數(shù)據(jù)驅(qū)動(dòng)的武器系統(tǒng)電子元部件級(jí)故障診斷研究綜述

孟 晨, 楊華暉, 王 成, 馬 征

(1. 陸軍工程大學(xué)導(dǎo)彈工程系, 河北 石家莊 050003; 2. 陸軍裝備部北京地區(qū)軍事代表局, 北京 100166)

0 引 言

現(xiàn)代武器系統(tǒng)是融合機(jī)械設(shè)計(jì)制造、測(cè)試控制、發(fā)射制導(dǎo)、目標(biāo)探測(cè)與識(shí)別等較多先進(jìn)理論技術(shù)的重要工程應(yīng)用領(lǐng)域。隨著新一代武器系統(tǒng)信息化程度的提高和對(duì)適應(yīng)未來(lái)復(fù)雜戰(zhàn)場(chǎng)環(huán)境的要求,創(chuàng)建以信息系統(tǒng)為核心的新型作戰(zhàn)保障網(wǎng)絡(luò)體系成為未來(lái)保障建設(shè)的重要方向。

武器系統(tǒng)故障診斷是新型作戰(zhàn)保障網(wǎng)絡(luò)體系構(gòu)建的基礎(chǔ)性環(huán)節(jié),也是實(shí)現(xiàn)整個(gè)武器系統(tǒng)故障預(yù)測(cè)與健康管理(prognostics and health management, PHM)的重要步驟。武器系統(tǒng)故障診斷是指利用武器系統(tǒng)正常運(yùn)行或發(fā)生故障過(guò)程中產(chǎn)生的數(shù)據(jù)信息,判斷故障元件、故障類型、發(fā)生時(shí)間、嚴(yán)重程度以及故障原因,進(jìn)而綜合評(píng)判武器系統(tǒng)狀態(tài)與作戰(zhàn)效能[1-3]。

按照武器系統(tǒng)組成的結(jié)構(gòu)層次和維修保障任務(wù)要求，故障診斷可以在不同層級(jí)的對(duì)象上實(shí)施[1,4]。以某型導(dǎo)彈武器系統(tǒng)為例，如圖1所示，系統(tǒng)組成可以劃分為系統(tǒng)級(jí)、分系統(tǒng)級(jí)、功能組件、部件級(jí)和元件級(jí)5個(gè)層次。每一級(jí)檢測(cè)到的故障需要對(duì)下一級(jí)進(jìn)行隔離與定位，直至向下傳遞到最底層的元器件或封裝部件。隨著當(dāng)前部隊(duì)維修保障改革發(fā)展和智能保障模式的轉(zhuǎn)變，元器件級(jí)和部組件級(jí)換件維修已經(jīng)分別發(fā)展為部組件級(jí)和功能組件級(jí)換件維修。同時(shí)，隨著電子技術(shù)及其生產(chǎn)制造工藝的發(fā)展，電子系統(tǒng)的最小可更換單元已有相當(dāng)比例成為部件級(jí)。因此，元部件級(jí)狀態(tài)監(jiān)測(cè)與故障診斷對(duì)實(shí)現(xiàn)上層功能組件和系統(tǒng)級(jí)故障定位與診斷具有基礎(chǔ)性和支撐性的作用，是實(shí)現(xiàn)武器系統(tǒng)PHM和決策維修的核心環(huán)節(jié)。

圖1 某型導(dǎo)彈武器系統(tǒng)組成結(jié)構(gòu)及故障診斷層級(jí)劃分Fig.1 Composition structure and fault diagnosis hierarchy of a missile weapon system

新一代武器系統(tǒng)中,由電子元部件組成的模塊化功能組件更加精密復(fù)雜、高度集成,這種趨于集成化、模塊化、智能化的電子系統(tǒng)設(shè)計(jì)方式,使得對(duì)其內(nèi)部電子元部件的狀態(tài)監(jiān)測(cè)和故障診斷技術(shù)有了更高要求。由于電子元部件故障具有故障關(guān)聯(lián)耦合、間歇性發(fā)生等特點(diǎn),因此對(duì)電子元部件的故障診斷主要要求在于快速準(zhǔn)確、響應(yīng)及時(shí)、精準(zhǔn)定位。傳統(tǒng)的針對(duì)易損元部件的離線測(cè)試、信號(hào)處理、專家系統(tǒng)診斷流程，面對(duì)日漸復(fù)雜、繁瑣的診斷任務(wù)已經(jīng)顯出成本高和效率低的特點(diǎn),取而代之的數(shù)據(jù)驅(qū)動(dòng)、在線學(xué)習(xí)、人工智能(artificial intelligence, AI)的故障診斷技術(shù)卻逐漸凸顯優(yōu)勢(shì)。另一方面,隨著武器系統(tǒng)信息化保障建設(shè)的推進(jìn)和軍事物聯(lián)網(wǎng)技術(shù)的發(fā)展,武器信息化平臺(tái)中積累的海量數(shù)據(jù)資源為實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)的故障診斷提供了堅(jiān)實(shí)基礎(chǔ)。針對(duì)復(fù)雜電子模塊的元部件級(jí)故障診斷,新一代工業(yè)系統(tǒng)已經(jīng)有了較多成功的應(yīng)用[5-7],并在無(wú)人機(jī)[4]等先進(jìn)武器系統(tǒng)上得到了深入研究。

