張 原，姜煥成

(西北工業(yè)大學(xué)電子信息學(xué)院，陜西 西安 710129)

1 引言

當(dāng)今的火炮發(fā)展趨勢是智能化、科技化和輕量化[1]，大口徑火炮殺傷力大，作用范圍廣，同時(shí)又兼具經(jīng)濟(jì)性，雖然其現(xiàn)代化的進(jìn)程較慢，但大口徑火炮在軍隊(duì)中的地位依舊不可替代。大口徑火炮在軍隊(duì)中主要用作火力壓制，是戰(zhàn)場上十分關(guān)鍵的壓制武器。目前，大口徑火炮故障問題是影響其任務(wù)成功率的最主要障礙，由于其工作環(huán)境嚴(yán)酷，再加上高溫高壓的工作狀態(tài)[2]，劇烈的后坐力和振動[3]，火炮各個部件消耗嚴(yán)重，很容易導(dǎo)致火炮射擊精度不達(dá)標(biāo)[4]。當(dāng)下大部分大口徑火炮的預(yù)先維護(hù)保養(yǎng)是根據(jù)火炮發(fā)射次數(shù)和易損件使用次數(shù)等來進(jìn)行的，這樣只能在某種特定情況下做到有效的維修，一旦環(huán)境和影響因素發(fā)生變化，便無法保證火炮的工作狀態(tài)[5]，因此針對大口徑火炮服役現(xiàn)狀，設(shè)計(jì)能夠高效完成預(yù)先維護(hù)保養(yǎng)工作的大口徑火炮健康管理系統(tǒng)尤為重要[6]。

隨著計(jì)算機(jī)行業(yè)的發(fā)展，杰弗里-辛頓提出的深度學(xué)習(xí)概念作為人工智能技術(shù)中神經(jīng)網(wǎng)絡(luò)的重要分支，在機(jī)械故障診斷方面大放異彩[7]，也為機(jī)械故障診斷指出了一條新的道路[8]。目前，深度學(xué)習(xí)技術(shù)已經(jīng)廣泛應(yīng)用于各個領(lǐng)域，除去尖端科技航空航天領(lǐng)域，還在民用飛機(jī)、汽車、核電站和大型水壩等民用領(lǐng)域獲得了廣泛應(yīng)用[9]。但是，在地面裝備領(lǐng)域，特別是對于大口徑火炮的應(yīng)用研究，由于其模型數(shù)據(jù)難以獲得，對目標(biāo)預(yù)測準(zhǔn)確性要求高，以及實(shí)驗(yàn)機(jī)會難以獲取，幾乎所有研究都被限制在理論與仿真環(huán)境下。因此，本文在針對大口徑火炮進(jìn)行健康管理系統(tǒng)的開發(fā)的同時(shí)，提出加入深度學(xué)習(xí)算法對火炮的故障診斷與預(yù)測進(jìn)行探索與研究。

作為第三方設(shè)備，項(xiàng)目針對大口徑火炮開發(fā)的健康管理系統(tǒng)在接入火炮系統(tǒng)的同時(shí)，不影響其他任何部分的工作，完成了對大口徑火炮部分運(yùn)行狀態(tài)的實(shí)時(shí)顯示與記錄，利用傳統(tǒng)專家分析[10]對數(shù)據(jù)進(jìn)行處理，并提出一種基于改進(jìn)深度置信網(wǎng)絡(luò)的大口徑火炮故障預(yù)測方法，利用DBN(Deep Belief Network)技術(shù)的無監(jiān)督自動提取數(shù)據(jù)特征的能力，結(jié)合多層感知機(jī)MLP(Multi Layer Perception)11]有監(jiān)督學(xué)習(xí)[12]分類特點(diǎn)，完成對大口徑火炮的故障檢測。

2 總體設(shè)計(jì)與數(shù)據(jù)處理實(shí)現(xiàn)

