李思雨，王沁蓉，黃少羅，姚愷，劉華清

(1.陸軍工程大學(xué)石家莊校區(qū)，河北 石家莊 050003；2.西北大學(xué) 信息科學(xué)與技術(shù)學(xué)院，陜西 西安 7100683.武警山西省總隊(duì)，山西 太原 030012)

遠(yuǎn)程火箭炮武器系統(tǒng)，簡(jiǎn)稱遠(yuǎn)火，具有打擊射程遠(yuǎn)、突防能力強(qiáng)、毀傷范圍大等優(yōu)點(diǎn)，但部隊(duì)在實(shí)際組訓(xùn)中，由于其裝備操作復(fù)雜、信息化程度高、受訓(xùn)場(chǎng)地有限等原因?qū)е聟⒂?xùn)人員難以真正掌握武器裝備操作和維修技能，一旦裝備或機(jī)構(gòu)出現(xiàn)損壞將嚴(yán)重影響訓(xùn)練和科研工作的進(jìn)度[1]。借助深度學(xué)習(xí)方法，基于半實(shí)物仿真的訓(xùn)練模擬器，采用與實(shí)裝一致的組合面板，構(gòu)建系統(tǒng)硬件環(huán)境，通過計(jì)算機(jī)模擬組合內(nèi)部電路功能、實(shí)現(xiàn)各組合的邏輯控制，建立一個(gè)逼真的人機(jī)交互操作界面，可以在脫離實(shí)裝的情況下進(jìn)行相關(guān)的訓(xùn)練，模擬出故障情況，作為算法的輸入，通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練優(yōu)化，得出故障診斷結(jié)果。

1 深度學(xué)習(xí)

深度學(xué)習(xí)核心思想是無監(jiān)督學(xué)習(xí)，每次用無監(jiān)督學(xué)習(xí)只訓(xùn)練一層，將其訓(xùn)練結(jié)果作為更高一層的輸入，用自頂而下的監(jiān)督算法去調(diào)整所有層。其中具有代表性的深度學(xué)習(xí)是卷積神經(jīng)網(wǎng)絡(luò)(CNN)、深度信念網(wǎng)絡(luò)(DBN)和堆疊自動(dòng)編碼機(jī)(SAE)。

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是一種前饋神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)，它的人工神經(jīng)元可以響應(yīng)一部分覆蓋范圍內(nèi)的周圍單元，對(duì)于大型圖像處理有出色的表現(xiàn)。該網(wǎng)絡(luò)模型結(jié)構(gòu)包括輸入層、多個(gè)卷積層和池化層，以及全連接層和輸出層[2]。輸入層通過梯度下降學(xué)習(xí)算法，處理不同維度數(shù)據(jù)；卷積層內(nèi)含多個(gè)卷積核，通過特征提取進(jìn)行標(biāo)準(zhǔn)化；池化層的功能是完成相關(guān)的特征圖統(tǒng)計(jì)量；全連接層處于神經(jīng)網(wǎng)絡(luò)隱含層的末端，僅向其他全連接層反饋信號(hào)；輸出層的運(yùn)行原理、基本結(jié)構(gòu)與一般前饋神經(jīng)網(wǎng)絡(luò)輸出層功能相同。常用的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如圖1所示。

深度信念網(wǎng)絡(luò)(DBN)既可以用于非監(jiān)督學(xué)習(xí)，相當(dāng)于自編碼機(jī)，也可以用于監(jiān)督學(xué)習(xí)，相當(dāng)于分類器。由若干層神經(jīng)元組成，組成部分受限玻爾茲曼機(jī)(RBM)?？梢詫?duì)訓(xùn)練數(shù)據(jù)進(jìn)行深層表達(dá)的圖形模型，借助RBM逐層疊加，從中獲取多種有效的特征[3]。然后通過貪心算法對(duì)各層網(wǎng)絡(luò)進(jìn)行訓(xùn)練和優(yōu)化,最后以反向微調(diào)的方式提高DBN的故障識(shí)別能力，無監(jiān)督訓(xùn)練算法，能自適應(yīng)的完成數(shù)據(jù)的特征提取和故障診斷，并且具有處理非線性和高維數(shù)據(jù)的能力，因此適合解決新時(shí)期的“大數(shù)據(jù)”問題，深度信念網(wǎng)絡(luò)采用的是層與層之間的全連接方式，其常用結(jié)構(gòu)如圖2所示。

