鄭貴文

（海軍裝備部裝備項(xiàng)目管理中心 北京 100071）

1 引言

隨著艦船作戰(zhàn)系統(tǒng)和武器裝備日趨復(fù)雜化、集成化、高速化、信息化、智能化，以及大數(shù)據(jù)技術(shù)的發(fā)展應(yīng)用，傳統(tǒng)故障診斷技術(shù)已不能滿足復(fù)雜大型裝備快速準(zhǔn)確的故障診斷需求，必須突破故障診斷與維護(hù)保障關(guān)鍵技術(shù)，科學(xué)規(guī)劃保障運(yùn)行機(jī)制，充分利用大數(shù)據(jù)信息和一體化網(wǎng)絡(luò)技術(shù)，形成裝備保障數(shù)據(jù)庫，提高艦船裝備的快速故障檢測(cè)、診斷和維修保障能力，實(shí)現(xiàn)裝備保障的智能化，充分發(fā)揮艦船裝備效能。

針對(duì)裝備狀態(tài)監(jiān)測(cè)分類數(shù)據(jù)集，借助大數(shù)據(jù)分析［1-3］，提出符合裝備狀態(tài)檢測(cè)與故障診斷的先進(jìn)大數(shù)據(jù)處理算法，包括統(tǒng)計(jì)、機(jī)器學(xué)習(xí)、人工智能等數(shù)據(jù)分析算法。應(yīng)用大數(shù)據(jù)分析平臺(tái)，研究利用收集的指控系統(tǒng)裝備狀態(tài)監(jiān)測(cè)的各類數(shù)據(jù)集，進(jìn)行算法驗(yàn)證、迭代優(yōu)化，快速實(shí)現(xiàn)裝備故障診斷的準(zhǔn)確性。

2 基于智能化大數(shù)據(jù)分析平臺(tái)的裝備故障診斷技術(shù)

2.1 故障特征分析

故障診斷的實(shí)質(zhì)是狀態(tài)模式識(shí)別，它根據(jù)故障征兆信息確定系統(tǒng)故障原因的過程。它通過檢測(cè)診斷對(duì)象的運(yùn)行狀態(tài)，獲取故障模式，提取故障特征，在此基礎(chǔ)上，采用反向推理策略，對(duì)故障信息做出綜合評(píng)估，最后向系統(tǒng)的操縱者或控制者提示所要采取的措施［4～5］。

系統(tǒng)設(shè)備硬件故障主要表現(xiàn)為設(shè)備的變形、燒毀、異響等狀況，設(shè)備元件或模塊的擊穿、炸裂、接觸不良等狀態(tài)，設(shè)備線路的短路、斷路、接線錯(cuò)誤等狀態(tài)；系統(tǒng)設(shè)備軟件故障主要表現(xiàn)為網(wǎng)絡(luò)遭遇攻擊引起的信息故障，軟件響應(yīng)端錯(cuò)誤引起的信息阻塞、延遲，虛假命令引起的軟件功能錯(cuò)誤等情況。

圖1 故障診斷實(shí)現(xiàn)過程

故障數(shù)據(jù)主要來源于：

1）維護(hù)資料：主要包括生產(chǎn)單位、維修單位等提供的技術(shù)資料及維修手冊(cè)。受實(shí)際條件制約，故障數(shù)量較少，不能完備的體現(xiàn)故障可能（非故障完備集），一般不能追溯至故障本源。

2）專家經(jīng)驗(yàn)：主要是領(lǐng)域內(nèi)專家的維修經(jīng)驗(yàn)知識(shí)。

3）系統(tǒng)仿真：針對(duì)維護(hù)資料故障數(shù)據(jù)不完備問題，從系統(tǒng)模型和原理分析的角度出發(fā)，在研究該裝備武器系統(tǒng)構(gòu)造及工作原理的基礎(chǔ)上，運(yùn)用Multisim電路仿真、故障樹分析（FTA）和擴(kuò)展Petri網(wǎng)建模方法，完成對(duì)原理性故障的獲?。?］。

