艦船武器智能自適應診斷測試技術研究

楊中書，劉 科，黃 玉，王 丹

(1.中國人民解放軍91776 部隊，北京 100161；2.中國船舶集團有限公司第七一四研究所，北京 100101)

0 引 言

艦船武器是艦船保持戰斗能力的重要保證，其包括艦載導航設備、雷達探測設備、電子信息戰對抗設備以及武器自動化設備等。目前我國的海軍艦船發展速度很快，已經擁有了導彈驅逐艦、航母等作戰艦船。現代艦船武器的技術程度很高，已經不再是原來的高射炮、魚雷等武器的簡單疊加，現代艦船武器也不再是簡單的對火炮口徑、射擊速度進行對比，而是對艦船的自動化程度、智能化程度、探測能力、對抗能力進行綜合化對比，這樣才能判別出艦船在現代海戰中的生存能力和對敵打擊能力。在這種形勢下，對艦載武器進行快速識別和保障也是提升艦船作戰能力的重要因素，而目前對艦船武器故障的識別和診斷仍然處在初級階段，還沒有系列化和標準化，同時需要根據艦船武器的特點，結合艦船武器的故障數據庫，利用大數據技術和故障診斷技術設計出的艦船武器智能診斷系統，保證艦船武器的作戰能力。

國內有很多學者都對武器的智能化測試做了很多研究，駱功純等[1]使用虛擬儀器技術構建了導彈的故障測試系統，朱婕[2]對武器裝備在故障測試過程中的一些關鍵技術進行研究，并總結了傳統測試和維護中存在的缺陷，梁勇等[3]將貝葉斯網絡和武器故障診斷有效結合并進行驗證，有效保證了武器裝備的測試和使用。可以發現以上研究在針對一些特定的武器裝備進行測試時取得了不錯的效果，但是對于艦船武器而言，其武器種類多，同時為了實現快速化故障診斷和測試的需求，需要將大數據技術以及智能自適應診斷技術有效結合起來才能達到對艦船武器測試和診斷的需求[4- 5]。本文在對國內外相關技術進行研究的基礎上，提出一種基于智能自適應診斷技術和大數據技術的艦船武器診斷系統，系統具有較高的穩定性和可靠性，能夠適應現代化艦船作戰的需求。

1 關鍵技術介紹

1.1 大數據技術

大數據技術[6]是實現艦船武器智能化自適應診斷和測試的關鍵技術之一，其基本結構如圖1 所示。

圖1 大數據技術的結構Fig.1 The structure of big data technology

1）數據采集：是艦船武器智能化自適應診斷和測試的最基礎部分，它為后續的數據分析和推理提供了基礎數據。這些采集的數據主要是通過設置在艦船上的傳感器節點來實現，這些傳感器節點可以通過總線、無線網絡等將數據傳輸到控制中心，傳感器節點無法獲取所有的艦載武器關鍵數據，因而測試系統會對這些傳感器節點形成有效補充，最終形成一個完整的武器數據采集系統。

2）數據存儲：實現對采集數據的存儲，關系型數據庫會根據不同的艦載武器將這些數據進行存儲。

3）數據處理：由于從底層采集的數據類型非常多，且數據量非常龐大，如艦船增汽輪機的基本數據包括轉速、壓力、溫度、機械振動等數值，需要對這些數據進行分類存儲。在數據處理時需要區分優先等級，一些關鍵數據需要實時處理，而一些不關鍵的數據則可以延后處理。

4）數據應用：是大數據技術的應用層面，是將采集和處理后的數據和智能故障診斷技術中的相關算法結合，提取出相對應的故障特征，并為艦船工作人員提供故障診斷意見。數據應用包括數據分析、機器學習以及BIM 工具等。

1.2 智能自適應故障診斷技術

為了最大程度保證艦船武器的作戰能力，對艦船武器故障的快速識別并進行維修是其中的關鍵組成部分。而傳統的故障測試和識別主要依靠船員和工程師的個人經驗，因而在艦船作戰時往往受到較大限制。特別是在現代化戰爭中，艦船的人員流動、受傷等因素也會影響這些艦船武器的正常保障工作。

