羅方芳，陶求華

(1.集美大學(xué)計(jì)算機(jī)工程學(xué)院，福建 廈門 361021；2.集美大學(xué)機(jī)械與能源工程學(xué)院，福建 廈門 361021)

0 引言

由于通信基站設(shè)備需要在相對(duì)恒溫的條件下才能正常工作，所以需要配備專用的基站空調(diào)，為基站內(nèi)各種設(shè)備正常穩(wěn)定的運(yùn)行提供必要的條件。為確?；究照{(diào)穩(wěn)定運(yùn)行，有必要對(duì)基站空調(diào)進(jìn)行實(shí)時(shí)的在線監(jiān)測(cè)，了解相關(guān)設(shè)備的運(yùn)行狀況，并且對(duì)異常狀態(tài)及時(shí)報(bào)警，以便盡早排查故障。因此，高效、實(shí)時(shí)的在線基站空調(diào)故障監(jiān)測(cè)和診斷系統(tǒng)的研究有其實(shí)際意義。目前的空調(diào)故障診斷系統(tǒng)主要有兩種設(shè)計(jì)思路[1]。一種是基于模型的故障診斷，將實(shí)測(cè)值和模型預(yù)測(cè)值之間的殘差作為故障判斷的依據(jù)。代表算法有：基于能量守恒的殘差計(jì)算方法[2]、基于殘差特征和數(shù)理統(tǒng)計(jì)相結(jié)合的計(jì)算方法[3]，等等?；谀Ｐ偷墓收显\斷方法應(yīng)用很廣泛，但其準(zhǔn)確度依賴于所建模型的精度，故而對(duì)建模要求很高。另一種是基于數(shù)據(jù)的故障診斷，利用人工智能技術(shù)，通過(guò)教計(jì)算機(jī)如何學(xué)習(xí)、推理和決策來(lái)實(shí)現(xiàn)故障診斷。代表算法有：決策樹算法[4]、主成分分析法[5]、神經(jīng)網(wǎng)絡(luò)算法[6]，等等。由于此類方法的參數(shù)選擇較復(fù)雜以及訓(xùn)練速度較慢，故限制了其在故障診斷中的進(jìn)一步使用。

某基站空調(diào)公司提供的數(shù)據(jù)集存在著樣本類別不平衡的問(wèn)題，正常樣本數(shù)據(jù)高達(dá)62%，而某些故障的樣本占數(shù)據(jù)集比例僅為1%。這種不平衡性會(huì)使得一些少量樣本的故障類型在單個(gè)的多類分類器的訓(xùn)練過(guò)程中被視為噪聲而遭“吞噬”。相較于決策樹處理方法，這種小類樣本識(shí)別率低的問(wèn)題在神經(jīng)網(wǎng)絡(luò)類型的故障診斷處理中更為嚴(yán)重。借鑒于極限學(xué)習(xí)機(jī)參數(shù)選擇簡(jiǎn)單、學(xué)習(xí)速度快的特點(diǎn)，本文設(shè)計(jì)了一個(gè)基于級(jí)聯(lián)極限學(xué)習(xí)機(jī)的基站空調(diào)故障監(jiān)測(cè)與診斷系統(tǒng)。針對(duì)每一種故障類型單獨(dú)訓(xùn)練一個(gè)原子極限學(xué)習(xí)機(jī)，再將其級(jí)聯(lián)組合，以此來(lái)解決訓(xùn)練集類別不平衡的問(wèn)題。

