基于大數(shù)據(jù)分析的潛射武器健康狀態(tài)評(píng)估

(海軍裝備部，北京 100086)

0 引言

隨著潛射武器的快速發(fā)展，部隊(duì)實(shí)戰(zhàn)化訓(xùn)練越來(lái)越頻繁，暴露出越來(lái)越多的可靠性問題。裝備一旦出現(xiàn)故障，一般采取基層級(jí)維修和基地級(jí)維修兩種方式，基層級(jí)維修范圍比較窄，基地級(jí)維修時(shí)間長(zhǎng)、距離遠(yuǎn)，這兩種維修保障方式已經(jīng)不能完全滿足現(xiàn)代戰(zhàn)爭(zhēng)對(duì)潛射武器的快速反應(yīng)需求。

裝備主動(dòng)維修或基于狀態(tài)的維修成為解決這一問題的有效途徑，而裝備健康管理是裝備主動(dòng)維修的關(guān)鍵技術(shù)。潛射武器系統(tǒng)是一類復(fù)雜綜合系統(tǒng)，包括電子設(shè)備、機(jī)械設(shè)備、光學(xué)設(shè)備等，要對(duì)武器系統(tǒng)進(jìn)行健康管理就需要大量數(shù)據(jù)做支撐。

隨著潛射武器作戰(zhàn)、試驗(yàn)的頻率不斷加大，裝備數(shù)據(jù)量的爆炸式增長(zhǎng)，如何分析大數(shù)據(jù)，充分挖掘大數(shù)據(jù)的潛在價(jià)值實(shí)現(xiàn)裝備的健康管理，為裝備管理部門和部隊(duì)服務(wù)，成為需要深入探討的現(xiàn)實(shí)問題。本文將探討大數(shù)據(jù)分析技術(shù)應(yīng)用于潛射武器健康管理的關(guān)鍵問題，為后續(xù)潛射武器綜合保障研究提供支持。

1 大數(shù)據(jù)概念及特點(diǎn)

大數(shù)據(jù)指在可容忍的時(shí)間內(nèi)用傳統(tǒng)信息技術(shù)和軟硬件工具難以對(duì)其進(jìn)行獲取、管理、處理和分析的數(shù)據(jù)集合[1]。大數(shù)據(jù)一般指數(shù)據(jù)量達(dá)到PB級(jí)甚至EB級(jí)的大規(guī)模數(shù)據(jù)。大數(shù)據(jù)具有以下4大特征：

1)體量龐大，指大數(shù)據(jù)所包含的數(shù)據(jù)量龐大，這是判斷一個(gè)問題是否屬于大數(shù)據(jù)問題的最基本特征。隨著潛射武器試驗(yàn)、作戰(zhàn)訓(xùn)練、裝備保障的頻率加快，數(shù)據(jù)量急劇增加，雖然目前數(shù)據(jù)量尚未達(dá)到體量浩大的規(guī)模，但是可以預(yù)見在不久的將來(lái)，潛射武器的數(shù)據(jù)量將會(huì)達(dá)到大數(shù)據(jù)要求。

2)來(lái)源復(fù)雜，指大數(shù)據(jù)所包含的數(shù)據(jù)來(lái)源廣泛、形式多樣。例如，潛射武器數(shù)據(jù)來(lái)自試驗(yàn)、訓(xùn)練、作戰(zhàn)，數(shù)據(jù)包括：作戰(zhàn)方案、維修數(shù)據(jù)、作戰(zhàn)使用數(shù)據(jù)等多模態(tài)非結(jié)構(gòu)化數(shù)據(jù)，也包含如電壓測(cè)試數(shù)據(jù)、溫濕度等結(jié)構(gòu)化數(shù)據(jù)。

3)增長(zhǎng)速度快。例如，海洋作戰(zhàn)環(huán)境等大規(guī)模系統(tǒng)每時(shí)每刻在產(chǎn)生大規(guī)模數(shù)據(jù)。