2.2 故障診斷體制及方法

應(yīng)用大數(shù)據(jù)分析平臺(tái)，開展故障模式及特征參數(shù)采集與分析的故障診斷與預(yù)測(cè)建模技術(shù)應(yīng)用研究，提供對(duì)典型故障特征參數(shù)（如溫度、電壓、運(yùn)行狀態(tài)等）的采集監(jiān)控與分析處理方法，對(duì)基本特征參數(shù)的典型故障模式建立故障診斷策略與模型，生成診斷規(guī)則和診斷知識(shí)，提供典型故障模式基本特征值采樣方式、變化趨勢(shì)、閥值判定的典型故障模式預(yù)測(cè)方法。

2.3 大數(shù)據(jù)分析平臺(tái)

以大數(shù)據(jù)技術(shù)-數(shù)據(jù)中心為基礎(chǔ)，按照不同的應(yīng)用分類，如故障監(jiān)測(cè)、裝備可靠性、裝備故障模式、裝備故障數(shù)學(xué)模型等，提供快速預(yù)言（Predication/用歷史預(yù)測(cè)未來）和描述（Description/了解數(shù)據(jù)中潛在的規(guī)律）挖掘。其中，數(shù)據(jù)管理平臺(tái)提供關(guān)聯(lián)分析、序列模式、分類（預(yù)言）、聚集、異常檢測(cè)的數(shù)據(jù)挖掘技術(shù)，方便基于主題的海量數(shù)據(jù)挖掘［7～8］。

根據(jù)海量數(shù)據(jù)信息的不同來源，分別構(gòu)建結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)處理架構(gòu)，從而完成數(shù)據(jù)的分析，挖掘和并行處理。

1）結(jié)構(gòu)化數(shù)據(jù)處理架構(gòu)

本大數(shù)據(jù)平臺(tái)實(shí)施案例主要用來處理來自多庫多表的海量結(jié)構(gòu)化數(shù)據(jù)。

該數(shù)據(jù)處理架構(gòu)所抽取的數(shù)據(jù)來自多庫多表的海量結(jié)構(gòu)化數(shù)據(jù)。

實(shí)時(shí)分析結(jié)果將直接寫入Hbase和分布式緩存。對(duì)于分布式緩存中的分析結(jié)果，采用主動(dòng)消息推送方式實(shí)時(shí)發(fā)送到調(diào)用者；離線分析方式形成各種統(tǒng)計(jì)報(bào)表和分析報(bào)告，可實(shí)現(xiàn)在線交互式檢索功能。

2）非結(jié)構(gòu)化數(shù)據(jù)處理架構(gòu)

本大數(shù)據(jù)平臺(tái)實(shí)施案例主要是面向圖像和視頻大數(shù)據(jù)。

圖2 大數(shù)據(jù)技術(shù)管理平臺(tái)架構(gòu)

該處理框架進(jìn)行數(shù)據(jù)抽取時(shí)，按設(shè)定的時(shí)間間隔抓取視頻幀，針對(duì)每一幀視頻圖像，組裝一個(gè)消息發(fā)送到圖像/語音/視頻幀判別消息隊(duì)列。實(shí)時(shí)分析時(shí)，從圖像/語音/視頻幀判別消息隊(duì)列提取圖像或語音或視頻幀數(shù)據(jù)，然后發(fā)送給智能分析集群處理，對(duì)于分布式緩存中的診斷結(jié)果，采用主動(dòng)消息推送方式實(shí)時(shí)發(fā)送到調(diào)用者；通過離線分析方式形成的各種統(tǒng)計(jì)報(bào)表和分析報(bào)告，可有效實(shí)現(xiàn)實(shí)時(shí)在線交互式查詢。

應(yīng)用搭建的大數(shù)據(jù)分析平臺(tái)，快速分析收集的指控系統(tǒng)裝備狀態(tài)監(jiān)測(cè)的各類數(shù)據(jù)集，實(shí)現(xiàn)數(shù)據(jù)的批量處理。研究基于流空間的數(shù)據(jù)表示方法，結(jié)合D-S證據(jù)理論和模糊推理規(guī)則，提高深度學(xué)習(xí)算法的融合精度。

