基于機器學習對空管設備故障判別的研究

劉云鵬

摘? 要：隨著計算機技術的不斷發展，機器學習越來越普遍應用于生產生活的方方面面。但在空管設備保障領域依然使用較為落后的傳統方法，人工智能等先進技術的應用并不廣泛。在空中交通管制的發展歷程中，各類功能多樣的設備投產使用，使得航班保障能力得到大幅度的提升。通過對PHM和機器學習的研究，將結合PHM的機器學習技術應用在空管設備保障工作中，可以顯著提升維護效率、降低維護成本、提高設備的可靠性。

關鍵詞：機器學習? 特征提取? 故障判別? 可靠性

中圖分類號：V355.1 文獻標識碼：A 文章編號：1674-098x（2021）07（c）-0011-03

Research on Fault Discrimination of Air Traffic Control Equipment Based on Machine Learning

LIU? Yunpeng

（Yunnan Branch of CAAC Southwest Regional Administration， Kunming， Yunnan Province， 650200 China）

Abstract： With the continuous development of computer technology， machine learning is more and more widely used in all aspects of production and life. However， in the field of air traffic control equipment support， relatively backward traditional methods are still used， advanced technologies such as AI is not widely used. In the development of air traffic control， various functional equipment have been put into operation， which has greatly improved the flight support capacity. Through the research on PHM and machine learning， the application of machine learning technology combined with PHM in air traffic control equipment support can significantly improve maintenance efficiency， reduce maintenance cost and improve equipment reliability.

Key Words： Machine learning; Feature extraction; Fault discrimination; Reliability

目前，空管設備一般使用例行維護的方式來提升設備的可靠性，故障發生后再組織人力對設備進行維修。但隨著近些年空管設備的大量增加、邊遠臺站趨于無人值守，人員越來越緊張，加之新冠疫情的爆發，使得進口設備的廠家無法進行技術支持。在這樣的背景下，傳統的設備維護、維修方式已經難以滿足需求。使用機器學習結合故障預測與健康管理（PHM），可以預知故障的發生，提前告知維護人員對設備進行維護工作;并在故障發生后對故障進行判別，為維修提供初步的判斷。

1? 人工智能與機器學習

人工智能（AI）是從計算機科學衍生出的一個分支科學，它通過對人類思維方式進行研究，使用計算機對人類思維過程和行為進行模擬，從而達到機器能夠勝任一些通常需要人類智慧才能完成的復雜工作[1]。

機器學習是人工智能技術下的一個分支，是近年來人工智能領域中較為熱門的研究方向。機器學習是讓機器模擬人類的學習行為，進行自主學習。這種自主學習的機制通過不斷的試驗，從經驗中獲得新的知識與能力，達到對事物進行分析、預測、辨別等能力[2]。

2? 空管設備可靠性分析

空管設備故障往往會對空中交通管制服務能力或飛行安全造成直接影響。所以，提升設備的可靠性一直是空管設備保障領域極為重視的課題。

2.1 空管設備可靠性評估分析模型的建立

在衡量設備可靠性時，一般使用故障間隔時間的方法，即MTBF：

MTBF是在規定時間的基礎上，設備的正常使用時間和故障總次數的比值。

設備一般會經歷早期故障期、偶發故障期以及耗損故障期三個階段，這三個階段的故障情況一般使用設備故障率曲線來表示，如圖1所示[3]。

根據可靠性理論建立設備可靠性分析模型，并做出一定的假設。若故障率發生比較恒定，根據馬爾科夫公式：

其中公式中的

可計算出設備的可靠性公式為：

2.2 系統可靠性評估分析模型的建立

在典型可靠性模型中分為無儲備模型和有儲備模型，有儲備模型又分為工作儲備模型和非工作儲備模型兩種。在空管設備、或單一系統中，主備冷熱備份、單一中間節點等模式均存在。需要建立串并聯或并串聯混合系統模型[4]。

3? 基于機器學習對空管設備故障的判別

故障預測與健康管理Prognostics and health management（PHM）與空管設備保障的需求有極高的契合度，PHM技術的發展，為設備的智能故障判別提供了有力的保障，也為未來空管設備保障的發展方向提供了思路。

