李永保，張建新，張 震，王小召，李 鋒，謝立中

(湖北江山重工有限責(zé)任公司，湖北襄陽 441005)

0 引言

火箭炮向著自動化、信息化方向發(fā)展，應(yīng)用電路的規(guī)模不斷增大，結(jié)構(gòu)日趨復(fù)雜，導(dǎo)致故障診斷的難度不斷增大，傳統(tǒng)故障診斷方法的局限性日益突出[1]。同時(shí)，現(xiàn)代戰(zhàn)爭對武器系統(tǒng)快速反應(yīng)和機(jī)動作戰(zhàn)能力的要求越來越高。因此，對火箭炮電氣系統(tǒng)故障的自行診斷定位成了亟需解決的問題。

近年來，人工智能理論發(fā)展迅速，包括BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、貝葉斯網(wǎng)絡(luò)等，極大改善了電路故障診斷的性能，但目前研究所針對的電路大多規(guī)模較小，測試點(diǎn)少且忽略了各測試點(diǎn)之間的交叉聯(lián)系[2-6]。

Hinton等[7]提出了深度學(xué)習(xí)(deep learning)，這是一個(gè)具有多層人工神經(jīng)網(wǎng)絡(luò)且能夠通過“逐層初始化”對原始數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)的方法。近年來，卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)因其優(yōu)越的全局特征提取能力，成為深度學(xué)習(xí)技術(shù)領(lǐng)域中具有代表性的神經(jīng)網(wǎng)絡(luò)，被廣泛應(yīng)用于圖像分類、視覺識別等領(lǐng)域[8-12]。CNN不僅對二維數(shù)據(jù)有優(yōu)秀的學(xué)習(xí)訓(xùn)練能力，對于一維數(shù)據(jù)也有良好的應(yīng)用性能[13-17]。

針對火箭炮電氣系統(tǒng)復(fù)雜度高且故障具有層次性、相關(guān)性、不確定性和非線性的特點(diǎn)，考慮到CNN不僅具有優(yōu)越的特征學(xué)習(xí)能力，且能夠提取出數(shù)據(jù)中分量之間的局部信息，文中提出了一種基于一維卷積神經(jīng)網(wǎng)絡(luò)(1D-CNN)的火箭炮電氣系統(tǒng)故障診斷方法，針對某型火箭炮電氣系統(tǒng)故障數(shù)據(jù)，建立了故障診斷模型，并對模型進(jìn)行了訓(xùn)練驗(yàn)證，結(jié)果表明，該方法能夠快速準(zhǔn)確地診斷和定位故障。

1 CNN

1.1 2D-CNN

CNN是一種將卷積運(yùn)算與多層人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的前饋深度學(xué)習(xí)網(wǎng)絡(luò)，在目標(biāo)的特征提取過程中，其相鄰兩層神經(jīng)元之間采用的是局部連接的方法，實(shí)現(xiàn)了局部信息感知和判斷，并且通過權(quán)值共享來降低整個(gè)網(wǎng)絡(luò)的復(fù)雜程度，使整個(gè)網(wǎng)絡(luò)的權(quán)值的數(shù)量大大減少，因此能夠?qū)δ繕?biāo)進(jìn)行快速的識別判斷。

目前，二維卷積神經(jīng)網(wǎng)絡(luò)(2D-CNN)應(yīng)用較多，結(jié)構(gòu)如圖1所示，其主要構(gòu)成為輸入層、卷積層、池化層、全連接層和輸出層。

圖1 2D-CNN結(jié)構(gòu)圖

1)卷積層

卷積層可實(shí)現(xiàn)局部連接和權(quán)值共享，是整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)的核心，用卷積核對卷積層輸入進(jìn)行運(yùn)算，并用ReLU函數(shù)作為激活函數(shù)以解決收斂速度慢和過擬合問題，其計(jì)算公式為：

(1)

式中：Cm,n為卷積輸出層第m行、n列元素；Ki為卷積核行數(shù)；Kj為卷積核列數(shù)；wi,j為卷積核第i行、j列權(quán)重；xm+i,n+j為卷積輸入層第m+i行、n+j列元素；bm,n為卷積輸出層第m行、n列偏置；ReLU為激活函數(shù)。

2)池化層

池化層是卷積之后的操作，最常見的池化形式為最大池化(max pooling)和均值池化(avy pooling)，其目的是消除卷積層中的冗余信息，減少后續(xù)步驟的計(jì)算量，從而提高整體效率，并有效控制過擬合現(xiàn)象。

3)全連接層

全連接層通常出現(xiàn)在整個(gè)卷積神經(jīng)網(wǎng)絡(luò)的最后一層或幾層，能夠?qū)斎氲奶卣饔成渥魈卣骷訖?quán)處理，整合其輸入層中有類別區(qū)分性的局部特征，檢測輸入特征與特定類別的匹配程度，其在整個(gè)卷積神經(jīng)網(wǎng)絡(luò)中起到了分類器的作用，通常采用softmax算法進(jìn)行分類輸出，最終給出每一個(gè)類別的概率。