大口徑火焰健康管理系統(tǒng)上位機(jī)按照功能模塊擬劃分為過程回放、數(shù)據(jù)導(dǎo)出、電子履歷以及故障預(yù)測4部分。系統(tǒng)對火炮系統(tǒng)各個部分記錄的數(shù)據(jù)進(jìn)行顯示，后期對報(bào)文記錄文件進(jìn)行回放和分類轉(zhuǎn)存，對火炮狀態(tài)進(jìn)行分析與評估。既可對火炮的狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)控，發(fā)現(xiàn)并排除故障，又可對火炮系統(tǒng)的故障等進(jìn)行預(yù)測與預(yù)防。其結(jié)構(gòu)如圖1所示。

Figure 1 Structure of health management system of large caliber artillery圖1 大口徑火炮健康管理系統(tǒng)結(jié)構(gòu)

2.1 中央處理功能

大口徑火炮健康管理系統(tǒng)是針對利用CAN(Controller Area Network)總線傳輸數(shù)據(jù)的火炮系統(tǒng)進(jìn)行設(shè)計(jì)的，利用VxWorks下位機(jī)系統(tǒng)接入CAN總線火炮系統(tǒng)，完成對數(shù)據(jù)包的捕獲和記錄，將數(shù)據(jù)存儲于VxWorks嵌入式系統(tǒng)[13]中的FTP(File Transfer Protocol)服務(wù)器，等待上位機(jī)對記錄的數(shù)據(jù)進(jìn)行下載和分析。

FTP連接的實(shí)現(xiàn)方式多種多樣，本項(xiàng)目基于MFC技術(shù)[14]進(jìn)行設(shè)計(jì)，因此使用其自帶的網(wǎng)絡(luò)通訊包AFXINET.H建立FTP連接，并設(shè)置可選的遠(yuǎn)程地址、近端地址、用戶名和密碼等，靈活完成對數(shù)據(jù)的下載。中央處理界面設(shè)計(jì)如圖2所示。

Figure 2 Design of central processing interface圖2 中央處理界面設(shè)計(jì)

2.2 過程回放功能

過程回放功能界面分為左右2部分，左半部分設(shè)計(jì)為標(biāo)簽頁式分欄，分別對應(yīng)各個設(shè)備之間的數(shù)據(jù)解析結(jié)果；右半部分又分為上下2塊，上半部分為原始數(shù)據(jù)的顯示，便于再次核對火炮各個部分工作狀態(tài)，下半部分為數(shù)據(jù)回放的控制，包括回放速率、單幀回放、自動回放以及文件的讀取和退出?；胤胚^程利用多線程技術(shù)，分別完成左半部分解析結(jié)果的UI(User Interface)刷新和右半部分對數(shù)據(jù)的解析，以模塊化方式實(shí)現(xiàn)最少資源占用情況下的高效工作。過程回放界面設(shè)計(jì)如圖3所示。

Figure 3 Design of process playback interface圖3 過程回放界面設(shè)計(jì)

2.3 數(shù)據(jù)導(dǎo)出功能

數(shù)據(jù)導(dǎo)出功能頁面由文件讀取導(dǎo)出控制部分和各個報(bào)文選中狀態(tài)復(fù)選框組成。文件控制部分由界面上對應(yīng)的各個文件路徑行編輯框，以及內(nèi)部對記錄文件的解析函數(shù)組成，在解析函數(shù)中對記錄文件的總幀數(shù)、每一幀包含的報(bào)文種類等進(jìn)行解析，并顯示于UI上，供分析人員對記錄文件導(dǎo)出范圍、導(dǎo)出內(nèi)容等的控制。復(fù)選框部分則是對報(bào)文類型進(jìn)行直觀展示，便于對導(dǎo)出報(bào)文的種類進(jìn)行選擇。數(shù)據(jù)導(dǎo)出界面設(shè)計(jì)如圖4所示。

Figure 4 Design of data export interface圖4 數(shù)據(jù)導(dǎo)出界面設(shè)計(jì)

