李至立， 卻立勇， 劉興惠

(山東緯橫數(shù)據(jù)科技有限公司， 山東 煙臺(tái) 264003)

0 引 言

半潛式鉆井平臺(tái)是重要的海洋工程裝備[1-2]，往往作業(yè)于深海區(qū)，時(shí)刻面對(duì)著惡劣多變的海洋環(huán)境，平臺(tái)系統(tǒng)運(yùn)行穩(wěn)定性受到挑戰(zhàn)，故障警報(bào)信號(hào)頻發(fā)[3-7]。平臺(tái)系統(tǒng)組成非常復(fù)雜，信號(hào)點(diǎn)位眾多，難以追蹤平臺(tái)系統(tǒng)運(yùn)行不穩(wěn)定的誘發(fā)因素。機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等人工智能算法基于大數(shù)據(jù)可進(jìn)行復(fù)雜的關(guān)聯(lián)映射，比如構(gòu)建平臺(tái)系統(tǒng)能否穩(wěn)定運(yùn)行與其重要影響因素間的關(guān)聯(lián)模型。本文將平臺(tái)系統(tǒng)是否發(fā)出警報(bào)信號(hào)作為系統(tǒng)是否穩(wěn)定的標(biāo)志，研究平臺(tái)系統(tǒng)能否穩(wěn)定運(yùn)行的重要影響因素，基于若干重要因素采用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)算法構(gòu)建平臺(tái)系統(tǒng)穩(wěn)定性預(yù)測(cè)模型。

1 平臺(tái)系統(tǒng)穩(wěn)定性關(guān)聯(lián)因素

大型裝備故障發(fā)生的征兆主要與電壓狀態(tài)有關(guān)[8]。采用發(fā)電機(jī)功率、配電盤各類負(fù)載的功率、配電盤各類負(fù)載的電壓、配電盤各類負(fù)載的電流、推進(jìn)器功率、風(fēng)速等信號(hào)數(shù)據(jù)作為平臺(tái)系統(tǒng)能否穩(wěn)定運(yùn)行的影響因素。

1.1 平臺(tái)系統(tǒng)穩(wěn)定性各影響因素的數(shù)據(jù)預(yù)處理

收集半潛式平臺(tái)某年5月1日—5月31日上述信號(hào)點(diǎn)位的瞬時(shí)數(shù)據(jù)與警報(bào)信號(hào)數(shù)據(jù)，將各指標(biāo)數(shù)據(jù)中的負(fù)值作為異常值設(shè)為空值，將毫秒級(jí)數(shù)據(jù)取均值轉(zhuǎn)換為秒級(jí)數(shù)據(jù)。

平臺(tái)共有8臺(tái)發(fā)電機(jī)，但每一時(shí)刻只有部分發(fā)電機(jī)在工作，因此對(duì)每一時(shí)刻取所有發(fā)電機(jī)功率的均值作為這一時(shí)刻的發(fā)電機(jī)工作功率，并將其作為建模特征。同理，對(duì)每一時(shí)刻取8臺(tái)推進(jìn)器功率的均值作為這一時(shí)刻的推進(jìn)器工作功率，并將其作為建模特征。配電盤各類負(fù)載的功率、電壓與電流采用相同的方法得到對(duì)應(yīng)的配電盤綜合負(fù)載功率、綜合負(fù)載電壓與綜合負(fù)載電流，將其作為建模特征。將處于同時(shí)刻的發(fā)電機(jī)功率、配電盤綜合負(fù)載功率、配電盤綜合負(fù)載電壓、配電盤綜合負(fù)載電流、推進(jìn)器功率與風(fēng)速數(shù)據(jù)作為樣本數(shù)據(jù)，同時(shí)剔除空值及離群值所在的樣本。將與警報(bào)信號(hào)處于同時(shí)刻的樣本輸出標(biāo)記為1，無警報(bào)信號(hào)的樣本輸出標(biāo)記為0。

1.2 平臺(tái)系統(tǒng)穩(wěn)定性各影響因素的探索性數(shù)據(jù)分析

分別以符號(hào)DG_power、Thr_power、fzI、fzU、fzW、windspeed代表特征發(fā)電機(jī)功率、推進(jìn)器功率、配電盤綜合負(fù)載電流、配電盤綜合負(fù)載電壓、配電盤綜合負(fù)載功率和風(fēng)速，分析特征間的相關(guān)性。采用Spearman相關(guān)因數(shù)，特征相關(guān)因數(shù)如表1所示。

表1 特征相關(guān)因數(shù)

