決策樹算法在聲速探頭故障診斷中的應用*

張朋坤 張 獻 殷 釗 王 萍

（1.92866部隊 青島 266100）（2.海軍工程大學電子工程學院 武漢 400333）（3.92677部隊 大連 116000）

1 引言

聲納在海洋中的探測能力很大程度上受海洋聲學環境的影響。同一聲納在不同海洋聲場中的作用距離可相差數倍。海洋聲速剖面是研究海洋聲場環境的重要工具，是反映海洋聲速隨深度變化的函數關系。能否獲取準確的海洋聲速剖面對于發揮聲納最大探測能力具有十分重要的戰術意義。目前聲納主要依靠聲速探頭采集海洋聲場信息。聲速探頭可實時同步采集海水聲速與深度數據，通過后臺解算即可繪制出海洋聲速剖面。

近年來，隨著實戰化演訓要求的不斷提高，聲速探頭故障率逐年遞增。然而目前聲速探頭的故障診斷手段還比較單一，主要依靠裝備保障人員憑借自身多年維修經驗進行故障定位，不但要求維修人員具有較高的專業技術能力和深厚的維修經驗積累，而且人工診斷效率低、精度差。此外，雖然用戶已經在實際裝備日常使用維護中積累了大量聲速探頭實裝數據記錄，但卻缺乏從這些隨機的、有噪聲的、模糊的海量數據中提取隱含故障規律的有效手段。針對這一現狀，本文提出一種基于決策樹算法的聲速探頭故障診斷方法，提高了故障診斷效率與精度，為用戶進行聲速探頭故障診斷提供了一定的決策支撐。

2 決策樹算法理論概述

2.1 決策樹工作原理與優勢

決策樹算法是數據挖掘領域中經典的分類算法，目前已廣泛應用于醫學診斷、教育數據分析、金融分析等領域。在構建決策樹進行分類前，首先要從數據集中選取建樹參數——特征屬性與類屬性，然后再利用樹的結構將數據集進行分類。決策樹分類是從根節點開始，按照決策樹的分支結構對數據集中的特征屬性進行測試，根據不同特征屬性的取值將數據集分成不同的數據樣本子集，每個數據樣本子集構成一子節點。最終生成的決策樹每個葉節點對應一個分類，即為類屬性。圖1 給出一個經典決策樹的例子。

圖1 經典決策樹案例

其中A、B為數據集的兩個特征屬性，最頂層的節點A 稱為根節點，節點a1、a2、b1、b2 表示特征屬性的不同取值，C1 和C2 為葉節點，代表數據集的兩個類屬性。依據該決策樹結構，可得出分類準則，例如，當屬性A 的取值為a1，且屬性B 的取值為b1，那么該數據屬于C1類。

決策樹與其他機器學習分類方法相比，具有以下幾個優勢：

1）使用決策樹進行分類，不需要使用者對專業領域有全面深入的研究，不需要接受訓練數據集外的知識；2）決策樹分類效率高，尤其適用于訓練集數據量較大的情況；3）決策樹分類模型結構直觀、形象，便于大多數人的理解；4）決策樹分類具有較高的分類準確率。

2.2 決策樹幾種經典算法簡述

當前最具影響力的決策樹算法是Quinlan 于1986年提出了著名的ID3 算法［1］。ID3 算法采用基于信息熵定義的信息增益來選擇內節點的最好屬性，運算方法簡單，但其無法對連續值進行處理，且選擇標準容易傾向于取值較多的屬性。Quinlan 于1993年又提出C4.5算法［2］，采用信息增益率作為最優屬性的選擇標準，并在ID3 算法基礎上增加了對連續屬性的離散化處理以及對缺省值的處理。此后又開發出C5.0 算法，在分類規則的生成速度上進行了一系列優化。

CART算法是由Breiman等于1984年提出來的一種數據開發和預測算法，是一種產生二叉樹的分類技術，既可用于回歸問題也可用于分類問題。特點是既可以處理連續型數據，也可處理順序或無序的離散型數據。CART 算法選擇具有最小Gini 系數值的屬性作為分裂屬性［3～7］。目前已有國內學者應用CART 算法在航空電子、高鐵軌道、地質勘探等領域進行故障診斷方面的探索與研究，取得良好的應用效果［8～11］。因此本文主要研究CART 算法在聲速探頭故障診斷中的應用。

3 聲速探頭原理與常見故障分析

3.1 聲速探頭工作原理分析

聲速探頭主要由聲速探測模塊以及深度探測模塊組成，能夠利用聲速探測模塊與深度探測模塊實時獲取艦船所在海區海洋聲速與深度信息，并通過數據解算得到海洋聲速剖面信息。聲速探測模塊可沿固定傳播路徑向海水中發射循環脈沖信號，并記錄信號到達時間，通過多次測算得到信號平均傳播延時，利用聲速公式：

在傳播路徑已知條件下，計算得到海水聲速。深度探測模塊通過內置壓力傳感器，測量得到當前位置海水壓力，通過該海區海水深度-壓力關系，測算得到當前深度數據。在得到聲速與深度數據后，聲速探頭可依據兩者對應關系繪制海洋聲速剖面。

3.2 聲速探頭常見故障分析

聲速探頭常見故障主要包含以下三種：深度模塊故障、聲速模塊故障以及供電電源故障。由于聲速探頭安裝在艦船艙外，當艦船起浮時，深度傳感器與聲速傳感器直接暴露在空氣中；當艦船下潛時，深度傳感器與聲速傳感器直接接觸海水。無論是暴露在空氣中，受到陽光暴曬、冰雹等自然天氣的影響，還是浸泡在海水中受到海水腐蝕，惡劣的使用環境均會對聲速探頭中各種金屬與橡膠元件造成損壞，致使深度模塊、聲速模塊常發生故障，無法正常采集數據。此外，聲速探頭需要其他聲納裝備通過分壓、整流為其提供額定工作電壓。由于受供電電路及艦船整體供電系統的影響，導致聲速探頭經常出現因供電電壓不穩而無法正常工作的情況。