傳統(tǒng)的基于模型的故障診斷方法是在已有系統(tǒng)的物理與數(shù)學(xué)先驗(yàn)知識(shí)的基礎(chǔ)上,分析部組件以及分系統(tǒng)之間的聯(lián)系,建立相對(duì)準(zhǔn)確的數(shù)學(xué)模型,進(jìn)而實(shí)現(xiàn)對(duì)整個(gè)系統(tǒng)的狀態(tài)監(jiān)測(cè)與故障診斷[8]。基于模型的方法往往針對(duì)某一特定型號(hào)武器系統(tǒng),雖然在過(guò)去幾十年里取得了較為顯著的研究成果[9-13],但對(duì)實(shí)現(xiàn)結(jié)構(gòu)精密復(fù)雜、部組件關(guān)聯(lián)緊密的新一代武器系統(tǒng)電子模塊的PHM和效能評(píng)估遠(yuǎn)遠(yuǎn)不夠。另一方面,AI技術(shù)的發(fā)展為實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)的故障診斷提供了動(dòng)力,同時(shí)適應(yīng)了未來(lái)武器系統(tǒng)無(wú)人化、智能化的診斷要求。相對(duì)于基于模型的故障診斷方法,數(shù)據(jù)驅(qū)動(dòng)方法的最大優(yōu)勢(shì)在于不需要系統(tǒng)的先驗(yàn)知識(shí)和準(zhǔn)確的數(shù)學(xué)物理模型,而是通過(guò)系統(tǒng)測(cè)試與運(yùn)行中產(chǎn)生的大數(shù)據(jù)進(jìn)行多元統(tǒng)計(jì)或建立AI模型,監(jiān)測(cè)系統(tǒng)實(shí)時(shí)狀態(tài)并完成模型的在線學(xué)習(xí)更新[14]。數(shù)據(jù)驅(qū)動(dòng)的故障診斷技術(shù)不僅是數(shù)據(jù)挖掘理論方法的具體工程應(yīng)用,而且是推動(dòng)新一代武器系統(tǒng)數(shù)據(jù)接口設(shè)計(jì)統(tǒng)一化和標(biāo)準(zhǔn)化的重要?jiǎng)恿Α?/p>

從故障診斷理論角度分析,任何狀態(tài)監(jiān)測(cè)與故障診斷系統(tǒng)都可以看作是一個(gè)信息冗余的數(shù)據(jù)系統(tǒng)[15],包含了數(shù)據(jù)獲取與數(shù)據(jù)分析兩個(gè)基本的元素。因此，基于模型和數(shù)據(jù)驅(qū)動(dòng)的方法都是研究如何挖掘數(shù)據(jù)和分析數(shù)據(jù),兩者的區(qū)別是在梳理運(yùn)用知識(shí)、模型、信號(hào)(數(shù)據(jù))相互關(guān)系上的不同,如圖2和圖3所示。

圖2 基于模型方法的故障診斷框架Fig.2 Fault diagnosis framework of model-based method

圖3 數(shù)據(jù)驅(qū)動(dòng)及融合方法的故障診斷框架Fig.3 Fault diagnosis framework of data-driven and fusion methods

