系統故障預測的自主學習模型建立方法

岳曉東

摘 要目前，各種系統的集成度和復雜性不斷增加，其可靠性、可測試性、可維修性及維修保障費用等問題日漸突出，在系統運行過程中若發生故障將造成不可預知的損失，因此，如何對故障進行監測、診斷，如何對潛在故障進行有效的預測已經成為該領域研究的熱點課題之一。

【關鍵詞】系統故障預測 模型 數據

現階段，針對系統故障預測方面的研究幾乎為零，傳統的做法一般主要是依靠科研人員通過人工分析采集到的數據，結合積累的經驗等進行簡單粗略的估計，而無法做到實際意義上的故障預測，且這類傳統的方法往往需要耗費巨大的人力、物力成本，同時預測的周期短、精度差、準確性低，可靠性和實時性得不到保證，往往無法得到令人滿意的效果。

為實現真正意義上的系統的故障預測，同時克服上述傳統方法的弊端，針對高復雜度、高集成度的綜合系統，開展自主學習的故障預測技術研究具有極其重要的意義。該研究能夠進一步推動故障預測技術在復雜系統乃至航天等各領域內的實踐和應用，為進一步研究故障預測技術打下基礎。

1 故障預測的國內外研究現狀

關于故障預測方面的研究國外已有一定的成果，但其在許多領域的應用并不完善，而國內在這方面的研究尚處于起步和探索階段。

以系統運行各狀態為基礎，采用人工智能領域中深度置信網絡（DBN）高效的深度學習算法構建故障的預測模型，從而實現系統故障的有效預測。

國外率先對復雜系統進行故障預測研究是20世紀70年代Saeks等人，他們所研究的是系統中出現故障的征兆，由于這種征兆幅值很小，還沒有對系統造成破壞，所以很難用一般的方法辨別出，因此發展一直很緩慢，一度陷入困境。Khoshgoftaar等人在1992年提出了用神經網絡來訓練神經元進行軟件系統的故障測定，這種經過訓練的模型的優勢在于對故障的趨勢預測。2007年國際空間站的飛行控制委員會通過監測國際空間站上4個陀螺儀的若干參數提前數月預測和發現某個陀螺儀的失效故障，從而能夠及時切換以保障空間站的正常運行。

我國在故障預測方面的研究較晚，目前尚處于理論研究階段。如2003年重慶大學的孫才新院士及其課題組利用模糊數學中的灰色模型研究了電力系統故障的預測問題。2005年，南京理工大學的秦俊奇以大口徑火炮為研究對象，運用先進的動態模糊綜合評判理論和多Agent并行推理技術，在對火炮進行詳細故障分析的基礎上，對故障預測技術進行了系統的理論和應用研究并建立了相應的故障預測模型。近幾年PHM技術也受到了軍事及航天等領域越來越多的重視，北京航空航天大學可靠性工程研究所、航空643所、哈爾濱工業大學等研究機構從設備監控衰退規律、故障預測模型、健康管理技術等方面對PHM技術進行了較多跟蹤研究。

2 模型建立方法及需要解決的關鍵技術

2.1 模型建立方法

建立自主學習模型時，采用數據挖掘的方法對系統大量的歷史數據進行分析，同時并結合數據融合及維度變換設計特征集的分類器以提取和建立特征參數，建立其對應的特征指標參數體系，通過傳感器網絡采集獲得參數，并對原始數據進行預處理以提取出有效數據，再將有效數據作為深度學習的數據基礎，經過反復的訓練和學習，以建立相關的故障預測模型，再應用測試驗證系統進行反復驗證、調整，最終建立故障預測的學習模型。

2.2 建立學習模型的關鍵技術

2.2.1 系統特征參數體系的建立

針對某系統，依據一定的原則，利用主觀或客觀的方法建立相互獨立、能夠敏感反映整個系統的各項指標參數，即表征系統的特征集，如工作、性能、功能、環境等參數，常用的方法包括數據挖掘、基于貝葉斯理論的信息融合、多維度數據變換等。

2.2.2 通過機器自主深度學習建立相應的模型

研究和借鑒國內外關于深度學習、故障預測方面的理論和成果，尤其關注深度學習在預測及多特征量預測方面的應用，在此基礎上結合系統的特征參數、各類故障和非故障模式狀態的特點，提出一種深度學習算法，通過學習和訓練建立相應的故障預測模型，利用驗證系統和實際系統的應用數據，通過逐層反復學習和訓練設定模型的最優初始化參數，并以自頂向下的監督算法進行調整使得模型收斂，從而實現故障預測、深度學習與系統應用相結合。主要的自主學習技術包括卷積神經網絡、深度波爾茲曼機模型、深度置信網絡等。

2.2.3 多維度數據分析方法的研究

針對測試數據與監測數據的獨立性，擬采用貝葉斯方法對數據進行融合，建立一種基于異構空間的數據模型，再結合特征提取與特征抽象，對多維度數據進行分析。

3 總結

通過對現有數據的分析，提取故障特征信息，建立故障特征信息庫，構造一個多層的人工神經網絡模型，通過模型層次的分析獲得樣本的本質表示，結合故障注入的方法，提出故障注入的方案，利用故障注入驗證自主學習方法。

再結合多維度數據分析方法，建立多維度數據模型，同樣利用故障注入技術，建立多維度數據的故障信息，通過狀態預測模型進行故障預測，結合注入的故障信息，對故障預測的結論進行反饋和確認。最終確立自主學習模型，達到系統故障預測的目的。

參考文獻

[1]朱大奇.航空電子設備故障診斷技術研究[D].南京：南京航空航天大學，2002：1-3.

[2]彭俊杰，洪炳，袁成軍.軟件實現的星載系統故障注入技術研究[J].哈爾濱工業大學學報，2004，36（07）：934-936.

[3]張寶珍.先進的診斷和預測技術[J].裝備質量，2001.

[4]Baroth E，Powers W T，Fox J.IVHM（integrated vehicle health management）techniques for future space vehicles[J].37thJoint Propulsion Conference & Exhibit，2001.

[5]鄭胤，陳權崎，章毓晉.深度學習及其在目標和行為識別中的新進展[J].中國圖像形象學報，2014（02）：175-184.

[6]郭麗麗，丁世飛.深度學習研究進展[J].計算機科學，2015，42（05）：28-33.

作者單位

西安微電子技術研究所 山西省西安市 710119