孟 晨, 楊華暉, 王 成, 馬 征

(1. 陸軍工程大學導彈工程系, 河北 石家莊 050003; 2. 陸軍裝備部北京地區(qū)軍事代表局, 北京 100166)

0 引 言

現(xiàn)代武器系統(tǒng)是融合機械設計制造、測試控制、發(fā)射制導、目標探測與識別等較多先進理論技術的重要工程應用領域。隨著新一代武器系統(tǒng)信息化程度的提高和對適應未來復雜戰(zhàn)場環(huán)境的要求,創(chuàng)建以信息系統(tǒng)為核心的新型作戰(zhàn)保障網(wǎng)絡體系成為未來保障建設的重要方向。

武器系統(tǒng)故障診斷是新型作戰(zhàn)保障網(wǎng)絡體系構建的基礎性環(huán)節(jié),也是實現(xiàn)整個武器系統(tǒng)故障預測與健康管理(prognostics and health management, PHM)的重要步驟。武器系統(tǒng)故障診斷是指利用武器系統(tǒng)正常運行或發(fā)生故障過程中產(chǎn)生的數(shù)據(jù)信息,判斷故障元件、故障類型、發(fā)生時間、嚴重程度以及故障原因,進而綜合評判武器系統(tǒng)狀態(tài)與作戰(zhàn)效能[1-3]。

按照武器系統(tǒng)組成的結構層次和維修保障任務要求，故障診斷可以在不同層級的對象上實施[1,4]。以某型導彈武器系統(tǒng)為例，如圖1所示，系統(tǒng)組成可以劃分為系統(tǒng)級、分系統(tǒng)級、功能組件、部件級和元件級5個層次。每一級檢測到的故障需要對下一級進行隔離與定位，直至向下傳遞到最底層的元器件或封裝部件。隨著當前部隊維修保障改革發(fā)展和智能保障模式的轉變，元器件級和部組件級換件維修已經(jīng)分別發(fā)展為部組件級和功能組件級換件維修。同時，隨著電子技術及其生產(chǎn)制造工藝的發(fā)展，電子系統(tǒng)的最小可更換單元已有相當比例成為部件級。因此，元部件級狀態(tài)監(jiān)測與故障診斷對實現(xiàn)上層功能組件和系統(tǒng)級故障定位與診斷具有基礎性和支撐性的作用，是實現(xiàn)武器系統(tǒng)PHM和決策維修的核心環(huán)節(jié)。

圖1 某型導彈武器系統(tǒng)組成結構及故障診斷層級劃分Fig.1 Composition structure and fault diagnosis hierarchy of a missile weapon system

新一代武器系統(tǒng)中,由電子元部件組成的模塊化功能組件更加精密復雜、高度集成,這種趨于集成化、模塊化、智能化的電子系統(tǒng)設計方式,使得對其內部電子元部件的狀態(tài)監(jiān)測和故障診斷技術有了更高要求。由于電子元部件故障具有故障關聯(lián)耦合、間歇性發(fā)生等特點,因此對電子元部件的故障診斷主要要求在于快速準確、響應及時、精準定位。傳統(tǒng)的針對易損元部件的離線測試、信號處理、專家系統(tǒng)診斷流程，面對日漸復雜、繁瑣的診斷任務已經(jīng)顯出成本高和效率低的特點,取而代之的數(shù)據(jù)驅動、在線學習、人工智能(artificial intelligence, AI)的故障診斷技術卻逐漸凸顯優(yōu)勢。另一方面,隨著武器系統(tǒng)信息化保障建設的推進和軍事物聯(lián)網(wǎng)技術的發(fā)展,武器信息化平臺中積累的海量數(shù)據(jù)資源為實現(xiàn)數(shù)據(jù)驅動的故障診斷提供了堅實基礎。針對復雜電子模塊的元部件級故障診斷,新一代工業(yè)系統(tǒng)已經(jīng)有了較多成功的應用[5-7],并在無人機[4]等先進武器系統(tǒng)上得到了深入研究。

傳統(tǒng)的基于模型的故障診斷方法是在已有系統(tǒng)的物理與數(shù)學先驗知識的基礎上,分析部組件以及分系統(tǒng)之間的聯(lián)系,建立相對準確的數(shù)學模型,進而實現(xiàn)對整個系統(tǒng)的狀態(tài)監(jiān)測與故障診斷[8]?；谀Ｐ偷姆椒ㄍ槍δ骋惶囟ㄐ吞栁淦飨到y(tǒng),雖然在過去幾十年里取得了較為顯著的研究成果[9-13],但對實現(xiàn)結構精密復雜、部組件關聯(lián)緊密的新一代武器系統(tǒng)電子模塊的PHM和效能評估遠遠不夠。另一方面,AI技術的發(fā)展為實現(xiàn)數(shù)據(jù)驅動的故障診斷提供了動力,同時適應了未來武器系統(tǒng)無人化、智能化的診斷要求。相對于基于模型的故障診斷方法,數(shù)據(jù)驅動方法的最大優(yōu)勢在于不需要系統(tǒng)的先驗知識和準確的數(shù)學物理模型,而是通過系統(tǒng)測試與運行中產(chǎn)生的大數(shù)據(jù)進行多元統(tǒng)計或建立AI模型,監(jiān)測系統(tǒng)實時狀態(tài)并完成模型的在線學習更新[14]。數(shù)據(jù)驅動的故障診斷技術不僅是數(shù)據(jù)挖掘理論方法的具體工程應用,而且是推動新一代武器系統(tǒng)數(shù)據(jù)接口設計統(tǒng)一化和標準化的重要動力。

