程繼紅，阮傳峰，崔 嘉，齊玉東

(1.海軍航空工程學(xué)院 科研部，山東 煙臺(tái) 264001；2.海軍航空工程學(xué)院 研究生管理大隊(duì)，山東 煙臺(tái) 264001；3.海軍航空工程學(xué)院 控制工程系，山東 煙臺(tái) 264001；4.海軍航空工程學(xué)院 兵器科學(xué)與技術(shù)系，山東 煙臺(tái) 264001)

?

大數(shù)據(jù)分析技術(shù)在裝備監(jiān)測(cè)系統(tǒng)中應(yīng)用研究

程繼紅1，阮傳峰2，崔 嘉3，齊玉東4

(1.海軍航空工程學(xué)院 科研部，山東 煙臺(tái) 264001；2.海軍航空工程學(xué)院 研究生管理大隊(duì)，山東 煙臺(tái) 264001；3.海軍航空工程學(xué)院 控制工程系，山東 煙臺(tái) 264001；4.海軍航空工程學(xué)院 兵器科學(xué)與技術(shù)系，山東 煙臺(tái) 264001)

針對(duì)裝備狀態(tài)監(jiān)測(cè)系統(tǒng)中長(zhǎng)期積累的大量數(shù)據(jù)缺乏有效分析手段、利用率低等問(wèn)題，對(duì)裝備監(jiān)測(cè)系統(tǒng)中存儲(chǔ)的在線監(jiān)測(cè)數(shù)據(jù)和積累的歷史數(shù)據(jù)，建立可分析挖掘的大數(shù)據(jù)集；運(yùn)用數(shù)據(jù)分析和機(jī)理分析的方法建立比較模型，采用異步信息融合的算法對(duì)數(shù)據(jù)進(jìn)行處理，利用大數(shù)據(jù)的多尺度特性研究裝備生命周期的分析預(yù)測(cè)、優(yōu)化運(yùn)行、預(yù)知維修等目標(biāo)，提高了裝備運(yùn)用知識(shí)的獲取速度，有利于構(gòu)建完整的裝備生命周期預(yù)測(cè)診斷體系。

裝備；大數(shù)據(jù)；數(shù)據(jù)分析；數(shù)據(jù)挖掘

0 引言

隨著裝備信息化程度的不斷提升，信息系統(tǒng)對(duì)裝備使用、維護(hù)各個(gè)環(huán)節(jié)的監(jiān)測(cè)記錄，促進(jìn)了大數(shù)據(jù)的形成。但對(duì)該大數(shù)據(jù)的知識(shí)挖掘比較欠缺，未能有效地為裝備的使用、維護(hù)等提供高質(zhì)量的輔助決策。本文在建立大數(shù)據(jù)集的基礎(chǔ)上，運(yùn)用模型算法，通過(guò)不同尺度的分析和不同層面的知識(shí)挖掘，所形成的結(jié)論對(duì)于裝備良好工況的保持、維護(hù)費(fèi)用的降低、安全性的提高具有重要的指導(dǎo)意義。

1 數(shù)據(jù)分析系統(tǒng)結(jié)構(gòu)

在裝備監(jiān)測(cè)信息系統(tǒng)平臺(tái)的統(tǒng)一數(shù)據(jù)元標(biāo)準(zhǔn)下，裝備生命周期中的在線狀態(tài)監(jiān)測(cè)數(shù)據(jù)、檢維修數(shù)據(jù)、裝備檔案與裝備變更、故障模式分析等各種形態(tài)的數(shù)字信息資源集合具有了統(tǒng)一的、標(biāo)準(zhǔn)的描述方法和檢索手段。這使得監(jiān)測(cè)系統(tǒng)中儲(chǔ)存的大數(shù)據(jù)，運(yùn)用算法對(duì)它進(jìn)行多尺度分析，知識(shí)挖掘變得簡(jiǎn)便有效[1]。有益于決策分析品質(zhì)的提高，使構(gòu)建完整的裝備生命周期預(yù)測(cè)體系成為可能[2]。裝備監(jiān)測(cè)系統(tǒng)中儲(chǔ)存的大數(shù)據(jù)分析系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 數(shù)據(jù)分析系統(tǒng)結(jié)構(gòu)圖

