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）
摘 要 针对复杂装备故障诊断实际需求，论文以装备故障智能诊断技术为研究对象，在分析故障特征及诊断方法的基础上，依托大数据分析平台，运用基于深度神经网络（DNN）的学习框架，构建基于模糊推理机制和深度学习的故障诊断预测模型。实验结果表明，该模型有效提高了舰船装备的故障诊断精度。
关键词 大数据分析；故障诊断；深度神经网络
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。
采用变排量施工，降低裂缝起裂的复杂程度，减少注水水窜的几率；采用多段塞随缝暂堵，降低裂缝延伸过程中的天然裂缝滤失。
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
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］。
从时间向度看，任何国家和地区的社会管理模式与思想都不是一成不变的，都有一个生成与转换的过程。任何社会管理思想都深深依存于它所产生的社会环境，目的也是为了解决其当下社会面临的秩序、发展、社会经济文化等问题。从追求政治和行政独立，到以绩效为核心，再到更为重视社会公正，发展任务的转换决定了不同时期西方社会管理的特点。
2）专家经验：主要是领域内专家的维修经验知识。
故障数据主要来源于：
研究人员还发现，该液态湖的温度约为零下68摄氏度。远低于冰点，为什么还能保持液态？奥罗塞解释说，水中可能溶有镁、钙、钠等火星岩石中的金属盐，这些金属盐像防冻剂一样，加上冰盖带来的压力，使这个湖泊在冰点下保持了液态。
2.2 故障诊断体制及方法
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。
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］。
在磁浮列车的研究过程中，车辆和轨道之间的共振问题一直是人们研究的重点问题之一。在不同轨道条件、不同速度和不同车辆工况下，如何解决车轨耦合振动问题，一直是磁浮研究的难题。在长沙磁浮快线悬浮控制系统调试中，同样面临车轨共振问题。由于长沙磁浮快线 18.55 km的线路条件复杂，车轨共振问题更加复杂。在调试的初始阶段，车辆在维修轨道、车站轨道以及部分线路上都存在车轨共振现象。为了对这个问题进行系统研究，建立了中低速磁浮列车车轨共振试验台(见图2)。该试验台包括1个单悬浮架结构、1套轨道及振动激励系统和1套悬浮控制系统。
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
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。
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。
对照组：在授课过程中观看传统中心静脉穿刺录像，并进行颈部解剖知识讲解识别，然后带教老师进行一次操作演示。采用传统体表解剖标志定位，在胸锁乳突肌的锁骨头、胸骨头和锁骨形成的三角区域内的上部，先触及颈总动脉搏动，在动脉搏动的外侧0.5～1.0 cm为穿刺进针点，穿刺针体与皮肤约呈30°，针干与中线平行直接指向尾端，先用小针试探性穿刺，穿入颈内静脉后，再用颈内静脉穿刺针沿相同的方向进针，注射器负压边回抽边进针，回抽有暗红色血液时停止进针，其余操作同实验组。
3）大数据挖掘技术分析
比干八宫卦序系统：1）继承了原有“两两非覆即反”的规律；2）建立了64卦卦序数对称平衡系统（图4），并揭示了64卦先后顺序内在的数理逻辑；3）建立了64卦卦数量内在的数理逻辑关系平衡系统（图5）。
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。
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；
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；
对照组患者采用常规治疗,主要包括止血、补液以及抑酸等,具体操作为(1)先禁止食水;(2)泮托拉唑针采用静脉滴注80mg进行抑酸,每12小时1次;(3)每日静脉滴注6.0g6-氨基己酸2次。研究组再上述治疗方法基础上再静脉滴注由武汉华龙生物制药有限公司生产,国药准字为H20059187的生长抑素(规格3.0mg),若患者在48小时内已止血则需停用,若72小时后仍无法止血则视为生长抑素是无效的,需停止使用。
则A 1即为判决结果，其中ε 1，ε 2，为预先设定的门限。
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A 1，A 2是识别框架下的两个命题，m (A 1)，m (A 2)是其基本概率赋值，满足
秦铁崖来京城之前，翻阅旧案卷宗，去了趟证物库房，翻出这个烟花筒带在身边。秦铁崖道：“你不叫乔十二郎，你是陆枫桥。”
高效液相色谱法具有层析柱以及色气相色谱法的特点，是一种相对先进的分析方法之一，其灵敏度和检测效率非常高，基本上能将涉及食品安全各个方面的内容全部检测到。该技术是在现代生物学以及网络信息技术的支持下实现的一种检测技术，整个检测过程非常简单，没有繁琐的预处理步骤，极大程度缩减了检测时间，同时还有效提高了检测的方便性。如遇到挥发性较低并且稳定性较差的化合物，该技术能够很好地进行检测，为食品安全提供极大的保障[1]。
近年来，儿童及青少年甲状腺癌的发病率逐渐增加，已成为较为常见的恶性肿瘤之一。其评估、治疗和随访具有重要意义。超声是其评估及随访的首选检查方法，与成人相比，儿童及青少年甲状腺癌更具侵犯性，更易发生术后局部复发和颈部及远处转移，超声表现及FNA适应证也有所不同。根据其超声及临床表现，选择合理手术方式及治疗方法，可提高治疗后长期生存率，改善预后。另外，分子学检查可能具有很好的补充诊断前景，但仍需进一步研究支持。
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。
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。
店主怔住了。他也知道他们形迹可疑，只好坐着不动，只别过身去看楼下。漆布砖上哒哒哒一阵皮鞋声，他已经冲入视线内，一推门，炮弹似地直射出去。店员紧跟在后面出现，她正担心这保镖身坯的印度人会拉拉扯扯，问是怎么回事，耽搁几秒钟也会误事，但是大概看在那官方汽车份上，并没拦阻，只站在门口观望，剪影虎背熊腰堵住了门。只听见汽车吱的一声尖叫，仿佛直耸起来，砰！关上车门——还是枪击？——横冲直撞开走了。