4 基于決策樹算法的故障診斷實例應用

本文以某艦船自2020年以來某型聲速探頭日常維護及維修數據為例，分別運用決策樹算法與人工判決對數據集內案例進行故障診斷，并將診斷結果進行比較分析。

4.1 數據輸入與特征參數獲取

通過到一線部隊駐地進行實地走訪調研，并查閱某單位某艦船聲速探頭2020-2022年三年日常維護保養與故障修理記錄，整理得到某型聲速探頭2020-2022年各項特征屬性原始數據集。然而，通過分析發現，原始數據集中包含一定數量的冗余特征屬性。這些冗余特征屬性不僅不能對故障分類起到有效作用，相反還會在真實分類結果中產生噪聲干擾，影響分類準確度。此外還會加重機器存儲與運算方面的負擔。因此需要對原始數據集內特征屬性進行約簡與壓縮。經過歸納篩選，最終得到電壓信號幅值、深度信號頻率以及聲速信號頻率這三種主要影響聲速探頭工作狀態的特征屬性。類屬性是最終需要對數據樣本進行的分類劃分。結合聲速探頭常見故障分析結果，將聲速探頭類屬性劃分為四種：工作正常、電源故障、深度模塊故障與聲速模塊故障。

4.2 算法運行環境

本文采用的決策樹算法是在Anaconda 軟件平臺上，基于Python3語言和Scikit-learn庫實現的，采用的操作系統為Win7，CPU 采用Intel Core i5-337U 1.8GHz，內存為8G 存儲，128G 固態硬盤。Anaconda 是一個免費開源的Python 和R 語言的發行版本，用于計算科學（數據科學、機器學習、大數據處理和預測分析），Anaconda 致力于簡化包管理和部署，涵蓋了數據科學領域常見的Python 庫，目前超過1200 萬人使用Anaconda 各種發行版本。Scikit-learn 是一個Python 第三方提供的非常強力的機器學習庫，它集成了數據預處理、數據特征選擇、數據特征降維、分類、回歸、聚類模型、模型評估等非常全面的各類算法［12］。

4.3 數據預處理

通過分析發現，某型聲速探頭2020-2022年原始數據集內的數據記錄存在一定的冗余、缺省、有噪聲等數據缺陷。為避免在數據分析過程報錯，提高決策樹分類精度，本文對原始數據庫集中的數據進行去冗余，數據離散化，補齊缺省值處理，并采用min-max 標準，對數據進行歸一化處理，標準化公式如下：

其中，x 為原始數據，min 為該項特征屬性的最小值，max為該項特征屬性的最大值，x*為標準化處理后得到的數據。最終得到處理后的數據集如表1所示。

表1 數據預處理后的數據集

4.4 算法實現與結果分析

通過調用Anaconda 軟件中預裝的sklearn 庫中的分類函數DecisionTreeClassifier，對表2 中的傳感器數據集進行機器學習，偽代碼如下所示：

輸入：傳感器數據集樣本

輸出：一棵決策樹

方法：｛

（1）調用各種工具庫及函數，例如：from sklearn import tree，import matplotlib.pyplot as plt等；

（2）調用數據集樣本，并進行格式轉換；

（3）將數據樣本分割為訓練樣本*_train 與檢測樣本*_test；

（4）選用基尼系數作為選擇標準，創建CART決策樹；

（5）使用訓練樣本訓練模型；

（6）對訓練后的模型進行預測與評估；

（7）決策樹圖形化顯示；

（8）創建IF-Then分類規則。｝

圖2 為機器通過學習訓練樣本得到的決策樹圖形化結果，并將該決策樹在檢測樣本上進行驗證，分類準確率達100%，證明該決策樹結構能夠對給定的聲速探頭原始數據集進行有效、準確分類。從根節點開始遍歷決策樹，可以得到以下分類規則：

圖2 傳感器故障診斷決策樹

1）如果歸一化后聲速信號頻率值≤0.903，且歸一化后電壓幅度值≤0.899，那么該案例屬于類別1，可判斷為電源故障；如果電壓幅度值>0.899，則此案例屬于類別3，可判斷為聲速模塊故障；

2）如果歸一化后聲速信號頻率值≥0.903，且歸一化后深度信號頻率值≤0.899，那么該案例屬于類別2，即深度模塊故障；如果0.899<深度信號頻率值≤0.971，則此例屬于類別0，即工作正常；如果深度信號頻率值>0.971，那么此例屬于類別3，可判斷為深度模塊故障。

為進一步驗證分類規則的準確性與擴展性，將該分類規則應用到8 組最新得到的聲速探頭故障案例中，并將分類結果與專業技術人員的人工判故結果進行比較，結果顯示依據分類規則得到8 組分類結果與專業技術人員人工判決結果一致，且符合裝備實際故障情況，表明該分類準則與技術人員在實際裝備保障中形成的主觀維修經驗吻合得很好，證明決策樹算法具有較高的分類精度，有效地提高分類效率。

5 結語

本文在簡要論述決策樹算法理論的基礎上，結合聲速探頭原理與常見故障分析，設計了一種基于決策樹算法的聲速探頭故障診斷方法，并利用Anaconda 數據軟件在實裝案例數據上進行試驗與驗證。試驗結果表明決策樹算法極大提高聲速探頭故障診斷效率，具有較高的分類精度，可為用戶進行聲速探頭故障修理提供一定的決策支撐，提升用戶自修能力，在今后裝備保障工作中具有良好的應用前景與推廣價值。