基于數(shù)據(jù)挖掘技術(shù)的炮兵雷達(dá)故障診斷

單顯明

(沈陽炮兵學(xué)院 沈陽 110161)

1 引言

數(shù)據(jù)挖掘是從大量的、不完全的、有噪聲的、模糊的數(shù)據(jù)中，提取隱含在其中的有價值的知識。數(shù)據(jù)挖掘技術(shù)是基于大型數(shù)據(jù)庫或數(shù)據(jù)倉庫的新型信息分析技術(shù)，目前已在很多領(lǐng)域已得到成功應(yīng)用。某型炮兵雷達(dá)自裝備部隊以來，在使用過程中的故障明顯增多，往往是一個很小的故障就可能導(dǎo)致整個雷達(dá)無法正常工作，已影響到了該雷達(dá)的日常訓(xùn)練和戰(zhàn)斗力的形成。針對這一問題研制了基于數(shù)據(jù)挖掘技術(shù)的炮兵雷達(dá)故障診斷系統(tǒng)，實現(xiàn)了雷達(dá)故障的快速檢測及定位，提高了該雷達(dá)的綜合保障能力。

2 數(shù)據(jù)挖掘的概念及過程

2.1 數(shù)據(jù)挖掘的概念

炮兵雷達(dá)故障診斷技術(shù)的發(fā)展經(jīng)歷了三個階段。由于以前機(jī)器設(shè)備比較簡單，第一階段故障診斷主要依靠領(lǐng)域?qū)＜一蚓S修人員的感覺器官、個人經(jīng)驗及簡單儀表，對診斷信息只作簡單的數(shù)據(jù)處理。第二階段以傳感器技術(shù)和動態(tài)測試技術(shù)為手段，以信號處理和建模處理為基礎(chǔ)的現(xiàn)代診斷技術(shù)，在維修工程和可靠性工程中得到了廣泛的應(yīng)用。第三階段隨著計算機(jī)技術(shù)、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)和人工智能技術(shù)特別是專家系統(tǒng)的發(fā)展，故障診斷技術(shù)進(jìn)入以知識處理為核心的智能診斷技術(shù)階段。

數(shù)據(jù)挖掘(Data Mining)，又稱為數(shù)據(jù)庫中的知識發(fā)現(xiàn)，就是從大量數(shù)據(jù)中獲取有效的、新穎的、最終可理解的模式的非平凡過程，簡單的說，數(shù)據(jù)挖掘就是從大量數(shù)據(jù)中提取或“挖掘”知識［1］。數(shù)據(jù)倉庫(Data Warehouse)就是一個用以更好地支持企業(yè)或組織決策分析處理的、面向主題的、集成的、不斷更新的數(shù)據(jù)集合［2］。數(shù)據(jù)挖掘是面向數(shù)據(jù)庫的，數(shù)據(jù)挖掘算法的大部分時間都花費在對數(shù)據(jù)庫的訪問上。數(shù)據(jù)倉庫技術(shù)可以大大減輕數(shù)據(jù)挖掘中對數(shù)據(jù)管理的壓力，并能提供超大規(guī)模長時間的歷史數(shù)據(jù)，基于數(shù)據(jù)倉庫的數(shù)據(jù)挖掘技術(shù)更有利于有價值模式的挖掘，是數(shù)據(jù)挖掘的重要發(fā)展方向。

2.2 數(shù)據(jù)挖掘的過程

數(shù)據(jù)挖掘的工作過程如圖1所示，數(shù)據(jù)挖掘的過程主要包括數(shù)據(jù)的清理與集成、數(shù)據(jù)的選擇與變換、數(shù)據(jù)挖掘及模式的評估與表示等四個步驟［3］。

圖1 數(shù)據(jù)挖掘的過程

a.清理與集成

首先對炮兵雷達(dá)分系統(tǒng)的狀態(tài)數(shù)據(jù)進(jìn)行采集，由數(shù)據(jù)輸入端送到數(shù)據(jù)挖掘系統(tǒng)，根據(jù)用戶的數(shù)據(jù)挖掘請求，消除噪聲或不一致數(shù)據(jù)，組合多種數(shù)據(jù)源數(shù)據(jù)，提取相關(guān)數(shù)據(jù)，形成數(shù)據(jù)倉庫或數(shù)據(jù)庫。

b.選擇與變換

對數(shù)據(jù)倉庫中的狀態(tài)數(shù)據(jù)進(jìn)行相應(yīng)的選擇與變換，如消除噪音、數(shù)據(jù)標(biāo)準(zhǔn)化、數(shù)據(jù)變換(平滑、聚集、概化)、數(shù)據(jù)歸約(離散化)，通過匯總或聚集等操作將數(shù)據(jù)變換或統(tǒng)一成適合挖掘的形式。