從故障診斷理論角度分析,任何狀態(tài)監(jiān)測與故障診斷系統(tǒng)都可以看作是一個信息冗余的數(shù)據(jù)系統(tǒng)[15],包含了數(shù)據(jù)獲取與數(shù)據(jù)分析兩個基本的元素。因此，基于模型和數(shù)據(jù)驅動的方法都是研究如何挖掘數(shù)據(jù)和分析數(shù)據(jù),兩者的區(qū)別是在梳理運用知識、模型、信號(數(shù)據(jù))相互關系上的不同,如圖2和圖3所示。

圖2 基于模型方法的故障診斷框架Fig.2 Fault diagnosis framework of model-based method

圖3 數(shù)據(jù)驅動及融合方法的故障診斷框架Fig.3 Fault diagnosis framework of data-driven and fusion methods

基于模型的方法主要從先驗知識出發(fā),以不同運行狀態(tài)下的信號和數(shù)據(jù)信息為基礎構建故障診斷模型,且診斷結果可以反饋補充先驗知識,形成了從運用知識到豐富知識的過程。數(shù)據(jù)驅動的方法則是從信號和數(shù)據(jù)出發(fā),通過有監(jiān)督或無監(jiān)督學習訓練的方式直接構建診斷模型,得到的診斷結果經(jīng)過驗證分析后形成知識,繼續(xù)修正和改進數(shù)據(jù)訓練模型,形成了從數(shù)據(jù)運用到知識積累的過程。值得注意的是,診斷結果獲取的知識反向修正和改進數(shù)據(jù)訓練模型時,就不再是簡單意義的數(shù)據(jù)驅動方法,而是信息融合的方法。綜上對比,可以看到基于模型和數(shù)據(jù)驅動的方法在構建故障診斷整體框架和梳理不同元素(知識、數(shù)據(jù)、模型)邏輯關系上的不同,但兩者最終都是面向知識學習和知識運用方向的研究,故障診斷也因此成為融合測試理論、信號處理和AI等方法的重要工程應用領域。

本文將進一步梳理武器系統(tǒng)電子元部件級故障診斷技術的研究成果,總結當前研究存在的困難和問題,預測未來發(fā)展趨勢。說明武器系統(tǒng)電子元部件的診斷對象具體有哪些。梳理歸納數(shù)據(jù)驅動的故障診斷方法。分析當前研究存在的具體問題及解決問題的發(fā)展方向。

1 元部件級故障診斷的對象

武器系統(tǒng)中單個制件或相互連接具有特定功能而不能分解的多個制件統(tǒng)稱元件,部件是系統(tǒng)運行所必須的特定功能的獨立零件及零件組合[1]。上述概念是文獻[1]對區(qū)分武器系統(tǒng)元件和部件的具體定義,對實施元部件級故障診斷技術具有指導意義。本文綜述的元部件級故障診斷對象,不再做兩者的具體劃分,而是根據(jù)文獻中研究對象的不同類別進行歸納總結。

1.1 傳感器

傳感器是武器系統(tǒng)電子元部件級故障診斷領域中極其重要的研究對象，其應用廣泛、種類繁多，尤其是在導航系統(tǒng)[16-17]、測控系統(tǒng)[18-19]、態(tài)勢感知系統(tǒng)[20]中具有舉足輕重的地位。新一代武器系統(tǒng)應用的傳感器一般采用整體封裝結構，在平時穩(wěn)定運行的工作狀態(tài)下通常具有較高的可靠性，但在戰(zhàn)時極端環(huán)境和強干擾條件下，惡劣的運行環(huán)境容易造成傳感器輸出信號出現(xiàn)尖刺、卡滯、強烈波動等情況，發(fā)生故障的概率會顯著提高。另外，傳感器在長時間運行條件下容易發(fā)生精度漂移，造成較大的積累誤差，進而影響系統(tǒng)正常工作。

