数据驱动的武器系统电子元部件级故障诊断研究综述

孟 晨, 杨华晖, 王 成, 马 征

(1. 陆军工程大学导弹工程系, 河北 石家庄 050003; 2. 陆军装备部北京地区军事代表局, 北京 100166)

0 引 言

现代武器系统是融合机械设计制造、测试控制、发射制导、目标探测与识别等较多先进理论技术的重要工程应用领域。随着新一代武器系统信息化程度的提高和对适应未来复杂战场环境的要求,创建以信息系统为核心的新型作战保障网络体系成为未来保障建设的重要方向。

武器系统故障诊断是新型作战保障网络体系构建的基础性环节,也是实现整个武器系统故障预测与健康管理(prognostics and health management, PHM)的重要步骤。武器系统故障诊断是指利用武器系统正常运行或发生故障过程中产生的数据信息,判断故障元件、故障类型、发生时间、严重程度以及故障原因,进而综合评判武器系统状态与作战效能[1-3]。

按照武器系统组成的结构层次和维修保障任务要求，故障诊断可以在不同层级的对象上实施[1,4]。以某型导弹武器系统为例，如图1所示，系统组成可以划分为系统级、分系统级、功能组件、部件级和元件级5个层次。每一级检测到的故障需要对下一级进行隔离与定位，直至向下传递到最底层的元器件或封装部件。随着当前部队维修保障改革发展和智能保障模式的转变，元器件级和部组件级换件维修已经分别发展为部组件级和功能组件级换件维修。同时，随着电子技术及其生产制造工艺的发展，电子系统的最小可更换单元已有相当比例成为部件级。因此，元部件级状态监测与故障诊断对实现上层功能组件和系统级故障定位与诊断具有基础性和支撑性的作用，是实现武器系统PHM和决策维修的核心环节。

图1 某型导弹武器系统组成结构及故障诊断层级划分Fig.1 Composition structure and fault diagnosis hierarchy of a missile weapon system

新一代武器系统中,由电子元部件组成的模块化功能组件更加精密复杂、高度集成,这种趋于集成化、模块化、智能化的电子系统设计方式,使得对其内部电子元部件的状态监测和故障诊断技术有了更高要求。由于电子元部件故障具有故障关联耦合、间歇性发生等特点,因此对电子元部件的故障诊断主要要求在于快速准确、响应及时、精准定位。传统的针对易损元部件的离线测试、信号处理、专家系统诊断流程，面对日渐复杂、繁琐的诊断任务已经显出成本高和效率低的特点,取而代之的数据驱动、在线学习、人工智能(artificial intelligence, AI)的故障诊断技术却逐渐凸显优势。另一方面,随着武器系统信息化保障建设的推进和军事物联网技术的发展,武器信息化平台中积累的海量数据资源为实现数据驱动的故障诊断提供了坚实基础。针对复杂电子模块的元部件级故障诊断,新一代工业系统已经有了较多成功的应用[5-7],并在无人机[4]等先进武器系统上得到了深入研究。

传统的基于模型的故障诊断方法是在已有系统的物理与数学先验知识的基础上,分析部组件以及分系统之间的联系,建立相对准确的数学模型,进而实现对整个系统的状态监测与故障诊断[8]。基于模型的方法往往针对某一特定型号武器系统,虽然在过去几十年里取得了较为显著的研究成果[9-13],但对实现结构精密复杂、部组件关联紧密的新一代武器系统电子模块的PHM和效能评估远远不够。另一方面,AI技术的发展为实现数据驱动的故障诊断提供了动力,同时适应了未来武器系统无人化、智能化的诊断要求。相对于基于模型的故障诊断方法,数据驱动方法的最大优势在于不需要系统的先验知识和准确的数学物理模型,而是通过系统测试与运行中产生的大数据进行多元统计或建立AI模型,监测系统实时状态并完成模型的在线学习更新[14]。数据驱动的故障诊断技术不仅是数据挖掘理论方法的具体工程应用,而且是推动新一代武器系统数据接口设计统一化和标准化的重要动力。