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。
小学英语教材中，每个单元都是一个独立的内容，但是单元之间又是有很强的联系的。如果在教学过程中，只注重所授单元的内容，就势必会影响到学生整体对知识的理解和掌握。因此，教师应该根据教学目标和学生实际，灵活地结合各单元之间的内容，来达到让学生更好掌握知识的目的。
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。
参考文献
［1］MAYER-SCHONBERGER V，CUKIER K.Big data［M］.New York：Houghton Mifflin Harcourt Publishing Company，2013：8-16.
［2］Zhaohui Wu，Ooi Beng Chin.From Big Data to Data Science：A Multi-disciplinary Perspective［J］.Big Data Research，2014，1（1）：1-2.
［3］Wang Shoubiao，Li Xinming，Liu Dong.Concepts Association Mechanisms and Model Structures on Equipment System of Systems with Big Data［J］.Journal of CAEIT，2016，11（5）：498-500.
［4］WANG Song，XU Hongguo.Study on a fault diagnosis expert system of engine ignition［Jl.Transactions of the Chinese society of agriculture machinery，2001，32（3）：91-93.
［5］Research on Lifecycle-Oriented Fault Diagnosis Technology for Complex System［D］.Nanjing：Nanjing University of Science&Technology，2005：10-11.
［6］Li Deng，YIN Yalan，ZHU Wenxiu.Intelligent fault diagnosis technology of complex electronic equipment［J］.Ship Electronic Engineering，2013，33（2）：129-130.
［7］Wang Ling.Research on Intelligent Fault Diagnosis Technique of Complex Equipment［D］.Shenyang：Shenyang Normal University，2011：31-34.
［8］YAO Zhigan，Wang Qinglin.Intelligent Fault Diagnosis Methods for Control Systems of Complex Equipments-A Survey［J］.Fire Control&Command Control，2012，37（12）：3-5.
［9］BENGIO Y.Learning deep architectures for AI［J］.Foundations and trends in Machine Learning，2009，2（1）：1-127.
［10］BENGIO Y，COURVILLE A.Deep Learning of Representations［M］.Springer Berlin Heidelberg：Handbook on Neural Information Processing.2013：100-101.
［11］Wu Lei，Zhang Wensheng，Wang Jue.Hidden Topic Variable Graphical Model Based on Deep Learning Framework［J］.Journal of Computer Research and Development，2015，52（1）：191-199.
Fault Diagnosis Technology for Equipment Based on Big Data Analytics
ZHENG Guiwen
（Equipment Project Management Center of Naval Equipment Department，Beijing 100071）
Abstract Aiming at the actual demand of complex equipment fault diagnosis，this paper makes the fault intelligent diagnosis technology of a certain type of equipment as research object，analyzes the characteristic of equipment and its fault diagnosis method，utilizes the learning framework of deep neural network，and presents an intelligent diagnosis model which is based on fuzzy reason mechanism and deep neural network.The experimental shows that this method improves the fault diagnosis accuracy of naval equipment.
Key Words big data analytics，fault diagnosis，deep neural network
中图分类号 TP18
DOI： 10.3969/j.issn.1672-9730.2019.12.044
∗ 收稿日期： 2019年6月13日，修回日期：2019年7月20日
作者简介： 郑贵文，男，高级工程师，研究方向：电子与通信工程。
Class Number TP18
标签：大数据分析论文; 故障诊断论文; 深度神经网络论文; 海军装备部装备项目管理中心论文;