以組合導航系統(tǒng)為例：衛(wèi)星導航傳感器、慣性導航加速度計和各類陀螺儀都屬于導航傳感器，可以為武器系統(tǒng)提供精確的位置、速度、姿態(tài)等信息。導航傳感器均為精密元器件，一旦受到外界強干擾或因自身發(fā)生嚴重漂移造成故障時，導航系統(tǒng)輸出數(shù)據(jù)就不再可靠。導航傳感器的故障按發(fā)生類型可分為突發(fā)故障和軟故障兩類。突發(fā)故障多數(shù)是由于運行環(huán)境急劇惡劣變化導致傳感器突然失效，其發(fā)生概率較低，檢測容易且時延較短，對導航系統(tǒng)影響較大。軟故障是由于傳感器測量精度隨時間發(fā)生漂移導致，其發(fā)生概率較高，檢測難度大且時延長，對導航系統(tǒng)初始影響小，但隨著時間推移會逐漸變大。針對導航傳感器故障檢測問題，文獻[21]提出了基于一類支持向量機(one-class support vector machine, OC-SVM)與深度神經(jīng)網(wǎng)絡(deep neural network, DNN)結合的診斷方法，故障發(fā)生時DNN可以預測故障發(fā)生時間并輸出預測數(shù)據(jù)代替量測數(shù)據(jù)在主濾波器中進行數(shù)據(jù)融合，且DNN可以針對每一個子濾波器進行單獨訓練，保證子濾波器的輸出數(shù)據(jù)質量，但DNN訓練需要全面、海量的標簽樣本數(shù)據(jù)，并且要經(jīng)過充分訓練才能在故障條件下準確預測輸出。文獻[22]提出了多通道一維全卷積神經(jīng)網(wǎng)絡(one-dimension convolutional neural network, 1D-CNN)的檢測方法，可以從傳感器的量測殘差序列中提取故障特征并判斷導航系統(tǒng)的運行狀態(tài)。文獻[23]提出了基于自適應模糊神經(jīng)網(wǎng)絡在線導航傳感器故障檢測方法，可以實時分析卡爾曼濾波器殘差數(shù)據(jù)，不依賴先驗知識準確建模，對實現(xiàn)快速檢測和減小虛警率效果明顯。

此外，飛行器傳感器故障診斷研究還包括數(shù)據(jù)采集傳感器[24]、控制系統(tǒng)傳感器[25]等，其他在武器系統(tǒng)中應用的傳感器包括電力變換系統(tǒng)傳感器[26]、電機驅動系統(tǒng)傳感器[27]等。

1.2 模擬電子電路

模擬電子電路故障診斷的主要研究對象為功能性模擬電路中的半導體器件，以及電阻、電容、電感等各種元器件，其直接發(fā)生失效性故障的概率較低，但在各種條件下發(fā)生參數(shù)漂移卻是常態(tài)化的，參數(shù)變化超過一定的容差就對電路產(chǎn)生重要影響，甚至導致電路功能失效，影響整個部件或分系統(tǒng)正常運行[28]。與傳感器故障類型類似，模擬電子電路故障主要分為突發(fā)(硬)故障和緩變(軟)故障兩類。突發(fā)故障通常導致功能性故障，一般會使電路完全喪失功能，具有不可修復性，比如電容擊穿、電阻短路等。緩變故障是指元器件參數(shù)偏離其額定范圍，造成元件退化失效[29]。兩種故障相比較，突發(fā)故障具有發(fā)生概率低、突發(fā)性、損壞嚴重等特點，緩變故障具有發(fā)生概率高、延續(xù)時間長、對電路功能漸變影響的特點。在模擬電子電路故障診斷時，根據(jù)元器件參數(shù)變化對電路功能的影響程度，可以區(qū)分關鍵元器件和非關鍵元器件。例如圖4所示的Salley-Key帶通濾波器電路，關鍵元器件(藍色背景標注)包括電阻R2和R3，電容C1和C2，其參數(shù)變化將會對濾波電路的中心頻率和帶寬產(chǎn)生重要影響。其他元器件中，電阻R1，R4，R5則屬于非關鍵元器件，在對緩變故障進行診斷時，通常不需要將其列為診斷對象。針對模擬電路元部件緩變故障采用的數(shù)據(jù)驅動故障診斷方法已經(jīng)逐漸成為主流[30-34]。

圖4 Salley-Key帶通濾波器電路Fig.4 Salley-Key band-pass filter circuit

模擬濾波器電路一般以電阻、電容為故障診斷對象，而在電力變換開關電路中，半導體開關是控制整個電路輸出變化的關鍵部件，故障診斷也因此主要圍繞半導體開關展開。同樣的，故障類型也主要包括短路故障和開路故障。文獻[35-40]提出了多種不同的針對電力變換電路的數(shù)據(jù)驅動故障診斷方法。但與模擬濾波電路不同的是，電力變化電路故障診斷方法除了要有較高的診斷準確性和實時性以外，還要規(guī)避因負載變化帶來的欺騙性故障，即診斷方法的誤警率要低。