从故障诊断理论角度分析,任何状态监测与故障诊断系统都可以看作是一个信息冗余的数据系统[15],包含了数据获取与数据分析两个基本的元素。因此，基于模型和数据驱动的方法都是研究如何挖掘数据和分析数据,两者的区别是在梳理运用知识、模型、信号(数据)相互关系上的不同,如图2和图3所示。

图2 基于模型方法的故障诊断框架Fig.2 Fault diagnosis framework of model-based method

图3 数据驱动及融合方法的故障诊断框架Fig.3 Fault diagnosis framework of data-driven and fusion methods

基于模型的方法主要从先验知识出发,以不同运行状态下的信号和数据信息为基础构建故障诊断模型,且诊断结果可以反馈补充先验知识,形成了从运用知识到丰富知识的过程。数据驱动的方法则是从信号和数据出发,通过有监督或无监督学习训练的方式直接构建诊断模型,得到的诊断结果经过验证分析后形成知识,继续修正和改进数据训练模型,形成了从数据运用到知识积累的过程。值得注意的是,诊断结果获取的知识反向修正和改进数据训练模型时,就不再是简单意义的数据驱动方法,而是信息融合的方法。综上对比,可以看到基于模型和数据驱动的方法在构建故障诊断整体框架和梳理不同元素(知识、数据、模型)逻辑关系上的不同,但两者最终都是面向知识学习和知识运用方向的研究,故障诊断也因此成为融合测试理论、信号处理和AI等方法的重要工程应用领域。

本文将进一步梳理武器系统电子元部件级故障诊断技术的研究成果,总结当前研究存在的困难和问题,预测未来发展趋势。说明武器系统电子元部件的诊断对象具体有哪些。梳理归纳数据驱动的故障诊断方法。分析当前研究存在的具体问题及解决问题的发展方向。

1 元部件级故障诊断的对象

武器系统中单个制件或相互连接具有特定功能而不能分解的多个制件统称元件,部件是系统运行所必须的特定功能的独立零件及零件组合[1]。上述概念是文献[1]对区分武器系统元件和部件的具体定义,对实施元部件级故障诊断技术具有指导意义。本文综述的元部件级故障诊断对象,不再做两者的具体划分,而是根据文献中研究对象的不同类别进行归纳总结。

1.1 传感器

传感器是武器系统电子元部件级故障诊断领域中极其重要的研究对象，其应用广泛、种类繁多，尤其是在导航系统[16-17]、测控系统[18-19]、态势感知系统[20]中具有举足轻重的地位。新一代武器系统应用的传感器一般采用整体封装结构，在平时稳定运行的工作状态下通常具有较高的可靠性，但在战时极端环境和强干扰条件下，恶劣的运行环境容易造成传感器输出信号出现尖刺、卡滞、强烈波动等情况，发生故障的概率会显著提高。另外，传感器在长时间运行条件下容易发生精度漂移，造成较大的积累误差，进而影响系统正常工作。

以组合导航系统为例：卫星导航传感器、惯性导航加速度计和各类陀螺仪都属于导航传感器，可以为武器系统提供精确的位置、速度、姿态等信息。导航传感器均为精密元器件，一旦受到外界强干扰或因自身发生严重漂移造成故障时，导航系统输出数据就不再可靠。导航传感器的故障按发生类型可分为突发故障和软故障两类。突发故障多数是由于运行环境急剧恶劣变化导致传感器突然失效，其发生概率较低，检测容易且时延较短，对导航系统影响较大。软故障是由于传感器测量精度随时间发生漂移导致，其发生概率较高，检测难度大且时延长，对导航系统初始影响小，但随着时间推移会逐渐变大。针对导航传感器故障检测问题，文献[21]提出了基于一类支持向量机(one-class support vector machine, OC-SVM)与深度神经网络(deep neural network, DNN)结合的诊断方法，故障发生时DNN可以预测故障发生时间并输出预测数据代替量测数据在主滤波器中进行数据融合，且DNN可以针对每一个子滤波器进行单独训练，保证子滤波器的输出数据质量，但DNN训练需要全面、海量的标签样本数据，并且要经过充分训练才能在故障条件下准确预测输出。文献[22]提出了多通道一维全卷积神经网络(one-dimension convolutional neural network, 1D-CNN)的检测方法，可以从传感器的量测残差序列中提取故障特征并判断导航系统的运行状态。文献[23]提出了基于自适应模糊神经网络在线导航传感器故障检测方法，可以实时分析卡尔曼滤波器残差数据，不依赖先验知识准确建模，对实现快速检测和减小虚警率效果明显。