2.4 電子履歷功能

電子履歷功能需要完成對存在于VxWorks下位機(jī)中的SQLite數(shù)據(jù)庫的讀取和顯示，因此包含SQLite操作頭文件，完成對數(shù)據(jù)庫的連接與讀取，以及在建立連接后，對記錄數(shù)據(jù)的增刪改查。具備這些功能便可以對各個設(shè)備的使用壽命進(jìn)行查看與重圍，從而更加精確可控地記錄火炮工作狀態(tài)。電子履歷界面設(shè)計(jì)如圖5所示。

Figure 5 Design of electronic resume interface圖5 電子履歷界面設(shè)計(jì)

3 深度學(xué)習(xí)方法概述

深度學(xué)習(xí)作為基于人工神經(jīng)元網(wǎng)絡(luò)的一種新型的人工智能算法，擁有很強(qiáng)的特征自動提取能力[15]，并因此在大數(shù)據(jù)領(lǐng)域取得了不小的成就[16]。目前，最常用的深度學(xué)習(xí)模型[17]包括多層感知機(jī)(MLP)、卷積神經(jīng)網(wǎng)絡(luò)、堆疊自動編碼機(jī)、遞歸神經(jīng)網(wǎng)絡(luò)和深度置信網(wǎng)絡(luò)(DBN)。

相較于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，DBN可直接從低層原始信號出發(fā)，通過逐層貪婪學(xué)習(xí)[17]得到高層特征表示，避免特征提取與選擇的人工操作，有效地降低傳統(tǒng)人工特征提取與選擇所帶來的復(fù)雜性和不確定性，增強(qiáng)識別的可靠性。相較于傳統(tǒng)的故障診斷方法，如基于數(shù)理模型的故障診斷與預(yù)測和基于專家知識的故障預(yù)測與診斷，DBN的優(yōu)勢首先在于能夠擺脫對大量信號處理技術(shù)與診斷經(jīng)驗(yàn)的依賴，實(shí)現(xiàn)故障特征的自適應(yīng)提取與健康狀態(tài)的智能預(yù)測；其次，傳統(tǒng)的故障診斷方法所針對的時(shí)域信號特征通常為某種波形出現(xiàn)的頻率，這就要求被監(jiān)聽的信號具有時(shí)域周期性，而DBN對時(shí)域信號沒有周期性要求，具有較強(qiáng)的通用性和適應(yīng)性；最后是其具有處理高維、非線性數(shù)據(jù)的能力，相較于傳統(tǒng)故障診斷方法，DBN能夠利用更加復(fù)雜且無規(guī)律的數(shù)據(jù)來完成診斷。從此角度看，深度置信網(wǎng)絡(luò)適合用于處理具有海量性、多模態(tài)性、不確定性、涌現(xiàn)性、多源異構(gòu)性和價(jià)值低密度性等的新時(shí)期工業(yè)“大數(shù)據(jù)”故障診斷問題。

3.1 多層感知機(jī)(MLP)工作原理

多層感知機(jī)[11]是深度學(xué)習(xí)的基礎(chǔ)，是近幾年在工業(yè)界新興的一個機(jī)器學(xué)習(xí)領(lǐng)域的研究內(nèi)容，因此本文優(yōu)先選擇多層感知機(jī)來實(shí)現(xiàn)大口徑火炮故障預(yù)測神經(jīng)網(wǎng)絡(luò)的搭建，其結(jié)構(gòu)如圖6所示。

Figure 6 Structure of three-layer perception 圖6 3層結(jié)構(gòu)的多層感知機(jī)

圖6為最基本的多層感知機(jī)模型，其中有一個輸入層，包含3個輸入節(jié)點(diǎn)，一個隱含層，包含4個隱含層節(jié)點(diǎn)，一個輸出層，包含2個輸出節(jié)點(diǎn)。輸入節(jié)點(diǎn)、隱含層節(jié)點(diǎn)和輸出節(jié)點(diǎn)的個數(shù)可以根據(jù)實(shí)際情況增加或減少，此外，隱含層的個數(shù)也可以增加或減少。

