您好, 访客   登录/注册

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

相关文章