此外，飞行器传感器故障诊断研究还包括数据采集传感器[24]、控制系统传感器[25]等，其他在武器系统中应用的传感器包括电力变换系统传感器[26]、电机驱动系统传感器[27]等。

1.2 模拟电子电路

模拟电子电路故障诊断的主要研究对象为功能性模拟电路中的半导体器件，以及电阻、电容、电感等各种元器件，其直接发生失效性故障的概率较低，但在各种条件下发生参数漂移却是常态化的，参数变化超过一定的容差就对电路产生重要影响，甚至导致电路功能失效，影响整个部件或分系统正常运行[28]。与传感器故障类型类似，模拟电子电路故障主要分为突发(硬)故障和缓变(软)故障两类。突发故障通常导致功能性故障，一般会使电路完全丧失功能，具有不可修复性，比如电容击穿、电阻短路等。缓变故障是指元器件参数偏离其额定范围，造成元件退化失效[29]。两种故障相比较，突发故障具有发生概率低、突发性、损坏严重等特点，缓变故障具有发生概率高、延续时间长、对电路功能渐变影响的特点。在模拟电子电路故障诊断时，根据元器件参数变化对电路功能的影响程度，可以区分关键元器件和非关键元器件。例如图4所示的Salley-Key带通滤波器电路，关键元器件(蓝色背景标注)包括电阻R2和R3，电容C1和C2，其参数变化将会对滤波电路的中心频率和带宽产生重要影响。其他元器件中，电阻R1，R4，R5则属于非关键元器件，在对缓变故障进行诊断时，通常不需要将其列为诊断对象。针对模拟电路元部件缓变故障采用的数据驱动故障诊断方法已经逐渐成为主流[30-34]。

图4 Salley-Key带通滤波器电路Fig.4 Salley-Key band-pass filter circuit

模拟滤波器电路一般以电阻、电容为故障诊断对象，而在电力变换开关电路中，半导体开关是控制整个电路输出变化的关键部件，故障诊断也因此主要围绕半导体开关展开。同样的，故障类型也主要包括短路故障和开路故障。文献[35-40]提出了多种不同的针对电力变换电路的数据驱动故障诊断方法。但与模拟滤波电路不同的是，电力变化电路故障诊断方法除了要有较高的诊断准确性和实时性以外，还要规避因负载变化带来的欺骗性故障，即诊断方法的误警率要低。

虽然目前电子系统中数字电路的应用规模已经远超模拟电路，但从近5年的研究统计来看，少于20%的模拟电子电路元器件却占据了80%以上的电子电路故障发生率[41]。一方面由于数字电路具有容差范围大、抗干扰能力强等特点，而模拟电路容具有容错性范围小、抗干扰能力差、信号要求线性等特点，因此其故障发生概率远大于数字电路。另一方面，因为数字电路的故障类型和故障模式相对简单，其故障诊断已有较为完善的方法体系。相比较而言，模拟电子元部件故障存在元器件参数缓变漂移、故障关联耦合、间歇性发生等情况，使得对这类电子元部件进行故障诊断要困难得多，造成模拟电路故障诊断尚缺乏较为有效的技术手段。

1.3 模拟集成元部件

随着电子技术的发展，武器装备电子系统设计越来越多地选择整体封装式或模块化集成电子元部件，这对提高装备可靠性、降低重量尺寸和换件维修难度具有重要意义。集成模拟电子元部件，尽管其输入输出为模拟信号，但是由于封装和模块化设计要求的原因，其内部电路不一定是单一的功能电路，可能包括各种传感器、模拟电路和模数混合电路等多种组合形式，同时电路的中间参量测试点通常较少。基于以上原因，集成模拟电子元部件故障诊断相较于模拟电路，具有不同的特点：一方面只需要通过故障检测确定其是否有故障，而无需将故障定位到内部元器件；另一方面，由于其内部电路的千万差别，利用先验知识和采集信号分类故障元件的方法是难以实现的。