1 空調(diào)系統(tǒng)模型

實(shí)驗(yàn)對(duì)象是目前應(yīng)用最為廣泛的移動(dòng)基站空調(diào)系統(tǒng)，基站空調(diào)有內(nèi)機(jī)和外機(jī)兩部分，中間采用制冷劑管道連接。基站空調(diào)在線監(jiān)測(cè)系統(tǒng)的構(gòu)建分為離線學(xué)習(xí)階段與在線實(shí)時(shí)監(jiān)測(cè)分析階段兩部分。在離線訓(xùn)練階段收集大量故障樣本和無(wú)故障樣本數(shù)據(jù)，預(yù)處理后導(dǎo)入級(jí)聯(lián)極限學(xué)習(xí)機(jī)進(jìn)行訓(xùn)練，獲得穩(wěn)定的檢測(cè)分析模型。在線實(shí)時(shí)監(jiān)測(cè)分析階段，系統(tǒng)接收基站空調(diào)傳感器的數(shù)據(jù)(溫度、濕度、壓力等)，對(duì)數(shù)據(jù)進(jìn)行歸一化預(yù)處理后，輸入基于級(jí)聯(lián)極限學(xué)習(xí)機(jī)的在線監(jiān)測(cè)分析系統(tǒng)，實(shí)時(shí)分析當(dāng)前空調(diào)運(yùn)行狀態(tài)，若診斷顯示故障，則及時(shí)預(yù)警排除故障以提高空調(diào)系統(tǒng)的制冷效率及維護(hù)通信基站的穩(wěn)定運(yùn)行。

表1 故障模式樣本分布表

表2 系統(tǒng)接收參數(shù)及其含義

2 算法模型

2.1 訓(xùn)練原子ELM分類器

即使在深度學(xué)習(xí)盛行的機(jī)器學(xué)習(xí)領(lǐng)域，單隱層前饋神經(jīng)網(wǎng)絡(luò)(single hidden layer feed-ward neural network)以其強(qiáng)大的非線性逼近能力仍廣泛應(yīng)用于故障診斷中。新興的極限學(xué)習(xí)機(jī)(extreme learning machine ELM)[7-8]是單隱層前饋神經(jīng)網(wǎng)絡(luò)的代表。

Ti-ξi，1≤i≤m，其中，β=[β1,…,βL]T為隱層輸出權(quán)值向量，C為代價(jià)參數(shù)，ξi為理論輸出Ti與實(shí)際輸出f(xi)的誤差，h(xi)為第i個(gè)實(shí)例xi的隱層輸出向量。

根據(jù)Lagrange對(duì)偶理論，采用Moore-Penrose廣義逆計(jì)算方法即可解析求出網(wǎng)絡(luò)的隱層輸出權(quán)值，由此可見，ELM算法避免了繁瑣的迭代尋優(yōu)的計(jì)算過(guò)程，也不易陷入局部極值。

然而在面對(duì)“訓(xùn)練樣本集故障類別不平衡”的問(wèn)題時(shí)，ELM也遇到了與其他神經(jīng)網(wǎng)絡(luò)算法相同的困境，即，少量特殊樣本會(huì)被單個(gè)的分類器在訓(xùn)練過(guò)程中視為噪聲而遭“吞噬”，進(jìn)而導(dǎo)致小類樣本識(shí)別率低、泛化能力弱的情形。為此，本文為每一種故障類型(包括“正常-無(wú)故障”類型)單獨(dú)設(shè)計(jì)一個(gè)原子ELM分類器，再將各分類器級(jí)聯(lián)組合用于新樣本的故障診斷。

原子ELM分類器的結(jié)構(gòu)如圖1所示。由于是針對(duì)具體的某一種故障類型訓(xùn)練原子ELM分類器，所以ELM的輸出層只有一個(gè)神經(jīng)元。實(shí)驗(yàn)階段訓(xùn)練集的樣本數(shù)為100，所以需要對(duì)規(guī)模m=100的訓(xùn)練集針對(duì)具體故障模式進(jìn)行數(shù)據(jù)預(yù)處理，即，該故障模式對(duì)應(yīng)樣本的輸出值為1，其余樣本的輸出值為-1。

原子ELM分類器的理想輸出公式為：Hβ=T，其中，

/C+HTH)-1HTT

(1)

在測(cè)試階段，對(duì)于一個(gè)實(shí)例x，將其導(dǎo)入原子ELM分類器，對(duì)應(yīng)的輸出可由公式(2)計(jì)算獲得。

(2)

