習在電機故障診斷中的運用分析

中潤資源投資股份有限公司 馬傳廣

如今電機的功能性不斷完善，但其內部結構及運行技術種類也越來越復雜，使得設備故障幾率大幅提升，在此情況下提高電機故障診斷準確性和高效性十分必要。

1 深度學習理論概述

深度學習是一種被廣泛應用在計算機視覺、自然語言處理和生物信息學當中的理論，是機器學習這一研究領域的新方向。深度學習的學習內容是樣本數據的內在規律和表示層次，在學習過程中可獲取相關信息，它們可用于解釋文字、圖像和聲音；該理論應用的最終目標十分接近人工智能，就是讓機器擁有分析學習能力。究其本質，深度學習屬于模式分析方法，更是一種機器學習算法，具有極高的復雜性和先進性，能夠借助于機器和擬人化思維解決復雜的模式識別問題。

深度學習與淺層學習有著極大差異，在應用該理論和技術時著重強調了模型結構的深度。深度學習模型大多擁有多個層次，5～6層十分常見，部分模型的隱層節點甚至高達10層。而且深度學習的應用對特征學習的重要性進行了進一步明確，可基于逐層特征變換和大數據來高效完成特征分析，從而更加科學地進行預測和評判?，F階段深度學習理論被引入了多個領域當中，為提高傳統識別任務的識別率提供了巨大幫助，也使得深度學習的算法不斷被改進。在此環節深度學習模型已被廣泛應用在電機故障診斷、人臉識別、語音分析等方面，為相關工作的開展提供了新的思路和方法。

2 基于深度學習模型的電機故障診斷

電機故障診斷技術的發展為提高電機檢修維護質效、延長電機使用壽命、節約電機維修成本和優化電機結構與性能設計提供了巨大幫助。以往為有效開展電機故障診斷，需人為提取大量的故障特征數據，為有效判斷和分析電機故障提供支持；但隨著電機性能與結構復雜性的提升，這種故障診斷技術已不再適用，在故障診斷工作中引入更具現代化、信息化和創新性的技術勢在必行。為此可將深度學習理論引入電機故障診斷工作，并基于不同的深度學習模型推進電機故障診斷工作的創新和優化。

2.1 深度置信網絡模型的應用

2.1.1 模型概述

深度置信網絡模型是最為經典的深度學習模型之一，它可被解釋為貝葉斯概率生成模型，由多層隨機隱變量組合而成。這種模型的主要構成單元是受限玻爾茲曼機和分類器，它們共同構成了這種多層神經網絡，使其能夠基于組合底層特征抽象高層學習數據特征，進而完成分析與判斷[1]。

受限玻爾茲曼機屬于遞歸神經網絡，主要分為可視層和隱層，前者內部分布多顯元，后者中則分布多個隱元，且二者都是二元變量，狀態為0或1。在受限玻爾茲曼機中兩個網絡層的單一內部神經元間不存在連接狀態，但兩層神經元可基于權重w連接。在實際應用環節，深度置信網絡模型可被看作是基于能量的模型，模型的能量函數越小意味著系統越穩定，且基于訓練獲得最小化網絡能量與最優化網絡參數。如將受限玻爾茲曼機中的顯層神經元設定為v、隱層神經元設定為h，并假定（v，h）是一組確定的神經元狀態，則可以公式表達深度置信網絡模型的能量函數。其中θ={w，a，b}，vi代表可視層內第i個神經元的狀態；hj代表隱層的第j個神經元的狀態；ai和bi分別表示顯元與隱元的偏置，wij表示vi與hj之間的權重。

在使用深度置信網絡模型時，底層可視層將會成為樣本特征的輸入口，在輸出前會經過多個由可視層和隱層構成的特征提取層，再由頂層輸出層輸出分類識別結果。在設計隱層層數和各層單元數時需基于實踐經驗作業。從網絡訓練角度來看，深度置信網絡模型的訓練流程主要有預訓練及反向微調訓練，前者是自下而上逐層開展的訓練，后者是自上而下的進行參數調整訓練，能為實現全局參數最優化奠定基礎。

2.1.2 模型應用

起初深度置信網絡模型主要被應用在機器視覺領域，后來Tamilselvan等人將深度置信網絡模型應用在飛機發動機故障診斷中，讓該模型正式進入故障診斷領域。隨著研究的深入，深度置信網絡模型已可用于提取滾動軸承、傳感器、洗輪箱、風力發電機組的故障特征，可有效完成故障診斷與分析。

在電機故障診斷中，深度置信網絡模型的應用需要經過以下步驟：基于傳感器和信號預處理技術完成電機狀態信號采集，此時需分別在電機正常狀態和故障狀態下獲得設備的時域或頻域信號；開展信號分段和歸一化處理，并以訓練集和測試集對其進行劃分；建立深度置信網絡模型，模型中需包含多個隱層且借助于訓練集完成無監督貪婪逐層訓練；進入微調訓練階段，將類別信息引入深度置信網絡模型，以此為基礎微調模型參數；獲得訓練完畢的深度置信網絡模型，針對測試機完成電機故障診斷。