利用输入输出信号和中间参量等状态监测信息，采用数据驱动方法，是实现集成模拟电子元部件故障诊断的有效途径。例如雷达装备的接收机、发射机、信号处理单元、电源系统等。文献[42-43]提出的数据驱动模型实现了UH60TRANS直升机通讯组件和起落架控制组件的故障诊断应用。

2 数据驱动的故障诊断方法

依据前述,数据驱动的故障诊断方法不依赖先验知识建立准确的数学模型,也不需要基于专家经验建立诊断的推理机制，主要是运用多种不同的数据挖掘方法从海量的运行数据中提取和分类故障特征。参考其处理数据方式以及发展过程的不同,数据驱动的故障诊断方法可以分为基于信号处理的方法、基于数据统计的方法、基于定量AI模型的方法和基于深度学习的方法。对不同电子元部件的诊断对象,各个方法都有其主要的适用对象,其中信号处理方法较适用于处理模拟电子电路故障信号,多元统计方法主要适用于集成元部件,而定量AI模型和深度学习方法在传感器类故障诊断中的应用最为广泛,数据驱动的故障诊断方法分类及其适用对象如图5和图6所示。

图5 数据驱动的故障诊断方法Fig.5 Data-driven fault diagnosis methods

图6 数据驱动的故障诊断方法适用对象Fig.6 Applicable objects of data-driven fault diagnosis methods

2.1 基于信号处理的方法

基于信号处理的故障诊断方法主要是提取故障信号在时域、频域或者时频域(小波域)的特征,再结合特征分类、相似度度量等方法对故障信号进行处理。直观上,故障信号在时域内具有不同于正常运行状态的信号特征,如幅值变化和相位漂移,频域上表现为频率波动和带宽差异,信号特征的变化在一定程度上反映了系统运行状态的变化,因此可以通过信号处理的方法对系统进行状态监测和故障诊断。值得注意的是,此处归纳的基于信号处理的方法是在数据驱动大框架内的细分,其前提是不需要系统的先验知识。与数据驱动并列分类的也有基于信号处理的故障诊断方法,前后两者的不同在于是否用到了系统模型的先验知识。

文献[44]针对三相两电平整流器开路问题提出了一种基于电流相似度分析的故障诊断方法,可以对半导体开关的单一开路或多开路故障进行有效诊断。通过对比分析任意两个输出电流信号的相似度(如欧式距离、相关系数、余弦角)完成故障检测和分类,并进一步提取开关压降和电流过零信号两个时域指标对故障进行定位。该方法的优点是在不建立系统准确数学模型的基础上,利用正常状态和开路故障状态下电压电流信号的时域特征,建立相似度度量指标,快速有效地实现整流器电路半导体开关元件的故障诊断。

2.2 基于数据统计的方法

基于数据统计的数据驱动主要采用多元统计方法,利用系统运行过程中产生的输入输出数据,构造统计检验量,判定系统的健康状态。常用的多元统计方法包括主成分分析[45-46]、独立分量分析[47-48]、偏最小二乘[49-50]、Fisher判别分析[51-52]、线性判别分析[53]、标准变量分析[54]、聚类分析[55-56]等。多元统计方法对监测封装严密、模块化结构、输入输出数据接口标准化部件的运行状态十分有效。依据前述,模块化电子元部件内部集成度高,传感器、模数电路混合搭建,且封装严密难以拆卸,因此针对模块化电子元部件的故障诊断方案难以实现对某具体元件的定位和隔离。但是封装电子元部件的优点是输入输出稳定,工作状态清晰可判,因此可以利用模块化电子元部件的多输入多输出信号特点,选择合适或改进相关多元统计算法,构造监测统计量,实现状态监测与故障诊断。多元统计方法适用于模块化诊断,与工业系统中监测生产过程方法相似,其细分类方法可以参考文献[14]给出的分类图,方法的适用范围和特点如表1所示。