基于模型的方法主要從先驗(yàn)知識(shí)出發(fā),以不同運(yùn)行狀態(tài)下的信號(hào)和數(shù)據(jù)信息為基礎(chǔ)構(gòu)建故障診斷模型,且診斷結(jié)果可以反饋補(bǔ)充先驗(yàn)知識(shí),形成了從運(yùn)用知識(shí)到豐富知識(shí)的過(guò)程。數(shù)據(jù)驅(qū)動(dòng)的方法則是從信號(hào)和數(shù)據(jù)出發(fā),通過(guò)有監(jiān)督或無(wú)監(jiān)督學(xué)習(xí)訓(xùn)練的方式直接構(gòu)建診斷模型,得到的診斷結(jié)果經(jīng)過(guò)驗(yàn)證分析后形成知識(shí),繼續(xù)修正和改進(jìn)數(shù)據(jù)訓(xùn)練模型,形成了從數(shù)據(jù)運(yùn)用到知識(shí)積累的過(guò)程。值得注意的是,診斷結(jié)果獲取的知識(shí)反向修正和改進(jìn)數(shù)據(jù)訓(xùn)練模型時(shí),就不再是簡(jiǎn)單意義的數(shù)據(jù)驅(qū)動(dòng)方法,而是信息融合的方法。綜上對(duì)比,可以看到基于模型和數(shù)據(jù)驅(qū)動(dòng)的方法在構(gòu)建故障診斷整體框架和梳理不同元素(知識(shí)、數(shù)據(jù)、模型)邏輯關(guān)系上的不同,但兩者最終都是面向知識(shí)學(xué)習(xí)和知識(shí)運(yùn)用方向的研究,故障診斷也因此成為融合測(cè)試?yán)碚?、信?hào)處理和AI等方法的重要工程應(yīng)用領(lǐng)域。

本文將進(jìn)一步梳理武器系統(tǒng)電子元部件級(jí)故障診斷技術(shù)的研究成果,總結(jié)當(dāng)前研究存在的困難和問(wèn)題,預(yù)測(cè)未來(lái)發(fā)展趨勢(shì)。說(shuō)明武器系統(tǒng)電子元部件的診斷對(duì)象具體有哪些。梳理歸納數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法。分析當(dāng)前研究存在的具體問(wèn)題及解決問(wèn)題的發(fā)展方向。

1 元部件級(jí)故障診斷的對(duì)象

武器系統(tǒng)中單個(gè)制件或相互連接具有特定功能而不能分解的多個(gè)制件統(tǒng)稱元件,部件是系統(tǒng)運(yùn)行所必須的特定功能的獨(dú)立零件及零件組合[1]。上述概念是文獻(xiàn)[1]對(duì)區(qū)分武器系統(tǒng)元件和部件的具體定義,對(duì)實(shí)施元部件級(jí)故障診斷技術(shù)具有指導(dǎo)意義。本文綜述的元部件級(jí)故障診斷對(duì)象,不再做兩者的具體劃分,而是根據(jù)文獻(xiàn)中研究對(duì)象的不同類別進(jìn)行歸納總結(jié)。

1.1 傳感器

傳感器是武器系統(tǒng)電子元部件級(jí)故障診斷領(lǐng)域中極其重要的研究對(duì)象，其應(yīng)用廣泛、種類繁多，尤其是在導(dǎo)航系統(tǒng)[16-17]、測(cè)控系統(tǒng)[18-19]、態(tài)勢(shì)感知系統(tǒng)[20]中具有舉足輕重的地位。新一代武器系統(tǒng)應(yīng)用的傳感器一般采用整體封裝結(jié)構(gòu)，在平時(shí)穩(wěn)定運(yùn)行的工作狀態(tài)下通常具有較高的可靠性，但在戰(zhàn)時(shí)極端環(huán)境和強(qiáng)干擾條件下，惡劣的運(yùn)行環(huán)境容易造成傳感器輸出信號(hào)出現(xiàn)尖刺、卡滯、強(qiáng)烈波動(dòng)等情況，發(fā)生故障的概率會(huì)顯著提高。另外，傳感器在長(zhǎng)時(shí)間運(yùn)行條件下容易發(fā)生精度漂移，造成較大的積累誤差，進(jìn)而影響系統(tǒng)正常工作。