(1)

多層感知機(jī)的前向傳播算法就是依照式(1)，根據(jù)輸入數(shù)據(jù)xk，一層一層計(jì)算得到輸出值。前向傳播完成后，需要對模型進(jìn)行參數(shù)學(xué)習(xí)。

根據(jù)各種變量之間的關(guān)系式推導(dǎo)可得：

(2)

(3)

用δ(l)來定義第l層神經(jīng)元的誤差向量，如式(4)所示：

δ(l)

f′l(z(l))⊙((w(l+1))Tδ(l+1))

(4)

總的來說反向傳播算法的含義是：第l層的一個神經(jīng)元的誤差項(xiàng)是所有與神經(jīng)元相連的第l+1層神經(jīng)元的誤差項(xiàng)的權(quán)重和，再乘以該神經(jīng)元激活函數(shù)的梯度。

3.2 深度置信網(wǎng)絡(luò)(DBN)工作原理

DBN提取數(shù)據(jù)特征的能力是建立在RBM(Restricted Boltzmann Machine)結(jié)構(gòu)堆疊的基礎(chǔ)上的。RBM是一種典型的隨機(jī)神經(jīng)網(wǎng)絡(luò)。RBM的結(jié)構(gòu)簡潔明了，分為可見單元組(Visible Unit)和隱含層單元組(Hidden Unit)。這2種單元之間互相連接，但是同一單元組之間不允許連接，其結(jié)構(gòu)如圖7所示。

Figure 7 Schematic diagram of the internal connections of a restricted Boltzmann machine圖7 受限玻爾茲曼機(jī)內(nèi)部連接示意圖

圖7中V=(v1,v2,v3,…,vm)為RBM的可視層，H=(h1,h2,h3,…,hn)為RBM的隱含層，RBM的能量定義函數(shù)如下所示：

E(V,H)=-∑ivibi-∑jhjcj-∑i,jvihjwij

(5)

其中，b=(b1,b2,b3,…,bm)是對應(yīng)可視層每個神經(jīng)元的偏置量，c=(c1,c2,c3,…,cn)是對應(yīng)隱含層每個神經(jīng)元的偏置量，wn×m是隱含層第n個神經(jīng)元對應(yīng)可視層第m個神經(jīng)元的權(quán)重。

由式(5)推導(dǎo)得，可視層與隱含層之間的聯(lián)合概率分布為：

(6)

其中z為歸一化系數(shù)：

z=∑V,He-E(V,H)

(7)

由2層之間的聯(lián)合概率分布式與每一層的各數(shù)據(jù)項(xiàng)，在任意一層已知的基礎(chǔ)上，可以求得另一層各個神經(jīng)元被激活的概率，其計(jì)算公式如下所示：

(8)

(9)

其中，σ(x)為激活函數(shù)，通常選擇sigmoid函數(shù)，其函數(shù)表達(dá)式如下：

(10)

RBM利用輸入的數(shù)據(jù)特征量，在可視層與隱含層之間正向與反向的學(xué)習(xí)來校正2層間的權(quán)重矩陣和各自的偏置量，通過對比由隱含層反向得到輸入層數(shù)據(jù)來判斷學(xué)習(xí)效果并不斷修正，直至滿足精度要求。

DBN則是將多個RBM以首尾相接的方式連接起來，上一個RBM 的隱含層即為下一個RBM 的可視層，上一個RBM的輸出即為下一個RBM的輸入。依照此方式構(gòu)成DBN網(wǎng)絡(luò)后，利用貪婪算法來依次處理每一個RBM，以達(dá)到整體優(yōu)化的目的。