由表1可知，發(fā)電機(jī)功率與配電盤綜合負(fù)載功率呈完全強(qiáng)相關(guān)性，可剔除其中一個(gè)，與配電盤綜合負(fù)載電流、配電盤綜合負(fù)載電壓呈中等相關(guān)性。

1.3 基于隨機(jī)森林的特征重要性排序

采用隨機(jī)森林(Random Forest，RF)對(duì)特征重要性進(jìn)行排序。RF是一種利用Bagging思想，將多個(gè)分類回歸樹(Classification and Regression Tree, CART)決策樹作為弱學(xué)習(xí)器組合為一個(gè)強(qiáng)學(xué)習(xí)器的集成算法，具有良好的抗過擬合能力和較高的準(zhǔn)確性，在訓(xùn)練過程中能夠識(shí)別特征間的相互影響并得出重要性排序。6個(gè)特征重要性排序結(jié)果如圖1所示。

圖1 特征重要性柱形圖

由圖1可知，6個(gè)因素對(duì)系統(tǒng)穩(wěn)定性均有一定程度的影響，但配電盤綜合負(fù)載電流、配電盤綜合負(fù)載電壓、配電盤綜合負(fù)載功率是系統(tǒng)穩(wěn)定性的主要影響因素，其次是發(fā)電機(jī)功率、風(fēng)速和推進(jìn)器功率，其中推進(jìn)器功率重要性最低，可以剔除。

綜上所述，配電盤綜合負(fù)載的功率、電壓、電流，發(fā)電機(jī)功率和風(fēng)速是決定平臺(tái)系統(tǒng)能否穩(wěn)定運(yùn)行的主要因素，為了保證平臺(tái)系統(tǒng)的穩(wěn)定運(yùn)行，應(yīng)更關(guān)注配電盤各種負(fù)載和發(fā)電機(jī)的運(yùn)行狀態(tài)以及防范大風(fēng)大浪惡劣天氣。

2 構(gòu)建基于DNN的平臺(tái)系統(tǒng)穩(wěn)定性預(yù)測(cè)模型

選擇風(fēng)速、配電盤綜合負(fù)載功率、配電盤綜合負(fù)載電流和配電盤綜合負(fù)載電壓作為模型的輸入特征。共收集樣本476 823個(gè)，其中類別1為7 505個(gè)，類別0為469 318個(gè)，可看成類別不平衡二分類問題。針對(duì)類別數(shù)量不平衡問題，現(xiàn)有的解決方法可以分為預(yù)處理方法、代價(jià)敏感方法、算法中心方法和混合方法等4種[9-11]，常用的處理方法包括預(yù)處理方法中的采樣法與代價(jià)敏感方法中的權(quán)重法。由于不同類別樣本數(shù)量差距過大且類別1樣本數(shù)相對(duì)輸入特征數(shù)足夠多，因此采用下采樣方式使數(shù)據(jù)集類別平衡，得到15 012個(gè)樣本，然后分別采用深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network，DNN)與邏輯回歸(Logistics Regression，LR)模型、K近鄰查詢(K-Nearest Neighbor query，KNN)、支持向量機(jī)(Support Vector Machine，SVM)、樸素貝葉斯模型(Naive Bayesian Model，NBM)等傳統(tǒng)機(jī)器學(xué)習(xí)算法構(gòu)建平臺(tái)系統(tǒng)穩(wěn)定性預(yù)測(cè)模型并比較其預(yù)測(cè)效果。

2.1 DNN基本原理

多層神經(jīng)網(wǎng)絡(luò)是一種基于感知機(jī)的擴(kuò)展。如圖2所示，感知機(jī)的結(jié)構(gòu)由輸入、輸入的權(quán)重、激活函數(shù)和輸出等4部分組成，將輸入值與其對(duì)應(yīng)權(quán)重的乘積進(jìn)行求和，并將該和值作為激活函數(shù)的輸入，不同的激活函數(shù)將會(huì)得到不同的輸出。

注：x1,x2,…,xm為輸入；w0,w1,…,wm為輸入的權(quán)重；m為輸入的數(shù)量

在感知機(jī)中間增加多層隱藏層，即可得到如圖3 所示的多層神經(jīng)網(wǎng)絡(luò)。

圖3 多層神經(jīng)網(wǎng)絡(luò)

多層神經(jīng)網(wǎng)絡(luò)中神經(jīng)元的計(jì)算方式為

z=∑wixi+b

(1)