目前我國的艦船自動化程度都很高，艦船武器的故障包括電路故障、信息化系統故障、液壓系統故障、機械系統故障等，如果要保證艦船武器的正常工作，需要一個非常龐大的專業維修和保障團隊，而這在現代化戰爭中是不可能的，在這種情況下，使用智能自適應診斷技術對艦船武器進行測試和維修顯得非常必要[7]。

智能自適應故障診斷技術是在智能故障診斷技術的基礎上能夠對武器進行自動識別，并且根據不同的故障針對性地給出維修和保障意見。原有的人工診斷或者借助簡單測試儀器的故障診斷大部分只能解決單個的艦船武器故障，而在高度自動化的復雜艦船武器的故障診斷和測試中，這種傳統的方法則很難發現這些故障，因而傳統的艦船武器測試方法存在很大的局限性。智能自適應故障診斷技術可以依托于大數據技術，將原有的艦船武器故障都存儲到數據庫中，并建立不同艦船武器的故障模型，從而最大程度地減少人員在艦船武器故障測試中的作用，使用計算機及計算模型提取艦船武器故障特征，并實現智能化的識別，大幅度提升艦船武器故障識別的效率。

為了實現對艦船故障的智能化識別和診斷，需要使用一些關鍵技術，這些關鍵技術包括SVM、KNN、ANN 等，這些算法在2010 年應用和研究較多，而當前在艦船武器故障識別領域，深度學習、DBN、深度遷移學習等則應用較多，這些算法的成功應用和實踐表明在未來相當長的一段時間內，將深度學習算法以及大數據技術進行有效結合，通過特征提取和訓練實現艦船武器的智能化診斷是未來的大勢所趨。同時由于高度智能化后，艦船工作人員可以在簡單培訓后就可以根據智能化診斷結果對艦船武器進行維修，因而大幅度提升了艦船武器的保障效率，并最終為提升艦船作戰能力打下堅實基礎。圖2 為智能自適應診斷技術的關鍵算法。

圖2 智能自適應診斷技術的關鍵算法Fig.2 Key algorithms for intelligent adaptive diagnostic technology

2 艦船武器智能自適應診斷測試系統

2.1 系統構成

圖3 為設計的艦船武器智能自適應診斷測試系統的結構框圖。系統包括測試單元、傳感器、A/D 轉換模塊、數據存儲和分析、特征提取、卷積神經網絡、診斷測試以及用戶界面等。A/D 轉換可以將測試單元和傳感器獲取的武器測試模擬信號轉換為數字信號，并將這些信號進行存儲和初步分析。使用截斷函數、窗口函數等獲取信號的周期、幅值、頻率以及相位等關鍵特征。使用卷積神經網絡對故障進行學習和判別，最終輸出判別結果，并在數據庫中調取對應的維修方案。

圖3 系統結構框圖Fig.3 Block diagram of the system structure

2.2 艦船武器故障特征提取模塊

艦船武器特征提取模塊是智能自適應診斷系統中的關鍵模塊。故障特征提取主要是通過對測量信號進行小波變換、快速傅里葉變換、統計學特征分析等方法來獲取艦船武器故障的基本特征。

目前對故障特征提取還包括對故障特征的分類，在進行分類前需要對特征信號進行降維，降維的方法包括獨立成分分析（ICA）、主成分分析（PCA）以及自編碼器（AE）等。ICA 方法適用于多種信號混合在一起后，可以將不同的信號分離開來，從而得到所需要的故障信息。PCA 方法通過協方差和散度矩陣實現數據降維的目的，最后去除噪聲并獲取想要獲取的故障信息。AE 方法是通過將原有的信號序列進行重構，并將重構得到的信號序列和原有信號序列進行對比，從而發現故障信息的一種方法。這幾種方法各有優劣，在本文設計的系統中均有涉及。

