舰船武器智能自适应诊断测试技术研究

杨中书，刘 科，黄 玉，王 丹

(1.中国人民解放军91776 部队，北京 100161；2.中国船舶集团有限公司第七一四研究所，北京 100101)

0 引 言

舰船武器是舰船保持战斗能力的重要保证，其包括舰载导航设备、雷达探测设备、电子信息战对抗设备以及武器自动化设备等。目前我国的海军舰船发展速度很快，已经拥有了导弹驱逐舰、航母等作战舰船。现代舰船武器的技术程度很高，已经不再是原来的高射炮、鱼雷等武器的简单叠加，现代舰船武器也不再是简单的对火炮口径、射击速度进行对比，而是对舰船的自动化程度、智能化程度、探测能力、对抗能力进行综合化对比，这样才能判别出舰船在现代海战中的生存能力和对敌打击能力。在这种形势下，对舰载武器进行快速识别和保障也是提升舰船作战能力的重要因素，而目前对舰船武器故障的识别和诊断仍然处在初级阶段，还没有系列化和标准化，同时需要根据舰船武器的特点，结合舰船武器的故障数据库，利用大数据技术和故障诊断技术设计出的舰船武器智能诊断系统，保证舰船武器的作战能力。

国内有很多学者都对武器的智能化测试做了很多研究，骆功纯等[1]使用虚拟仪器技术构建了导弹的故障测试系统，朱婕[2]对武器装备在故障测试过程中的一些关键技术进行研究，并总结了传统测试和维护中存在的缺陷，梁勇等[3]将贝叶斯网络和武器故障诊断有效结合并进行验证，有效保证了武器装备的测试和使用。可以发现以上研究在针对一些特定的武器装备进行测试时取得了不错的效果，但是对于舰船武器而言，其武器种类多，同时为了实现快速化故障诊断和测试的需求，需要将大数据技术以及智能自适应诊断技术有效结合起来才能达到对舰船武器测试和诊断的需求[4- 5]。本文在对国内外相关技术进行研究的基础上，提出一种基于智能自适应诊断技术和大数据技术的舰船武器诊断系统，系统具有较高的稳定性和可靠性，能够适应现代化舰船作战的需求。

1 关键技术介绍

1.1 大数据技术

大数据技术[6]是实现舰船武器智能化自适应诊断和测试的关键技术之一，其基本结构如图1 所示。

图1 大数据技术的结构Fig.1 The structure of big data technology

1）数据采集：是舰船武器智能化自适应诊断和测试的最基础部分，它为后续的数据分析和推理提供了基础数据。这些采集的数据主要是通过设置在舰船上的传感器节点来实现，这些传感器节点可以通过总线、无线网络等将数据传输到控制中心，传感器节点无法获取所有的舰载武器关键数据，因而测试系统会对这些传感器节点形成有效补充，最终形成一个完整的武器数据采集系统。

2）数据存储：实现对采集数据的存储，关系型数据库会根据不同的舰载武器将这些数据进行存储。

3）数据处理：由于从底层采集的数据类型非常多，且数据量非常庞大，如舰船增汽轮机的基本数据包括转速、压力、温度、机械振动等数值，需要对这些数据进行分类存储。在数据处理时需要区分优先等级，一些关键数据需要实时处理，而一些不关键的数据则可以延后处理。

4）数据应用：是大数据技术的应用层面，是将采集和处理后的数据和智能故障诊断技术中的相关算法结合，提取出相对应的故障特征，并为舰船工作人员提供故障诊断意见。数据应用包括数据分析、机器学习以及BIM 工具等。

1.2 智能自适应故障诊断技术

为了最大程度保证舰船武器的作战能力，对舰船武器故障的快速识别并进行维修是其中的关键组成部分。而传统的故障测试和识别主要依靠船员和工程师的个人经验，因而在舰船作战时往往受到较大限制。特别是在现代化战争中，舰船的人员流动、受伤等因素也会影响这些舰船武器的正常保障工作。