4)價(jià)值稀疏。指大數(shù)據(jù)中的有用數(shù)據(jù)量少。例如，對(duì)于裝備測(cè)試數(shù)據(jù)，真正有價(jià)值的是一些故障數(shù)據(jù)或奇異點(diǎn)數(shù)據(jù)，但是這些數(shù)據(jù)在裝備正常狀態(tài)下數(shù)據(jù)量極少。然而，這些價(jià)值稀疏的數(shù)據(jù)正是大數(shù)據(jù)研究的目標(biāo)與意義。

從上述大數(shù)據(jù)特點(diǎn)可以發(fā)現(xiàn)，潛射武器當(dāng)前的數(shù)據(jù)規(guī)模暫時(shí)還達(dá)不到“體量浩大”，但是，來(lái)源復(fù)雜、增長(zhǎng)速度快、價(jià)值稀疏的特點(diǎn)基本滿足。隨著后續(xù)潛射武器綜合保障頻次的不斷加深，尤其是作戰(zhàn)環(huán)境數(shù)據(jù)的迅速膨脹，潛射武器的數(shù)據(jù)規(guī)模會(huì)越來(lái)越大。

2 大數(shù)據(jù)分析技術(shù)

為了充分挖掘大數(shù)據(jù)的潛在價(jià)值，不同應(yīng)用領(lǐng)域?qū)＜覍W(xué)者對(duì)深度學(xué)習(xí)、群體智能、相關(guān)分析、粒計(jì)算、深度森林等進(jìn)行了深入研究。本文將對(duì)典型大數(shù)據(jù)分析技術(shù)進(jìn)行分析，論述各類分析技術(shù)的應(yīng)用領(lǐng)域，為大數(shù)據(jù)分析技術(shù)在潛射武器健康狀態(tài)評(píng)估中的應(yīng)用提供基礎(chǔ)。

2.1 深度神經(jīng)網(wǎng)絡(luò)

隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，深度神經(jīng)網(wǎng)絡(luò)在大數(shù)據(jù)分析中的應(yīng)用領(lǐng)域不斷拓寬。近年來(lái)，出現(xiàn)了眾深度自動(dòng)編碼機(jī)、深度卷積神經(jīng)網(wǎng)絡(luò)等多種神經(jīng)網(wǎng)絡(luò)模型，這些模型在圖像分類、手寫字體識(shí)別等領(lǐng)域得到了廣泛應(yīng)用。本文簡(jiǎn)要介紹各類神經(jīng)網(wǎng)絡(luò)的基本原理及應(yīng)用范圍，探討在潛射武器健康狀態(tài)中應(yīng)用的可行性。

2.1.1 深度卷積神經(jīng)網(wǎng)絡(luò)

深度卷積神經(jīng)網(wǎng)絡(luò)是在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，結(jié)合深度學(xué)習(xí)思想而提出的一類深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型。與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)相比，深度卷積神經(jīng)網(wǎng)絡(luò)的卷基層、池化層數(shù)量有所增加，相應(yīng)的各層神經(jīng)元數(shù)量也會(huì)增加，結(jié)構(gòu)如圖1所示[2]。

圖1 卷積神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

由于深度卷積神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)權(quán)值共享，大大減少了調(diào)節(jié)參數(shù)數(shù)量，訓(xùn)練速度也會(huì)大大提高。目前，深度卷積神經(jīng)網(wǎng)絡(luò)模型主要有并行深度卷積神經(jīng)網(wǎng)絡(luò)[3]、基于改進(jìn)Fisher準(zhǔn)則的深度卷積神經(jīng)網(wǎng)絡(luò)[4]等。深度卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用領(lǐng)域主要有：圖像分類、人臉識(shí)別、色織物缺陷檢測(cè)、船舶識(shí)別。

