鄭一帆 魏寧 劉毅 王嘉偉 郝興斌
摘要:本文以裝甲裝備電氣系統(tǒng)為主要研究對象,針對該系統(tǒng)部件種類多、型號繁雜,故障現(xiàn)象與故障原因耦合關系復雜,故障難以排查的情況,設計一套基于機器學習的故障診斷決策支持系統(tǒng)。該系統(tǒng)綜合運用數(shù)據(jù)庫技術和機器學習算法,構建開放式可擴展知識庫,以交互式電子技術手冊的形式,指導相關人員排查電氣系統(tǒng)故障,并提供修理意見,滿足各級維修保障分隊裝甲車輛電氣系統(tǒng)維修保障需求。
關鍵詞:裝甲車輛;數(shù)據(jù)庫;機器學習;故障診斷系統(tǒng)
中圖分類號:TP181? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼:A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號:1674-957X(2020)21-0166-02
0? 引言
裝甲車輛電氣系統(tǒng)是產(chǎn)生、輸送、分配和使用電能的各種設備、部件和子系統(tǒng)所構成的綜合性系統(tǒng),是坦克、步兵戰(zhàn)車、自行火炮、輪式車輛等裝備的重要組成部分,是保障車輛戰(zhàn)技性能的關鍵系統(tǒng)。該系統(tǒng)部件種類多、型號繁雜,故障類型多,故障現(xiàn)象與故障原因耦合關系復雜。原有的紙質(zhì)維修指導手冊按兵種、裝備型號編寫,只具備簡單故障的排查功能,不具備知識更新和智能故障診斷推理能力,只適合單一兵種、單一裝備電氣系統(tǒng)故障的排查,查詢效率低,對人員要求高,不能滿足現(xiàn)階段多兵種裝備聯(lián)合作戰(zhàn)快速保障需求,急需依據(jù)改革后裝備維修保障體系和工作模式的新要求,構建一套基于專家知識庫和機器學習算法的電氣系統(tǒng)智能故障診斷決策支持系統(tǒng),用于輔助各級維修保障人員診斷故障,并指導修理,提高電氣系統(tǒng)維修保障效率[1]。
1? 設計方案
針對裝甲車輛電氣設備、部件種類及型號繁多,故障現(xiàn)象和故障原因各異的實際情況,首先打破原有的區(qū)分裝備型號建立維修2指導手冊的模式,分析不同裝備同類設備故障模式的公共屬性,區(qū)分電源系統(tǒng)、啟動系統(tǒng)、滅火系統(tǒng)、三防系統(tǒng)等分別設計專家知識庫,在此基礎上研究知識更新方法及推理方法[2]??傮w結構如圖1所示。
2? 設備架構
電氣系統(tǒng)檢測設備總體設計采用“主控單元+測試單元系列”組合的技術體制架構,測試單元按照功能單元指標進行設計,可以實現(xiàn)多級級聯(lián),能夠滿足并行測試及未來新型裝備擴展需求。
電氣系統(tǒng)檢測設備由主控單元、測試單元系列組成。主控單元由嵌入式控制器、網(wǎng)絡通信單元、電源管理單元、人機交互單元及殼體組成。測試單元系列由通用測試管理單元和專用測試單元組成。通用測試管理單元,為測試單元提供測試資源管理和通用測試接口;專用測試單元系列要包括非總線裝備的測試單元、防護系統(tǒng)測試單元、綜電系統(tǒng)測試單元等,用于對通用儀表、啟動系統(tǒng)、底盤電源系統(tǒng)、三防系統(tǒng)、滅火系統(tǒng)、煙幕彈/榴霰彈控制部件、綜電系統(tǒng)部件的分系統(tǒng)或部件檢測。
3? 硬件實現(xiàn)方案