目前我国的舰船自动化程度都很高，舰船武器的故障包括电路故障、信息化系统故障、液压系统故障、机械系统故障等，如果要保证舰船武器的正常工作，需要一个非常庞大的专业维修和保障团队，而这在现代化战争中是不可能的，在这种情况下，使用智能自适应诊断技术对舰船武器进行测试和维修显得非常必要[7]。

智能自适应故障诊断技术是在智能故障诊断技术的基础上能够对武器进行自动识别，并且根据不同的故障针对性地给出维修和保障意见。原有的人工诊断或者借助简单测试仪器的故障诊断大部分只能解决单个的舰船武器故障，而在高度自动化的复杂舰船武器的故障诊断和测试中，这种传统的方法则很难发现这些故障，因而传统的舰船武器测试方法存在很大的局限性。智能自适应故障诊断技术可以依托于大数据技术，将原有的舰船武器故障都存储到数据库中，并建立不同舰船武器的故障模型，从而最大程度地减少人员在舰船武器故障测试中的作用，使用计算机及计算模型提取舰船武器故障特征，并实现智能化的识别，大幅度提升舰船武器故障识别的效率。

为了实现对舰船故障的智能化识别和诊断，需要使用一些关键技术，这些关键技术包括SVM、KNN、ANN 等，这些算法在2010 年应用和研究较多，而当前在舰船武器故障识别领域，深度学习、DBN、深度迁移学习等则应用较多，这些算法的成功应用和实践表明在未来相当长的一段时间内，将深度学习算法以及大数据技术进行有效结合，通过特征提取和训练实现舰船武器的智能化诊断是未来的大势所趋。同时由于高度智能化后，舰船工作人员可以在简单培训后就可以根据智能化诊断结果对舰船武器进行维修，因而大幅度提升了舰船武器的保障效率，并最终为提升舰船作战能力打下坚实基础。图2 为智能自适应诊断技术的关键算法。

图2 智能自适应诊断技术的关键算法Fig.2 Key algorithms for intelligent adaptive diagnostic technology

2 舰船武器智能自适应诊断测试系统

2.1 系统构成

图3 为设计的舰船武器智能自适应诊断测试系统的结构框图。系统包括测试单元、传感器、A/D 转换模块、数据存储和分析、特征提取、卷积神经网络、诊断测试以及用户界面等。A/D 转换可以将测试单元和传感器获取的武器测试模拟信号转换为数字信号，并将这些信号进行存储和初步分析。使用截断函数、窗口函数等获取信号的周期、幅值、频率以及相位等关键特征。使用卷积神经网络对故障进行学习和判别，最终输出判别结果，并在数据库中调取对应的维修方案。

图3 系统结构框图Fig.3 Block diagram of the system structure

2.2 舰船武器故障特征提取模块

舰船武器特征提取模块是智能自适应诊断系统中的关键模块。故障特征提取主要是通过对测量信号进行小波变换、快速傅里叶变换、统计学特征分析等方法来获取舰船武器故障的基本特征。

目前对故障特征提取还包括对故障特征的分类，在进行分类前需要对特征信号进行降维，降维的方法包括独立成分分析（ICA）、主成分分析（PCA）以及自编码器（AE）等。ICA 方法适用于多种信号混合在一起后，可以将不同的信号分离开来，从而得到所需要的故障信息。PCA 方法通过协方差和散度矩阵实现数据降维的目的，最后去除噪声并获取想要获取的故障信息。AE 方法是通过将原有的信号序列进行重构，并将重构得到的信号序列和原有信号序列进行对比，从而发现故障信息的一种方法。这几种方法各有优劣，在本文设计的系统中均有涉及。