潛射武器健康狀態(tài)評(píng)估本質(zhì)上也是分類問題，從深度卷積神經(jīng)網(wǎng)絡(luò)的機(jī)理和應(yīng)用領(lǐng)域可以看出，深度卷積神經(jīng)網(wǎng)絡(luò)比較適合于解決圖像識(shí)別問題，可以考慮將深度卷積神經(jīng)網(wǎng)絡(luò)用于潛射武器圖像識(shí)別，然后根據(jù)識(shí)別的結(jié)果評(píng)估健康狀態(tài)。

2.1.2 深度自動(dòng)編碼器

傳統(tǒng)自動(dòng)編碼器是一種三層神經(jīng)網(wǎng)絡(luò)模型，包括輸入層、隱含層和輸出層。深度自動(dòng)編碼器在傳統(tǒng)自動(dòng)編碼器隱含層上增加了深度，形成了一個(gè)由若干曾隱含層、輸入層和輸出層組成的深度自動(dòng)編碼器，結(jié)構(gòu)如圖2所示。

圖2 深度自動(dòng)編碼機(jī)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

深度自動(dòng)編碼器的訓(xùn)練一般分為預(yù)訓(xùn)練和微調(diào)兩個(gè)步驟。預(yù)訓(xùn)練主要是根據(jù)應(yīng)用領(lǐng)域，將神經(jīng)元連接權(quán)值和其他參數(shù)限定在一定范圍內(nèi)，為后續(xù)的微調(diào)減少訓(xùn)練時(shí)間。微調(diào)通常使用BP算法等梯度下降算法對(duì)整個(gè)深度自動(dòng)編碼器的參數(shù)進(jìn)行調(diào)整，以獲得最優(yōu)的訓(xùn)練結(jié)果。目前，深度自動(dòng)編碼器在特征提取、故障診斷[5]、圖像識(shí)別等領(lǐng)域有廣泛應(yīng)用。故障診斷與特征提取是潛射武器健康狀態(tài)評(píng)估的重要內(nèi)容，深度自動(dòng)編碼器可用于復(fù)雜裝備的特征提取和故障診斷。

2.1.3 無(wú)限深度神經(jīng)網(wǎng)絡(luò)

一般的深度神經(jīng)網(wǎng)絡(luò)主要用于處理靜態(tài)數(shù)據(jù)，實(shí)現(xiàn)模式識(shí)別、分類和預(yù)測(cè)。但是，對(duì)于動(dòng)態(tài)數(shù)據(jù)，尤其是“bus driver”問題卻顯得無(wú)能為力。擴(kuò)展了時(shí)間維度的無(wú)限深度神經(jīng)網(wǎng)絡(luò)卻可以輕松解決動(dòng)態(tài)數(shù)據(jù)的特征提取和建模。

無(wú)限深度神經(jīng)網(wǎng)絡(luò)(infinite deep neural networks，infinite DNNs)是在傳統(tǒng)反饋式神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，擴(kuò)展了時(shí)間維度，其結(jié)構(gòu)如圖3所示[6]。無(wú)限深度神經(jīng)網(wǎng)絡(luò)主要應(yīng)用領(lǐng)域包括機(jī)器翻譯、自然語(yǔ)言理解、動(dòng)態(tài)數(shù)據(jù)特征提取等。

圖3 無(wú)限深度神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

潛射武器系統(tǒng)在測(cè)試、發(fā)射過程中會(huì)產(chǎn)生大量實(shí)時(shí)時(shí)間序列動(dòng)態(tài)數(shù)據(jù)，無(wú)限深度神經(jīng)網(wǎng)絡(luò)可根據(jù)裝備動(dòng)態(tài)數(shù)據(jù)，實(shí)時(shí)評(píng)估裝備的健康狀態(tài)。

2.2 群體智能算法

群體智能算法包括：遺傳算法(genetic algorithm，GA)、粒子群優(yōu)化(particle swarm optimization，PSO)、人工免疫系統(tǒng)(artificial immune system，AIS)等，這類智能算法可以近似求解一些NP問題，還可用于約簡(jiǎn)數(shù)據(jù)規(guī)模[7]。