電氣系統(tǒng)檢測設備硬件上采用嵌入式模塊化設計方案。設計內(nèi)容包括主控單元硬件設計、測試單元系列硬件設計兩部分。其總體架構如圖2所示。
3.1 主控單元設計
主控單元硬件設計上采用手持平板式主機設計方案,以利于在狹窄空間內(nèi)操作使用。主控單元為設備系統(tǒng)軟件提供運行環(huán)境,實現(xiàn)測試單元的配置、監(jiān)控、流程控制、數(shù)據(jù)分析與處理等。
主控單元由嵌入式控制器模塊、網(wǎng)絡通信模塊、電源管理模塊、人機交互模塊及殼體組成。通過嵌入式控制器實現(xiàn)主控單元的控制中心;通過內(nèi)置網(wǎng)絡通信模塊,實現(xiàn)對測試單元系列的通信控制和數(shù)據(jù)傳輸,以及數(shù)據(jù)“云-端”上傳接口;通過內(nèi)置電源模塊,實現(xiàn)電源的轉換及電池電量管理。
3.2 測試單元設計
測試單元設計分為通用測試管理單元模塊、專用測試單元模塊(可依托測試單元載架),測試單元具有多級級聯(lián)的可擴展性結構設計,實現(xiàn)任意測試模塊的結構和電氣特性組合化使用。通過對地面突擊裝備、火力壓制武器裝備、防空裝備、指控裝備、通信裝備、偵察情報裝備、電子對抗裝備、密碼保密裝備和戰(zhàn)斗保障裝備等保障對象的電氣系統(tǒng)現(xiàn)場可更換單元進行歸類整合,按功能分為通用測試單元、非總線設備測試單元、防護系統(tǒng)測試單元、綜電系統(tǒng)測試單元等。
測試單元由通用檢測電路和專用檢測電路組成。通用檢測電路實現(xiàn)電源管理、總線控制和數(shù)據(jù)采集功能,是測試單元的控制中心;專用檢測電路具有信號的衰減、放大、濾波、隔離等功能,實現(xiàn)對裝備接口信號的匹配。測試單元之間采用自定義總線連接,可以單個測試單元與主控設備連接使用,也可多個測試單元級聯(lián)后與主控設備連接使用。
4? 軟件實現(xiàn)方案
本系統(tǒng)采用面向功能的開發(fā)方法,區(qū)分不同子系統(tǒng),設計同類裝備及系統(tǒng)的通用檢測流程。以通用裝備信息化管理系統(tǒng)為依托,結合裝備管理和裝備保障要求,制定測試設備標準化的數(shù)據(jù)格式、信息互聯(lián)方式。全面收集各型號裝備的故障信息與維修策略,完成故障診斷知識與維修步驟的抽象描述,綜合運用專家知識庫、機器學習等技術,基于所能采集的特征參數(shù),研究裝甲車輛故障診斷及推理方法[3]。
4.1 數(shù)據(jù)庫的建立
數(shù)據(jù)庫是專家知識、經(jīng)驗與書本知識、常識的存儲器,是基于規(guī)則通用專家知識庫故障診斷方法的核心之一,其主要功能是存儲和管理專家知識庫故障方法中的知識。采用MySQL為數(shù)據(jù)庫服務器,建立后臺知識庫管理系統(tǒng)。該數(shù)據(jù)庫不僅能便捷的保存文本和非文本信息,而且其數(shù)據(jù)安全性有保障,能夠很好防范目前常見的網(wǎng)絡攻擊[4]。
系統(tǒng)整體采用前后端分離的架構,前端:Webpack、Vue.js、axios和Vue-Router,后端:Spring Boot、Mybatis和MySQL。系統(tǒng)有部隊、裝備、系統(tǒng)名稱、故障、故障原因、用戶等模塊。各個模塊都可以通過頁面添加相應的數(shù)據(jù)保存至數(shù)據(jù)庫,系統(tǒng)整體數(shù)據(jù)可以從頁面下載Excel模板,填好模板需要的數(shù)據(jù)后導入,具體處理流程是:
①用戶登錄進入系統(tǒng),在首頁點擊下載模板,在下載好的Excel里錄入數(shù)據(jù)(所有表頭對應字段數(shù)據(jù)都必須填寫,沒有填寫“無”);
②點擊導入選擇填寫好的Excel;
③Excel數(shù)據(jù)會以字節(jié)流的形式通過HTTP協(xié)議傳入后端服務器,考慮數(shù)據(jù)量可能比較大,服務器收到Excel數(shù)據(jù)之后會馬上響應瀏覽器避免瀏覽器卡死,同時服務器開啟一個線程異步處理Excel數(shù)據(jù),將數(shù)據(jù)從Excel中讀取出來并轉換成數(shù)據(jù)庫具體字段,寫入MySQL。
4.2 機器學習算法
機器學習是通過計算機來挖掘數(shù)據(jù)背后的意義,將雜亂無章的數(shù)據(jù)轉化為有用的信息。在現(xiàn)如今大數(shù)據(jù)時代,機器學習具有愈加廣泛的應用,如改善商業(yè)決策、提高生產(chǎn)率、檢測疾病、預測天氣、人臉識別以及產(chǎn)品推薦等等。
機器學習的主要任務是分類。在采用算法進行分類時,首先需要的是算法訓練,即學習如何分類,通過將大量已分類的數(shù)據(jù)作為訓練集訓練,得到特征和目標變量之間的關系。
K最近鄰(k-Nearest Neighbor,KNN)分類算法,是一個理論上比較成熟的方法,也是最簡單的機器學習算法之一。它是通過測量不同特征值之間的距離進行分類。它的思路是:如果一個樣本在特征空間中的k個最相似(即特征空間中最鄰近)的樣本中的大多數(shù)屬于某一個類別,則該樣本也屬于這個類別,其中K通常是不大于20的整數(shù)。KNN算法中,所選擇的鄰居都是已經(jīng)正確分類的對象。該方法在定類決策上只依據(jù)最鄰近的一個或者幾個樣本的類別來決定待測樣本所屬的類別。
本系統(tǒng)采用KNN算法,給每個故障和故障原因標記一個坐標,要查詢某個故障的原因時,就計算該故障與數(shù)據(jù)庫中各故障之間的向量距離,距離最短的故障對應的故障原因,最可能是該故障的原因。
5? 結論
本論文針對裝甲車輛故障原因難以排查的問題,建立裝甲車輛電氣系統(tǒng)故障診斷知識庫,解決故障信息大數(shù)據(jù)分析、故障診斷系統(tǒng)知識抽象描述等難題;構建知識更新學習系統(tǒng),通過數(shù)據(jù)共享、仿真平臺等手段,使原有知識更加豐富科學,同時為新裝備知識擴展預留接口,突破專家系統(tǒng)知識泛化能力弱、啟發(fā)性差等技術瓶頸;綜合運用大數(shù)據(jù)、機器學習算法等技術,設計科學合理的診斷推理機制,實現(xiàn)故障現(xiàn)象、故障原因和維修建議的合理映射。
參考文獻:
[1]任浩,屈劍鋒,柴毅,等.深度學習在故障診斷領域中的研究現(xiàn)狀與挑戰(zhàn)[J].控制與決策,2017,32(8):1345-1358.
[2]謝曉敏,孫雁南,曾勇,等.機載電子設備TCAS系統(tǒng)故障診斷專家系統(tǒng)[J].新鄉(xiāng)學院學報,2016,33(12):57-62.
[3]孟憲坤.基于人工智能的發(fā)射機遠程故障診斷系統(tǒng)的研究及應用[J].廣播電視信息,2018,10(11):82-85.
[4]胡強.MySQL數(shù)據(jù)庫常見問題分析與研究[J].電腦編程技巧與維護,2019(12):91-92.