原子ELM分類器的具體訓(xùn)練算法流程如下：

1)輸入歸一化預(yù)處理后的訓(xùn)練集D;

2)初始化隱層神經(jīng)元數(shù)L,激勵(lì)函數(shù)g,代價(jià)參數(shù)C=1;

3)隨機(jī)設(shè)定輸入點(diǎn)與隱層之間的權(quán)值w和隱層偏置向量b;

4)計(jì)算隱層的輸出矩陣H=g(x;w,b)；

2.2 級(jí)聯(lián)ELM

在所有的原子ELM分類器(包括“正常-無(wú)故障”類型)均訓(xùn)練完成后，每一個(gè)原子ELM分類器相當(dāng)于界定了某種故障模式與其他故障模式的分界線。將各原子ELM分類器按圖2方式級(jí)聯(lián)組合[9]。由于在絕大多數(shù)情況下基站空調(diào)都處于正常運(yùn)行模式，所以將“正常-無(wú)故障模式”的原子ELM分類器放在級(jí)聯(lián)串中的第一個(gè)。

在對(duì)未知樣本故障診斷時(shí)，將歸一化預(yù)處理后的樣本導(dǎo)入級(jí)聯(lián)ELM系統(tǒng)。若第一個(gè)原子ELM分類器的輸出為-1，它將繼續(xù)進(jìn)入下一個(gè)原子ELM分類器，直到在第j個(gè)原子ELM分類器的輸出為1時(shí)停止向下傳輸，最終的診斷結(jié)果為第j個(gè)原子ELM分類器所對(duì)應(yīng)的故障模式，j=1,…,9。

3 實(shí)驗(yàn)結(jié)果分析

為了更好地測(cè)試級(jí)聯(lián)ELM算法的性能，從訓(xùn)練時(shí)間和故障診斷精度兩方面進(jìn)行考量。對(duì)比算法有：?jiǎn)为?dú)的多類ELM[7]、單獨(dú)的支持向量機(jī)(SVM)[10]、級(jí)聯(lián)的SVM、反向傳輸神經(jīng)網(wǎng)絡(luò)(BP)[11]、C4.5決策樹算法[12]。其中SVM的級(jí)聯(lián)組合方式與ELM的級(jí)聯(lián)組合方式相同；單獨(dú)的ELM代碼來(lái)源為http://www.ntu.edu.sg/home/egbhuang/elm_random_hidden_nodes.html，激勵(lì)函數(shù)為sigmoid函數(shù)；SVM算法的代碼來(lái)源為https://www.csie.ntu.edu.tw/～cjlin/libsvm/，采用徑向基函數(shù)作為核函數(shù)；C4.5決策樹算法根據(jù)參考文獻(xiàn)[12]，采用“后剪枝”策略編寫；BP神經(jīng)網(wǎng)絡(luò)采用Matlab工具箱實(shí)現(xiàn)，隱層神經(jīng)元數(shù)設(shè)為20。各程序均在Matlab2012b上部署運(yùn)行，訓(xùn)練集的樣本數(shù)為100，測(cè)試集的樣本數(shù)為60。

和大多數(shù)的機(jī)器學(xué)習(xí)算法相類似，ELM算法也存在參數(shù)(隱層神經(jīng)元數(shù))選擇問(wèn)題。原子ELM分類器的訓(xùn)練過(guò)程中，采用增量生長(zhǎng)法來(lái)確定，將隱層神經(jīng)元數(shù)從5開始遞增測(cè)試學(xué)習(xí)誤差，若誤差的變化低于閾值δ(δ=0.01)，則停止增長(zhǎng)。經(jīng)多次實(shí)驗(yàn)后，選擇如表3所示的各原子ELM分類器隱層神經(jīng)元數(shù)目。不可否認(rèn)，選擇合適的隱層神經(jīng)元數(shù)這一過(guò)程較為耗時(shí)，在今后的工作中，可以對(duì)隱層神經(jīng)元個(gè)數(shù)的優(yōu)化進(jìn)行更深入的研究。但隱層神經(jīng)元數(shù)確定后，原子ELM分類器的訓(xùn)練過(guò)程是迅速的、穩(wěn)定的。