對艦船武器故障特征分類主要是使用支持向量機（SVM）的方法。支持向量機的基本原理如圖4 所示，為了將不同顏色的球進行分類，使用不同的方法劃分超平面，確保不同顏色的球能夠分開，能夠實現這種功能的線有很多，但是保持距離最大且能夠將不同顏色的球分開的線是唯一的。在艦船武器故障特征中和這種分析是類似的，不同故障具有不同的特征，通過將這些特征劃分超平面就可以將這些特征進行分類。支持向量機可以根據輸入的艦船武器故障特征集進行訓練，從而得到每一種不同武器故障特征的分類決策函數以及分離超平面。

圖4 支持向量機基本原理Fig.4 fundamentals of SVM

本文艦船武器故障特征分類的實現原理：針對一個艦船武器訓練集

2.3 艦船武器診斷測試模塊

為了達到最好的診斷測試效果，需要對艦船武器診斷測試模塊進行數據融合。在數據融合實現上需要從以下方面進行：

1）艦船武器原始數據融合。主要是將同一類型武器的不同信息進行融合，這些融合的信息都是未經處理過的信息，因而能最大程度保證數據的真實性，防止經過數據處理后喪失了一些關鍵信號信息。

2）故障特征融合。由于很多艦船武器系統高度自動化，且非常復雜，因而其故障的判別僅依靠單一傳感器信息或者單一故障特征很難進行判別，因而需要將不同的故障特征融合到一起后加以判別，這樣能極大提升艦船復雜武器系統故障的判別成功率。例如艦船蒸汽輪機速度傳感器異常，且發現控制電流異常，管道壓力偏離正常值，這些異常數據特征融合到一起后就可以對故障進行綜合判斷，否則按照單個故障判別就會得到很多故障信息，不利于艦船工作人員對故障進行判斷和維修。對故障特征進行融合有利于在應用層直接輸出正確結果。

3）決策融合。其涉及的數據量非常小，原始數據融合和故障特征融合由于涉及的故障信息和數據特別多，因而在數據處理中對數據傳輸和實時性都具有一定的要求。決策融合主要是將對某一武器的故障進行局部判定后，將這些局部判定結果融合起來，最后形成一個綜合性的決策。

決策融合的基本過程如圖5 所示。根據采集的信息形成了若干的局部故障信息，同時根據歷史數據和相關算法推斷出不同故障信息的可信度權重，根據事先制定好的決策規則，將可信度權重代入計算并最終形成艦船武器的故障結論。

圖5 艦船武器故障決策融合過程Fig.5 Ship weapon failure decision fusion process

同時為了使得系統具有良好的擴展性和可用性，系統在設計時會建設一個專業的艦船武器數據庫系統，并在數據庫系統中挑選各種武器的故障基本數據作為訓練集，使用SVM 和卷積神經網絡進行訓練，同時在系統使用時可以不斷地對既有的數據庫進行更新，這樣系統在經過一段時間的使用后可以很好地適應艦船武器的診斷和測試，具有良好的自適應性。

3 結 語

艦船武器智能自適應診斷測試系統是艦船保障系統的重要組成部分，也是提升艦船作戰能力的重要保證。傳統武器故障診斷和測試依托于人員經驗和測試儀器，難以適應現代化艦船的故障測試要求。本文將大數據技術以及自適應故障診斷技術應用到艦船武器故障診斷中，應用效果好，系統具有較高的可靠性。得到的結論包括：

1）在未來很長一段時間內，不同的智能化算法，包括支持向量機技術、KNN、ANN、DBN 等都可以應用到艦船武器的故障診斷中，不同的武器系統可以采用多種不同的智能算法進行故障判斷，同時也可以為艦船工作人員在進行故障判斷時提供更多的推理依據和選擇。

2）使用艦船武器智能自適應診斷測試系統在前期依賴于數據庫中故障特征的訓練集，隨著數據集的不斷完善，系統在對艦船武器進行測試和維修時將具有很大優勢。

3）通過原始數據融合、故障特征融合以及決策融合，系統根據采集的故障特征信息可以作出綜合性判斷，因而具有較高的可靠性。