4 DBN-MLP故障預(yù)測模型

本文針對大口徑火炮的故障預(yù)測問題，提出將DBN與MLP相結(jié)合，搭建DBN-MLP故障預(yù)測模型，利用該模型完成火炮故障的預(yù)測，實(shí)現(xiàn)健康管理系統(tǒng)的故障預(yù)測功能。利用DBN強(qiáng)大的數(shù)據(jù)特征提取能力對數(shù)據(jù)進(jìn)行處理，對DBN處理后的數(shù)據(jù)利用MLP結(jié)構(gòu)進(jìn)行有監(jiān)督學(xué)習(xí)，高效地完成數(shù)據(jù)的判別。DBN-MLP模型結(jié)構(gòu)如圖8所示。

Figure 8 Schematic diagram of fault prediction model structure圖8 DBN-MLP故障預(yù)測模型結(jié)構(gòu)示意圖

4.1 模型設(shè)計(jì)

DBN-MLP故障預(yù)測模型主要包含DBN網(wǎng)絡(luò)預(yù)訓(xùn)練、DBN網(wǎng)絡(luò)全局微調(diào)、MLP網(wǎng)絡(luò)參數(shù)設(shè)置、MLP網(wǎng)絡(luò)訓(xùn)練和故障預(yù)測網(wǎng)絡(luò)檢驗(yàn)等部分。

(1)DBN網(wǎng)絡(luò)預(yù)訓(xùn)練。

這個過程又稱為參數(shù)初始化。即將深度置信網(wǎng)絡(luò)分解為一系列受限玻爾茲曼機(jī)，逐層訓(xùn)練參數(shù)，為整個深度置信網(wǎng)絡(luò)提供較優(yōu)的網(wǎng)絡(luò)初始化權(quán)值。首先將原始數(shù)據(jù)V作為可視層的輸入向量，訓(xùn)練第1個受限玻爾茲曼機(jī)的連接權(quán)值矩陣w1，接著固定w1，通過P(H1|V)=P(H1|V,w1)訓(xùn)練得到第1個受限玻爾茲曼機(jī)的隱含層向量h1，將h1當(dāng)作第2個受限玻爾茲曼機(jī)的可視輸入向量，用以訓(xùn)練第2個受限玻爾茲曼機(jī)的連接權(quán)值矩陣w2，以此類推，逐層計(jì)算得到每一層的隱含層神經(jīng)元激活向量和與前一層神經(jīng)元的連接權(quán)值矩陣。換言之，將深度置信網(wǎng)絡(luò)的低層輸出作為其高一層的輸入，每次只無監(jiān)督地學(xué)習(xí)一層特征變換，最終依次將學(xué)得的網(wǎng)絡(luò)連接權(quán)值堆疊成為整個深度置信網(wǎng)絡(luò)的初始化權(quán)值。

(2)DBN網(wǎng)絡(luò)全局微調(diào)。

為了進(jìn)一步提升模型性能，當(dāng)完成一系列受限玻爾茲曼機(jī)無監(jiān)督預(yù)訓(xùn)練后，再把原始訓(xùn)練數(shù)據(jù)當(dāng)作監(jiān)督數(shù)據(jù)對整個深層結(jié)構(gòu)進(jìn)行有監(jiān)督學(xué)習(xí)，依據(jù)最大似然函數(shù)，采用反向傳播算法對整個深度置信網(wǎng)絡(luò)進(jìn)行進(jìn)一步優(yōu)化，精調(diào)各層參數(shù)。

(3)MLP網(wǎng)絡(luò)參數(shù)設(shè)置。

根據(jù)MLP所需，確定網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，包括MLP網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)量(輸入層、隱含層和輸出層)、初始權(quán)重矩陣、神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率、迭代次數(shù)、允許誤差，以及多層感知機(jī)所選激活函數(shù)的相關(guān)參數(shù)。

