基于大數據分析的裝備故障診斷技術?

鄭貴文

（海軍裝備部裝備項目管理中心 北京 100071）

1 引言

隨著艦船作戰系統和武器裝備日趨復雜化、集成化、高速化、信息化、智能化，以及大數據技術的發展應用，傳統故障診斷技術已不能滿足復雜大型裝備快速準確的故障診斷需求，必須突破故障診斷與維護保障關鍵技術，科學規劃保障運行機制，充分利用大數據信息和一體化網絡技術，形成裝備保障數據庫，提高艦船裝備的快速故障檢測、診斷和維修保障能力，實現裝備保障的智能化，充分發揮艦船裝備效能。

針對裝備狀態監測分類數據集，借助大數據分析［1-3］，提出符合裝備狀態檢測與故障診斷的先進大數據處理算法，包括統計、機器學習、人工智能等數據分析算法。應用大數據分析平臺，研究利用收集的指控系統裝備狀態監測的各類數據集，進行算法驗證、迭代優化，快速實現裝備故障診斷的準確性。

2 基于智能化大數據分析平臺的裝備故障診斷技術

2.1 故障特征分析

故障診斷的實質是狀態模式識別，它根據故障征兆信息確定系統故障原因的過程。它通過檢測診斷對象的運行狀態，獲取故障模式，提取故障特征，在此基礎上，采用反向推理策略，對故障信息做出綜合評估，最后向系統的操縱者或控制者提示所要采取的措施［4～5］。

系統設備硬件故障主要表現為設備的變形、燒毀、異響等狀況，設備元件或模塊的擊穿、炸裂、接觸不良等狀態，設備線路的短路、斷路、接線錯誤等狀態；系統設備軟件故障主要表現為網絡遭遇攻擊引起的信息故障，軟件響應端錯誤引起的信息阻塞、延遲，虛假命令引起的軟件功能錯誤等情況。

圖1 故障診斷實現過程

故障數據主要來源于：

1）維護資料：主要包括生產單位、維修單位等提供的技術資料及維修手冊。受實際條件制約，故障數量較少，不能完備的體現故障可能（非故障完備集），一般不能追溯至故障本源。

2）專家經驗：主要是領域內專家的維修經驗知識。

3）系統仿真：針對維護資料故障數據不完備問題，從系統模型和原理分析的角度出發，在研究該裝備武器系統構造及工作原理的基礎上，運用Multisim電路仿真、故障樹分析（FTA）和擴展Petri網建模方法，完成對原理性故障的獲?。?］。

2.2 故障診斷體制及方法

應用大數據分析平臺，開展故障模式及特征參數采集與分析的故障診斷與預測建模技術應用研究，提供對典型故障特征參數（如溫度、電壓、運行狀態等）的采集監控與分析處理方法，對基本特征參數的典型故障模式建立故障診斷策略與模型，生成診斷規則和診斷知識，提供典型故障模式基本特征值采樣方式、變化趨勢、閥值判定的典型故障模式預測方法。

2.3 大數據分析平臺

以大數據技術-數據中心為基礎，按照不同的應用分類，如故障監測、裝備可靠性、裝備故障模式、裝備故障數學模型等，提供快速預言（Predication/用歷史預測未來）和描述（Description/了解數據中潛在的規律）挖掘。其中，數據管理平臺提供關聯分析、序列模式、分類（預言）、聚集、異常檢測的數據挖掘技術，方便基于主題的海量數據挖掘［7～8］。

根據海量數據信息的不同來源，分別構建結構化和非結構化數據處理架構，從而完成數據的分析，挖掘和并行處理。

1）結構化數據處理架構

本大數據平臺實施案例主要用來處理來自多庫多表的海量結構化數據。

該數據處理架構所抽取的數據來自多庫多表的海量結構化數據。

實時分析結果將直接寫入Hbase和分布式緩存。對于分布式緩存中的分析結果，采用主動消息推送方式實時發送到調用者；離線分析方式形成各種統計報表和分析報告，可實現在線交互式檢索功能。

2）非結構化數據處理架構

本大數據平臺實施案例主要是面向圖像和視頻大數據。

圖2 大數據技術管理平臺架構

該處理框架進行數據抽取時，按設定的時間間隔抓取視頻幀，針對每一幀視頻圖像，組裝一個消息發送到圖像/語音/視頻幀判別消息隊列。實時分析時，從圖像/語音/視頻幀判別消息隊列提取圖像或語音或視頻幀數據，然后發送給智能分析集群處理，對于分布式緩存中的診斷結果，采用主動消息推送方式實時發送到調用者；通過離線分析方式形成的各種統計報表和分析報告，可有效實現實時在線交互式查詢。

應用搭建的大數據分析平臺，快速分析收集的指控系統裝備狀態監測的各類數據集，實現數據的批量處理。研究基于流空間的數據表示方法，結合D-S證據理論和模糊推理規則，提高深度學習算法的融合精度。