2 裝備大數(shù)據(jù)的特點(diǎn)

當(dāng)前科技進(jìn)步日新月異，尤其是互聯(lián)網(wǎng)、云計(jì)算、云存儲(chǔ)等計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的跨越發(fā)展，大數(shù)據(jù)呈現(xiàn)出海量性(Volume)、多樣性(Variety)、高速性(Velocity)、易變性(Variability)四個(gè)典型特征[3]。表現(xiàn)為數(shù)據(jù)量更多，不是片段的數(shù)據(jù)樣本，而是全體數(shù)據(jù)；數(shù)據(jù)結(jié)構(gòu)更混雜，非結(jié)構(gòu)化數(shù)據(jù)量激增，所占比重越來(lái)越大；數(shù)據(jù)之間的關(guān)系更復(fù)雜，并非容易理解的因果關(guān)系，而是難懂晦澀的相關(guān)關(guān)系[4]。而在高技術(shù)裝備生命周期中，運(yùn)行、維護(hù)、檢修等全過(guò)程中采集累積的大數(shù)據(jù)，不僅具有上述特性，自身還有著以下獨(dú)有的特點(diǎn)：

1)數(shù)據(jù)變量多且維度高。各種復(fù)雜的物理、化學(xué)變化不可避免的發(fā)生在裝備運(yùn)行過(guò)程中，由于參數(shù)之間互相產(chǎn)生耦合，這使得系統(tǒng)將變得復(fù)雜且空間多維，致使描述系統(tǒng)需要的參數(shù)增多，對(duì)數(shù)據(jù)的理解難度也將相應(yīng)的增加。

2)數(shù)據(jù)呈復(fù)雜的非線性。描述裝備監(jiān)測(cè)系統(tǒng)狀態(tài)的絕大部分變量的變化是非線性的。比如，在熱力學(xué)中溫度對(duì)應(yīng)于焓值之間的變化并不是簡(jiǎn)單的線性關(guān)系。隨著數(shù)據(jù)規(guī)模的不斷增大，越來(lái)越復(fù)雜難懂的非線性關(guān)系，增加了對(duì)數(shù)據(jù)的理解分析、知識(shí)發(fā)掘的難度。

3)樣本數(shù)據(jù)采集分布不均勻。裝備通常會(huì)長(zhǎng)時(shí)間運(yùn)行在狀態(tài)良好且效率較高的工況下，考慮到裝備磨損以及安全性，不會(huì)讓系統(tǒng)運(yùn)行在某些過(guò)渡過(guò)程。裝備工作方式的這個(gè)特點(diǎn)使得監(jiān)測(cè)數(shù)據(jù)點(diǎn)比較密集的落在較窄的時(shí)空區(qū)域內(nèi)，不便于對(duì)裝備狀態(tài)的建模分析。

4)高噪聲。由于在裝備的運(yùn)行過(guò)程中難以屏蔽復(fù)雜電磁的干擾、惡劣環(huán)境的影響，狀態(tài)監(jiān)測(cè)的信息中必定會(huì)有噪聲的產(chǎn)生。一般而言監(jiān)測(cè)信號(hào)的信噪比越低，數(shù)據(jù)存在的誤差越大，數(shù)據(jù)分析的可靠性也越差。

因此，監(jiān)測(cè)系統(tǒng)中存儲(chǔ)的大數(shù)據(jù)夾雜著錯(cuò)誤決的辦法是對(duì)大數(shù)據(jù)按照清洗、集成、變換、規(guī)約的步驟進(jìn)行數(shù)據(jù)預(yù)處理[1]。這個(gè)過(guò)程改善了數(shù)據(jù)的品質(zhì)，為高效的分析數(shù)據(jù)創(chuàng)造了必要的前提條件。