堆疊自動(dòng)編碼機(jī)(SAE)模型是一個(gè)由多層稀疏自編碼器組成的深度神經(jīng)網(wǎng)絡(luò)類型，上一層的自編碼器的輸出作為后一層自編碼器的輸入，最后一層是一個(gè)分類器，也就是一個(gè)逐層累加的過程，每層的輸入數(shù)據(jù)作為一種特征表示，加入到自動(dòng)學(xué)習(xí)的特征里面，來逐漸提高學(xué)習(xí)的能力，深度神經(jīng)網(wǎng)絡(luò)預(yù)訓(xùn)練的關(guān)鍵方法，從低層開始，每個(gè)AE進(jìn)行單獨(dú)訓(xùn)練。利用作標(biāo)簽的數(shù)據(jù)對(duì)整個(gè)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行微調(diào)整，來得到最優(yōu)化方案[4]。

綜合比較上述幾種算法，深度信念網(wǎng)絡(luò)(DBN)的網(wǎng)絡(luò)結(jié)構(gòu)是全連接的方式，且有預(yù)訓(xùn)練，訓(xùn)練時(shí)間過長(zhǎng)，運(yùn)算量相對(duì)較大，對(duì)于問題的分類，存在精度不高，且記憶功能不足；堆疊自動(dòng)編碼機(jī)(SAE)訓(xùn)練方法是梯度下降法，更擅長(zhǎng)處理數(shù)據(jù)降維、降噪等多元問題；卷積神經(jīng)網(wǎng)絡(luò)可以自動(dòng)的對(duì)特征進(jìn)行提取，卷積濾波器發(fā)揮作用，訓(xùn)練得出模型泛化能力強(qiáng)，與上述兩種神經(jīng)網(wǎng)絡(luò)相比，更適用本文研究。擬采用卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法來對(duì)遠(yuǎn)火裝備進(jìn)行故障診斷[5]。各種神經(jīng)網(wǎng)絡(luò)比較如表1所示。

表1 各種深度神經(jīng)網(wǎng)絡(luò)比較

2 遠(yuǎn)火故障模式與機(jī)理建模

2.1 工作狀態(tài)模擬

以遠(yuǎn)火指控系統(tǒng)面板上的操作示意圖為例，說明如何完成對(duì)其工作狀態(tài)的模擬，原理框圖如圖3所示。

當(dāng)按下系統(tǒng)面板上的操作按鈕時(shí)，按鈕的狀態(tài)改變(由低電平轉(zhuǎn)換成高電平，或由高電平轉(zhuǎn)換成低電平)，該狀態(tài)改變信息經(jīng)面板控制電路傳送到中央電路板，經(jīng)調(diào)理、驅(qū)動(dòng)處理后，傳送到主控計(jì)算機(jī)的I/O卡。經(jīng)采集后，由主控計(jì)算機(jī)進(jìn)行數(shù)據(jù)處理，從數(shù)據(jù)庫(kù)中調(diào)出相應(yīng)的火箭炮控制系統(tǒng)顯示信息，一部分通過I/O經(jīng)中央電路板傳送給相應(yīng)的面板控制電路，再由面板控制電路控制相應(yīng)的指示燈顯示；一部分通過D/A卡轉(zhuǎn)換為模擬量，再經(jīng)中央電路板傳送給相應(yīng)的面板控制電路，再由面板控制電路控制相應(yīng)電表顯示；一部分通過網(wǎng)卡傳送給顯示控制計(jì)算機(jī)的顯示器上顯示相應(yīng)的圖像信息[6]。

火箭炮控制系統(tǒng)面板上的手輪操作模擬與按鈕操作模擬類似，不同之處是數(shù)據(jù)錄入主控計(jì)算機(jī)是通過A/D卡轉(zhuǎn)換后錄入的[7]。

2.2 遠(yuǎn)火故障狀態(tài)模擬

為了貼近部隊(duì)裝備保障的實(shí)際需求，提高保障效率和維修水平，對(duì)遠(yuǎn)火武器系統(tǒng)裝備故障模式及故障機(jī)理進(jìn)行建模研究是十分必要的。遠(yuǎn)程火箭炮武器系統(tǒng)內(nèi)部結(jié)構(gòu)高度信息化集成，設(shè)備之間的連接與控制關(guān)系復(fù)雜，故障發(fā)生時(shí)，模式較多。同時(shí)，由于軟件的作用更增加了系統(tǒng)故障的耦合性和不確定性。所以，故障模擬是遠(yuǎn)火武器系統(tǒng)虛擬維修實(shí)現(xiàn)的難點(diǎn)之一[8]。對(duì)于遠(yuǎn)火武器系統(tǒng)故障模擬建模需要完成兩方面。