雖然目前電子系統(tǒng)中數(shù)字電路的應用規(guī)模已經(jīng)遠超模擬電路，但從近5年的研究統(tǒng)計來看，少于20%的模擬電子電路元器件卻占據(jù)了80%以上的電子電路故障發(fā)生率[41]。一方面由于數(shù)字電路具有容差范圍大、抗干擾能力強等特點，而模擬電路容具有容錯性范圍小、抗干擾能力差、信號要求線性等特點，因此其故障發(fā)生概率遠大于數(shù)字電路。另一方面，因為數(shù)字電路的故障類型和故障模式相對簡單，其故障診斷已有較為完善的方法體系。相比較而言，模擬電子元部件故障存在元器件參數(shù)緩變漂移、故障關聯(lián)耦合、間歇性發(fā)生等情況，使得對這類電子元部件進行故障診斷要困難得多，造成模擬電路故障診斷尚缺乏較為有效的技術手段。

1.3 模擬集成元部件

隨著電子技術的發(fā)展，武器裝備電子系統(tǒng)設計越來越多地選擇整體封裝式或模塊化集成電子元部件，這對提高裝備可靠性、降低重量尺寸和換件維修難度具有重要意義。集成模擬電子元部件，盡管其輸入輸出為模擬信號，但是由于封裝和模塊化設計要求的原因，其內部電路不一定是單一的功能電路，可能包括各種傳感器、模擬電路和模數(shù)混合電路等多種組合形式，同時電路的中間參量測試點通常較少。基于以上原因，集成模擬電子元部件故障診斷相較于模擬電路，具有不同的特點：一方面只需要通過故障檢測確定其是否有故障，而無需將故障定位到內部元器件；另一方面，由于其內部電路的千萬差別，利用先驗知識和采集信號分類故障元件的方法是難以實現(xiàn)的。

利用輸入輸出信號和中間參量等狀態(tài)監(jiān)測信息，采用數(shù)據(jù)驅動方法，是實現(xiàn)集成模擬電子元部件故障診斷的有效途徑。例如雷達裝備的接收機、發(fā)射機、信號處理單元、電源系統(tǒng)等。文獻[42-43]提出的數(shù)據(jù)驅動模型實現(xiàn)了UH60TRANS直升機通訊組件和起落架控制組件的故障診斷應用。

2 數(shù)據(jù)驅動的故障診斷方法

依據(jù)前述,數(shù)據(jù)驅動的故障診斷方法不依賴先驗知識建立準確的數(shù)學模型,也不需要基于專家經(jīng)驗建立診斷的推理機制，主要是運用多種不同的數(shù)據(jù)挖掘方法從海量的運行數(shù)據(jù)中提取和分類故障特征。參考其處理數(shù)據(jù)方式以及發(fā)展過程的不同,數(shù)據(jù)驅動的故障診斷方法可以分為基于信號處理的方法、基于數(shù)據(jù)統(tǒng)計的方法、基于定量AI模型的方法和基于深度學習的方法。對不同電子元部件的診斷對象,各個方法都有其主要的適用對象,其中信號處理方法較適用于處理模擬電子電路故障信號,多元統(tǒng)計方法主要適用于集成元部件,而定量AI模型和深度學習方法在傳感器類故障診斷中的應用最為廣泛,數(shù)據(jù)驅動的故障診斷方法分類及其適用對象如圖5和圖6所示。

圖5 數(shù)據(jù)驅動的故障診斷方法Fig.5 Data-driven fault diagnosis methods

圖6 數(shù)據(jù)驅動的故障診斷方法適用對象Fig.6 Applicable objects of data-driven fault diagnosis methods

2.1 基于信號處理的方法

基于信號處理的故障診斷方法主要是提取故障信號在時域、頻域或者時頻域(小波域)的特征,再結合特征分類、相似度度量等方法對故障信號進行處理。直觀上,故障信號在時域內具有不同于正常運行狀態(tài)的信號特征,如幅值變化和相位漂移,頻域上表現(xiàn)為頻率波動和帶寬差異,信號特征的變化在一定程度上反映了系統(tǒng)運行狀態(tài)的變化,因此可以通過信號處理的方法對系統(tǒng)進行狀態(tài)監(jiān)測和故障診斷。值得注意的是,此處歸納的基于信號處理的方法是在數(shù)據(jù)驅動大框架內的細分,其前提是不需要系統(tǒng)的先驗知識。與數(shù)據(jù)驅動并列分類的也有基于信號處理的故障診斷方法,前后兩者的不同在于是否用到了系統(tǒng)模型的先驗知識。