2.2.1 遺傳算法

遺傳算法的基本原理在眾多文獻(xiàn)均有描述，本文不再贅述。遺傳算法在大數(shù)據(jù)分析方面的應(yīng)用有兩種方式：1)單獨(dú)采用遺傳算法實(shí)現(xiàn)大數(shù)據(jù)處理，如數(shù)據(jù)屬性約簡(jiǎn)[7]；2)遺傳算法與其他算法結(jié)合，生成優(yōu)化的分類算法或擬合算法，如神經(jīng)網(wǎng)絡(luò)與遺傳算法結(jié)合實(shí)現(xiàn)數(shù)據(jù)挖掘[8]等。

2.2.2 粒子群優(yōu)化算法

粒子群優(yōu)化算法采用速度更新算子實(shí)現(xiàn)粒子的位置更新。與遺傳算法相比，粒子群優(yōu)化算法中個(gè)體具有記憶功能，沒有選擇、交叉、變異算子，算法更加簡(jiǎn)單、收斂速度更快。粒子群優(yōu)化算法在大數(shù)據(jù)中的應(yīng)用方式與遺傳算法相似，主要是和其他模式識(shí)別算法相結(jié)合，實(shí)現(xiàn)大數(shù)據(jù)的處理，主要應(yīng)用領(lǐng)域包括數(shù)據(jù)分類或聚類[9]，數(shù)據(jù)離散化[10]等。

2.2.3 人工免疫系統(tǒng)

人工免疫系統(tǒng)是對(duì)免疫系統(tǒng)原理的模擬算法，包括克隆選擇算法、陰性選擇算法、免疫進(jìn)化算法等。以克隆選擇算法為例，采用克隆、變異算子實(shí)現(xiàn)群體優(yōu)化，克隆選擇算法在保持種群多樣性方面具有優(yōu)勢(shì)。人工免疫系統(tǒng)在大數(shù)據(jù)分析中的應(yīng)用主要以數(shù)據(jù)分類[11]、分級(jí)聚類[12]等。

增強(qiáng)決策力和流程優(yōu)化能力是大數(shù)據(jù)分析的主要目的之一，而裝備健康狀態(tài)評(píng)估問題本質(zhì)上是最優(yōu)化問題。在大數(shù)據(jù)環(huán)境中，優(yōu)化問題不可避免地涉及到更多的決策變量和優(yōu)化目標(biāo)，形成更為復(fù)雜的多目標(biāo)優(yōu)化問題。與傳統(tǒng)方法相比，這類算法不需要目標(biāo)函數(shù)的梯度信息，不受目標(biāo)函數(shù)的形式和性質(zhì)的限制，可以用于優(yōu)化任意形式的目標(biāo)函數(shù)，優(yōu)化過程獨(dú)立于具體的應(yīng)用領(lǐng)域，不易受到具體領(lǐng)域的約束，因此，其具有比傳統(tǒng)優(yōu)化方法更廣泛的應(yīng)用范圍。

2.3 大數(shù)據(jù)相關(guān)分析技術(shù)

相關(guān)分析在傳統(tǒng)數(shù)據(jù)分析中的應(yīng)用范圍非常廣泛。隨著大數(shù)據(jù)時(shí)代的到來(lái)，相關(guān)分析技術(shù)如何解決大數(shù)據(jù)分析問題，以及大數(shù)據(jù)的相關(guān)分析應(yīng)用成為大數(shù)據(jù)分析領(lǐng)域關(guān)注的熱點(diǎn)問題之一[13]。目前，常見的大數(shù)據(jù)相關(guān)分析分為兩類：一類是基于互信息和距離的變量間的復(fù)雜相關(guān)關(guān)系分析；另一類是基于矩陣計(jì)算的屬性相關(guān)分析。

