Page 91 - 2023年第54卷第5期

分别对 ｎ＿ｅｓｔｉｍａｔｏｒｓ和 ｍａｘ＿ｄｅｐｔｈ进 行 寻 优； 在 表 ２ 模 型 参 数 选 取
ＭＬＰ的参数中，对隐 层 数 以 及 学 习 率 进 行 寻 优。 深 度 学 习 模 型 机 器 学 习 方 法 参 数 参 数 选 择
在参数寻优过程中采 用 ５折 交 叉 验 证 的 方 式， 寻 ｋｅｒｎｅｌ ＲＢＦ
优方法为网格搜索法，最 终 选 取 的 模 型 参 数 如 表 ＳＶＭ Ｃ １００
２所示。
ｇａｍｍａ １０ － ４
４．２ 模型结果分析 将断丝试验中获取的 １３７组信
ＲｅｓＮｅｔ ｎ＿ｅｓｔｉｍａｔｏｒｓ １００
ＥＴ
号数据乱序排列并随机选取其中 ２０％的数据作为测
ｍａｘ＿ｄｅｐｔｈ ４０
试数据，分为 ２８组，包含 ９组切割断丝信号，９组
隐 层 数 ２００
腐蚀断丝信号和 １０组敲击噪声信号，在 ＰＣＣＰ断丝 ＭＬＰ
学 习 率 ０．００１
识别的混淆矩阵中，以数字代表不同的断丝信号分
ｋｅｒｎｅｌ ＲＢＦ
类，对应关系为：０ － 切割断丝信号，１ － 腐蚀断丝信
ＳＶＭ Ｃ １
号，２ － 敲击噪声信号。断丝识别过程分两组进行。
ｇａｍｍａ １０ － ３
第一组将原始的信号数据直接输入 ４种智能识别模
Ｉｎｃｅｐｔｉｏｎ － ｖ４ ｎ＿ｅｓｔｉｍａｔｏｒｓ ６００
型中，参数采用表 １中的最优参数；第二组利用 ３ ＥＴ
ｍａｘ＿ｄｅｐｔｈ ３０
种不同的深度模型分别对断丝信号进行重构，之后
隐 层 数 ３００
输入到 ４种智能识别模型中，利用混淆矩阵对两组 ＭＬＰ
学 习 率 １０ － ３
试验以及 第 二 组 试 验 中 不 同 模 型 的 识 别 结 果 进 行
ｋｅｒｎｅｌ Ｌｉｎｅａｒ
评价。 ＳＶＭ
Ｃ １
首先将原始 ＰＣＣＰ断 丝 信 号 数 据 输 入 至 ４种
Ｉｎｃｅｐｔｉｏｎ － ｎ＿ｅｓｔｉｍａｔｏｒｓ １００
不同的智能模型中进 行 分 析， 利 用 不 同 模 型 评 价 ＥＴ
ＲｅｓＮｅｔ － ｖ２ ｍａｘ＿ｄｅｐｔｈ ５０
指标 对 识 别 结 构 进 行 评 价， 结 果 如 表 ３和 图 ７
隐 层 数 ３００
所示。 ＭＬＰ
学 习 率 ０．００１
由表 ３和图 ７可以看出，直接将原始信号数据
输入智能模型，尽管耗时较短，多数智能模型的准确率在 ８０％以下，其他指标除 ＡＵＣ外也均在 ８０％
左右。这也说明两种断丝信号以及敲击噪声信号具有一定的相似性，智能模型难以将原始信号中的噪
声进行识别，最终导致 ＰＣＣＰ断丝信号识别准确率低。
利用 ＲｅｓＮｅｔ、Ｉｎｃｅｐｔｉｏｎ － ｖ４和 Ｉｎｃｅｐｔｉｏｎ － ＲｅｓＮｅｔ － ｖ２分 别 对 ＰＣＣＰ断 丝 信 号 进 行 重 构， 并 利 用
不同的智能模型进行识别，用不同模型评价指 标 对 识 别 结 果 进 行 评 价。 结 果 如 表 ４和 图 ８所 示。
图 ８每一列混淆矩阵表示对应深度模型重构信号的测试结果，每一行表示对应的智能模型的 测 试
结果。
对比表 ３和表 ４可以看出，直接输入原始数据的智能模型准确率最高为 ８２．１％，利用深度模型重
构断丝信号并输入智能模型最低准确率为 ８５．７％，最高达 １００％，Ｒｅｃａｌｌ、Ｐｒｅｃｉｓｉｏｎ、Ｆ１＿ｓｃｏｒｅ等指标
与准确率相似，ＡＵＣ值较高。基于深度模型重构特征的模型远高于直接将原始数据输入智能模型的方
法，说明利用深度模型重构信号可以有效表征信号特征值。从表 ４中可以看出，基于 Ｉｎｃｅｐｔｉｏｎ － ＲｅｓＮｅｔ －
ｖ２的重构信号输入到智能识别模型中，其准确率最低为 ９２．９％，最高为 １００％，采用智能模型 ＳＶＭ
实现，整体高于基于 ＲｅｓＮｅｔ和 Ｉｎｃｅｐｔｉｏｎ － ｖ４重构信号的识别结果，说明 Ｉｎｃｅｐｔｉｏｎ － ＲｅｓＮｅｔ － ｖ２能够将
信号特征更好地提取出来，也说明了通过结合 ＲｅｓＮｅｔ和 Ｉｎｃｅｐｔｉｏｎ模块的优点，Ｉｎｃｅｐｔｉｏｎ － ＲｅｓＮｅｔ － ｖ２
的有效性更强。从图 ８中可以看出，基于 Ｉｎｃｅｐｔｉｏｎ － ＲｅｓＮｅｔ － ｖ２重构的特征信号，ＫＮＮ和 ＥＴ模型可
能将切割断丝信号预测为腐蚀断丝信号，ＭＬＰ模型分别将切割断丝信号预测为腐蚀断丝信号，将腐
蚀断丝信号预测为敲击噪 声，这说 明不同 信号间 均有 一定 的 相 似性，因 此 造 成 了 断 丝 信 号 识 别 错
误。模型识别多个信号的时间均在 １ｓ以内，也说明该建模方法能够应用于 ＰＣＣＰ断丝实时监测分
析中。

— ５ ９ ３ —