表3 各原子ELM分類器隱層神經(jīng)元數(shù)

表4羅列了各算法的訓(xùn)練時(shí)間、測(cè)試時(shí)間和故障診斷精度。從表4可以看出，與SVM算法、BP算法、C4.5算法相比，單獨(dú)的多類ELM算法和級(jí)聯(lián)ELM算法的訓(xùn)練速度極快，時(shí)間優(yōu)勢(shì)十分明顯。由于級(jí)聯(lián)ELM算法需訓(xùn)練多個(gè)原子ELM分類器，故訓(xùn)練時(shí)間比單獨(dú)的多類ELM算法略長(zhǎng)一些，但級(jí)聯(lián)ELM的故障診斷精度明顯高于其他幾種算法，并且，在線故障診斷時(shí)間達(dá)到毫秒級(jí)別，滿足實(shí)時(shí)監(jiān)測(cè)的需求。

表4 各算法性能對(duì)比

表4的對(duì)比數(shù)據(jù)顯示單個(gè)ELM、單個(gè)SVM的故障診斷精度均明顯低于C4.5決策樹算法，這是由于訓(xùn)練集中故障模式的樣本數(shù)不平衡造成的。特別地，圖3展示了訓(xùn)練集中小樣本的故障模式，如“制冷系統(tǒng)內(nèi)有空氣(模式3)”、“內(nèi)機(jī)過(guò)濾器堵塞(模式5)”、“電子膨脹閥開啟過(guò)大(模式8)”,及其在20次測(cè)試中被正確識(shí)別的比率。樣本數(shù)的不平衡在單個(gè)的多類分類器的訓(xùn)練過(guò)程中會(huì)吞噬掉小樣本數(shù)的故障模式，相比于決策樹分類算法，“吞噬”情況在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的分類器中更為明顯。采用級(jí)聯(lián)ELM的方式能大幅度地提高小樣本的故障識(shí)別率，雖然C4.5算法對(duì)故障模式8的識(shí)別率高于級(jí)聯(lián)ELM算法，但在樹的構(gòu)造過(guò)程中，需要對(duì)數(shù)據(jù)集進(jìn)行多次的順序掃描和排序，因而訓(xùn)練時(shí)間長(zhǎng)。總體而言，級(jí)聯(lián)ELM算法在訓(xùn)練時(shí)間和故障診斷精度方面的綜合性能更優(yōu)。

4 結(jié)論

本文提出一種級(jí)聯(lián)ELM的基站空調(diào)在線故障診斷算法。實(shí)驗(yàn)結(jié)果表明該算法與單獨(dú)的多類ELM算法、SVM算法、BP算法、C4.5決策樹算法相比都能獲得更高的分類精度。與SVM算法、BP算法相比，級(jí)聯(lián)ELM算法的訓(xùn)練時(shí)間也大大縮短。通過(guò)訓(xùn)練針對(duì)各個(gè)故障模式的原子ELM分類器來(lái)消除訓(xùn)練集中樣本不平衡而產(chǎn)生的小類樣本故障模式被吞噬問(wèn)題，提高了小類樣本的故障識(shí)別率，進(jìn)一步通過(guò)級(jí)聯(lián)原子ELM分類器來(lái)提高系統(tǒng)的泛化性能。測(cè)試數(shù)據(jù)的故障診斷時(shí)間達(dá)到毫秒級(jí)別，達(dá)到實(shí)時(shí)預(yù)警的需求，并輸出可能的故障源，為基站空調(diào)維護(hù)人員提供相應(yīng)的技術(shù)支持。但在真實(shí)復(fù)雜的野外基站空調(diào)運(yùn)行環(huán)境中還有一些問(wèn)題需要進(jìn)一步考慮完善，如各基站傳感器通信的有效距離，數(shù)據(jù)丟包率等問(wèn)題。