基于大数据分析的装备故障诊断技术∗

郑贵文

（海军装备部装备项目管理中心 北京 100071）

1 引言

随着舰船作战系统和武器装备日趋复杂化、集成化、高速化、信息化、智能化，以及大数据技术的发展应用，传统故障诊断技术已不能满足复杂大型装备快速准确的故障诊断需求，必须突破故障诊断与维护保障关键技术，科学规划保障运行机制，充分利用大数据信息和一体化网络技术，形成装备保障数据库，提高舰船装备的快速故障检测、诊断和维修保障能力，实现装备保障的智能化，充分发挥舰船装备效能。

针对装备状态监测分类数据集，借助大数据分析［1-3］，提出符合装备状态检测与故障诊断的先进大数据处理算法，包括统计、机器学习、人工智能等数据分析算法。应用大数据分析平台，研究利用收集的指控系统装备状态监测的各类数据集，进行算法验证、迭代优化，快速实现装备故障诊断的准确性。

2 基于智能化大数据分析平台的装备故障诊断技术

2.1 故障特征分析

故障诊断的实质是状态模式识别，它根据故障征兆信息确定系统故障原因的过程。它通过检测诊断对象的运行状态，获取故障模式，提取故障特征，在此基础上，采用反向推理策略，对故障信息做出综合评估，最后向系统的操纵者或控制者提示所要采取的措施［4～5］。

系统设备硬件故障主要表现为设备的变形、烧毁、异响等状况，设备元件或模块的击穿、炸裂、接触不良等状态，设备线路的短路、断路、接线错误等状态；系统设备软件故障主要表现为网络遭遇攻击引起的信息故障，软件响应端错误引起的信息阻塞、延迟，虚假命令引起的软件功能错误等情况。

图1 故障诊断实现过程

故障数据主要来源于：

1）维护资料：主要包括生产单位、维修单位等提供的技术资料及维修手册。受实际条件制约，故障数量较少，不能完备的体现故障可能（非故障完备集），一般不能追溯至故障本源。

2）专家经验：主要是领域内专家的维修经验知识。

3）系统仿真：针对维护资料故障数据不完备问题，从系统模型和原理分析的角度出发，在研究该装备武器系统构造及工作原理的基础上，运用Multisim电路仿真、故障树分析（FTA）和扩展Petri网建模方法，完成对原理性故障的获取［6］。

2.2 故障诊断体制及方法

应用大数据分析平台，开展故障模式及特征参数采集与分析的故障诊断与预测建模技术应用研究，提供对典型故障特征参数（如温度、电压、运行状态等）的采集监控与分析处理方法，对基本特征参数的典型故障模式建立故障诊断策略与模型，生成诊断规则和诊断知识，提供典型故障模式基本特征值采样方式、变化趋势、阀值判定的典型故障模式预测方法。

2.3 大数据分析平台

以大数据技术-数据中心为基础，按照不同的应用分类，如故障监测、装备可靠性、装备故障模式、装备故障数学模型等，提供快速预言（Predication/用历史预测未来）和描述（Description/了解数据中潜在的规律）挖掘。其中，数据管理平台提供关联分析、序列模式、分类（预言）、聚集、异常检测的数据挖掘技术，方便基于主题的海量数据挖掘［7～8］。

根据海量数据信息的不同来源，分别构建结构化和非结构化数据处理架构，从而完成数据的分析，挖掘和并行处理。

1）结构化数据处理架构

本大数据平台实施案例主要用来处理来自多库多表的海量结构化数据。

该数据处理架构所抽取的数据来自多库多表的海量结构化数据。

实时分析结果将直接写入Hbase和分布式缓存。对于分布式缓存中的分析结果，采用主动消息推送方式实时发送到调用者；离线分析方式形成各种统计报表和分析报告，可实现在线交互式检索功能。

2）非结构化数据处理架构

本大数据平台实施案例主要是面向图像和视频大数据。

图2 大数据技术管理平台架构

该处理框架进行数据抽取时，按设定的时间间隔抓取视频帧，针对每一帧视频图像，组装一个消息发送到图像/语音/视频帧判别消息队列。实时分析时，从图像/语音/视频帧判别消息队列提取图像或语音或视频帧数据，然后发送给智能分析集群处理，对于分布式缓存中的诊断结果，采用主动消息推送方式实时发送到调用者；通过离线分析方式形成的各种统计报表和分析报告，可有效实现实时在线交互式查询。

应用搭建的大数据分析平台，快速分析收集的指控系统装备状态监测的各类数据集，实现数据的批量处理。研究基于流空间的数据表示方法，结合D-S证据理论和模糊推理规则，提高深度学习算法的融合精度。