文獻[44]針對三相兩電平整流器開路問題提出了一種基于電流相似度分析的故障診斷方法,可以對半導體開關的單一開路或多開路故障進行有效診斷。通過對比分析任意兩個輸出電流信號的相似度(如歐式距離、相關系數(shù)、余弦角)完成故障檢測和分類,并進一步提取開關壓降和電流過零信號兩個時域指標對故障進行定位。該方法的優(yōu)點是在不建立系統(tǒng)準確數(shù)學模型的基礎上,利用正常狀態(tài)和開路故障狀態(tài)下電壓電流信號的時域特征,建立相似度度量指標,快速有效地實現(xiàn)整流器電路半導體開關元件的故障診斷。

2.2 基于數(shù)據(jù)統(tǒng)計的方法

基于數(shù)據(jù)統(tǒng)計的數(shù)據(jù)驅動主要采用多元統(tǒng)計方法,利用系統(tǒng)運行過程中產(chǎn)生的輸入輸出數(shù)據(jù),構造統(tǒng)計檢驗量,判定系統(tǒng)的健康狀態(tài)。常用的多元統(tǒng)計方法包括主成分分析[45-46]、獨立分量分析[47-48]、偏最小二乘[49-50]、Fisher判別分析[51-52]、線性判別分析[53]、標準變量分析[54]、聚類分析[55-56]等。多元統(tǒng)計方法對監(jiān)測封裝嚴密、模塊化結構、輸入輸出數(shù)據(jù)接口標準化部件的運行狀態(tài)十分有效。依據(jù)前述,模塊化電子元部件內部集成度高,傳感器、模數(shù)電路混合搭建,且封裝嚴密難以拆卸,因此針對模塊化電子元部件的故障診斷方案難以實現(xiàn)對某具體元件的定位和隔離。但是封裝電子元部件的優(yōu)點是輸入輸出穩(wěn)定,工作狀態(tài)清晰可判,因此可以利用模塊化電子元部件的多輸入多輸出信號特點,選擇合適或改進相關多元統(tǒng)計算法,構造監(jiān)測統(tǒng)計量,實現(xiàn)狀態(tài)監(jiān)測與故障診斷。多元統(tǒng)計方法適用于模塊化診斷,與工業(yè)系統(tǒng)中監(jiān)測生產(chǎn)過程方法相似,其細分類方法可以參考文獻[14]給出的分類圖,方法的適用范圍和特點如表1所示。

表1 多元統(tǒng)計方法的適用范圍及特點

主成分分析是最基本的多元統(tǒng)計方法,可以從過程監(jiān)測數(shù)據(jù)中提取并保留重要的差異性分量。由于主成分分析算法形式簡單且降維效果好,因此既可以單獨構造故障檢驗統(tǒng)計量,也可以作為數(shù)據(jù)預處理算法使用。主成分分析通過對過程采樣數(shù)據(jù)矩陣進行奇異值分解(singular value decomposition, SVD),分離主成分子空間和殘差子空間,構造兩個子空間的檢驗統(tǒng)計量SPE和T2,實現(xiàn)過程監(jiān)控和故障診斷。需要注意的是,主成分分析構造統(tǒng)計量的重要前提是過程數(shù)據(jù)假定符合多元高斯分布,且輸入輸出變量關系沒有考慮在內。而偏最小二乘是考慮輸入輸出相關性的多元統(tǒng)計方法,對監(jiān)測過程采樣的數(shù)據(jù)矩陣進行γ次SVD,但同樣對數(shù)據(jù)符合多元高斯分布有著嚴格的限制。Fisher判別分析的優(yōu)勢在于可以對故障數(shù)據(jù)直接進行有效的分類,通過特征值分解(eigenvalue decomposition, EVD)對正常運行狀態(tài)和多故障狀態(tài)進行判別。獨立分量分析主要針對非高斯分布數(shù)據(jù)的處理,可以從未知數(shù)據(jù)源中提取獨立成分進行分析,缺點是算法復雜度高,運行時間長。線性判別分析是有監(jiān)督的降維算法,在降維的同時也可以用于數(shù)據(jù)的分類,但同樣只適用于高斯分布數(shù)據(jù)。聚類分析可以歸結為多元統(tǒng)計算法,按聚類類型可分為基于距離(原型聚類)、基于密度和基于層次的聚類,其優(yōu)勢是不受動態(tài)過程和非線性問題的限制,適用范圍廣,可以根據(jù)故障數(shù)據(jù)的特點選擇不同的聚類算法,缺點是難以單獨完成狀態(tài)監(jiān)測和故障診斷,需要結合其他多元統(tǒng)計方法、AI模型等使用。

2.3 基于定量AI模型的方法

定量AI模型又可看作早期AI模型[5],是以結構簡單的機器學習模型為基礎,通過系統(tǒng)運行過程產(chǎn)生的監(jiān)測數(shù)據(jù)進行訓練,迭代優(yōu)化模型參數(shù),使訓練后模型能夠自動檢測和識別故障(異常)模式,并給出具體的故障診斷結果。根據(jù)機器學習模型的不同,定量AI模型主要包括SVM[57-61]、模糊邏輯[62-63]、極限學習機[64-65]、多層感知機[66-67]。