2.3.1 基于互信息的相關(guān)分析

基于互信息的相關(guān)分析是以信息熵理論為基礎(chǔ)，度量信息之間的影響程度關(guān)系。

設(shè)隨機(jī)向量(X,Y)的聯(lián)合概率分布為pij，則(X,Y)的二維聯(lián)合熵為：

(1)

假定X和Y的邊際分布分別為pi·和p·j，可定義在已知Y的條件下X的條件熵：

(2)

同理，可得在已知X的條件下Y的條件熵：

(3)

一般而言，H(X)-H(X,Y)表示已知Y(X)的情況下X(Y)信息量的變化程度。顯然，若變化程度較小則表明Y(X)對(duì)X(Y)的影響較小，也就是說(shuō)，X和Y相關(guān)性弱。反之，說(shuō)明X和Y相關(guān)性強(qiáng)。這個(gè)差值稱為互信息，記為：

I(X,Y)=H(X)-H(X,Y)

(4)

互信息可以直觀判斷非線性信息間的影響程度，從而給出信息相關(guān)性刻畫度量。主要應(yīng)用領(lǐng)域包括屬性相關(guān)分析、故障診斷等。潛射武器系統(tǒng)信息類型繁多，各類數(shù)據(jù)的相關(guān)性難以直觀判斷，可利用互信息相關(guān)分析技術(shù)實(shí)現(xiàn)多類數(shù)據(jù)的潛射武器健康狀態(tài)特征提取。

2.3.2 基于矩陣計(jì)算的相關(guān)系數(shù)

對(duì)于高維、多變量數(shù)據(jù)，采用成熟的矩陣計(jì)算方法實(shí)現(xiàn)數(shù)據(jù)屬性的相關(guān)分析是一種有效的技術(shù)途徑?；诰仃嚨挠?jì)算方法是將高維數(shù)據(jù)以矩陣的形式描述，并采用正則化方法實(shí)現(xiàn)屬性的相關(guān)分析。RV系數(shù)是矩陣計(jì)算中的基本相關(guān)系數(shù)，是在皮爾遜系數(shù)的基礎(chǔ)上重新構(gòu)造的相關(guān)系數(shù)。RV的計(jì)算依賴于構(gòu)造矩陣L、M，這兩個(gè)矩陣根據(jù)具體問題構(gòu)造不同的矩陣，具有較強(qiáng)的通用性和泛化能力。

3 大數(shù)據(jù)分析在潛射武器健康管理中的應(yīng)用

3.1 潛射武器數(shù)據(jù)分析

隨著部隊(duì)潛射武器作戰(zhàn)訓(xùn)練任務(wù)的不斷增加，潛射武器武器系統(tǒng)產(chǎn)生了大量數(shù)據(jù)，包括：試驗(yàn)數(shù)據(jù)、測(cè)試數(shù)據(jù)、環(huán)境數(shù)據(jù)、故障數(shù)據(jù)、維修數(shù)據(jù)、作戰(zhàn)訓(xùn)練數(shù)據(jù)等。

數(shù)據(jù)類型包括：數(shù)字、文字、圖像、視頻等，且由于記錄格式不統(tǒng)一，數(shù)據(jù)類型也不統(tǒng)一。數(shù)據(jù)的存儲(chǔ)方式主要包括：電子介質(zhì)存儲(chǔ)和紙質(zhì)存儲(chǔ)。電子介質(zhì)主要包括測(cè)試數(shù)據(jù)、各類圖像、視頻等。紙質(zhì)數(shù)據(jù)主要包括各類測(cè)試數(shù)據(jù)、環(huán)境數(shù)據(jù)、故障數(shù)據(jù)、維修數(shù)據(jù)、作戰(zhàn)訓(xùn)練數(shù)據(jù)等。