3）大數(shù)據(jù)挖掘技術(shù)分析

分析梳理數(shù)據(jù)流挖掘技術(shù)、粗糙集挖掘技術(shù)、多媒體數(shù)據(jù)挖掘技術(shù)、圖像數(shù)據(jù)挖掘技術(shù)等大數(shù)據(jù)挖掘技術(shù)，重點(diǎn)研究幾種典型的數(shù)據(jù)挖掘算法（K-means、SVM、EM、PageRank、K-最近鄰、Na?ve Bayes、分類和回歸樹），明確各類算法適用的數(shù)據(jù)對(duì)象、環(huán)境條件等，深度挖掘裝備故障特征信息。

2.4 基于深度神經(jīng)網(wǎng)絡(luò)的裝備智能故障診斷技術(shù)

2.4.1 分析基于深度神經(jīng)網(wǎng)絡(luò)（DNN）的故障診斷流程

圖3 基于深度神經(jīng)網(wǎng)絡(luò)（DNN）的故障診斷流程

針對(duì)艦船指控系統(tǒng)裝備在實(shí)際使用過程中其失效行為和故障的發(fā)生往往是綜合作用的結(jié)果，導(dǎo)致表征故障特征的參數(shù)關(guān)聯(lián)關(guān)系不明確，研究采用深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）的學(xué)習(xí)框架［9～10］，深度挖掘異常數(shù)據(jù)與裝備故障關(guān)聯(lián)關(guān)系，提高電子信息系統(tǒng)的故障診斷效率和隔離率。

步驟總結(jié)如下：

1）獲取裝備狀態(tài)的數(shù)據(jù)信號(hào)，并將這些數(shù)據(jù)作為訓(xùn)練樣本；

2）確定DNN的隱層數(shù)N，以無監(jiān)督的方式逐層訓(xùn)練N個(gè)DAE，即將每個(gè)DAE的隱層輸出作為下一層DAE的輸入，直到完成N個(gè)DAE的訓(xùn)練；

3）添加輸出層，根據(jù)樣本的故障狀態(tài)類型，微調(diào)DNN參數(shù)，完成DNN的訓(xùn)練；

4）利用DNN進(jìn)行裝備健康狀態(tài)的監(jiān)測(cè)診斷。

2.4.2 基于模糊推理機(jī)制和深度學(xué)習(xí)的故障診斷預(yù)測(cè)模型

1）建立故障特征檔案數(shù)據(jù)庫。針對(duì)抽取的不同信源的故障信息特征，研究故障信息特征提取算法，形成特征庫。

2）選取特征匹配算法。分析行業(yè)特征匹配算法，結(jié)合研究目標(biāo)，采用基于證據(jù)理論的基本概率賦值的決策方法簡(jiǎn)單實(shí)用，原理描述如下：

設(shè)A1，A2是識(shí)別框架下的兩個(gè)命題，m(A1)，m(A2)是其基本概率賦值，滿足

則A1即為判決結(jié)果，其中ε1，ε2，為預(yù)先設(shè)定的門限。

3）構(gòu)建多源特征印證的故障診斷預(yù)測(cè)模型

D-S證據(jù)組合算法可對(duì)不同信息源的身份信息進(jìn)行融合，消除部分矛盾信息，得到新的身份信息，并利用正確的診斷結(jié)果對(duì)算法進(jìn)行修改?？紤]到對(duì)沖突證據(jù)進(jìn)行Dempster規(guī)則組合時(shí)，常常會(huì)出現(xiàn)反直觀結(jié)果的問題。通過對(duì)證據(jù)進(jìn)行折扣修正，提高證據(jù)集可信度和組合結(jié)果的聚焦度。

其中，證據(jù)可靠度可由下式計(jì)算所得：

組合結(jié)果的聚焦度可由下式計(jì)算所得：

4）建立雙線性卷積神經(jīng)網(wǎng)絡(luò)并利用大數(shù)據(jù)對(duì)其進(jìn)行訓(xùn)練

研究融合深度學(xué)習(xí)和大數(shù)據(jù)分析的故障分類診斷技術(shù)，通過對(duì)比分析，采用Theano+Lasagne深度學(xué)習(xí)框架［11～12］進(jìn)行研究，建立雙線性卷積神經(jīng)網(wǎng)絡(luò)，充分利用裝備試驗(yàn)和運(yùn)行過程當(dāng)中產(chǎn)生的應(yīng)用數(shù)據(jù)和環(huán)境數(shù)據(jù)等大數(shù)據(jù)對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，實(shí)現(xiàn)對(duì)故障診斷和分類能力。