首先對(duì)裝備發(fā)生故障時(shí)的模式進(jìn)行研究。結(jié)合遠(yuǎn)火裝備構(gòu)造特點(diǎn)，對(duì)裝備的層次、類別劃分，詳細(xì)描述每個(gè)層次單元的故障模式以及對(duì)裝備功能性能的影響，將各種故障模式分為顯性故障、隱性故障、軟故障、硬故障、軟件故障、硬件故障等多種類型，依據(jù)故障產(chǎn)生的影響進(jìn)行故障分級(jí)。

其次對(duì)于故障機(jī)理進(jìn)行建模。方法是把原理分析和實(shí)裝試驗(yàn)分析二者結(jié)合。單體設(shè)備方面從其功能和構(gòu)成出發(fā)，借助以可靠性為中心的維修(RCM)和失效模式與影響分析(FMEA)等理論，對(duì)于組成設(shè)備和其軟件部分可能發(fā)生的故障進(jìn)行研究，通過分析得出各個(gè)單體設(shè)備的故障模式、發(fā)生現(xiàn)象、產(chǎn)生的故障信號(hào)特征；然后，分析各單體設(shè)備之間的連接關(guān)系和工作原理，通過分析傳輸信號(hào)的種類、數(shù)據(jù)組成、收發(fā)時(shí)序等參數(shù)，明確單體設(shè)備之間的故障影響模式，建立相應(yīng)的故障機(jī)理模型。對(duì)于實(shí)裝方面，在實(shí)際裝備上進(jìn)行故障試驗(yàn)，著重采錄單體操作面板的故障現(xiàn)象、采集單體設(shè)備輸入、輸出端口的信號(hào)特征等，對(duì)故障機(jī)理模型進(jìn)行修正和完善。以遠(yuǎn)火武器系統(tǒng)訓(xùn)練模擬器為例，遠(yuǎn)火故障狀態(tài)模擬原理如圖4所示。

遠(yuǎn)火武器系統(tǒng)訓(xùn)練模擬器的導(dǎo)演臺(tái)(指控系統(tǒng))的主控計(jì)算機(jī)設(shè)置故障類型產(chǎn)生故障狀態(tài)，可以從數(shù)據(jù)庫(kù)查找到對(duì)應(yīng)的故障點(diǎn)，經(jīng)由I/O卡設(shè)置相應(yīng)的繼電器為故障狀態(tài)，繼電器則切斷遠(yuǎn)火指控系統(tǒng)操作面板上相應(yīng)指示表的正確指示，同時(shí)接通告警燈、告警喇叭以及對(duì)應(yīng)的故障指示燈，從而正確顯示故障現(xiàn)象，參訓(xùn)人員就可以通過故障現(xiàn)象判斷相應(yīng)的故障類型。

3 實(shí)驗(yàn)驗(yàn)證與分析

上述提到的火箭炮故障狀態(tài)模擬的方法在很大程度上方便了維修操作人員對(duì)遠(yuǎn)火武器系統(tǒng)的故障判別和診斷，由于是人工操作，與智能診斷相比，還有一定的差距。而深度學(xué)習(xí)算法的引入，使實(shí)現(xiàn)模擬器中諸多類型故障的智能分類變?yōu)榭赡?。將遠(yuǎn)火訓(xùn)練模擬器模擬產(chǎn)生的故障和深度學(xué)習(xí)的智能診斷算法結(jié)合，實(shí)現(xiàn)遠(yuǎn)火武器系統(tǒng)故障的智能診斷。

3.1 深度學(xué)習(xí)診斷方法

相較于機(jī)器學(xué)習(xí)，通過人為識(shí)別信號(hào)燈進(jìn)行故障診斷方法有兩點(diǎn)不足之處：一是由指控系統(tǒng)(導(dǎo)演臺(tái))可以設(shè)置的故障有50多種，但是利用操作面板顯示故障類型卻只能達(dá)到32種，同時(shí)對(duì)于耦合故障和一種故障多種原因的情況，人工分析并不能通過讀取操作面板的指示燈顯示分析得到；二是在工作效率和判斷故障的準(zhǔn)確度方面，人工操作與計(jì)算機(jī)的運(yùn)算速度是無法相比。因此，筆者將導(dǎo)演臺(tái)可設(shè)置的所有可能的故障情況和與之對(duì)應(yīng)的故障原因作為分析的故障數(shù)據(jù)，即卷積神經(jīng)網(wǎng)絡(luò)的輸入，經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)之后，可用于故障情況的判別和分析[9]。