c.數(shù)據(jù)挖掘

根據(jù)炮兵雷達(dá)系統(tǒng)的特點，使用相應(yīng)的數(shù)據(jù)挖掘算法提取數(shù)據(jù)模式。

d.模式的評估與表示

使用可視化和知識表示技術(shù)，識別表示知識的真正有趣的模式，向用戶提供挖掘的知識。

3 數(shù)據(jù)挖掘的算法

數(shù)據(jù)挖掘主要包括關(guān)聯(lián)分析、序列模式分析、聚類分析、分類分析等算法［4，5］。

a.關(guān)聯(lián)分析

關(guān)聯(lián)分析利用關(guān)聯(lián)規(guī)則進(jìn)行數(shù)據(jù)挖掘，其目的是挖掘隱藏在數(shù)據(jù)間的相互關(guān)系，生成所有具有用戶指定的最小置信度和最小支持度的關(guān)聯(lián)規(guī)則。在數(shù)據(jù)挖掘研究領(lǐng)域，對于關(guān)聯(lián)分析的研究開展得比較深入，人們提出了多種關(guān)聯(lián)規(guī)則的挖掘算法，如Apriori、Stem 等算法。

b.序列模式分析

序列模式分析目的是為了采掘出數(shù)據(jù)之間的聯(lián)系，但序列模式分析的側(cè)重點在于分析數(shù)據(jù)間的前后關(guān)系。如運用序列模式分析銷售記錄，可以發(fā)現(xiàn)客戶潛在的購物模式，例如客戶在購買微波爐前常購買何種商品。

c.聚類分析

聚類分析法的輸入集是一組未標(biāo)定的記錄，輸入的記錄沒有進(jìn)行任何分類，其目的是根據(jù)一定的規(guī)則，合理地劃分記錄集合，并用顯式或隱式的方法描述不同的類別。主要的聚類技術(shù)包括基于劃分的聚類、層次聚類和基于模型的聚類。另外還有預(yù)測模型、偏差檢測、數(shù)據(jù)庫分段、聯(lián)系分析、可視化等相關(guān)算法。

d.分類分析

分類分析就是通過分析示例數(shù)據(jù)庫中的數(shù)據(jù)，為每個類別做出準(zhǔn)確的描述或建立分析模型或挖掘出分類規(guī)則，然后用這個分類規(guī)則對其它數(shù)據(jù)庫中的記錄進(jìn)行分類。目前主要的分類方法有判定樹歸納、貝葉斯分類、后向傳播的神經(jīng)網(wǎng)絡(luò)技術(shù)、k-最鄰近分類法、基于案例的推理、遺傳算法、粗糙集理論和模糊集方法等。

4 故障診斷系統(tǒng)架構(gòu)

基于數(shù)據(jù)挖掘技術(shù)的某型雷達(dá)故障診斷系統(tǒng)架構(gòu)如圖2所示。用戶通過軟件接口輸入雷達(dá)診斷信息至智能診斷子系統(tǒng)，信息處理與診斷推理模塊利用知識庫中的知識，根據(jù)故障信息診斷故障設(shè)備，最后利用知識庫對所有診斷方法得到的結(jié)果綜合決策，判斷具體的故障類型，并將診斷結(jié)果在用戶界面顯示。其中知識庫是基于征兆庫、傳統(tǒng)專家經(jīng)驗診斷規(guī)則和數(shù)據(jù)挖掘診斷規(guī)則的混合系統(tǒng)，各診斷機(jī)制充分發(fā)揮各自的優(yōu)點。征兆庫存放經(jīng)過數(shù)據(jù)庫處理并提取的系統(tǒng)推理所需要的征兆事實，知識庫的維護(hù)包括擴(kuò)展、修改和刪除操作。知識庫采用傳統(tǒng)經(jīng)驗、專家經(jīng)驗、粗糙集知識及關(guān)聯(lián)規(guī)則等數(shù)據(jù)挖掘方法來獲取診斷知識。關(guān)聯(lián)規(guī)則挖掘從特征數(shù)據(jù)中挖掘出特征變量間隱含的因果或關(guān)聯(lián)關(guān)系，可用于故障趨勢預(yù)測的挖掘。

圖2 故障診斷系統(tǒng)架構(gòu)

5 故障診斷模型

故障診斷的目的是從大量的炮兵雷達(dá)監(jiān)測信息中發(fā)現(xiàn)潛在的規(guī)律，提取有用的知識，智能地判斷雷達(dá)當(dāng)前運行狀態(tài)，發(fā)現(xiàn)隱含的或已經(jīng)存在的故障。故障診斷模型如圖3所示。

圖3 故障診斷模型

數(shù)據(jù)挖掘是一個需要經(jīng)過反復(fù)多次處理的過程，它可利用不斷充實的診斷知識庫和恰當(dāng)?shù)乃惴ǎ鸩酵诰蛘鎸嵉墓收蠙C(jī)理及診斷規(guī)則。首先將原始數(shù)據(jù)整理為與挖掘主題相關(guān)的信息，然后根據(jù)關(guān)聯(lián)規(guī)則算法對指定數(shù)據(jù)集進(jìn)行知識的提取。通過對挖掘結(jié)果進(jìn)行一致性、合理性檢查，與預(yù)期目標(biāo)進(jìn)行對比。如果結(jié)果與預(yù)期目標(biāo)偏差較大，返回算法設(shè)計階段，調(diào)整或重新設(shè)計挖掘算法。如果偏差較小，返回算法設(shè)計階段，對挖掘算法進(jìn)行調(diào)整。如果結(jié)果理想，返回數(shù)據(jù)階段，擴(kuò)大數(shù)據(jù)集，重新開始一次挖掘過程。重復(fù)上述步驟，直至達(dá)到最優(yōu)結(jié)果。