3.2 潛射武器健康狀態(tài)評(píng)估

潛射武器健康狀態(tài)是綜合保障中的關(guān)鍵問題之一。潛射武器的健康狀態(tài)評(píng)估與裝備的使用時(shí)間、使用頻率、裝備測(cè)試數(shù)據(jù)、環(huán)境數(shù)據(jù)、維修數(shù)據(jù)等都有關(guān)系。另一方面，潛射武器武器系統(tǒng)由電子設(shè)備、機(jī)械設(shè)備、光學(xué)設(shè)備等組成，涉及多個(gè)學(xué)科領(lǐng)域，要評(píng)估潛射武器的健康狀態(tài)是一項(xiàng)綜合工程。

健康狀態(tài)評(píng)估需要利用大量裝備基礎(chǔ)數(shù)據(jù)，在這些數(shù)據(jù)的基礎(chǔ)上，對(duì)裝備各個(gè)部件狀態(tài)進(jìn)行評(píng)估和預(yù)測(cè)。通過上述分析可以發(fā)現(xiàn)，神經(jīng)網(wǎng)絡(luò)方法比較適于裝備狀態(tài)健康評(píng)估。但是由于健康狀態(tài)數(shù)據(jù)繁多，可以使用相關(guān)分析技術(shù)和粒計(jì)算方法對(duì)數(shù)據(jù)進(jìn)行屬性約簡(jiǎn)或剔除冗余數(shù)據(jù)。在神經(jīng)網(wǎng)絡(luò)模型中，卷積神經(jīng)網(wǎng)絡(luò)更適于健康狀態(tài)評(píng)估?；炯夹g(shù)路線如圖4所示。

圖4 潛射武器健康狀態(tài)評(píng)估技術(shù)路線圖

3.2.1 潛射武器大數(shù)據(jù)存儲(chǔ)與處理

由于潛射武器數(shù)據(jù)來(lái)源不一、數(shù)據(jù)量大，數(shù)據(jù)格式、數(shù)據(jù)類型、數(shù)據(jù)精度等均有差異。所以，首先需要對(duì)各類數(shù)據(jù)進(jìn)行處理，主要處理方式包括：數(shù)據(jù)的歸一化、數(shù)據(jù)格式的統(tǒng)一、數(shù)據(jù)的提取、數(shù)據(jù)的統(tǒng)一表示等。

數(shù)據(jù)存儲(chǔ)采用B/S架構(gòu)，層次化設(shè)計(jì)分為硬件層、虛擬化云平臺(tái)、分布式計(jì)算平臺(tái)、數(shù)據(jù)服務(wù)平臺(tái)和平臺(tái)管理監(jiān)控。虛擬化云平臺(tái)層由云平臺(tái)服務(wù)集群組成，將硬件資源轉(zhuǎn)化為多個(gè)虛擬計(jì)算機(jī)，構(gòu)成虛擬機(jī)網(wǎng)絡(luò)。分布式計(jì)算平臺(tái)運(yùn)行分布式文件系統(tǒng)、分布式數(shù)據(jù)庫(kù)及分布式計(jì)算框架，為裝備信息的存儲(chǔ)和訪問提供底層支撐。數(shù)據(jù)服務(wù)平臺(tái)上構(gòu)建裝備信息數(shù)據(jù)倉(cāng)庫(kù)將通過各種來(lái)源和方式獲得的數(shù)據(jù)根據(jù)其使用需求進(jìn)行統(tǒng)一的抽取、轉(zhuǎn)換并存放，并向上層應(yīng)用軟件提供統(tǒng)一的訪問接口，為用戶提供數(shù)據(jù)服務(wù)。平臺(tái)管理監(jiān)控用于監(jiān)視云平臺(tái)服務(wù)集群軟硬件運(yùn)行狀態(tài)，進(jìn)行集群的管理維護(hù)，并制定相關(guān)管理策略。