2.2 自編碼網絡模型的應用

2.2.1 模型概述

自編碼網絡模型也是十分常見的一種深度學習模型，屬于三層非監督特征學習模型，可基于自適應學習特征在輸出環節盡可能地還原輸入。在實際應用環節，自編碼網絡模型演變出多種形式，除原始自編碼網絡模型外還包括稀疏自編碼網絡模型、降噪自編碼網絡模型和棧式自編碼網絡模型。原始自編碼網絡屬于三層神經網絡，包含輸入層、隱藏層和輸出層，前兩者構成編碼器用于編碼，后兩者則構成解碼器。分析自編碼網絡模型使用原理時發現，在輸入原始數據后，可利用編碼器編碼后完成特征輸出提取特征，然后經解碼器將特征重構輸出，在重構誤差足夠小時即可認為隱層輸出的特征是原始數據的特征表達[2]。

在稀疏自編碼網絡中融入了稀疏編碼原理，將稀疏懲罰項引入到自編碼網絡模型當中，這樣能讓隱層滿足稀疏性，從而基于稀疏性限制讓自編碼網絡模型完成特征表達。在應用降噪自編碼網絡模型時，需在原始樣本信號中隨機加入到具有一定統計特性的噪聲，然后基于編碼、解碼和映射，實現樣本信號（未受噪聲影響）還原，其作業原理類似于人體的感官系統。此外，自編碼網絡或由其演變出的稀疏自編碼網絡與降噪自編碼網絡都可被視為棧式自編碼網絡模型的基本單元，在該模型應用環節將采用貪婪逐層訓練法完成特征提取和輸出，從而實現數據分析。

2.2.2 模型應用

在眾多自編碼網絡類型中只有棧式自編碼網絡屬于深層學習網絡，所以在基于深度學習理論開展電機故障診斷時可引入棧式自編碼網絡模型。這種模型的故障診斷效率和分類準確率都很高，可完成詳細化故障分析和判斷，從而實現有效的故障診斷?，F階段，利用棧式自編碼網絡模型可對風力發電機組、滾動軸承、旋轉機械、齒輪等多種設備故障進行診斷，診斷正確率幾近100%。

從現有的棧式自編碼網絡模型使用情況來看，在其診斷電機故障時需基于特定框架和如下步驟：基于傳感器收集原始數據，將電機正常狀態與故障狀態的運行信號完整采集起來；基于數據標準化、分割，完成信號預處理，確定測試集和訓練集；以數據為基礎選定重構誤差，建立以深度學習理論為基礎的自編碼網絡模型，并借助于訓練集完成無監督貪婪逐層訓練；將分類算法引入頂層并完成自編碼網絡參數或分類器參數的科學調整；確定深度自編碼網絡模型，利用模型診斷測試集故障；完成電機故障診斷。

2.3 卷積神經網絡模型的應用

2.3.1 模型概述

卷積神經網絡模型具有局部感知、時空降采樣和共享權重的特點，可在減少參數的情況下實現對數據局部特征的充分利用。這種網絡中主要包含四個層級，分別為輸入層、輸出層、隱層和全連接層。其中隱層數量較多，主要由卷積層和子采樣層組合而成，前者主要用于提取特征而后者則用于采樣，隱層的輸入數據有向量和圖像兩種形式。在實踐中卷積層的數學模型可用來表達，其中Mj屬于輸入特征，L表示網絡層次，K代表卷積核，b表示偏置，xjl與xil-1則分別代表第L層輸出和第L-1層輸入。

2.3.2 模型應用

卷積神經網絡模型在電機故障診斷中的應用可有效減少網絡參數數量、規避網絡擬合，可極大程度提高特征提取的效率和診斷質量。在實踐工作中卷積神經網絡模型主要用于充當分類器或充當特征提取和識別分類模型[3]。以該模型為基礎的電機故障診斷流程如下：

基于傳感器收集電機運行信號，分別采集正常和故障狀態下的電機時域、信號頻域；開展故障預處理與劃分，確定訓練集和測試集；確定卷積神經網絡的卷積核個數和大小，明確其掃描步長和隱層數，然后相關結果為基礎建立可用的卷積神經網絡模型；對卷積神經網絡模型的參數進行初始化處理，并利用訓練集完成監督訓練，逐步推進網絡參數更新，最終達到最大迭代數；基于卷積神經網絡模型開展測試集故障診斷。

3 深度學習模型的應用優缺點

本文所提到的常用于電機故障診斷的深度學習模型都可為高質高效地完成故障診斷提供輔助，但在其使用環節也存在缺陷，現對其應用優缺點進行總結：

深度置信網絡模型。這種模型無需依靠精確數字模型也能學習數據特征，且其多個隱層結構能規避維數災難，半監督訓練方法更可有效提升神經網絡訓練方法在多層網絡中的適應性。但基于該模型必須逐層開展參數調節、會嚴重拖慢訓練速度，若使用的選用參數不合適則難以實現訓練最優化；自編碼網絡模型。應用此類模型能降低計算復雜度得到簡明特征，還可減少信號提取環節的隨機因素干擾，擁有良好的魯棒性。但在普通自編碼網絡映射環節，輸入和輸出一致容易出現數據過擬合情況，將會限制特征表達，影響輸出重構；卷積神經網絡模型。在其使用時擁有高亮數據處理能力，能有效減少網絡參數和規避數據過擬合風險。但卷積神經網絡模型的復雜性高且訓練集龐大，使訓練速度難以提升。

總之，應用在電機故障診斷中的深度學習模型主要有深度置信網絡模型、卷積神經網絡模型和堆棧自編碼網絡模型。這些深度學習模型的應用可快速完成原始數據的處理效率和故障特征分類，將會為提高電機故障診斷質量和效率提供有力保障。