3 大數(shù)據(jù)模型算法

3.1 常用算法

運(yùn)用算法先把監(jiān)測(cè)系統(tǒng)中存儲(chǔ)的大數(shù)據(jù)分為兩類(lèi)，一類(lèi)為提供建立基準(zhǔn)模型所需的建模數(shù)據(jù)，另一類(lèi)為作為基準(zhǔn)模型輸入的運(yùn)行數(shù)據(jù)。根據(jù)裝備運(yùn)行在不同的工況下，使用數(shù)據(jù)建?；驒C(jī)理建模的方法，分別建立裝備對(duì)象的動(dòng)態(tài)和穩(wěn)態(tài)的兩種基準(zhǔn)模型。把裝備運(yùn)行中的數(shù)據(jù)作為基準(zhǔn)模型的輸入，輸出為裝備狀態(tài)的預(yù)測(cè)數(shù)據(jù)，與在線監(jiān)測(cè)的實(shí)時(shí)狀態(tài)數(shù)據(jù)相比較，分別獲得兩種工況下模型對(duì)應(yīng)的殘差值。按照信息粒化的概念，把殘差分解為多層次的信息粒，由于信息粒存在的不同程度的延遲現(xiàn)象，采用異步信息融合進(jìn)行信息處理的方法，大大提高融合殘差的精確度。根據(jù)監(jiān)測(cè)狀態(tài)的差異性，對(duì)融合殘差進(jìn)行不同尺度的評(píng)測(cè)分析，構(gòu)建出狀態(tài)監(jiān)測(cè)信號(hào)，為裝備的分析決策提供參考依據(jù)[5]。數(shù)據(jù)算法分析如圖2所示。

圖2 數(shù)據(jù)算法分析

3.2 基準(zhǔn)模型的建立

建立基準(zhǔn)模型的目的是獲取裝備運(yùn)行狀態(tài)參數(shù)的預(yù)測(cè)數(shù)據(jù)，為裝備狀態(tài)監(jiān)測(cè)的數(shù)據(jù)提供比較的參考。在數(shù)據(jù)算法分析中，通過(guò)預(yù)測(cè)數(shù)據(jù)和監(jiān)測(cè)數(shù)據(jù)兩者相比較得到的差值，也稱(chēng)之為殘差序列。該差值與裝備狀態(tài)存在某種對(duì)應(yīng)的關(guān)系。嚴(yán)格的講，當(dāng)裝備狀態(tài)處于正常時(shí)，該差值為零，非正常時(shí)，該差值將出現(xiàn)較大的振動(dòng)。

建立基準(zhǔn)模型時(shí)應(yīng)考慮以下幾點(diǎn)：

1)運(yùn)行數(shù)據(jù)作為基準(zhǔn)模型的輸入直接影響到輸出的預(yù)測(cè)數(shù)據(jù)。為保證模型預(yù)測(cè)的準(zhǔn)確一致性，所以選取裝備在良好狀態(tài)下的運(yùn)行數(shù)據(jù)是非常必要的。如使用新裝備經(jīng)過(guò)磨合期后處于性能較好且穩(wěn)定狀態(tài)的運(yùn)行數(shù)據(jù)建模。

2)基準(zhǔn)模型并非對(duì)象的完備模型。由于參數(shù)相互耦合、干擾的存在，高技術(shù)裝備運(yùn)行時(shí)狀態(tài)的變化的極其復(fù)雜過(guò)程。因此，構(gòu)建比較完備的模型是不易實(shí)現(xiàn)的。不過(guò)，構(gòu)建模型的目的是獲得僅僅與狀態(tài)監(jiān)測(cè)數(shù)據(jù)有對(duì)應(yīng)關(guān)系的預(yù)測(cè)數(shù)據(jù)，要求模型輸出的預(yù)測(cè)數(shù)據(jù)的變量參數(shù)只要能和選取的監(jiān)測(cè)數(shù)據(jù)一一對(duì)應(yīng)即可。因此，模型不必要是完備的，建模也將變得簡(jiǎn)單可行。

3)建模方法的選擇。可以通過(guò)機(jī)理分析、數(shù)據(jù)分析以及兩者混合分析的方法建立模型[6]。無(wú)論選擇何種方法，都應(yīng)首先對(duì)建立模型的難度、精確度、花費(fèi)等因素加以權(quán)衡。