3.2.2 潛射武器數(shù)據(jù)特征提取

由于大數(shù)據(jù)固有的價(jià)值稀疏性，根據(jù)不同的應(yīng)用領(lǐng)域，需要從海量數(shù)據(jù)中提取特征。特征提取方法分為兩類：屬性約簡(jiǎn)和數(shù)據(jù)變換，包括相關(guān)分析、粗糙集、粒計(jì)算[14]、小波變換等。

相關(guān)分析可實(shí)現(xiàn)數(shù)據(jù)屬性之間的關(guān)聯(lián)性計(jì)算，提取與決策相關(guān)的屬性，刪除與決策相關(guān)性弱的屬性，實(shí)現(xiàn)屬性約簡(jiǎn)，進(jìn)而為后續(xù)的狀態(tài)評(píng)估提供支持。相關(guān)分析適用于量化數(shù)據(jù)的處理。

粗糙集是一類針對(duì)模糊數(shù)據(jù)的屬性約簡(jiǎn)方法[15]，該方法保持相對(duì)分類能力不變的條件下，刪除冗余的、不必要的屬性或?qū)傩灾?，達(dá)到知識(shí)簡(jiǎn)化的目的。

3.2.3 潛射武器健康狀態(tài)評(píng)估

潛射武器系統(tǒng)是由電子設(shè)備、機(jī)械設(shè)備、光電設(shè)備等多類設(shè)備組成的復(fù)雜綜合大型系統(tǒng)，由于各類裝備失效機(jī)理、數(shù)據(jù)等方面存在較大差異，裝備健康狀態(tài)評(píng)估的方法也有所差異。

以電子設(shè)備為例，說(shuō)明健康狀態(tài)評(píng)估技術(shù)路線(如圖5所示)。根據(jù)數(shù)據(jù)類型的不同，電子設(shè)備的健康狀態(tài)評(píng)估采用不同的技術(shù)路線。

圖5 電子設(shè)備健康狀態(tài)評(píng)估技術(shù)路線

如果退化數(shù)據(jù)豐富，可采用深度神經(jīng)網(wǎng)絡(luò)、證據(jù)推理等方法建立電子設(shè)備性能退化模型，并進(jìn)行健康狀態(tài)實(shí)時(shí)評(píng)估。如果電子設(shè)備歷史測(cè)試數(shù)據(jù)比較豐富，可采用神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等方法建立時(shí)間序列預(yù)測(cè)模型，實(shí)時(shí)預(yù)測(cè)裝備健康狀態(tài)。如果環(huán)境應(yīng)力數(shù)據(jù)比較豐富，可采用應(yīng)力分析法建立可靠性評(píng)估模型，實(shí)現(xiàn)設(shè)備的可靠性評(píng)估，這種方法比較適合于長(zhǎng)期貯存的導(dǎo)彈武器系統(tǒng)。如果各類數(shù)據(jù)都比較豐富，則可以采用數(shù)據(jù)融合的方法實(shí)現(xiàn)健康狀態(tài)評(píng)估。

4 結(jié)束語(yǔ)

潛射武器的健康狀態(tài)評(píng)估是一個(gè)復(fù)雜的系統(tǒng)性工程，也是裝備管理部門和部隊(duì)十分關(guān)心的問題，是潛射核力量形成的重要支撐因素。隨著大數(shù)據(jù)分析技術(shù)的迅速發(fā)展以及潛射武器各類數(shù)據(jù)的不斷增加，利用大數(shù)據(jù)分析技術(shù)解決潛射武器健康狀態(tài)評(píng)估問題已經(jīng)成為一個(gè)行之有效的方法。通過上述分析可以發(fā)現(xiàn)，有些大數(shù)據(jù)分析技術(shù)比較適合潛射武器的健康狀態(tài)評(píng)估，有些分析技術(shù)適合于數(shù)據(jù)處理。雖然當(dāng)前潛射武器的各類數(shù)據(jù)暫時(shí)還達(dá)不到大數(shù)據(jù)的規(guī)模，但是應(yīng)用大數(shù)據(jù)分析技術(shù)解決當(dāng)前潛射武器系統(tǒng)的健康狀態(tài)評(píng)估成為一個(gè)有效的可選方案。

參考文獻(xiàn)：

[1] 程學(xué)旗, 靳小龍, 王元卓,等. 大數(shù)據(jù)系統(tǒng)和分析技術(shù)綜述[J]. 軟件學(xué)報(bào), 2014, 25(9):1889-1908.