6 故障診斷仿真

關(guān)聯(lián)規(guī)則挖掘能發(fā)現(xiàn)隱藏在海量數(shù)據(jù)中的有關(guān)聯(lián)關(guān)系對故障診斷有價值的數(shù)據(jù)，對決策的生成具有重要的實用價值。由于炮兵雷達(dá)各單元間存在著緊密的聯(lián)系，某一單元設(shè)備故障會導(dǎo)致與之聯(lián)系的其它設(shè)備工作于非正常狀態(tài)之下，因此在異常數(shù)據(jù)中采用關(guān)聯(lián)規(guī)則進(jìn)行挖掘是非常合適的，首先發(fā)現(xiàn)異常數(shù)據(jù)，按置信度從高到低的規(guī)則排序，從數(shù)據(jù)中發(fā)現(xiàn)那些置信度和支持度都大于給定值的強(qiáng)壯規(guī)則，即可能為引起故障的原因。數(shù)據(jù)挖掘關(guān)聯(lián)規(guī)則采用Apriori算法實現(xiàn)，首先根據(jù)某型雷達(dá)接收系統(tǒng)電路圖及故障現(xiàn)象進(jìn)行信號檢索建立檢測屬性表，然后對檢測屬性表進(jìn)行處理得到故障統(tǒng)計表，如表1所示。其中編號1-9分別為-15V電壓、調(diào)幅1電壓、中頻信號、調(diào)相電壓、本振信號、+12V電壓、+5V電壓、跟蹤板電壓、激勵信號。仿真時支持度和置信度的閾值過小，則產(chǎn)生大量弱關(guān)聯(lián)規(guī)則并延長挖掘時間，反之則可能遺漏有價值的關(guān)聯(lián)規(guī)則，應(yīng)用中應(yīng)先在較小的樣本中通過修改閾值進(jìn)行交互式挖掘，以確定合適的閾值，然后再對海量數(shù)據(jù)進(jìn)行挖掘，并采用支持度或置信度排序技術(shù)。本文采用支持度為14.6%，置信度為65%，相關(guān)度為1。

表1 故障統(tǒng)計表

對以上故障結(jié)果數(shù)據(jù)采用Apriori算法多次掃描得到的幾組異常變量及挖掘結(jié)果，篇幅所限以下僅列出二組數(shù)據(jù)挖掘結(jié)果，如表2所示。

表2 異常數(shù)據(jù)挖掘結(jié)果

分析以上數(shù)據(jù)可知，接收系統(tǒng)某一設(shè)備故障時會導(dǎo)致與之聯(lián)系的其它設(shè)備工作異常，例如 5號設(shè)備異常時，1、3、6、7 異常的概率為 100%，4、8、9異常的概率為 17%，3、6、7、1同時異常的概率為100%;9號設(shè)備異常時，2、3、1異常的概率為100%，5、6、7 異常的概率為 50%，2、3、1 同時異常的概率為100%。分析結(jié)果與雷達(dá)實際故障相同，說明仿真算法是正確的。

7 結(jié)束語

本系統(tǒng)利用數(shù)據(jù)挖掘的思想，建立了基于數(shù)據(jù)挖掘的雷達(dá)故障診斷系統(tǒng)。利用該方法建立的故障診斷系統(tǒng)具有自學(xué)習(xí)的能力，隨著在線故障數(shù)據(jù)不斷地加入數(shù)據(jù)庫中，系統(tǒng)故障診斷的準(zhǔn)確性會不斷提高，實踐證明該系統(tǒng)具有較高的實用價值。

［1］施曉華.數(shù)據(jù)挖掘技術(shù)在圖書館學(xué)科數(shù)據(jù)館藏分析中的應(yīng)用［J］.情報雜志，2011，40(1):53-55.

［2］李潔，楊金會，滕振芳.數(shù)據(jù)倉庫及數(shù)據(jù)挖掘技術(shù)在超市中的應(yīng)用［J］.煤炭技術(shù)，2010，25(2):36-38.

［3］賀清碧，胡久永.數(shù)據(jù)挖掘技術(shù)綜述［J］.西南民族大學(xué)出版社(自然科學(xué)版)，2006，25(3):56-58.

［4］王光洪，蔣平.數(shù)據(jù)挖掘綜述［J］.同濟(jì)大學(xué)學(xué)報(自然科學(xué)版)，2004，55(2):12-15.

［5］王光洪，蔣平.基于關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘技術(shù)的電網(wǎng)故障診斷［J］.電力系統(tǒng)保護(hù)與控制，2009，37(9):8-14.