4)建模變量的選取。一是如何確定模型的變量，應(yīng)由建模對(duì)象的特性和模型的目的共同決定。通常選取那些具有容易監(jiān)測(cè)且精度較高特性的狀態(tài)變量。特別是溫度、壓強(qiáng)等這類(lèi)沒(méi)有延遲且數(shù)據(jù)易獲得且精準(zhǔn)的變量。二是如何確定變量的個(gè)數(shù)，只要能夠滿(mǎn)足模型精度的要求即可，因?yàn)檩^多的變量不僅會(huì)造成模型的復(fù)雜程度，而且不利于模型對(duì)數(shù)據(jù)的處理效率，也會(huì)使模型的適應(yīng)性變差。

5)區(qū)分穩(wěn)態(tài)工況與動(dòng)態(tài)工況的基準(zhǔn)模型。裝備運(yùn)行通常會(huì)控制在穩(wěn)定的狀態(tài)下，也稱(chēng)之為穩(wěn)態(tài)工況。但根據(jù)具體情況相應(yīng)的對(duì)裝備的運(yùn)行做出調(diào)整是必要且不可避免的。運(yùn)行狀態(tài)的改變，與之對(duì)應(yīng)的是多個(gè)參量的變化，這種過(guò)程稱(chēng)之為動(dòng)態(tài)工況，它具有持續(xù)短暫、動(dòng)態(tài)變化、臨時(shí)過(guò)渡的特點(diǎn)。穩(wěn)態(tài)工況和動(dòng)態(tài)工況具有的不同特點(diǎn)，要求對(duì)它們分別建立模型，以便能更真實(shí)的準(zhǔn)確的描述相對(duì)應(yīng)的裝備運(yùn)行狀態(tài)。其次，裝備運(yùn)行中，因?yàn)椴糠譅顟B(tài)參數(shù)存在延遲、滯后，所以穩(wěn)態(tài)工況模型往往適用于已較長(zhǎng)時(shí)間在穩(wěn)態(tài)運(yùn)行下的狀態(tài)描述。因此，區(qū)分穩(wěn)態(tài)工況與動(dòng)態(tài)工況分別建立基準(zhǔn)模型，更能夠較好描述裝備運(yùn)行的真實(shí)狀態(tài)的變化。

3.3 殘差及其信息?；?/p>

針對(duì)比較模型得到的穩(wěn)態(tài)和動(dòng)態(tài)殘差數(shù)據(jù)規(guī)模大的問(wèn)題，一是采用并行方式對(duì)大數(shù)據(jù)進(jìn)行處理，可以有效地減少運(yùn)算時(shí)間。二是按各自的特征和性能對(duì)數(shù)據(jù)進(jìn)行信息?；?，通過(guò)相互間的有機(jī)結(jié)合，根據(jù)需要按不同的層次劃分出不同的信息粒，然后再對(duì)其進(jìn)行并行的運(yùn)算處理，這樣就可以大大提高運(yùn)算處理的效率[7]。

3.4 單一信息粒的異步信息融合

經(jīng)過(guò)信息?；幚淼姆€(wěn)態(tài)與動(dòng)態(tài)殘差并不是同步信息，而是在時(shí)域上的異步信息。運(yùn)用卡爾曼濾波通過(guò)對(duì)輸出和輸入觀測(cè)數(shù)據(jù)的信息處理，能夠?qū)崿F(xiàn)對(duì)系統(tǒng)狀態(tài)進(jìn)行最優(yōu)的估計(jì)[7]。

3.5 融合殘差的多尺度分析

對(duì)于由系統(tǒng)的擾動(dòng)和觀測(cè)而形成的噪聲，可以通過(guò)分析其統(tǒng)計(jì)特性進(jìn)行評(píng)估處理，從而使噪聲對(duì)觀測(cè)的狀態(tài)參數(shù)的影響處于可控制的范圍，即對(duì)狀態(tài)監(jiān)測(cè)精度造成的下降是微不足道的。根據(jù)相關(guān)的尺度對(duì)融合殘差進(jìn)行多尺度的分析、重構(gòu)，可以得到與不同狀態(tài)相對(duì)應(yīng)的狀態(tài)檢測(cè)參數(shù)信號(hào)。多尺度分析信息處理過(guò)程如圖3所示。