对舰船武器故障特征分类主要是使用支持向量机（SVM）的方法。支持向量机的基本原理如图4 所示，为了将不同颜色的球进行分类，使用不同的方法划分超平面，确保不同颜色的球能够分开，能够实现这种功能的线有很多，但是保持距离最大且能够将不同颜色的球分开的线是唯一的。在舰船武器故障特征中和这种分析是类似的，不同故障具有不同的特征，通过将这些特征划分超平面就可以将这些特征进行分类。支持向量机可以根据输入的舰船武器故障特征集进行训练，从而得到每一种不同武器故障特征的分类决策函数以及分离超平面。

图4 支持向量机基本原理Fig.4 fundamentals of SVM

本文舰船武器故障特征分类的实现原理：针对一个舰船武器训练集

2.3 舰船武器诊断测试模块

为了达到最好的诊断测试效果，需要对舰船武器诊断测试模块进行数据融合。在数据融合实现上需要从以下方面进行：

1）舰船武器原始数据融合。主要是将同一类型武器的不同信息进行融合，这些融合的信息都是未经处理过的信息，因而能最大程度保证数据的真实性，防止经过数据处理后丧失了一些关键信号信息。

2）故障特征融合。由于很多舰船武器系统高度自动化，且非常复杂，因而其故障的判别仅依靠单一传感器信息或者单一故障特征很难进行判别，因而需要将不同的故障特征融合到一起后加以判别，这样能极大提升舰船复杂武器系统故障的判别成功率。例如舰船蒸汽轮机速度传感器异常，且发现控制电流异常，管道压力偏离正常值，这些异常数据特征融合到一起后就可以对故障进行综合判断，否则按照单个故障判别就会得到很多故障信息，不利于舰船工作人员对故障进行判断和维修。对故障特征进行融合有利于在应用层直接输出正确结果。

3）决策融合。其涉及的数据量非常小，原始数据融合和故障特征融合由于涉及的故障信息和数据特别多，因而在数据处理中对数据传输和实时性都具有一定的要求。决策融合主要是将对某一武器的故障进行局部判定后，将这些局部判定结果融合起来，最后形成一个综合性的决策。

决策融合的基本过程如图5 所示。根据采集的信息形成了若干的局部故障信息，同时根据历史数据和相关算法推断出不同故障信息的可信度权重，根据事先制定好的决策规则，将可信度权重代入计算并最终形成舰船武器的故障结论。

图5 舰船武器故障决策融合过程Fig.5 Ship weapon failure decision fusion process

同时为了使得系统具有良好的扩展性和可用性，系统在设计时会建设一个专业的舰船武器数据库系统，并在数据库系统中挑选各种武器的故障基本数据作为训练集，使用SVM 和卷积神经网络进行训练，同时在系统使用时可以不断地对既有的数据库进行更新，这样系统在经过一段时间的使用后可以很好地适应舰船武器的诊断和测试，具有良好的自适应性。

3 结 语

舰船武器智能自适应诊断测试系统是舰船保障系统的重要组成部分，也是提升舰船作战能力的重要保证。传统武器故障诊断和测试依托于人员经验和测试仪器，难以适应现代化舰船的故障测试要求。本文将大数据技术以及自适应故障诊断技术应用到舰船武器故障诊断中，应用效果好，系统具有较高的可靠性。得到的结论包括：

1）在未来很长一段时间内，不同的智能化算法，包括支持向量机技术、KNN、ANN、DBN 等都可以应用到舰船武器的故障诊断中，不同的武器系统可以采用多种不同的智能算法进行故障判断，同时也可以为舰船工作人员在进行故障判断时提供更多的推理依据和选择。

2）使用舰船武器智能自适应诊断测试系统在前期依赖于数据库中故障特征的训练集，随着数据集的不断完善，系统在对舰船武器进行测试和维修时将具有很大优势。

3）通过原始数据融合、故障特征融合以及决策融合，系统根据采集的故障特征信息可以作出综合性判断，因而具有较高的可靠性。