SVM是定量AI模型的典型代表,在故障診斷領域(機械、電子)有著十分廣泛的應用。文獻[68]針對模擬電子電路元部件的故障診斷問題提出了一種SVM特征訓練和故障分類的方法。模擬電路的響應信號經(jīng)過分數(shù)階傅里葉變換的特征轉換和核主成分分析進行數(shù)據(jù)降維,最后采用SVM分離和提取故障特征,并完成對故障的分類。文獻[69]采用了分數(shù)小波變換作為信號的預處理方法,再利用支持向量數(shù)據(jù)描述對提取特征進行學習訓練,得到故障的多分類器。運用SVM等定量AI模型處理模擬電子電路的故障信號,往往要結合時域、頻域和時頻域的信號處理方法,對原始數(shù)據(jù)進行去噪、降維和特征提取處理,再將得到的特征輸入到機器學習模型進行訓練,方法的固定模式可以歸結為“信號處理”+“定量模型”的結構搭配。SVM對傳感器類故障診斷也需要信號“預處理器”,文獻[70]采用SVM實現(xiàn)了車輛懸掛系統(tǒng)傳感器的故障診斷,將設計的故障隔離觀察器的殘差信號輸入到SVM進行訓練,解決了無先驗殘差閾值知識情況下的故障診斷問題。文獻[71-72]將傳感器采樣信號的時域特征作為SVM訓練數(shù)據(jù),得到了隨著時域特征的增多，SVM的分類精度也能得到相應提高的結論。

2.4 基于深度學習的方法

基于深度學習的方法主要利用DNN及融合方法,實現(xiàn)故障特征的深層學習和故障模式的自適應診斷。深度學習方法以在線處理數(shù)據(jù)流或離線批量處理數(shù)據(jù)包的方式逐層提取輸入數(shù)據(jù)的高層特征。隨著武器系統(tǒng)信息化、智能化程度的不斷提高,采集得到的狀態(tài)運行數(shù)據(jù)不斷呈指數(shù)增長,滿足了深度學習的基礎要求。正是由于深度學習處理海量、高維、多源異構數(shù)據(jù)的獨特優(yōu)勢,新一代工業(yè)系統(tǒng)中也采用深度學習方法批量處理過程狀態(tài)數(shù)據(jù),對系統(tǒng)進行異常監(jiān)測和健康評估。文獻[5]中將這種深度學習方法總結為價值驅動的方法,實質上是強調狀態(tài)監(jiān)測大數(shù)據(jù)信息挖掘的價值,但在故障診斷領域仍然可以歸納為數(shù)據(jù)驅動的方法。基于深度學習的方法在處理系統(tǒng)(分系統(tǒng))級以及部組件級的故障診斷特別有效,同樣在元部件級故障診斷領域也取得了豐富成果[73-75]。值得強調的是,當前深度學習方法在處理很多問題時要同信號處理、特征提取、優(yōu)化理論等方法融合使用,才能針對不同的問題取得更好的效果。但完成故障診斷任務的主體模型仍以DNN為主,因此本文在總結歸納基于深度學習方法時將融合方法歸類其中。

文獻[73]利用深度置信網(wǎng)絡(deep belief network,DBN)解決模擬電子電路間歇性故障診斷問題,故障信號經(jīng)DBN進行特征提取,再利用提取的特征向量訓練SVM分類器。DBN學習速率通過量子粒子群算法進行優(yōu)化,訓練過程采用離線批量處理數(shù)據(jù)的方式。經(jīng)優(yōu)化的DBN+SVM深度學習融合方法解決了模擬電子電路元部件級間歇性故障的診斷問題,深層特征提取效果較好,診斷結果穩(wěn)定可靠,該方法同樣適用于其他模擬濾波器電路。同樣地,文獻[74]采用DBN對脈寬調制電壓源整流器開路故障信號進行特征提取,網(wǎng)絡結構參數(shù)采用雙鏈量子遺傳算法進行優(yōu)化,訓練過程同樣是采用離線批量處理數(shù)據(jù)的方法,DBN可以直接用于整流器電壓輸出信號的實時在線監(jiān)測。文獻[75]針對非線性系統(tǒng)傳感器故障提出了基于在線神經(jīng)網(wǎng)絡故障檢測與估計方法,利用系統(tǒng)輸入輸出數(shù)據(jù)在線訓練網(wǎng)絡,完成故障閾值估計和故障檢測。這種針對非線性系統(tǒng)傳感器故障檢測方法主要有兩個優(yōu)點:一是實現(xiàn)了在線神經(jīng)網(wǎng)絡的學習,二是對結構未知、故障閾值難以估計的武器系統(tǒng)封裝元部件(傳感器)具有良好的適用性。

3 問題與挑戰(zhàn)