1.2 1D-CNN

與2D-CNN相似，1D-CNN結(jié)構(gòu)同樣由輸入層、卷積層、池化層、全連接層與輸出層組成，結(jié)構(gòu)如圖2所示。不同的是，1D-CNN的輸入數(shù)據(jù)、卷積核和池化核是一維的。1D-CNN可以很好地識別出數(shù)據(jù)中的簡單模式，利用這些簡單模式能夠在更高級的層中生成更復(fù)雜的模式。1D-CNN能夠從整體數(shù)據(jù)集中較短的片段中獲得感興趣的特征，當(dāng)該特征與數(shù)據(jù)片段的位置不具有高度相關(guān)性時(shí)，具有更好的效果。

圖2 1D-CNN結(jié)構(gòu)圖

一維卷積過程與二維卷積過程一致，其計(jì)算公式為：

(2)

式中：Cm為卷積輸出層第m列元素；Ki為卷積核長度；wi為卷積核第i列權(quán)重；xm+i為卷積輸入層第m+i列元素；bm為卷積輸出層第m列偏置；ReLU為激活函數(shù)。

2 故障數(shù)據(jù)采集

2.1 火箭炮電氣系統(tǒng)故障特點(diǎn)

火箭炮電氣系統(tǒng)的結(jié)構(gòu)組成如圖3所示，結(jié)構(gòu)復(fù)雜，功能單元和系統(tǒng)層級較多，其故障具有層次性、相關(guān)性、不確定性和非線性等特點(diǎn)：

圖3 電氣系統(tǒng)結(jié)構(gòu)圖

1)層次性

電氣系統(tǒng)在結(jié)構(gòu)上由多個(gè)子系統(tǒng)組成，可劃分為系統(tǒng)、子系統(tǒng)、組件、部件和零件等多個(gè)層次，低層次的故障一定會導(dǎo)致高層次的故障，高層次故障的原因也可能是低層次的故障。

2)相關(guān)性

系統(tǒng)中各組成部分之間存在一定的關(guān)聯(lián)性，某一部分的故障會導(dǎo)致相關(guān)部分的狀態(tài)變化，進(jìn)而可能引起該部分的組成元素也發(fā)生故障。因此，某一故障原因可能對應(yīng)若干故障現(xiàn)象，某一故障現(xiàn)象也可能對應(yīng)多個(gè)故障原因。

3)不確定性

火箭炮服役環(huán)境復(fù)雜，其狀態(tài)受服役時(shí)間和條件、人為因素和環(huán)境因素等多重因素的影響，狀態(tài)表征量的變化具有不確定性。

4)非線性

火箭炮電氣系統(tǒng)中的組成單元大多是非線性系統(tǒng)，即輸入和輸出之間是非線性關(guān)系，難以簡單地通過測量輸入和輸出來判斷該單元的故障狀態(tài)。

因此，火箭炮電氣系統(tǒng)是一個(gè)多故障并發(fā)的非線性系統(tǒng)，很難通過簡單的測量對故障進(jìn)行定位，一個(gè)故障點(diǎn)的定位需要多個(gè)測量點(diǎn)的數(shù)據(jù)進(jìn)行綜合判斷，由于系統(tǒng)是非線性的，同時(shí)邏輯關(guān)系復(fù)雜，測點(diǎn)之間的數(shù)據(jù)關(guān)系難以利用數(shù)學(xué)表達(dá)式精確描述，故障診斷比較困難。

神經(jīng)網(wǎng)絡(luò)具有出色的數(shù)據(jù)特征提取和非線性擬合能力，不需要理解系統(tǒng)的構(gòu)成和邏輯關(guān)系，通過大量數(shù)據(jù)進(jìn)行訓(xùn)練即可擬合出故障點(diǎn)故障狀態(tài)和各測點(diǎn)數(shù)據(jù)之間的對應(yīng)關(guān)系，進(jìn)而大大提高故障診斷和定位的效率。

2.2 故障數(shù)據(jù)采集

根據(jù)某型火箭炮電氣系統(tǒng)的功能及結(jié)構(gòu)特征，對常見的57個(gè)故障點(diǎn)設(shè)置104個(gè)測點(diǎn)。對各故障點(diǎn)模擬設(shè)置故障，對104個(gè)測點(diǎn)進(jìn)行數(shù)據(jù)采集，經(jīng)篩選得到20 000組數(shù)據(jù)，數(shù)據(jù)結(jié)構(gòu)如表1和表2所示。

表1 測點(diǎn)電壓 單位:V

表2 故障點(diǎn)狀態(tài)標(biāo)簽表

表1列出了各測點(diǎn)的電壓值，其中A1～A104為104個(gè)數(shù)據(jù)測點(diǎn)。表2列出了與表1中測點(diǎn)數(shù)據(jù)相對應(yīng)的故障點(diǎn)的故障狀態(tài)標(biāo)簽，其中F1～F57表示的是57個(gè)故障點(diǎn)，每個(gè)故障點(diǎn)的故障狀態(tài)用“0”和“1”表示。