3.2 實(shí)驗(yàn)驗(yàn)證

實(shí)驗(yàn)以遠(yuǎn)火武器系統(tǒng)的營(yíng)連射擊指揮車在操作訓(xùn)練過程中常見的故障情況為例，借助訓(xùn)練模擬器進(jìn)行故障模擬，以卷積神經(jīng)網(wǎng)絡(luò)為主的深度學(xué)習(xí)算法進(jìn)行故障診斷分析，如表2所示。

表2 幾種常見故障及原因

實(shí)驗(yàn)步驟：

1)產(chǎn)生實(shí)驗(yàn)數(shù)據(jù)。在表2中，描述了遠(yuǎn)火營(yíng)連射擊指揮車的5種故障現(xiàn)象和相對(duì)應(yīng)的12種故障原因，故障現(xiàn)象是由多種不同的故障原因引發(fā)，二者之間存在關(guān)聯(lián)。設(shè)Y為故障數(shù)據(jù)，則對(duì)應(yīng)上述5種故障，可將Y劃分為：Y1,Y2,Y3(Y31，Y32,Y33)，Y4,Y5；設(shè)X為故障原因(不同的故障原因可能導(dǎo)致同一個(gè)故障的發(fā)生)，可將X劃分為X1，X2，…，X12，則一組故障數(shù)據(jù)如下：Y1-X1,Y1-X2,Y1-X3,Y1-X4,Y2-X5,Y2-X6,Y31-X7,Y32-X8,Y33-X9,Y4-X10,Y5-X11,Y5-X12。

通過訓(xùn)練模擬器將上述表中的5種故障模式(Yi)和故障原因(Xi)重復(fù)設(shè)置100次，即可得到100組故障數(shù)據(jù)(故障現(xiàn)象與故障原因?qū)?yīng)，組成故障數(shù)據(jù))進(jìn)行記錄，將數(shù)據(jù)作為輸入，其中隨機(jī)選取70組數(shù)據(jù)作為深度學(xué)習(xí)的訓(xùn)練數(shù)據(jù)，其余的30組數(shù)據(jù)作為測(cè)試數(shù)據(jù)。

上述的故障數(shù)據(jù)是作為機(jī)器學(xué)習(xí)的輸入，而本文的目的則是到達(dá)能夠智能判斷故障類型的效果，所以故障類型作為機(jī)器學(xué)習(xí)的輸出。

2)通過訓(xùn)練獲取參數(shù)。卷積神經(jīng)網(wǎng)絡(luò)的核心和關(guān)鍵在于卷積層和池化層，為了選取適合本文故障數(shù)據(jù)的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)層數(shù)，分別選取不同的卷積網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行實(shí)驗(yàn)，通過對(duì)比實(shí)驗(yàn)結(jié)果，選取最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)[10]。卷積神經(jīng)網(wǎng)絡(luò)不需要過多層數(shù)就能達(dá)到很好的訓(xùn)練效果，而過多的層數(shù)反而會(huì)帶來運(yùn)算量過大，影響訓(xùn)練效率等問題，為此，筆者選取較少的網(wǎng)絡(luò)結(jié)構(gòu)層數(shù)作為實(shí)驗(yàn)分析的過程，不同結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)對(duì)比分析如表3所示。

表3 不同結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)對(duì)比分析

從表3中可以看出，訓(xùn)練時(shí)間最短的是19.76 s，精度最高的是99.36%，然而過多的網(wǎng)絡(luò)層數(shù)會(huì)導(dǎo)致過長(zhǎng)的訓(xùn)練時(shí)間，而過少的網(wǎng)絡(luò)層數(shù)則會(huì)帶來準(zhǔn)確率較低的問題，為此，權(quán)衡訓(xùn)練效率和訓(xùn)練精度，筆者擬采用的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為：卷積層2層，池化層2層，全連接層2層。