5）利用建立大量的診斷標(biāo)簽機(jī)本對(duì)雙線性卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行監(jiān)督訓(xùn)練，實(shí)現(xiàn)系統(tǒng)的故障診斷預(yù)測(cè)，提高故障診斷結(jié)果的準(zhǔn)確性。

6）優(yōu)化改進(jìn)深度學(xué)習(xí)算法，加快算法收斂，進(jìn)一步提高故障診斷的準(zhǔn)確性和快速性。

3 試驗(yàn)和結(jié)果分析

本試驗(yàn)以該型裝備的電源轉(zhuǎn)換器組件為例進(jìn)行說明，該組件故障存在的征兆包括無電壓輸出、沒有穩(wěn)壓、沒有變壓、輸出波紋大和振蕩雜波；存在的原因包括保護(hù)電路故障、隔離電路故障、控制電路故障和穩(wěn)壓電路故障。網(wǎng)絡(luò)輸入輸出設(shè)置如表1所示。

表1 網(wǎng)絡(luò)輸入輸出表

運(yùn)用8組訓(xùn)練樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，如表2所示。1號(hào)樣本為無故障狀態(tài)，2到5號(hào)樣本為單原因故障狀態(tài)；6到8號(hào)樣本為多原因和多征兆故障狀態(tài)。

表2 網(wǎng)絡(luò)樣本表

運(yùn)用本模型迭代20次時(shí)，總體誤差為0.04980281，即算法已收斂到總體誤差指標(biāo)（0.05），此時(shí)學(xué)習(xí)過程結(jié)束，樣本訓(xùn)練誤差如表3所示。之后依次輸入表2的征兆樣本，診斷成功率為100%。當(dāng)輸入新的征兆向量時(shí)，如輸入和6號(hào)樣本征兆向量近似的樣本X=｛1，0，0，1，0｝時(shí)，診斷輸出結(jié)果為“保護(hù)電路故障”和“隔離電路故障”，診斷結(jié)果和6號(hào)樣本貼近，新故障的診斷與存儲(chǔ)說明診斷模型具有容錯(cuò)性和自學(xué)習(xí)功能。

表3 樣本訓(xùn)練誤差表

從多次仿真試驗(yàn)結(jié)果可以看出，對(duì)已掌握樣本的測(cè)試結(jié)果顯示，該網(wǎng)絡(luò)模型對(duì)單原因故障的識(shí)別率可以達(dá)到100%；對(duì)于多原因故障的識(shí)別，在訓(xùn)練樣本區(qū)分度高而且數(shù)量足夠多時(shí)，網(wǎng)絡(luò)的識(shí)別率也可以達(dá)到85%，而且隨著樣本的不斷積累，并對(duì)網(wǎng)絡(luò)進(jìn)行再訓(xùn)練，診斷精度還可以進(jìn)一步提高。

4 結(jié)語

本文針對(duì)裝備采集的測(cè)試/仿真數(shù)據(jù)進(jìn)行分析，挖掘異常數(shù)據(jù)與裝備故障之間的關(guān)聯(lián)關(guān)系，研究基于深度學(xué)習(xí)和大數(shù)據(jù)分析的故障診斷預(yù)測(cè)技術(shù)，研究基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)架構(gòu)，構(gòu)建基于模糊推理機(jī)制和深度學(xué)習(xí)的故障診斷預(yù)測(cè)模型，利用大數(shù)據(jù)對(duì)深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行無監(jiān)督訓(xùn)練，提高了診斷的準(zhǔn)確性和快速性，為進(jìn)一步實(shí)現(xiàn)裝備智能化、自主化的故障診斷提供了堅(jiān)實(shí)的技術(shù)支撐。