數(shù)據(jù)驅動的電子元部件級故障診斷利用已獲取的海量數(shù)據(jù)，建立非解析數(shù)學模型，逐層抽象和提取故障信號特征，實現(xiàn)故障的檢測、定位及辨識。數(shù)據(jù)驅動不僅可以在無先驗知識條件下實現(xiàn)故障診斷，而且對處理海量多源異構的狀態(tài)監(jiān)測數(shù)據(jù)無壓力，方法適用范圍廣，泛化能力強。數(shù)據(jù)驅動在大數(shù)據(jù)背景下逐漸成為研究熱點，目前在武器系統(tǒng)狀態(tài)監(jiān)測與故障診斷應用領域仍處于起步發(fā)展階段，存在許多問題和挑戰(zhàn)。本文歸納的問題主要包括3個方面：數(shù)據(jù)質量問題、故障診斷方法與應用和復雜運行環(huán)境下未知故障模式識別的問題，問題的詳細分類及原因分析如圖7所示。

圖7 數(shù)據(jù)驅動方法在武器系統(tǒng)電子元部件級故障診斷領域 存在的問題及主要原因Fig.7 Problems and main reasons of data-driven method in the field of electronic components level fault diagnosis for weapon system

3.1 數(shù)據(jù)質量問題

考慮到數(shù)據(jù)驅動方法對數(shù)據(jù)本身的依賴性，獲取數(shù)據(jù)的質量直接影響后期故障特征提取的效果，決定了診斷結果的可靠性和真實性。當前，分布式數(shù)據(jù)獲取技術成為海量數(shù)據(jù)收集的主要途徑，同時也是造成數(shù)據(jù)質量問題的主要原因[5]。如圖7所示，數(shù)據(jù)質量問題主要包括：數(shù)據(jù)不平衡不一致、數(shù)據(jù)不規(guī)范、數(shù)據(jù)缺失和數(shù)據(jù)污染等問題。數(shù)據(jù)不平衡不一致主要是指采樣數(shù)據(jù)中正常運行狀態(tài)數(shù)據(jù)量大、故障樣本數(shù)據(jù)量小和不同故障類型之間數(shù)據(jù)樣本量不平衡。數(shù)據(jù)不規(guī)范問題是指相同武器系統(tǒng)元部件的輸出采樣數(shù)據(jù)格式不一致，離線訓練數(shù)據(jù)和在線監(jiān)測數(shù)據(jù)格式不匹配。數(shù)據(jù)缺失是指數(shù)據(jù)在存儲、傳輸、分享過程中丟失數(shù)據(jù)片段，造成數(shù)據(jù)信息不完整。數(shù)據(jù)污染主要是指數(shù)據(jù)采集過程中受到外界噪聲干擾，造成數(shù)據(jù)質量下降等情況。

為避免上述問題，數(shù)據(jù)驅動的故障診斷方法需要在數(shù)據(jù)預處理、數(shù)據(jù)存儲、數(shù)據(jù)傳輸過程中不斷改進和努力。此外，故障診斷技術是為了在故障發(fā)生時減少相關損失，保障武器系統(tǒng)的作戰(zhàn)效能，如果診斷預算遠高于故障既有損失，相關診斷技術就不再可取。因此，如何在低成本投入下獲取可靠有效的過程監(jiān)測數(shù)據(jù)、提高數(shù)據(jù)質量和保證數(shù)據(jù)完整性，是實現(xiàn)數(shù)據(jù)驅動技術工程應用首要解決的問題。

3.2 不同元部件故障診斷方法與應用問題

數(shù)據(jù)驅動方法采用的是非解析數(shù)學模型，通過數(shù)據(jù)訓練實現(xiàn)模型的自學習和對故障的自適應診斷，而數(shù)學模型選取、搭建以及訓練過程對診斷結果有重要影響。如圖7所示，故障診斷方法與應用問題主要包括：計算復雜度問題、方法泛化能力弱、診斷精度不確定問題、故障預測能力問題等。計算復雜度問題是指搭建的數(shù)學模型結構復雜、參數(shù)設置多，致使模型訓練算法復雜度過高，訓練時間增加。泛化能力弱是指在實施在線診斷的過程中，對不同元部件的診斷對象適用性較差，往往是實驗結果好，實際應用效果差，這種情況多是由于武器系統(tǒng)運行狀態(tài)復雜多變，造成實時采樣數(shù)據(jù)與實驗數(shù)據(jù)差異較大所導致。診斷精度不確定問題是指由于方法應用范圍有限、驗證數(shù)據(jù)不足，致使診斷精確度難以估計。故障預測能力問題是指方法的故障預測能力有限，故障模式識別存在滯后性，主要跟電子元部件的故障特點有關。與機械故障相比，電子元部件故障的突發(fā)性更強、預測難度更大。

