基于級聯(lián)極限學(xué)習(xí)機的基站空調(diào)在線監(jiān)測系統(tǒng)

羅方芳，陶求華

(1.集美大學(xué)計算機工程學(xué)院，福建 廈門 361021；2.集美大學(xué)機械與能源工程學(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)定的運行提供必要的條件。為確保基站空調(diào)穩(wěn)定運行，有必要對基站空調(diào)進行實時的在線監(jiān)測，了解相關(guān)設(shè)備的運行狀況，并且對異常狀態(tài)及時報警，以便盡早排查故障。因此，高效、實時的在線基站空調(diào)故障監(jiān)測和診斷系統(tǒng)的研究有其實際意義。目前的空調(diào)故障診斷系統(tǒng)主要有兩種設(shè)計思路[1]。一種是基于模型的故障診斷，將實測值和模型預(yù)測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算方法[2]、基于殘差特征和數(shù)理統(tǒng)計相結(jié)合的計算方法[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)，通過教計算機如何學(xué)習(xí)、推理和決策來實現(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題，正常樣本數(shù)據(jù)高達62%，而某些故障的樣本占數(shù)據(jù)集比例僅為1%。這種不平衡性會使得一些少量樣本的故障類型在單個的多類分類器的訓(xùn)練過程中被視為噪聲而遭“吞噬”。相較于決策樹處理方法，這種小類樣本識別率低的問題在神經(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)機參數(shù)選擇簡單、學(xué)習(xí)速度快的特點，本文設(shè)計了一個基于級聯(lián)極限學(xué)習(xí)機的基站空調(diào)故障監(jiān)測與診斷系統(tǒng)。針對每一種故障類型單獨訓(xùn)練一個原子極限學(xué)習(xí)機，再將其級聯(lián)組合，以此來解決訓(xùn)練集類別不平衡的問題。

1 空調(diào)系統(tǒng)模型

實驗對象是目前應(yīng)用最為廣泛的移動基站空調(diào)系統(tǒng)，基站空調(diào)有內(nèi)機和外機兩部分，中間采用制冷劑管道連接?；究照{(diào)在線監(jiān)測系統(tǒng)的構(gòu)建分為離線學(xué)習(xí)階段與在線實時監(jiān)測分析階段兩部分。在離線訓(xùn)練階段收集大量故障樣本和無故障樣本數(shù)據(jù)，預(yù)處理后導(dǎo)入級聯(lián)極限學(xué)習(xí)機進行訓(xùn)練，獲得穩(wěn)定的檢測分析模型。在線實時監(jiān)測分析階段，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)，對數(shù)據(jù)進行歸一化預(yù)處理后，輸入基于級聯(lián)極限學(xué)習(xí)機的在線監(jiān)測分析系統(tǒng)，實時分析當(dāng)前空調(diào)運行狀態(tài)，若診斷顯示故障，則及時預(yù)警排除故障以提高空調(diào)系統(tǒng)的制冷效率及維護通信基站的穩(wěn)定運行。

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(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為代價參數(shù)，ξi為理論輸出Ti與實際輸出f(xi)的誤差，h(xi)為第i個實例xi的隱層輸出向量。

根據(jù)Lagrange對偶理論，采用Moore-Penrose廣義逆計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)的計算過程，也不易陷入局部極值。

然而在面對“訓(xùn)練樣本集故障類別不平衡”的問題時，ELM也遇到了與其他神經(jīng)網(wǎng)絡(luò)算法相同的困境，即，少量特殊樣本會被單個的分類器在訓(xùn)練過程中視為噪聲而遭“吞噬”，進而導(dǎo)致小類樣本識別率低、泛化能力弱的情形。為此，本文為每一種故障類型(包括“正常-無故障”類型)單獨設(shè)計一個原子ELM分類器，再將各分類器級聯(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的輸出層只有一個神經(jīng)元。實驗階段訓(xùn)練集的樣本數(shù)為100，所以需要對規(guī)模m=100的訓(xùn)練集針對具體故障模式進行數(shù)據(jù)預(yù)處理，即，該故障模式對應(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)