3）大數據挖掘技術分析

分析梳理數據流挖掘技術、粗糙集挖掘技術、多媒體數據挖掘技術、圖像數據挖掘技術等大數據挖掘技術，重點研究幾種典型的數據挖掘算法（K-means、SVM、EM、PageRank、K-最近鄰、Na?ve Bayes、分類和回歸樹），明確各類算法適用的數據對象、環境條件等，深度挖掘裝備故障特征信息。

2.4 基于深度神經網絡的裝備智能故障診斷技術

2.4.1 分析基于深度神經網絡（DNN）的故障診斷流程

圖3 基于深度神經網絡（DNN）的故障診斷流程

針對艦船指控系統裝備在實際使用過程中其失效行為和故障的發生往往是綜合作用的結果，導致表征故障特征的參數關聯關系不明確，研究采用深度神經網絡（Deep Neural Network，DNN）的學習框架［9～10］，深度挖掘異常數據與裝備故障關聯關系，提高電子信息系統的故障診斷效率和隔離率。

步驟總結如下：

1）獲取裝備狀態的數據信號，并將這些數據作為訓練樣本；

2）確定DNN的隱層數N，以無監督的方式逐層訓練N個DAE，即將每個DAE的隱層輸出作為下一層DAE的輸入，直到完成N個DAE的訓練；

3）添加輸出層，根據樣本的故障狀態類型，微調DNN參數，完成DNN的訓練；

4）利用DNN進行裝備健康狀態的監測診斷。

2.4.2 基于模糊推理機制和深度學習的故障診斷預測模型

1）建立故障特征檔案數據庫。針對抽取的不同信源的故障信息特征，研究故障信息特征提取算法，形成特征庫。

2）選取特征匹配算法。分析行業特征匹配算法，結合研究目標，采用基于證據理論的基本概率賦值的決策方法簡單實用，原理描述如下：

設A1，A2是識別框架下的兩個命題，m(A1)，m(A2)是其基本概率賦值，滿足

則A1即為判決結果，其中ε1，ε2，為預先設定的門限。

3）構建多源特征印證的故障診斷預測模型

D-S證據組合算法可對不同信息源的身份信息進行融合，消除部分矛盾信息，得到新的身份信息，并利用正確的診斷結果對算法進行修改。考慮到對沖突證據進行Dempster規則組合時，常常會出現反直觀結果的問題。通過對證據進行折扣修正，提高證據集可信度和組合結果的聚焦度。

其中，證據可靠度可由下式計算所得：

組合結果的聚焦度可由下式計算所得：

4）建立雙線性卷積神經網絡并利用大數據對其進行訓練

研究融合深度學習和大數據分析的故障分類診斷技術，通過對比分析，采用Theano+Lasagne深度學習框架［11～12］進行研究，建立雙線性卷積神經網絡，充分利用裝備試驗和運行過程當中產生的應用數據和環境數據等大數據對深度學習網絡進行訓練，實現對故障診斷和分類能力。

5）利用建立大量的診斷標簽機本對雙線性卷積神經網絡進行監督訓練，實現系統的故障診斷預測，提高故障診斷結果的準確性。

6）優化改進深度學習算法，加快算法收斂，進一步提高故障診斷的準確性和快速性。

3 試驗和結果分析

本試驗以該型裝備的電源轉換器組件為例進行說明，該組件故障存在的征兆包括無電壓輸出、沒有穩壓、沒有變壓、輸出波紋大和振蕩雜波；存在的原因包括保護電路故障、隔離電路故障、控制電路故障和穩壓電路故障。網絡輸入輸出設置如表1所示。

表1 網絡輸入輸出表

運用8組訓練樣本對網絡進行訓練，如表2所示。1號樣本為無故障狀態，2到5號樣本為單原因故障狀態；6到8號樣本為多原因和多征兆故障狀態。

表2 網絡樣本表

運用本模型迭代20次時，總體誤差為0.04980281，即算法已收斂到總體誤差指標（0.05），此時學習過程結束，樣本訓練誤差如表3所示。之后依次輸入表2的征兆樣本，診斷成功率為100%。當輸入新的征兆向量時，如輸入和6號樣本征兆向量近似的樣本X=｛1，0，0，1，0｝時，診斷輸出結果為“保護電路故障”和“隔離電路故障”，診斷結果和6號樣本貼近，新故障的診斷與存儲說明診斷模型具有容錯性和自學習功能。

表3 樣本訓練誤差表

從多次仿真試驗結果可以看出，對已掌握樣本的測試結果顯示，該網絡模型對單原因故障的識別率可以達到100%；對于多原因故障的識別，在訓練樣本區分度高而且數量足夠多時，網絡的識別率也可以達到85%，而且隨著樣本的不斷積累，并對網絡進行再訓練，診斷精度還可以進一步提高。

4 結語

本文針對裝備采集的測試/仿真數據進行分析，挖掘異常數據與裝備故障之間的關聯關系，研究基于深度學習和大數據分析的故障診斷預測技術，研究基于深度學習的神經網絡架構，構建基于模糊推理機制和深度學習的故障診斷預測模型，利用大數據對深度學習神經網絡進行無監督訓練，提高了診斷的準確性和快速性，為進一步實現裝備智能化、自主化的故障診斷提供了堅實的技術支撐。