表1 多元统计方法的适用范围及特点

主成分分析是最基本的多元统计方法,可以从过程监测数据中提取并保留重要的差异性分量。由于主成分分析算法形式简单且降维效果好,因此既可以单独构造故障检验统计量,也可以作为数据预处理算法使用。主成分分析通过对过程采样数据矩阵进行奇异值分解(singular value decomposition, SVD),分离主成分子空间和残差子空间,构造两个子空间的检验统计量SPE和T2,实现过程监控和故障诊断。需要注意的是,主成分分析构造统计量的重要前提是过程数据假定符合多元高斯分布,且输入输出变量关系没有考虑在内。而偏最小二乘是考虑输入输出相关性的多元统计方法,对监测过程采样的数据矩阵进行γ次SVD,但同样对数据符合多元高斯分布有着严格的限制。Fisher判别分析的优势在于可以对故障数据直接进行有效的分类,通过特征值分解(eigenvalue decomposition, EVD)对正常运行状态和多故障状态进行判别。独立分量分析主要针对非高斯分布数据的处理,可以从未知数据源中提取独立成分进行分析,缺点是算法复杂度高,运行时间长。线性判别分析是有监督的降维算法,在降维的同时也可以用于数据的分类,但同样只适用于高斯分布数据。聚类分析可以归结为多元统计算法,按聚类类型可分为基于距离(原型聚类)、基于密度和基于层次的聚类,其优势是不受动态过程和非线性问题的限制,适用范围广,可以根据故障数据的特点选择不同的聚类算法,缺点是难以单独完成状态监测和故障诊断,需要结合其他多元统计方法、AI模型等使用。

2.3 基于定量AI模型的方法

定量AI模型又可看作早期AI模型[5],是以结构简单的机器学习模型为基础,通过系统运行过程产生的监测数据进行训练,迭代优化模型参数,使训练后模型能够自动检测和识别故障(异常)模式,并给出具体的故障诊断结果。根据机器学习模型的不同,定量AI模型主要包括SVM[57-61]、模糊逻辑[62-63]、极限学习机[64-65]、多层感知机[66-67]。

SVM是定量AI模型的典型代表,在故障诊断领域(机械、电子)有着十分广泛的应用。文献[68]针对模拟电子电路元部件的故障诊断问题提出了一种SVM特征训练和故障分类的方法。模拟电路的响应信号经过分数阶傅里叶变换的特征转换和核主成分分析进行数据降维,最后采用SVM分离和提取故障特征,并完成对故障的分类。文献[69]采用了分数小波变换作为信号的预处理方法,再利用支持向量数据描述对提取特征进行学习训练,得到故障的多分类器。运用SVM等定量AI模型处理模拟电子电路的故障信号,往往要结合时域、频域和时频域的信号处理方法,对原始数据进行去噪、降维和特征提取处理,再将得到的特征输入到机器学习模型进行训练,方法的固定模式可以归结为“信号处理”+“定量模型”的结构搭配。SVM对传感器类故障诊断也需要信号“预处理器”,文献[70]采用SVM实现了车辆悬挂系统传感器的故障诊断,将设计的故障隔离观察器的残差信号输入到SVM进行训练,解决了无先验残差阈值知识情况下的故障诊断问题。文献[71-72]将传感器采样信号的时域特征作为SVM训练数据,得到了随着时域特征的增多，SVM的分类精度也能得到相应提高的结论。

2.4 基于深度学习的方法

基于深度学习的方法主要利用DNN及融合方法,实现故障特征的深层学习和故障模式的自适应诊断。深度学习方法以在线处理数据流或离线批量处理数据包的方式逐层提取输入数据的高层特征。随着武器系统信息化、智能化程度的不断提高,采集得到的状态运行数据不断呈指数增长,满足了深度学习的基础要求。正是由于深度学习处理海量、高维、多源异构数据的独特优势,新一代工业系统中也采用深度学习方法批量处理过程状态数据,对系统进行异常监测和健康评估。文献[5]中将这种深度学习方法总结为价值驱动的方法,实质上是强调状态监测大数据信息挖掘的价值,但在故障诊断领域仍然可以归纳为数据驱动的方法。基于深度学习的方法在处理系统(分系统)级以及部组件级的故障诊断特别有效,同样在元部件级故障诊断领域也取得了丰富成果[73-75]。值得强调的是,当前深度学习方法在处理很多问题时要同信号处理、特征提取、优化理论等方法融合使用,才能针对不同的问题取得更好的效果。但完成故障诊断任务的主体模型仍以DNN为主,因此本文在总结归纳基于深度学习方法时将融合方法归类其中。