3）大数据挖掘技术分析

分析梳理数据流挖掘技术、粗糙集挖掘技术、多媒体数据挖掘技术、图像数据挖掘技术等大数据挖掘技术，重点研究几种典型的数据挖掘算法（K-means、SVM、EM、PageRank、K-最近邻、Naïve Bayes、分类和回归树），明确各类算法适用的数据对象、环境条件等，深度挖掘装备故障特征信息。

2.4 基于深度神经网络的装备智能故障诊断技术

2.4.1 分析基于深度神经网络（DNN）的故障诊断流程

图3 基于深度神经网络（DNN）的故障诊断流程

针对舰船指控系统装备在实际使用过程中其失效行为和故障的发生往往是综合作用的结果，导致表征故障特征的参数关联关系不明确，研究采用深度神经网络（Deep Neural Network，DNN）的学习框架［9～10］，深度挖掘异常数据与装备故障关联关系，提高电子信息系统的故障诊断效率和隔离率。

步骤总结如下：

1）获取装备状态的数据信号，并将这些数据作为训练样本；

2）确定DNN的隐层数N，以无监督的方式逐层训练N个DAE，即将每个DAE的隐层输出作为下一层DAE的输入，直到完成N个DAE的训练；

3）添加输出层，根据样本的故障状态类型，微调DNN参数，完成DNN的训练；

4）利用DNN进行装备健康状态的监测诊断。

2.4.2 基于模糊推理机制和深度学习的故障诊断预测模型

1）建立故障特征档案数据库。针对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，形成特征库。

2）选取特征匹配算法。分析行业特征匹配算法，结合研究目标，采用基于证据理论的基本概率赋值的决策方法简单实用，原理描述如下：

设A1，A2是识别框架下的两个命题，m(A1)，m(A2)是其基本概率赋值，满足

则A1即为判决结果，其中ε1，ε2，为预先设定的门限。

3）构建多源特征印证的故障诊断预测模型

D-S证据组合算法可对不同信息源的身份信息进行融合，消除部分矛盾信息，得到新的身份信息，并利用正确的诊断结果对算法进行修改。考虑到对冲突证据进行Dempster规则组合时，常常会出现反直观结果的问题。通过对证据进行折扣修正，提高证据集可信度和组合结果的聚焦度。

其中，证据可靠度可由下式计算所得：

组合结果的聚焦度可由下式计算所得：

4）建立双线性卷积神经网络并利用大数据对其进行训练

研究融合深度学习和大数据分析的故障分类诊断技术，通过对比分析，采用Theano+Lasagne深度学习框架［11～12］进行研究，建立双线性卷积神经网络，充分利用装备试验和运行过程当中产生的应用数据和环境数据等大数据对深度学习网络进行训练，实现对故障诊断和分类能力。

5）利用建立大量的诊断标签机本对双线性卷积神经网络进行监督训练，实现系统的故障诊断预测，提高故障诊断结果的准确性。

6）优化改进深度学习算法，加快算法收敛，进一步提高故障诊断的准确性和快速性。

3 试验和结果分析

本试验以该型装备的电源转换器组件为例进行说明，该组件故障存在的征兆包括无电压输出、没有稳压、没有变压、输出波纹大和振荡杂波；存在的原因包括保护电路故障、隔离电路故障、控制电路故障和稳压电路故障。网络输入输出设置如表1所示。

表1 网络输入输出表

运用8组训练样本对网络进行训练，如表2所示。1号样本为无故障状态，2到5号样本为单原因故障状态；6到8号样本为多原因和多征兆故障状态。

表2 网络样本表

运用本模型迭代20次时，总体误差为0.04980281，即算法已收敛到总体误差指标（0.05），此时学习过程结束，样本训练误差如表3所示。之后依次输入表2的征兆样本，诊断成功率为100%。当输入新的征兆向量时，如输入和6号样本征兆向量近似的样本X=｛1，0，0，1，0｝时，诊断输出结果为“保护电路故障”和“隔离电路故障”，诊断结果和6号样本贴近，新故障的诊断与存储说明诊断模型具有容错性和自学习功能。

表3 样本训练误差表

从多次仿真试验结果可以看出，对已掌握样本的测试结果显示，该网络模型对单原因故障的识别率可以达到100%；对于多原因故障的识别，在训练样本区分度高而且数量足够多时，网络的识别率也可以达到85%，而且随着样本的不断积累，并对网络进行再训练，诊断精度还可以进一步提高。

4 结语

本文针对装备采集的测试/仿真数据进行分析，挖掘异常数据与装备故障之间的关联关系，研究基于深度学习和大数据分析的故障诊断预测技术，研究基于深度学习的神经网络架构，构建基于模糊推理机制和深度学习的故障诊断预测模型，利用大数据对深度学习神经网络进行无监督训练，提高了诊断的准确性和快速性，为进一步实现装备智能化、自主化的故障诊断提供了坚实的技术支撑。