圖3 信息處理過(guò)程

4 數(shù)據(jù)分析挖掘

對(duì)數(shù)據(jù)進(jìn)行分析挖掘首先應(yīng)明確目標(biāo)，特別要清楚需要獲得那些信息知識(shí)。這個(gè)過(guò)程具有創(chuàng)造性，需要多種技術(shù)和大量知識(shí)的綜合共同的參與[8]。在裝備運(yùn)行狀態(tài)監(jiān)測(cè)系統(tǒng)中應(yīng)用大數(shù)據(jù)分析挖掘技術(shù)，應(yīng)時(shí)刻圍繞者裝備預(yù)測(cè)的目標(biāo)對(duì)數(shù)據(jù)分析挖掘。在模型中應(yīng)用大數(shù)據(jù)分析挖掘技術(shù)應(yīng)明確以下三點(diǎn)，才能避免大數(shù)據(jù)分析挖掘應(yīng)用的盲目性[9]。

1)理解和定義。數(shù)據(jù)規(guī)模大且變化微弱時(shí)，僅依靠人類(lèi)專(zhuān)家分析處理大數(shù)據(jù)并發(fā)現(xiàn)其中所隱含的應(yīng)用知識(shí)信息是不現(xiàn)實(shí)的。例如裝備的使用者能夠感知到裝備總體系統(tǒng)特征的較大幅度的變化，但對(duì)部分系統(tǒng)狀態(tài)特征的小幅度變化所引起的監(jiān)測(cè)數(shù)據(jù)微乎其微的變化傳遞的信息知識(shí)卻很難覺(jué)察到。

2)建立可分析挖掘的大數(shù)據(jù)集。監(jiān)測(cè)系統(tǒng)中存儲(chǔ)的種類(lèi)多樣結(jié)構(gòu)復(fù)雜大數(shù)據(jù)，要圍繞數(shù)據(jù)分析挖掘的目標(biāo)構(gòu)建可分析挖掘的大數(shù)據(jù)集，之后，要對(duì)其中數(shù)據(jù)進(jìn)行選擇、清理、變換和歸約四個(gè)方面的預(yù)處理。這樣才能提高大數(shù)據(jù)集的品質(zhì)，以便能夠?yàn)槟Ｐ偷乃惴ㄋ咝幚怼?/p>

3)模型的應(yīng)用。隨著裝備的長(zhǎng)期不斷的運(yùn)行，積累的運(yùn)行數(shù)據(jù)的規(guī)模越來(lái)越大，模型會(huì)在不斷地?cái)?shù)據(jù)累積中學(xué)習(xí)更新，從而智能的發(fā)現(xiàn)裝備新的運(yùn)行狀態(tài)，機(jī)器的自我學(xué)習(xí)提高了大數(shù)據(jù)分析預(yù)測(cè)的準(zhǔn)確度。

對(duì)裝備狀態(tài)監(jiān)測(cè)和預(yù)測(cè)評(píng)估的過(guò)程是一個(gè)閉環(huán)系統(tǒng)，包括信號(hào)采集、特征提取、狀態(tài)識(shí)別和預(yù)測(cè)分析四個(gè)步驟。通常一個(gè)往復(fù)循環(huán)并不能對(duì)裝備狀態(tài)進(jìn)行可靠的預(yù)測(cè)評(píng)估，解決的辦法就是增加預(yù)測(cè)評(píng)估的循環(huán)次數(shù)，才能夠不斷地深化認(rèn)識(shí)和提高預(yù)測(cè)的準(zhǔn)確度。不過(guò)隨著裝備監(jiān)測(cè)系統(tǒng)中存儲(chǔ)的數(shù)據(jù)規(guī)模越來(lái)越大，帶來(lái)了新的問(wèn)題使得對(duì)數(shù)據(jù)的運(yùn)算難度也不斷加大，進(jìn)行循環(huán)的處理過(guò)程也將變得越來(lái)越困難。