式中：z為神經(jīng)元的值；wi為輸入的權(quán)重；xi為輸入；b為偏置值。同時(shí)，為了增強(qiáng)神經(jīng)網(wǎng)絡(luò)的表達(dá)能力，引入非線性函數(shù)(tanh)作為激勵(lì)函數(shù)，計(jì)算式為

(2)

結(jié)合反向傳播(Back Propagation，BP)算法能夠?qū)崿F(xiàn)對(duì)高維抽象特征的提取，在平臺(tái)系統(tǒng)穩(wěn)定性預(yù)測(cè)問題上實(shí)現(xiàn)高精度的分類及擬合效果。由此可知，DNN依靠多層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和非線性激活函數(shù)能較好地?cái)M合平臺(tái)系統(tǒng)穩(wěn)定性各影響因素與其之間復(fù)雜的非線性映射關(guān)系。

2.2 DNN模型構(gòu)建與評(píng)估

對(duì)樣本數(shù)據(jù)進(jìn)行歸一化后，固定隨機(jī)種子將數(shù)據(jù)集劃分為訓(xùn)練集與測(cè)試集，測(cè)試集比例為20%，用于評(píng)估模型，為了防止過擬合將訓(xùn)練集進(jìn)一步劃分出20%作為驗(yàn)證集，同時(shí)采用曲線下面積(Area Under Curve，AUC)與準(zhǔn)確率作為模型的評(píng)估指標(biāo)。

2.2.1 DNN隱藏層節(jié)點(diǎn)數(shù)的確定

固定神經(jīng)網(wǎng)絡(luò)隱藏層層數(shù)為1，通過比較神經(jīng)網(wǎng)絡(luò)在采用不同隱藏層節(jié)點(diǎn)數(shù)的情況下網(wǎng)絡(luò)經(jīng)過1 000 次迭代后的驗(yàn)證集Loss的大小來確定合適的隱藏層節(jié)點(diǎn)數(shù)。試驗(yàn)結(jié)果如圖4所示。

圖4 不同隱藏層節(jié)點(diǎn)數(shù)單隱藏層神經(jīng)網(wǎng)絡(luò)經(jīng)過1 000次迭代后的驗(yàn)證集Loss值

由圖4可知，當(dāng)隱藏層節(jié)點(diǎn)數(shù)為14時(shí)網(wǎng)絡(luò)經(jīng)過1 000次迭代收斂后驗(yàn)證集Loss值損失最小，因此選擇隱藏層節(jié)點(diǎn)數(shù)為14。

2.2.2 DNN隱藏層層數(shù)的確定

固定隱藏層節(jié)點(diǎn)數(shù)為14，通過比較神經(jīng)網(wǎng)絡(luò)在采用不同隱藏層層數(shù)的情況下網(wǎng)絡(luò)經(jīng)過1 000次迭代后驗(yàn)證集Loss值的大小來確定合適的隱藏層層數(shù)。試驗(yàn)結(jié)果如圖5所示。

圖5 不同隱藏層層數(shù)神經(jīng)網(wǎng)絡(luò)經(jīng)過1 000次迭代后的驗(yàn)證集Loss值

由圖5可知，當(dāng)隱藏層層數(shù)為3時(shí)，神經(jīng)網(wǎng)絡(luò)經(jīng)過1 000次迭代收斂后的驗(yàn)證集Loss值最小，因此DNN隱藏層層數(shù)為3。最終確定DNN拓?fù)渚W(wǎng)絡(luò)結(jié)構(gòu)為4-14-14-14-2，即4層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，輸入層節(jié)點(diǎn)數(shù)為4，輸出層節(jié)點(diǎn)數(shù)為2，3層隱藏層的神經(jīng)元節(jié)點(diǎn)數(shù)均為14。網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

圖6 DNN拓?fù)渚W(wǎng)絡(luò)結(jié)構(gòu)

2.2.3 DNN隱藏層激活函數(shù)的確定

不同的隱藏層激活函數(shù)會(huì)給神經(jīng)網(wǎng)絡(luò)帶來不同的擬合效果，常用的隱藏層激活函數(shù)有Sigmoid、Tanh、ReLU和其他變種等，通過比較DNN在分別采用Sigmoid、tanh、ReLU等3種不同的隱藏層激活函數(shù)時(shí)網(wǎng)絡(luò)經(jīng)過1 000次迭代收斂后驗(yàn)證集Loss值的大小來選擇合適的激活函數(shù)。結(jié)果如圖7所示。