(4)MLP網(wǎng)絡(luò)訓(xùn)練。

利用已經(jīng)訓(xùn)練好的DBN網(wǎng)絡(luò)對訓(xùn)練數(shù)據(jù)特征進(jìn)行提取，將得到的特征高度集中的數(shù)據(jù)用作多層感知機(jī)的訓(xùn)練數(shù)據(jù)，以訓(xùn)練神經(jīng)網(wǎng)絡(luò)。MLP的訓(xùn)練是基于前向傳播的有監(jiān)督學(xué)習(xí)訓(xùn)練方式，通過梯度下降法對模型進(jìn)行訓(xùn)練，得到特定網(wǎng)絡(luò)節(jié)點(diǎn)下較為適合的網(wǎng)絡(luò)權(quán)重矩陣，完成對多層感知機(jī)的訓(xùn)練。

(5)深度學(xué)習(xí)網(wǎng)絡(luò)檢驗(yàn)。

在DBN與MLP網(wǎng)絡(luò)訓(xùn)練完畢的基礎(chǔ)上，將測試數(shù)據(jù)輸入故障預(yù)測模型中得到數(shù)據(jù)結(jié)果并與實(shí)際結(jié)果進(jìn)行對比，計(jì)算模型對故障預(yù)測的精確度，完成對模型可行性的評估。

4.2 數(shù)據(jù)選擇與處理

由于大口徑火炮的各個部位實(shí)際數(shù)據(jù)涉密，不便成文發(fā)表，因此本文選擇在實(shí)驗(yàn)初期使用的美國凱斯西儲大學(xué)電子工程實(shí)驗(yàn)室為了便于他人研究和測試所公布的一組旋轉(zhuǎn)軸承數(shù)據(jù)來替代火炮關(guān)鍵部位的振動數(shù)據(jù)[19]。這組數(shù)據(jù)是由位于旋轉(zhuǎn)軸承上方機(jī)殼上的振動傳感器在12 kHz的采樣頻率下，在4種不同的負(fù)荷下記錄的旋轉(zhuǎn)軸承振動數(shù)據(jù)。軸承是安裝在由2個不同的驅(qū)動力構(gòu)成的機(jī)械系統(tǒng)之中的，與大口徑火炮故障發(fā)生的關(guān)鍵部位內(nèi)部的軸承結(jié)構(gòu)類似，可以替代用以研究。

本次實(shí)驗(yàn)選擇軸承振動實(shí)驗(yàn)數(shù)據(jù)組中較有代表性的5組數(shù)據(jù)，分別是電機(jī)負(fù)載為0，電機(jī)轉(zhuǎn)速約為1 797 rpm的條件下，軸承正常工作振動數(shù)據(jù)，以及單點(diǎn)驅(qū)動端在12 000樣本/秒采樣頻率的條件下，故障直徑分別為0.007 inch(英寸,1 inch=25.4 mm)，0.014 inch，0.021 inch，0.028 inch時(shí)軸心部位的振動數(shù)據(jù)，在這些數(shù)據(jù)集當(dāng)中分別挑選12 000個作為實(shí)驗(yàn)數(shù)據(jù)，由于要對大口徑火炮的整個生命周期進(jìn)行評價(jià)與預(yù)測，將數(shù)據(jù)以100個連續(xù)數(shù)據(jù)為一組，整合為時(shí)間序列數(shù)據(jù)(time- series)[20]，共構(gòu)成每種故障尺寸各120組數(shù)據(jù)用以實(shí)驗(yàn)。從每組數(shù)據(jù)中取出100組作為訓(xùn)練數(shù)據(jù)，其余100組數(shù)據(jù)組成檢驗(yàn)數(shù)據(jù)。模型學(xué)習(xí)目的在于識別軸承工作狀態(tài)正常與否，在識別精確度高的前提下，完成對故障尺寸的鑒別，實(shí)現(xiàn)真正高精度的故障識別系統(tǒng)模型。實(shí)驗(yàn)數(shù)據(jù)如表1所示。

Table 1 Data for testing

對實(shí)驗(yàn)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)學(xué)分析得到數(shù)據(jù)集合的數(shù)學(xué)特征如表2所示。