解決診斷方法與應用問題，有的可以通過專家經(jīng)驗來輔助進行，即在數(shù)據(jù)驅動方法上加入可靠的先驗知識，同時結合信號預處理、優(yōu)化算法等技術加快收斂速度，減少訓練時間和復雜度，增強非線性擬合以及特征提取能力。因此，專家經(jīng)驗和先驗知識是對數(shù)據(jù)驅動方法很好的補充和修正。另外，在故障診斷方案設計上有必要考慮多種方法的組合，尋找最優(yōu)的診斷方案，提高診斷精度，降低虛警率。

3.3 復雜運行環(huán)境下的未知故障模式識別問題

傳統(tǒng)的故障診斷都是針對已知的(預期的)故障模式展開的，武器裝備在實際工作中面臨更加復雜的工作環(huán)境，會導致出現(xiàn)未知的(非預期的)故障模式[76]，使其故障診斷變得更加復雜。在先驗知識缺乏、故障樣本稀缺、故障模式不完備的情況下，如何及時檢測甚至隔離和處理未知故障，是故障診斷工程應用的一個重大挑戰(zhàn)[76]。復雜運行環(huán)境包括：極限高低溫或濕度環(huán)境下長時間工作、強電磁干擾、超強機械振動沖擊等情況。在復雜運行環(huán)境下裝備故障診斷，按照解決問題的難度可以劃分為3個層次：① 復雜環(huán)境下已知(預期)故障的診斷問題，能夠在存在未知(非預期)故障模式干擾的情況下實現(xiàn)對已知故障模式的正常故障診斷；② 復雜環(huán)境下未知故障的檢測問題，能夠在實現(xiàn)已知故障模式診斷的基礎上，實現(xiàn)對未知故障模式的檢測；③ 未知故障的特征提取與故障模式識別問題，能夠在實現(xiàn)未知故障檢測的基礎上，利用采集到的具有相當數(shù)據(jù)量的未知故障數(shù)據(jù)，采用數(shù)據(jù)聚類、深度學習等方法進行在線特征提取和故障模式識別，進一步提高數(shù)據(jù)驅動模型對未知故障的診斷能力，并將未知故障在線轉換為已知故障。

4 結 論

本文首先對數(shù)據(jù)驅動的武器系統(tǒng)電子元部件級故障診斷的發(fā)展過程進行了全面綜述,依據(jù)在診斷中是否需要物理模型的先驗知識,將其劃分為基于模型和數(shù)據(jù)驅動的方法。其次,對電子元部件級的主要診斷對象進行了總結,主要歸納為傳感器、模擬電子電路元部件和其他封裝元部件三大類。隨后,對數(shù)據(jù)驅動的故障診斷方法進行綜述,依據(jù)對采樣數(shù)據(jù)(信號)處理方式的不同,將其劃分為基于信號處理的方法、基于數(shù)據(jù)統(tǒng)計的方法、基于定量AI模型的方法和基于深度學習的方法。最后,對數(shù)據(jù)驅動方法在武器系統(tǒng)電子元部件級故障診斷領域存在的問題進行總結,歸納為數(shù)據(jù)質量問題、不同元部件故障診斷方法與應用問題以及復雜運行環(huán)境下的未知故障模式識別問題,并進一步闡述了問題具體涵蓋的幾個方面。從本文中可以得到如下結論。

(1) 相較于武器系統(tǒng)機械構件,系統(tǒng)中電子元部件運行穩(wěn)定、可靠性高,但仍面臨工作狀態(tài)易受干擾、存在間歇性故障、突發(fā)故障不易恢復、故障元件耦合關聯(lián)等問題。對電子元部件故障診斷要求快速準確、響應及時、精準定位,診斷對象分類相對簡單,但不同類型的元部件診斷方法差異性大,需根據(jù)輸出信號的特點設計相應的故障診斷方案。

(2) 數(shù)據(jù)驅動的故障診斷方法是隨著AI技術的成熟逐漸呈現(xiàn)出多元分支、融合發(fā)展的趨勢。從傳統(tǒng)的定量AI模型方法到當前DNN方法,武器系統(tǒng)電子元部件級故障診斷技術趨于網(wǎng)絡化、智能化的發(fā)展方向愈加清晰。展望未來研究方向,數(shù)據(jù)驅動方法需要在結合模型先驗知識、信號處理、優(yōu)化算法等方面有更深更廣的拓展。

(3) 當前數(shù)據(jù)驅動方法在武器系統(tǒng)故障診斷領域應用存在的問題主要是數(shù)據(jù)、算法和運行環(huán)境3個方面。解決數(shù)據(jù)質量問題是基礎,需要規(guī)范數(shù)據(jù)接口、提高數(shù)據(jù)標準化程度;算法及模型問題是瓶頸,需要考慮信息融合、模型優(yōu)化等方法;復雜運行環(huán)境下未知故障模式識別和實現(xiàn)非預期故障在線學習是突破,需在工程實踐中不斷提高診斷方法的可靠性和適用性。