圖7 采用不同隱藏層激活函數(shù)的DNN訓(xùn)練效果

由圖7可知，雖然網(wǎng)絡(luò)訓(xùn)練前期ReLU激活函數(shù)表現(xiàn)較好，但后期tanh激活函數(shù)能夠使驗(yàn)證集Loss值收斂至更低，訓(xùn)練效果更好，因此DNN隱藏層采用tanh激活函數(shù)更合適。

2.2.4 DNN的訓(xùn)練與驗(yàn)證

在確定DNN拓?fù)渚W(wǎng)絡(luò)結(jié)構(gòu)和隱藏層激活函數(shù)之后，確定DNN的輸出層激活函數(shù)為Softmax，損失函數(shù)為交叉熵，優(yōu)化算法采用Adam，學(xué)習(xí)率為0.01，網(wǎng)絡(luò)參數(shù)初始化方式采用Pytorch默認(rèn)的kaiming_normal。網(wǎng)絡(luò)訓(xùn)練迭代2 000步后訓(xùn)練集Loss值穩(wěn)定在0.10，驗(yàn)證集Loss值穩(wěn)定在0.12，網(wǎng)絡(luò)收斂。網(wǎng)絡(luò)訓(xùn)練迭代過程如圖8所示。

由圖8可知，在網(wǎng)絡(luò)訓(xùn)練迭代2 000步后訓(xùn)練集和驗(yàn)證集Loss值都收斂至0.1，AUC都穩(wěn)定在0.98，網(wǎng)絡(luò)得到了較好的訓(xùn)練，泛化能力較強(qiáng)，可以用來預(yù)測(cè)。采用測(cè)試集對(duì)該模型進(jìn)行評(píng)估，預(yù)測(cè)測(cè)試集的AUC為0.983，準(zhǔn)確率為96.7%。

圖8 DNN迭代收斂曲線

3 DNN與傳統(tǒng)機(jī)器學(xué)習(xí)模型預(yù)測(cè)效果對(duì)比

調(diào)用Sklearn庫(kù)的train_test_split API并采用相同的隨機(jī)種子以便產(chǎn)生相同的訓(xùn)練集與測(cè)試集來訓(xùn)練與評(píng)估LR、KNN、SVM、NBM等機(jī)器學(xué)習(xí)模型。DNN與傳統(tǒng)機(jī)器學(xué)習(xí)模型預(yù)測(cè)測(cè)試集的評(píng)估指標(biāo)AUC與準(zhǔn)確率結(jié)果對(duì)比如圖9所示。

圖9 DNN與傳統(tǒng)機(jī)器學(xué)習(xí)模型預(yù)測(cè)測(cè)試集的評(píng)估指標(biāo)對(duì)比

由圖9可知：DNN預(yù)測(cè)測(cè)試集的AUC為0.983，比其他機(jī)器學(xué)習(xí)模型的AUC提高1.3%～16.1%；DNN預(yù)測(cè)測(cè)試集的準(zhǔn)確率為96.7%，比其他機(jī)器學(xué)習(xí)模型的準(zhǔn)確率提高3.0%～25.6%。因此，采用DNN構(gòu)建平臺(tái)系統(tǒng)穩(wěn)定性預(yù)測(cè)模型比傳統(tǒng)機(jī)器學(xué)習(xí)算法具有更好的擬合效果和泛化能力。

4 結(jié) 論

采用半潛式平臺(tái)工作信號(hào)點(diǎn)位數(shù)據(jù)集研究影響平臺(tái)系統(tǒng)運(yùn)行穩(wěn)定性的重要因素，研究結(jié)果表明，配電盤綜合負(fù)載的功率、電壓、電流，發(fā)電機(jī)功率和風(fēng)速是影響平臺(tái)系統(tǒng)運(yùn)行穩(wěn)定性的主要因素，也是平臺(tái)系統(tǒng)產(chǎn)生報(bào)警信號(hào)的主要觸發(fā)因素，因此為了保證平臺(tái)系統(tǒng)的穩(wěn)定運(yùn)行，應(yīng)確保配電盤各種負(fù)載的工作狀態(tài)穩(wěn)定并且防范大風(fēng)大浪等惡劣天氣。在此基礎(chǔ)上，提出基于DNN的平臺(tái)系統(tǒng)穩(wěn)定性預(yù)測(cè)模型，經(jīng)過測(cè)試集評(píng)估，該模型的AUC較LR、KNN、SVM、NBM等傳統(tǒng)機(jī)器學(xué)習(xí)模型提高1.3%～16.1%，準(zhǔn)確率提高3.0%～25.6%，表明DNN模型具有較好的擬合能力和泛化能力。