Table 2 Statistical characteristics of experimental data

由實(shí)驗(yàn)數(shù)據(jù)的統(tǒng)計(jì)學(xué)特征可得，在數(shù)據(jù)量足夠大的情況下，正常無故障實(shí)驗(yàn)組Wn的振動平均數(shù)最小，故障組W2,W1,W3,W4的振動平均數(shù)依次增大，正常無故障實(shí)驗(yàn)組Wn的振動幅度極值最小，故障組W1,W2,W3,W4的振動幅度極值依次增大，且遠(yuǎn)大于實(shí)驗(yàn)組Wn的振動幅度。振動平均數(shù)與振動幅度極值的變化規(guī)律表明，絕對振動數(shù)據(jù)中正常無故障振動數(shù)據(jù)的振動幅度明顯小于其他故障情況下的振動幅度。由故障尺寸的標(biāo)準(zhǔn)差可得，正常無故障實(shí)驗(yàn)組Wn的標(biāo)準(zhǔn)差最小，小于故障組W2,W1,W3,W4的，說明在當(dāng)前情況下無故障數(shù)據(jù)的波動范圍小于其他故障數(shù)據(jù)的，但簡單的統(tǒng)計(jì)學(xué)特征只能作為參考，無法定論具體情況，需做進(jìn)一步分析。

要將故障數(shù)據(jù)傳入多層感知機(jī)模型，需要將數(shù)據(jù)在保留其數(shù)據(jù)特征的情況下，映射到(0，1)，因此要對原始數(shù)據(jù)進(jìn)行歸一化[21]。歸一化后數(shù)據(jù)峰值變化如圖9所示。

Figure 9 Schematic diagram of peak data changes after normalization圖9 歸一化后數(shù)據(jù)峰值變化示意圖

由于多組振動數(shù)據(jù)處理過后會重疊，不便觀察，因此本文在做完歸一化處理之后，對各組曲線進(jìn)行了平移，以便觀察。從圖9中可以看出，0/1歸一化將不同組數(shù)據(jù)的特征變換到同樣區(qū)間，消除了量綱，使得他們之間具有可比性，并且滿足模型輸入要求。

4.3 故障預(yù)測網(wǎng)絡(luò)訓(xùn)練

利用歸一化處理之后的數(shù)據(jù)進(jìn)行深度置信網(wǎng)絡(luò)與多層感知機(jī)的訓(xùn)練，流程圖如圖10所示。

Figure 10 Flowchart of fault prediction network training 圖10 故障預(yù)測模型訓(xùn)練流程圖

將數(shù)據(jù)進(jìn)行分組，每100個連續(xù)數(shù)據(jù)為一組，這樣50 000個訓(xùn)練數(shù)據(jù)整合為500組長度為100的數(shù)據(jù)，根據(jù)該數(shù)據(jù)分組的方式，深度置信網(wǎng)絡(luò)的輸入端神經(jīng)元個數(shù)設(shè)置為100個。此次實(shí)驗(yàn)選擇3層RBM堆疊的深度置信網(wǎng)絡(luò)，共有4層神經(jīng)元，除去第1層的100個神經(jīng)元外，另外幾層的神經(jīng)元分別設(shè)置為250，250，100，這樣在深度置信網(wǎng)絡(luò)對數(shù)據(jù)提取特征之后，得到的輸出神經(jīng)元個數(shù)為100，即提取特征之后得到的數(shù)據(jù)個數(shù)為100。

由于特征提取處理后的特征數(shù)據(jù)要應(yīng)用于多層感知機(jī)進(jìn)行有監(jiān)督學(xué)習(xí)，根據(jù)DBN結(jié)構(gòu)可得，處理后的數(shù)據(jù)為每組100個，訓(xùn)練神經(jīng)網(wǎng)絡(luò)層數(shù)為4層，因此多層感知機(jī)輸入層神經(jīng)元個數(shù)為100，其余3層的個數(shù)分別為2 500，100，5，多層感知機(jī)輸出的5個特征即為故障預(yù)測結(jié)果，其結(jié)果以獨(dú)熱碼[22]的方式進(jìn)行顯示，即10000為正常，01000，00100，00010和00001均為故障，并且每一種碼字對應(yīng)一種故障。故障預(yù)測網(wǎng)絡(luò)訓(xùn)練結(jié)果如圖11所示。