在測試階段，對于一個實例x，將其導(dǎo)入原子ELM分類器，對應(yīng)的輸出可由公式(2)計算獲得。

(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,激勵函數(shù)g,代價參數(shù)C=1;

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

4)計算隱層的輸出矩陣H=g(x;w,b)；

2.2 級聯(lián)ELM

在所有的原子ELM分類器(包括“正常-無故障”類型)均訓(xùn)練完成后，每一個原子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)都處于正常運行模式，所以將“正常-無故障模式”的原子ELM分類器放在級聯(lián)串中的第一個。

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

3 實驗結(jié)果分析

為了更好地測試級聯(lián)ELM算法的性能，從訓(xùn)練時間和故障診斷精度兩方面進行考量。對比算法有：單獨的多類ELM[7]、單獨的支持向量機(SVM)[10]、級聯(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的級聯(lián)組合方式與ELM的級聯(lián)組合方式相同；單獨的ELM代碼來源為http://www.ntu.edu.sg/home/egbhuang/elm_random_hidden_nodes.html，激勵函數(shù)為sigmoid函數(shù)；SVM算法的代碼來源為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[12]，采用“后剪枝”策略編寫；BP神經(jīng)網(wǎng)絡(luò)采用Matlab工具箱實現(xiàn)，隱層神經(jīng)元數(shù)設(shè)為20。各程序均在Matlab2012b上部署運行，訓(xùn)練集的樣本數(shù)為100，測試集的樣本數(shù)為60。

和大多數(shù)的機器學(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))選擇問題。原子ELM分類器的訓(xùn)練過程中，采用增量生長法來確定，將隱層神經(jīng)元數(shù)從5開始遞增測試學(xué)習(xí)誤差，若誤差的變化低于閾值δ(δ=0.01)，則停止增長。經(jīng)多次實驗后，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)這一過程較為耗時，在今后的工作中，可以對隱層神經(jīng)元個數(shù)的優(yōu)化進行更深入的研究。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)練時間、測試時間和故障診斷精度。從表4可以看出，與SVM算法、BP算法、C4.5算法相比，單獨的多類ELM算法和級聯(lián)ELM算法的訓(xùn)練速度極快，時間優(yōu)勢十分明顯。由于級聯(lián)ELM算法需訓(xùn)練多個原子ELM分類器，故訓(xùn)練時間比單獨的多類ELM算法略長一些，但級聯(lián)ELM的故障診斷精度明顯高于其他幾種算法，并且，在線故障診斷時間達到毫秒級別，滿足實時監(jiān)測的需求。

表4 各算法性能對比

表4的對比數(shù)據(jù)顯示單個ELM、單個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)機過濾器堵塞(模式5)”、“電子膨脹閥開啟過大(模式8)”,及其在20次測試中被正確識別的比率。樣本數(shù)的不平衡在單個的多類分類器的訓(xùn)練過程中會吞噬掉小樣本數(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。采用級聯(lián)ELM的方式能大幅度地提高小樣本的故障識別率，雖然C4.5算法對故障模式8的識別率高于級聯(lián)ELM算法，但在樹的構(gòu)造過程中，需要對數(shù)據(jù)集進行多次的順序掃描和排序，因而訓(xùn)練時間長?？傮w而言，級聯(lián)ELM算法在訓(xùn)練時間和故障診斷精度方面的綜合性能更優(yōu)。

4 結(jié)論

本文提出一種級聯(lián)ELM的基站空調(diào)在線故障診斷算法。實驗結(jié)果表明該算法與單獨的多類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，級聯(lián)ELM算法的訓(xùn)練時間也大大縮短。通過訓(xùn)練針對各個故障模式的原子ELM分類器來消除訓(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題，提高了小類樣本的故障識別率，進一步通過級聯(lián)原子ELM分類器來提高系統(tǒng)的泛化性能。測試數(shù)據(jù)的故障診斷時間達到毫秒級別，達到實時預(yù)警的需求，并輸出可能的故障源，為基站空調(diào)維護人員提供相應(yīng)的技術(shù)支持。但在真實復(fù)雜的野外基站空調(diào)運行環(huán)境中還有一些問題需要進一步考慮完善，如各基站傳感器通信的有效距離，數(shù)據(jù)丟包率等問題。