基于機器學習方法的氫原子鐘故障診斷研究*

李榮凱，李錫瑞，蔡 勇

(1. 中國科學院上海天文臺，上海 200030；2. 中國科學院大學，北京 100049)

氫原子鐘在科研工作中具有重要地位，我國氫鐘可以滿足很多應用場景的需求[1]，但仍存在故障頻發的問題，其中部分狀態或信號明顯異常的故障，例如無震蕩信號、電源電壓異常、電離源異常等可以通過參數直接反映，并重新調整以回歸正常運行狀態。有些故障很難通過參數直接定位，例如接收機異常、控制面板異常等，但可以結合其它現象進一步分析診斷得出結論。這些在一定程度上反映出可以根據氫鐘運行的狀態參數來判斷當前設備是否正常[2]。從用戶角度，故障發生時往往很難描述清楚現象，工程師需要實地根據經驗診斷，有較大的滯后性，也給氫鐘維護修理帶來了困難。因此，若能通過某種診斷方法得出故障類型[3]，既可以簡化故障診斷流程，也使得遠程指導用戶排查維修變得可能。

本文提出了一種基于機器學習算法，使用氫鐘歷史數據作為樣本訓練數學模型，然后部署到嵌入式設備上，以實現故障實時診斷的方法。通過比對嵌入式設備和技術人員的診斷結果，證實了這一方法的有效性。此方法主要根據氫原子鐘的物理參數，用機器學習算法判斷其運行狀態，流程如圖1。

圖1 診斷流程Fig.1 Diagnosis process

流程概述如下：

(1)調取氫鐘運行的歷史數據，選擇其中7個主要數據作為特征變量，以此導入訓練樣本；

(2)對樣本數據進行預處理；

(3)使用聚類算法處理數據，得到狀態標簽，并根據物理意義和診斷經驗判斷得出的標簽是否合適，繼而重復調整參數，直至其聚類成帶有合適狀態標簽的數據樣本；……