5 結(jié)束語(yǔ)

隨著大數(shù)據(jù)分析挖掘技術(shù)的不斷進(jìn)步，大數(shù)據(jù)所隱含的價(jià)值也將會(huì)慢慢凸顯出來(lái)。本文把大數(shù)據(jù)分析挖掘技術(shù)應(yīng)用于裝備狀態(tài)監(jiān)測(cè)系統(tǒng)中，大大提高了裝備預(yù)測(cè)診斷系統(tǒng)的知識(shí)獲取速率，有益于構(gòu)建裝備生命周期的預(yù)測(cè)體系，具有很好的應(yīng)用前景。

[1] 劉繼偉. 基于大數(shù)據(jù)的多尺度狀態(tài)監(jiān)測(cè)方法及應(yīng)用[D]. 北京:華北電力大學(xué),2013.

[2] 尤明懿,孟 光. 基于狀態(tài)監(jiān)測(cè)數(shù)據(jù)的產(chǎn)品壽命預(yù)測(cè)與預(yù)測(cè)維護(hù)規(guī)劃方法研究[D]. 上海:上海交通大學(xué),2012.

[3] 伊恩.艾瑞斯. 大數(shù)據(jù)思維與決策[M]. 北京:人民郵電出版社,2014.

[4] 維克托.邁爾,肯尼思.庫(kù)克耶.大數(shù)據(jù)時(shí)代[M].浙江:浙江人民出版社,2013.

[5] 王永卿,秦亮曦. 高維海量數(shù)據(jù)聚類(lèi)算法研究[D]. 南寧:廣西大學(xué),2007.

[6] Mark Meerschaert，劉來(lái)福. 數(shù)學(xué)建模方法與分析[M]. 北京:機(jī)械工業(yè)出版社,2009.

[7] 申 彥,宋順林.大規(guī)模數(shù)據(jù)集高效數(shù)據(jù)挖掘算法研究[D].鎮(zhèn)江:江蘇大學(xué),2013.

[8] 錢(qián) 超. 高速公路ETC數(shù)據(jù)挖掘研究與應(yīng)用[D]. 西安:長(zhǎng)安大學(xué),2013.

[9] 楊風(fēng)召. 高維數(shù)據(jù)挖掘中若干關(guān)鍵問(wèn)題的研究[D].上海：復(fù)旦大學(xué),2003.

Research on the Application of Large Data Analysis Technology in Equipment Monitoring System

Cheng Jihong1, Ruan Chuanfeng2, Cui Jia3, Qi Yudong4

(1.Department of Scientific Research，Yantai 264001, China；2.Graduate Students’Brigade，Naval Aeronautical and Astronautical University，Yantai 264001, China; 3.Department of Ordnance Science and Technology Engineering，Naval Aeronautical and Astronautical University，Yantai 264001, China; 4.Department of Control Engineering,Naval Aeronautical and Astronautical University，Yantai 264001, China)

Aiming at the long-term accumulation of large amounts of data of the equipment condition monitoring system lack of effective means of analysis and low utilization of data, establish the large data set based on the equipment monitoring system in the storage of online monitoring data and long-term accumulation of historical data. Then, establish method analysis with data analysis and comparison of mechanism model, using asynchronous information fusion algorithm for data processing and adopting the multi-scale characteristics of big data to research the analysis and forecast, operation optimization, predictive maintenance of equipment life cycle etc. This method improves the acquisition speed of the equipment knowledge and is conducive to the equipment life to build a complete cycle prediction and diagnosis system.

equipment; big data; data analysis; data mining

2016-06-22；

2016-08-02。

程繼紅(1964-)，男，安徽省桐城市人，教授，碩士研究生導(dǎo)師，主要從事海軍航空、導(dǎo)彈裝備綜合保障方向的研究。

1671-4598(2016)09-0152-03

10.16526/j.cnki.11-4762/tp.2016.09.042

TP393

A