基于人工智能Automl技术的短波发射机故障预测研究

来源:用户上传      作者:赵宇

　　摘要：文章研发了一款基于Automl自动机器学习技术的无线电短波发射机故障预测系统，采用autokeras 深度学习框架，使 AI 经过大数据的训练后，应用ENAS 技术进行人工神经网络结构的自动生成及自动参数调优，生成最适合进行故障预测的网络参数模型，并进行实际使用的测试。整个系统使用了自动化、分布式并行计算的结构。
　　关键词：神经网络 ;自动机器学习;人工智能;强化学习
　　1 Automl自动机器学习
　　人工智能技术在本文中特指基于深度学习技术算法的人工智能技术，深度学习算法在模式识别、特征提 取等方面有着广泛的应用。其对数据结果的预测也是目前研究的热门方向，在各行业中，设计者试图通过对神经网络模型的训练，使 AI 不断接近甚至超过人类对事物的判断和预测能力。
　　Automl目前的主要研究领域为元学习及神经架构自动搜索，其中神经架构自动搜索技术较为重要，通常 将神经网络的超参数自动优化也包括在神经架构自动 搜索技术中。
　　本文探讨了基于神经架构自动搜索技术（Neural Architecture Auto-search，NAS）生成的神经网络，应用于无线短波发射机设备故障预测的研究及实现，对设备 故障的预测本质是一个分类及回归问题[1]。何种神 经网络结构能够较好地完成该类任务，本研究将这个问题交给 Automl 技术进行自动处理，最后进行结果 测试。
　　2Auto keras 开源框架
　　目前为止，包括商用与开源的Automl 框架平台为数不多，如 AZURE，谷 歌的Automl，Auto-sklearn，MLBox，TPOT，H2O Automl 等，其中除谷歌的Automl 外，大部分 框架难以训练出现代的深度学习网络，Auto keras是能与谷歌 Automl在支持技术上对标的一个开源深度强化学习框架[2]。
　　Auto keras 框架使用的是加强型 NAS 技术即 enas，enas 技术以图论为基础，针对如何自动构建神经网络 结构这一问题，究其本|是针对可变长的结构序列进 行结构空间的搜索。因此，与NAS 技术类似，enas 使用一个擅长序列处理的RNN 循环神经网络作为其生成真实网络的控制器（见图1），可称之为controller 网络，该 controller 网络对将要生成的真实网络按照有向图的拓扑结构进行空间搜索，RNN 链上的每一个生成节点都预测之前的残差及算子，多次迭代生成子网后，针对精度反馈再反向训练 controller 网络，直至搜索收敛出最优结构及参数。
　　其中 enas 较 NAS的优势在于，它是依据图论、子图的共享权值，因此在训练过程中相当于迁移学习，避 免重新训练子模型，因此非常高效，而 NAS 技术仅使用梯度策略进行模型的训练，效率相对较低。
　　3系统设计思路
　　人工神经网络的计算需要调用大量的计算机程 序，因此，整个故障预测系统的结构考虑设定为分布式 计算结构，将训练机和投入使用的预测机分布在不同的层次，在运行时支持同步计算和同步预测。
　　无线短波发射系统的核心是短波发射机，一部大功率的短波发射机通常关联了复杂的子系统，如控制 操作系统、冷却控制系统、真空电子管器件、音频处理系统、调制系统、电力系统等。其故障的种类和规律具有多样性，因此，如果要设计一个用于故障预测的系统，首先必须避免进行模型的多分类计算，而是通过将所有子系统汇集到中央控制系统的故障信息输出，针对每一个单独的故障类型使用Auto keras 进行单独故障 建模，最后部署至应用场景时，确保多个模型是分布式并 行预测的。汇总计算结果，能得到最终的预测结果。
　　基于此，整个预测系统的架构设计如图2所示。
　　（1）自动化训练机。存取发射机中央控制系统的秒数据，对故障历史信息进行自动分类的存储管理，形成大数据库，提供故障数据集、干扰数据集的文件格式 导出功能。同时，该机会自主统计所有故障的发生频 率，形成一个排序统计表，按照故障发生的频度对要训 练的模型进行优先排序。进行训练时，系统先根据该 故障进行数据回溯，并随机抽取数据启动 Auto keras 进 行模型的生成，训练完成后进行模型的保存、自主生成网络结构的图片展示及精度的汇报，供操作人员决定是否使用该模型，然后进行下一条故障模型的搜索生成。对于不同的故障类型，此训练活动是不定期的，是否进行自动化训练取决于近期该故障的数据集是否采 集到足够多的新数据。另外，考虑到每一次自动训练 耗时较长（一般为十几个小时到几天时间），训练机采用多机分布式轮流训练结构，每台训练机都会配置支 持 cuda的显卡，并提供终止自动训练和手动训练的功能。
　　（2）故障预测系统。提供前端显示界面的主机，汇 总实时计算结果，支持故障预测结果的显示。
　　（3）分布式预测机。使用由Auto keras 生成的模 型进行故障预测的主机（或虚拟主机），每一台预测机在接到实时秒数据后都将应用自己的预测模型给出预 测结果至数据库。每台预测机使用的预测模型由操作 人员根据自动训练机产生的模型择优选择上传使用。4数据集及数据准备
　　短波发射机的故障预测系统设计，首先要进行数据集数据的选取。为了能够较好地解决这个问题，通常的选取原则是多因素、多维度，为防止训练结果的过拟合，样本量要足够大[3]。而用于训练神经网络的数据集的完备程度，依赖于短波发射机房数据的采集广 度和深度，针对短波发射机的故障预测，关联性较大的数据有：温度控制数据、发射机运行秒数据、该种故障 发生的历史频度作为先验经验。这些数据的采集依赖于机房的信息化建设，可以通过发射机设备的通信接口、单片机的通信接口、数据的统计计算等途径，进行程序的开发获得。
　　以上述数据为例，构建如图2所示数据集 trainval（由训练机自动生成），数据集的格式为csv 格式，便于Auto keras 中的结 构化数据 分 类 器 进 行 读 取，其 中 defected 代表故障发生的标签，该数据集包含了短波发 射机故障发生前数十秒的数据的平均统计值，也包含了并未发生故障用于训练模型的干扰条目。同理生成另外的一份数据集 evalval用于测试最终模型生成的效果。

nlc202208301131

转载注明来源:https://www.xzbu.com/8/view-15438754.htm