Page 89 - 2023年第54卷第5期

测试数据（目标域）具有相同 的特征 空间 分布。因此，一旦 特征 空间 或 测 试数 据 分 布发 生变 化，预
测模型将不再有效，必须基于新的数据从头开始训练和建模。但在工程领域中，很多情况下收集训
练数据需要很高的经济成本和时间成本，如本研究中的 ＰＣＣＰ断丝试验成本较高，单节 ＰＣＣＰ埋置
管的成本在几十万元的量 级，而且 由于管 节尺寸 较大，切 割 以 及腐 蚀预 应 力 钢 丝 存 在 相 当 大 的 难
度，信号收集也十分不易。因此，本研究采用知识迁移的方法构建分析 ＰＣＣＰ断丝信号数据，利用
已训练好的模型重 构 信 号 特 征， 并 将 重 构 的 信 号 输 入 智 能 识 别 模 型， 最 终 构 建 ＰＣＣＰ断 丝 识 别
模型。
通过对信号的短时傅里叶变换，将信号数据生成频谱图。采用 ３种深度学习模型重构信号特征，
将深度模型在大型数据集上所学到的知识迁移到信号特征重构中去，再将重构后的信号输入到不同的
机器学习模型中并训练，最终通过测试结果对模型性能进行评价。３种深度学习模型分别选择 ＲｅｓＮｅｔ、
Ｉｎｃｅｐｔｉｏｎ － ｖ４和 Ｉｎｃｅｐｔｉｏｎ － ＲｅｓＮｅｔ － ｖ２。本文采用的这 ３个模型都是在 ＩｍａｇｅＮｅｔ数据集上训练的，该数
据集的训练部分包括 １２０万个数据，因此这 ３个模型作为预训练模型具有较大的潜力。
３．３ 智能学习算法 如图 ４所示，ＰＣＣＰ原始断丝信号数据是 ２ｓ，采样频率是 １ｋＨｚ，因此，每组断
丝数据包含 ２０００个特征维度；但利用 ＲｅｓＮｅｔ、Ｉｎｃｅｐｔｉｏｎ － ｖ４和 Ｉｎｃｅｐｔｉｏｎ － ＲｅｓＮｅｔ － ｖ２三种深度模型进行
信号特征重构后，断丝信号特征的维度分别为 １０００、１００１和 １５３６。与原始的断丝信号相比，重构后
的特征维度降低了约 ５００～１０００维，数据维度降低后可能造成信号信息的缺失。支持向量机（Ｓｕｐｐｏｒｔ
ｖｅｃｔｏｒｍａｃｈｉｎｅ，ＳＶＭ）本质上是单层神经网络结构，但其核函数能够对数据空间进行构造，将低维特
征映射到更高维度，建立高维空间超平面来进行分析，从而将低维空间的超曲面非线性问题转化为高
维空间超平面的线性可分问题。核函数表示为两映射函数的内积，如下式所示：
Ｋ（ｘ，ｘ） ＝ φ （ｘ）·φ （ｘ） （５）
ｉ ｊ ｉ ｊ
变量 ｘ和 ｘ均为低维特征向量，函数 φ表示低维特征空间到高维特征空间的映射。
ｉ
ｊ

图 ４ ＰＣＣＰ断丝信号短时傅里叶变换生成频谱图

为了解决数据空间低维度线性不可分的问题，核函数将当前维度空间中的样本映射到高维中去，
在高维空间建立超平面方程。但在核函数计算中，采用的策略是使用低维特征进行计算，避免高维特
征空间产生较大的计算量，所以采用核函数是低维度的计算结果，只是这一结果与将数据映射到高维
空间计算向量点积是等价的。所以 ＳＶＭ 既能利用高维空间对数据进行分析，又能避免高维空间的巨
大计算量。
除了应用 ＳＶＭ以外，本研究还将多种不同类型的智能算法应用于断丝信号识别中，包括 Ｋ邻近
算法（Ｋ － ＮｅａｒｅｓｔＮｅｉｇｈｂｏｒ，ＫＮＮ）、极端随机树（Ｅｘｔｒａ － Ｔｒｅｅｓ，ＥＴ）和多层感知机（ＭｕｌｔｉｌａｙｅｒＰｅｒｃｅｐｔｒｏｎ，
ＭＬＰ）。ＥＴ为树形结构模型；ＫＮＮ是无监督学习算法，通过数据类间距离进行判别；ＭＬＰ是多层神经
网络。基于不同理论的方法计算过程也不相同，因此可对比分析其在断丝信号识别中的性能，建立针
对 ＰＣＣＰ断丝信号的智能识别模型。图 ５为 ＰＣＣＰ断丝信号识别方法的构建流程。
３．４ 模型性能评价 本文采用混淆矩阵和模型准确率来评价模型结果的优劣。此处以二分类为例介绍
混淆矩阵，参见图 ６。在混淆矩阵中，横轴为预测类别，纵轴为实际类别，０和 １代表不同的类别，０

— ５ ９ １ —