3.1 PHM技術領域的深度學習模型

目前，機器學習已經發展到深度學習階段，它是在深層次結構的基礎上，將多種抽象的數據集中在一起，并學習其有用的特征以便能夠進行信息的處理，可有效滿足系統故障判別的需要，應用于故障判別領域的PHM技術的深度學習，也受到了廣泛的關注。

其中卷積神經網絡又叫CNN，在原始的輸入輸出中學習，應用在圖像處理、語言處理以及各種計算機視覺等方面。典型的CNN結構是由輸入層、卷積層、池化層以及全連接分類器組成，其結構如圖2所示。

3.2 機器學習在空管設備故障特征提取方面的應用

設備故障的判別一般有兩個步驟，先對特征進行提取，將提取到的特征分類學習，然后再進行判別。這個過程采用的是手動提取的方法，具有一定的局限性，而使用機器學習具有明顯的優勢，機器學習可利用深度學習模型提高特征提取的能力[5]。

在上一節中，知道CNN是深入學習的主要結構之一，但是這種結構在對空管設備特征提取方面，采用的是自動提取，效果并不明顯。基于自編碼器的歸一化稀疏自編碼，既彌補了自編碼器特征提取的不足，又將學習過程分成多個層，使得各部分的子集能夠局部特征提取。這種特征提取的方法使得各個影響因素都能夠被檢測到，提高了特征提取的準確度，使故障判別能夠有效的進行。

3.3 機器學習在空管設備故障判別方面的應用

基于特征提取的故障判別屬于模式識別的范疇，它是將設備故障的類型進行分類，從而提高故障識別的精度。域自適應故障判別深度學習模型和數據不平衡故障判別深度學習模型都是機器學習在設備故障判別方面的應用。域自適應技術即DA技術，通過學習多種領域的數據，集中分類來減少數據之間的差異，并標注不同階段數據的缺陷，充分利用學習到的數據知識保證判別的精度。其框架如圖3所示。

該框架先對域進行劃分，然后將劃分好的域進行多層面的特征提取，再使用DA技術進行故障識別。相比于CNN，這種多層域的自適應采用最少的學習對參數進行更好的約束。還能夠與其他領域共用分類器，將未被標記的樣本進行合理的分類，具有更高的分類精度。

在空管設備使用過程中，故障發生的時間基本小于正常工作的時間，這種情況下的正確數據與標記數據極度不平衡，容易造成判別錯誤的情況。針對數據不平衡的情況，研究發現了一種對抗學習的方式，提高制造樣本數據，使兩者之間達到平衡[6]。

對抗學習的原理是采用生成器生成樣本數據并進行輸入，而相應的判別器無法辨別數據是真實的還是虛假的，這種方式讓生成器和判別器相互博弈，有效解決了數據不平衡的問題。對抗學習的這種深度學習框架。其框架如圖4所示。

4? 技術前景展望

從上面機器學習技術的研究與應用分析，可知機器學習可以解決設備故障判別方面的問題，但具有局限性，只適用于設備的局部，在設備壽命的預測與故障診斷中還有不足。目前研究機器學習的算法還不夠深入，算法的應用還比較簡單，為此應深入研究機器算法和模型，解決其中的難點，擴大機器學習的適用范圍，充分發揮機器學習在設備故障判別方面的優勢。

5? 結論

在空管設備保障領域，將機器學習方法應用在空管設備故障的判別中，可以大幅的提高維護效率，降低維護成本，提升設備的可靠性。再結合AR、云計算等先進技術，勢必能夠快速推動民航空管事業的發展。

參考文獻

[1]薛峰.人工智能對馬克思勞動理論的影響研究[D].上海：上海師范大學，2020.

[2]年夫順.關于故障預測與健康管理技術的機電認識[J].科一起儀表學報，2018，39（8）：1-14.

[3]周靖力.基于文本數據與陸空通話數據處理的空管運行風險識別和分析[D].廣漢：中國民用航空飛行學院，2017.

[4]任浩，柴毅.深度學習在故障診斷領域中的研究現狀與挑戰[J].控制與決策，2017，32（8）：1345-1358.

[5]楊小潤.基于深度學習的車輛軌跡特征識別與分析[D].南京：南京郵電大學，2020.

[6]戴美澤.基于機器學習的中小機場安管安全評估研究[D].南京：南京航空航天大學，2020.