文献[73]利用深度置信网络(deep belief network,DBN)解决模拟电子电路间歇性故障诊断问题,故障信号经DBN进行特征提取,再利用提取的特征向量训练SVM分类器。DBN学习速率通过量子粒子群算法进行优化,训练过程采用离线批量处理数据的方式。经优化的DBN+SVM深度学习融合方法解决了模拟电子电路元部件级间歇性故障的诊断问题,深层特征提取效果较好,诊断结果稳定可靠,该方法同样适用于其他模拟滤波器电路。同样地,文献[74]采用DBN对脉宽调制电压源整流器开路故障信号进行特征提取,网络结构参数采用双链量子遗传算法进行优化,训练过程同样是采用离线批量处理数据的方法,DBN可以直接用于整流器电压输出信号的实时在线监测。文献[75]针对非线性系统传感器故障提出了基于在线神经网络故障检测与估计方法,利用系统输入输出数据在线训练网络,完成故障阈值估计和故障检测。这种针对非线性系统传感器故障检测方法主要有两个优点:一是实现了在线神经网络的学习,二是对结构未知、故障阈值难以估计的武器系统封装元部件(传感器)具有良好的适用性。

3 问题与挑战

数据驱动的电子元部件级故障诊断利用已获取的海量数据，建立非解析数学模型，逐层抽象和提取故障信号特征，实现故障的检测、定位及辨识。数据驱动不仅可以在无先验知识条件下实现故障诊断，而且对处理海量多源异构的状态监测数据无压力，方法适用范围广，泛化能力强。数据驱动在大数据背景下逐渐成为研究热点，目前在武器系统状态监测与故障诊断应用领域仍处于起步发展阶段，存在许多问题和挑战。本文归纳的问题主要包括3个方面：数据质量问题、故障诊断方法与应用和复杂运行环境下未知故障模式识别的问题，问题的详细分类及原因分析如图7所示。

图7 数据驱动方法在武器系统电子元部件级故障诊断领域 存在的问题及主要原因Fig.7 Problems and main reasons of data-driven method in the field of electronic components level fault diagnosis for weapon system

3.1 数据质量问题

考虑到数据驱动方法对数据本身的依赖性，获取数据的质量直接影响后期故障特征提取的效果，决定了诊断结果的可靠性和真实性。当前，分布式数据获取技术成为海量数据收集的主要途径，同时也是造成数据质量问题的主要原因[5]。如图7所示，数据质量问题主要包括：数据不平衡不一致、数据不规范、数据缺失和数据污染等问题。数据不平衡不一致主要是指采样数据中正常运行状态数据量大、故障样本数据量小和不同故障类型之间数据样本量不平衡。数据不规范问题是指相同武器系统元部件的输出采样数据格式不一致，离线训练数据和在线监测数据格式不匹配。数据缺失是指数据在存储、传输、分享过程中丢失数据片段，造成数据信息不完整。数据污染主要是指数据采集过程中受到外界噪声干扰，造成数据质量下降等情况。

为避免上述问题，数据驱动的故障诊断方法需要在数据预处理、数据存储、数据传输过程中不断改进和努力。此外，故障诊断技术是为了在故障发生时减少相关损失，保障武器系统的作战效能，如果诊断预算远高于故障既有损失，相关诊断技术就不再可取。因此，如何在低成本投入下获取可靠有效的过程监测数据、提高数据质量和保证数据完整性，是实现数据驱动技术工程应用首要解决的问题。

3.2 不同元部件故障诊断方法与应用问题

数据驱动方法采用的是非解析数学模型，通过数据训练实现模型的自学习和对故障的自适应诊断，而数学模型选取、搭建以及训练过程对诊断结果有重要影响。如图7所示，故障诊断方法与应用问题主要包括：计算复杂度问题、方法泛化能力弱、诊断精度不确定问题、故障预测能力问题等。计算复杂度问题是指搭建的数学模型结构复杂、参数设置多，致使模型训练算法复杂度过高，训练时间增加。泛化能力弱是指在实施在线诊断的过程中，对不同元部件的诊断对象适用性较差，往往是实验结果好，实际应用效果差，这种情况多是由于武器系统运行状态复杂多变，造成实时采样数据与实验数据差异较大所导致。诊断精度不确定问题是指由于方法应用范围有限、验证数据不足，致使诊断精确度难以估计。故障预测能力问题是指方法的故障预测能力有限，故障模式识别存在滞后性，主要跟电子元部件的故障特点有关。与机械故障相比，电子元部件故障的突发性更强、预测难度更大。