Figure 11 Training effect curve圖11 訓(xùn)練效果曲線圖

預(yù)訓(xùn)練次數(shù)設(shè)置為50，由預(yù)訓(xùn)練次數(shù)與識別錯誤率局部曲線可得，在使用了由深度置信網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)特征提取，再由多層感知機(jī)進(jìn)行數(shù)據(jù)分類的模型后，識別正確率較高，曲線大概在預(yù)訓(xùn)練21次左右趨于平穩(wěn)，通過調(diào)整神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，有望改善最終結(jié)果。

4.4 實(shí)驗(yàn)結(jié)果

模型訓(xùn)練完畢后，使用測試數(shù)據(jù)對網(wǎng)絡(luò)預(yù)測效果進(jìn)行評價(jià)，結(jié)果如表3所示。

表3所示為改進(jìn)模型對多分類情況的預(yù)測效果。由表3可以看出，故障預(yù)測網(wǎng)絡(luò)對故障類型的預(yù)測結(jié)果較好，對于正常數(shù)據(jù)和故障尺寸為0.021 inch和0.028 inch的數(shù)據(jù)都有很高的預(yù)測精確度，誤判率分別是0%，5%和0%；但在預(yù)測故障尺寸為0.007 inch和0.014 inch的數(shù)據(jù)方面，識別誤判率較高，分別是15%和25%，預(yù)測結(jié)果還有待改善。

Table 3 Experimental results of fault prediction

故障預(yù)測結(jié)果散點(diǎn)圖和混淆矩陣分別如圖12和圖13所示。

Figure 12 Scatter plots of experimental results圖12 實(shí)驗(yàn)結(jié)果散點(diǎn)圖

Figure 13 Confusion matrix of experimental results圖13 實(shí)驗(yàn)結(jié)果混淆矩陣

由圖12可以看出，識別錯誤的8組數(shù)據(jù)中，有7組集中在故障尺寸為0.007 inch和0.014 inch的故障數(shù)據(jù)中，說明故障尺寸為0.007 inch和0.014 inch的數(shù)據(jù)識別問題較大，其他組別的識別結(jié)果僅有故障尺寸為0.021 inch的數(shù)據(jù)出現(xiàn)了一個錯誤，說明其他數(shù)據(jù)識別率較高。由圖13可以清晰看出，排除W1和W2組數(shù)據(jù)，其他組識別率都能達(dá)到95%及以上，而W1和W2的數(shù)據(jù)識別率較低，分別為85%和75%，且識別錯誤的情況基本都是這2組數(shù)據(jù)互相干擾引起的。故障預(yù)測模型整體的預(yù)測結(jié)果優(yōu)良。

5 結(jié)束語

本文針對大口徑火炮的故障診斷與預(yù)測問題，提出基于深度學(xué)習(xí)的大口徑故障預(yù)測與診斷模型。該模型首先運(yùn)用深度置信網(wǎng)絡(luò)自動提取數(shù)據(jù)特征，避免了人工處理數(shù)據(jù)的麻煩及其引入的復(fù)雜不確定數(shù)據(jù)波動；而后利用多層感知機(jī)的有監(jiān)督學(xué)習(xí)的分類識別能力，對特征高度集中的數(shù)據(jù)進(jìn)行簡單有效的分類，實(shí)現(xiàn)對故障數(shù)據(jù)的預(yù)測與識別。從測試結(jié)果來看，該模型可以勝任對大口徑火炮故障狀態(tài)的診斷與預(yù)測，具有較高的實(shí)用價(jià)值。