在確定網(wǎng)絡(luò)結(jié)構(gòu)之后，通過MATLAB軟件，應(yīng)用其中的深度學(xué)習(xí)部分功能，將上述部分實(shí)驗(yàn)得到的數(shù)據(jù)作為輸入對(duì)學(xué)習(xí)機(jī)進(jìn)行訓(xùn)練。對(duì)于卷積神經(jīng)網(wǎng)絡(luò)的迭代次數(shù)、訓(xùn)練批次和學(xué)習(xí)效率都是需要進(jìn)一步確定的參數(shù)，迭代次數(shù)的訓(xùn)練過程如圖5所示。藍(lán)色曲線表示擬合曲線，是盡可能平滑的曲線；綠色曲線表示實(shí)際訓(xùn)練過程的曲線，從圖中可以看出其上下起伏的次數(shù)較多，可以說明該曲線是符合實(shí)際情況的復(fù)雜性；紅色虛線表示理想情況下得到的曲線，通過觀察對(duì)比可以看出綠色曲線大致在紅色虛線附近，進(jìn)一步驗(yàn)證了該曲線是符合實(shí)際情況的。

從圖5中可以看出，迭代次數(shù)達(dá)到8次的時(shí)候，訓(xùn)練結(jié)果的準(zhǔn)確度就不再隨著迭代次數(shù)的增加而上升，因此，可以判斷最優(yōu)的迭代次數(shù)為8。

3)驗(yàn)證實(shí)驗(yàn)數(shù)據(jù)。經(jīng)過上述70組訓(xùn)練數(shù)據(jù)的訓(xùn)練已經(jīng)得到了最優(yōu)的CNN結(jié)構(gòu)和相應(yīng)的網(wǎng)絡(luò)參數(shù)，經(jīng)過訓(xùn)練CNN更像是一臺(tái)學(xué)習(xí)機(jī)器，之后使用剩余的30組數(shù)據(jù)作為測(cè)試數(shù)據(jù)，即可得到 DBN、SAE中的實(shí)驗(yàn)結(jié)果。通過分析實(shí)驗(yàn)結(jié)果，進(jìn)一步說明CNN診斷效果的優(yōu)越性，不同算法之間的結(jié)果比較如表4所示。

表4 不同算法之間的結(jié)果比較

通過分析表4的實(shí)驗(yàn)結(jié)果可知，其中深度信念網(wǎng)絡(luò)(DBN)在訓(xùn)練時(shí)間和訓(xùn)練結(jié)果的準(zhǔn)確度方面都不如其他兩個(gè)網(wǎng)絡(luò)的診斷效果好，而堆疊自動(dòng)編碼機(jī)(SAE)在訓(xùn)練時(shí)間、診斷結(jié)果的精度上與卷積神經(jīng)網(wǎng)絡(luò)相比較低，因此，可以說明卷積神經(jīng)網(wǎng)絡(luò)更加適合本文的診斷數(shù)據(jù)。同時(shí)，更加說明深度學(xué)習(xí)算法相比人工識(shí)別而言，在使用的訓(xùn)練時(shí)間和診斷的精度方面的優(yōu)勢(shì)更加不言而喻[11]。

4 結(jié)束語(yǔ)

遠(yuǎn)程火箭炮武器系統(tǒng)訓(xùn)練模擬器采用了一體化綜合模擬設(shè)計(jì)方法，借助半實(shí)物仿真技術(shù)，能夠替代實(shí)裝的結(jié)構(gòu)、動(dòng)作教學(xué)，可以進(jìn)行結(jié)構(gòu)分解結(jié)合、故障設(shè)置與排除等一系列維修活動(dòng)。通過訓(xùn)練中可能存在的多種故障模式分析研究進(jìn)行模擬仿真，之后又使用深度學(xué)習(xí)的方法實(shí)現(xiàn)了對(duì)多種故障情況進(jìn)行診斷實(shí)現(xiàn)智能分類。筆者從故障機(jī)理建模和深度學(xué)習(xí)算法兩個(gè)方面詳細(xì)闡述了遠(yuǎn)火訓(xùn)練模擬器如何使用深度學(xué)習(xí)的智能故障診斷方法實(shí)現(xiàn)故障診斷。通過實(shí)驗(yàn)證明，深度學(xué)習(xí)的智能診斷方法為解決復(fù)雜武器系統(tǒng)的故障診斷和識(shí)別提供了一種新的技術(shù)途徑。該方法能夠大大減少對(duì)裝備的損耗，降低訓(xùn)練成本，具有明顯的軍事和經(jīng)濟(jì)效益，同時(shí)也為其他現(xiàn)代化武器系統(tǒng)提供了一種新的訓(xùn)練模式。