1214 靜脈溶栓或橋接治療對大動脈閉塞急性輕型缺血性腦卒中患者的療效和安全性 姜 一，沈紅健，陳 蕾，張永巍，吳 濤，鄧本強(qiáng)

3 故障診斷模型

3.1 故障診斷1D-CNN模型

由火箭炮電氣系統(tǒng)故障的特點(diǎn)可知，各測點(diǎn)數(shù)據(jù)之間存在關(guān)聯(lián)，文中采用1D-CNN進(jìn)行故障診斷分析。

依據(jù)故障數(shù)據(jù)結(jié)構(gòu)，設(shè)計(jì)的1D-CNN模型的框架結(jié)構(gòu)如圖4所示。

圖4 故障診斷1D-CNN模型

整個(gè)網(wǎng)絡(luò)框架共包含了8個(gè)卷積層和2個(gè)全連接層。其中，卷積層結(jié)構(gòu)有4種，卷積核個(gè)數(shù)依次為128，64，32和16，卷積核尺寸均為1×3，每種卷積層結(jié)構(gòu)包含2個(gè)卷積層，各卷積層的卷積步長為1。為了增加損失函數(shù)梯度使得收斂速度加快，在卷積層中增加了BatchNormalization進(jìn)行批處理，并且增加了線性整流函數(shù)ReLU。所有的卷積完成之后，利用Flatten函數(shù)層把多維輸入進(jìn)行一維化處理，將特征輸出值過渡到全連接層。在長度分別為1 024和57的兩個(gè)全連接層之間利用ReLU函數(shù)進(jìn)行處理，最后對57個(gè)輸出利用Sigmoid函數(shù)進(jìn)行權(quán)值分配。

3.2 模型評價(jià)指標(biāo)

損失函數(shù)與準(zhǔn)確率是衡量一個(gè)模型優(yōu)劣的重要標(biāo)準(zhǔn)。損失函數(shù)是模型訓(xùn)練過程中預(yù)測值和真實(shí)值映射到某一空間的誤差，而準(zhǔn)確率是模型對數(shù)據(jù)識別的正確程度。因此，圍繞著損失函數(shù)和準(zhǔn)確率對訓(xùn)練模型的有效性進(jìn)行討論。

1)損失函數(shù)

損失函數(shù)可表示為：

(3)

式中：L為損失函數(shù)值；N為樣本總數(shù)；D為輸出維度；yij為訓(xùn)練樣本真實(shí)值；pij為訓(xùn)練樣本預(yù)測值。

2)準(zhǔn)確率

準(zhǔn)確率可表示為：

(4)

式中：Racc為準(zhǔn)確率；c(x,y)表示為：

(5)

4 模型訓(xùn)練及結(jié)果分析

4.1 參數(shù)設(shè)置

將20 000組故障數(shù)據(jù)中的15 000組數(shù)據(jù)作為訓(xùn)練集，2 500組數(shù)據(jù)作為測試集，2 500組數(shù)據(jù)作為驗(yàn)證集。

使用Adam優(yōu)化器進(jìn)行訓(xùn)練，初始學(xué)習(xí)率為0.001，批次大小設(shè)置為128，每經(jīng)過10個(gè)epochs將學(xué)習(xí)率減半。

4.2 結(jié)果及分析

在訓(xùn)練過程中將損失函數(shù)和準(zhǔn)確率進(jìn)行可視化處理，結(jié)果如圖5和圖6所示。由圖5和圖6可以看出，模型訓(xùn)練過程中收斂速度較快，迭代進(jìn)行到1 000次時(shí)，測試集的損失函數(shù)值和準(zhǔn)確率分別達(dá)到了0.048和97.35%。在訓(xùn)練迭代4 000次以后，損失函數(shù)值和準(zhǔn)確率趨于穩(wěn)定，最終測試集的損失函數(shù)值和準(zhǔn)確率分別達(dá)到了0.032和98.61%。

圖5 損失函數(shù)值曲線

圖6 準(zhǔn)確率曲線

5 結(jié)束語

針對火箭炮電氣系統(tǒng)故障的特點(diǎn)，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)特征的提取能力，提出一種基于1D-CNN的故障診斷方法，建立了故障診斷模型，通過試驗(yàn)驗(yàn)證，研究表明：該方法僅依靠故障測點(diǎn)的數(shù)據(jù)即可快速診斷和定位故障，克服了傳統(tǒng)的依靠經(jīng)驗(yàn)和知識的故障診斷方法的弊端；故障診斷準(zhǔn)確率達(dá)到了98.66%，驗(yàn)證了1D-CNN用于火箭炮電氣系統(tǒng)故障診斷領(lǐng)域的可行性。