解决诊断方法与应用问题，有的可以通过专家经验来辅助进行，即在数据驱动方法上加入可靠的先验知识，同时结合信号预处理、优化算法等技术加快收敛速度，减少训练时间和复杂度，增强非线性拟合以及特征提取能力。因此，专家经验和先验知识是对数据驱动方法很好的补充和修正。另外，在故障诊断方案设计上有必要考虑多种方法的组合，寻找最优的诊断方案，提高诊断精度，降低虚警率。

3.3 复杂运行环境下的未知故障模式识别问题

传统的故障诊断都是针对已知的(预期的)故障模式展开的，武器装备在实际工作中面临更加复杂的工作环境，会导致出现未知的(非预期的)故障模式[76]，使其故障诊断变得更加复杂。在先验知识缺乏、故障样本稀缺、故障模式不完备的情况下，如何及时检测甚至隔离和处理未知故障，是故障诊断工程应用的一个重大挑战[76]。复杂运行环境包括：极限高低温或湿度环境下长时间工作、强电磁干扰、超强机械振动冲击等情况。在复杂运行环境下装备故障诊断，按照解决问题的难度可以划分为3个层次：① 复杂环境下已知(预期)故障的诊断问题，能够在存在未知(非预期)故障模式干扰的情况下实现对已知故障模式的正常故障诊断；② 复杂环境下未知故障的检测问题，能够在实现已知故障模式诊断的基础上，实现对未知故障模式的检测；③ 未知故障的特征提取与故障模式识别问题，能够在实现未知故障检测的基础上，利用采集到的具有相当数据量的未知故障数据，采用数据聚类、深度学习等方法进行在线特征提取和故障模式识别，进一步提高数据驱动模型对未知故障的诊断能力，并将未知故障在线转换为已知故障。

4 结 论

本文首先对数据驱动的武器系统电子元部件级故障诊断的发展过程进行了全面综述,依据在诊断中是否需要物理模型的先验知识,将其划分为基于模型和数据驱动的方法。其次,对电子元部件级的主要诊断对象进行了总结,主要归纳为传感器、模拟电子电路元部件和其他封装元部件三大类。随后,对数据驱动的故障诊断方法进行综述,依据对采样数据(信号)处理方式的不同,将其划分为基于信号处理的方法、基于数据统计的方法、基于定量AI模型的方法和基于深度学习的方法。最后,对数据驱动方法在武器系统电子元部件级故障诊断领域存在的问题进行总结,归纳为数据质量问题、不同元部件故障诊断方法与应用问题以及复杂运行环境下的未知故障模式识别问题,并进一步阐述了问题具体涵盖的几个方面。从本文中可以得到如下结论。

(1) 相较于武器系统机械构件,系统中电子元部件运行稳定、可靠性高,但仍面临工作状态易受干扰、存在间歇性故障、突发故障不易恢复、故障元件耦合关联等问题。对电子元部件故障诊断要求快速准确、响应及时、精准定位,诊断对象分类相对简单,但不同类型的元部件诊断方法差异性大,需根据输出信号的特点设计相应的故障诊断方案。

(2) 数据驱动的故障诊断方法是随着AI技术的成熟逐渐呈现出多元分支、融合发展的趋势。从传统的定量AI模型方法到当前DNN方法,武器系统电子元部件级故障诊断技术趋于网络化、智能化的发展方向愈加清晰。展望未来研究方向,数据驱动方法需要在结合模型先验知识、信号处理、优化算法等方面有更深更广的拓展。

(3) 当前数据驱动方法在武器系统故障诊断领域应用存在的问题主要是数据、算法和运行环境3个方面。解决数据质量问题是基础,需要规范数据接口、提高数据标准化程度;算法及模型问题是瓶颈,需要考虑信息融合、模型优化等方法;复杂运行环境下未知故障模式识别和实现非预期故障在线学习是突破,需在工程实践中不断提高诊断方法的可靠性和适用性。