[2] 周飛燕, 金林鵬, 董 軍. 卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)學(xué)報(bào), 2017(40)：1-23.

[3] 王偉凝, 王 勵(lì), 趙明權(quán),等. 基于并行深度卷積神經(jīng)網(wǎng)絡(luò)的圖像美感分類. 自動(dòng)化學(xué)報(bào), 2016,42(6): 904-914.

[4] 孫艷豐, 齊光磊, 胡永利. 基于改進(jìn) Fisher 準(zhǔn)則的深度卷積神經(jīng)網(wǎng)絡(luò)識(shí)別算法[J]. 北京工業(yè)大學(xué)學(xué)報(bào)，2015,41(6)：835-841.

[5] 孫 文, 邵思羽, 嚴(yán)如強(qiáng). 基于稀疏自動(dòng)編碼深度神經(jīng)網(wǎng)絡(luò)的感應(yīng)電動(dòng)機(jī)故障診斷[J]. 機(jī)械工程學(xué)報(bào), 2016, 52(9):65-71.

[6] 張 蕾，章 毅.大數(shù)據(jù)分析的無(wú)限深度神經(jīng)網(wǎng)絡(luò)方法[J].計(jì)算機(jī)研究與發(fā)展, 2016, 51(1):68-79.

[7] 章 毅, 郭 泉, 王建勇. 大數(shù)據(jù)分析的神經(jīng)網(wǎng)絡(luò)方法[J].工程科學(xué)與技術(shù), 2017, 49(1):9-18.

[8] 鄭 斌. 基于改進(jìn)遺傳算法的不完整大數(shù)據(jù)填充挖掘算法[J]. 微電子學(xué)與計(jì)算機(jī)，2016, 41(2):35-38.

[9] 鄒心遙，陳敬偉，姚若河. 采用粒子群優(yōu)化的 SVM 算法在數(shù)據(jù)分類中的應(yīng)用[J].華僑大學(xué)學(xué)報(bào)(自然科學(xué)版)，2016, 37(2):171-174.

[10] 董躍華，劉 力. 基于自適應(yīng)改進(jìn)粒子群優(yōu)化的數(shù)據(jù)離散化算法[J]. 計(jì)算機(jī)應(yīng)用，2016, 36(1):188-193.

[11] 洪 銘，柳培忠，駱炎民. 一種基于多智能體策略的人工免疫網(wǎng)絡(luò)數(shù)據(jù)分類方法[J]. 計(jì)算機(jī)應(yīng)用研究，2017, 34(1):151-156.

[12] 張 健，王笑竹. 人工免疫聚類算法在城市交通流量分析中應(yīng)用[J]. 中央民族大學(xué)學(xué)報(bào)(自然科學(xué)版), 2017, 26(1):56-60.

[13] 梁吉業(yè), 馮晨嬌, 宋 鵬. 大數(shù)據(jù)相關(guān)分析綜述[J].計(jì)算機(jī)學(xué)報(bào), 2016, 39(1):1-18.

[14] 苗奪謙, 李德毅, 姚一豫,等. 不確定性與粒計(jì)算. 北京：科學(xué)出版社, 2011.

[15] 郭 平, 王 可, 羅阿理, 等. 大數(shù)據(jù)分析中的計(jì)算智能研究現(xiàn)狀與展望. 軟件學(xué)報(bào), 2015, 26(11): 3010-3025.