以組合導(dǎo)航系統(tǒng)為例：衛(wèi)星導(dǎo)航傳感器、慣性導(dǎo)航加速度計(jì)和各類陀螺儀都屬于導(dǎo)航傳感器，可以為武器系統(tǒng)提供精確的位置、速度、姿態(tài)等信息。導(dǎo)航傳感器均為精密元器件，一旦受到外界強(qiáng)干擾或因自身發(fā)生嚴(yán)重漂移造成故障時(shí)，導(dǎo)航系統(tǒng)輸出數(shù)據(jù)就不再可靠。導(dǎo)航傳感器的故障按發(fā)生類型可分為突發(fā)故障和軟故障兩類。突發(fā)故障多數(shù)是由于運(yùn)行環(huán)境急劇惡劣變化導(dǎo)致傳感器突然失效，其發(fā)生概率較低，檢測(cè)容易且時(shí)延較短，對(duì)導(dǎo)航系統(tǒng)影響較大。軟故障是由于傳感器測(cè)量精度隨時(shí)間發(fā)生漂移導(dǎo)致，其發(fā)生概率較高，檢測(cè)難度大且時(shí)延長(zhǎng)，對(duì)導(dǎo)航系統(tǒng)初始影響小，但隨著時(shí)間推移會(huì)逐漸變大。針對(duì)導(dǎo)航傳感器故障檢測(cè)問(wèn)題，文獻(xiàn)[21]提出了基于一類支持向量機(jī)(one-class support vector machine, OC-SVM)與深度神經(jīng)網(wǎng)絡(luò)(deep neural network, DNN)結(jié)合的診斷方法，故障發(fā)生時(shí)DNN可以預(yù)測(cè)故障發(fā)生時(shí)間并輸出預(yù)測(cè)數(shù)據(jù)代替量測(cè)數(shù)據(jù)在主濾波器中進(jìn)行數(shù)據(jù)融合，且DNN可以針對(duì)每一個(gè)子濾波器進(jìn)行單獨(dú)訓(xùn)練，保證子濾波器的輸出數(shù)據(jù)質(zhì)量，但DNN訓(xùn)練需要全面、海量的標(biāo)簽樣本數(shù)據(jù)，并且要經(jīng)過(guò)充分訓(xùn)練才能在故障條件下準(zhǔn)確預(yù)測(cè)輸出。文獻(xiàn)[22]提出了多通道一維全卷積神經(jīng)網(wǎng)絡(luò)(one-dimension convolutional neural network, 1D-CNN)的檢測(cè)方法，可以從傳感器的量測(cè)殘差序列中提取故障特征并判斷導(dǎo)航系統(tǒng)的運(yùn)行狀態(tài)。文獻(xiàn)[23]提出了基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)在線導(dǎo)航傳感器故障檢測(cè)方法，可以實(shí)時(shí)分析卡爾曼濾波器殘差數(shù)據(jù)，不依賴先驗(yàn)知識(shí)準(zhǔn)確建模，對(duì)實(shí)現(xiàn)快速檢測(cè)和減小虛警率效果明顯。

此外，飛行器傳感器故障診斷研究還包括數(shù)據(jù)采集傳感器[24]、控制系統(tǒng)傳感器[25]等，其他在武器系統(tǒng)中應(yīng)用的傳感器包括電力變換系統(tǒng)傳感器[26]、電機(jī)驅(qū)動(dòng)系統(tǒng)傳感器[27]等。

1.2 模擬電子電路

模擬電子電路故障診斷的主要研究對(duì)象為功能性模擬電路中的半導(dǎo)體器件，以及電阻、電容、電感等各種元器件，其直接發(fā)生失效性故障的概率較低，但在各種條件下發(fā)生參數(shù)漂移卻是常態(tài)化的，參數(shù)變化超過(guò)一定的容差就對(duì)電路產(chǎn)生重要影響，甚至導(dǎo)致電路功能失效，影響整個(gè)部件或分系統(tǒng)正常運(yùn)行[28]。與傳感器故障類型類似，模擬電子電路故障主要分為突發(fā)(硬)故障和緩變(軟)故障兩類。突發(fā)故障通常導(dǎo)致功能性故障，一般會(huì)使電路完全喪失功能，具有不可修復(fù)性，比如電容擊穿、電阻短路等。緩變故障是指元器件參數(shù)偏離其額定范圍，造成元件退化失效[29]。兩種故障相比較，突發(fā)故障具有發(fā)生概率低、突發(fā)性、損壞嚴(yán)重等特點(diǎn)，緩變故障具有發(fā)生概率高、延續(xù)時(shí)間長(zhǎng)、對(duì)電路功能漸變影響的特點(diǎn)。在模擬電子電路故障診斷時(shí)，根據(jù)元器件參數(shù)變化對(duì)電路功能的影響程度，可以區(qū)分關(guān)鍵元器件和非關(guān)鍵元器件。例如圖4所示的Salley-Key帶通濾波器電路，關(guān)鍵元器件(藍(lán)色背景標(biāo)注)包括電阻R2和R3，電容C1和C2，其參數(shù)變化將會(huì)對(duì)濾波電路的中心頻率和帶寬產(chǎn)生重要影響。其他元器件中，電阻R1，R4，R5則屬于非關(guān)鍵元器件，在對(duì)緩變故障進(jìn)行診斷時(shí)，通常不需要將其列為診斷對(duì)象。針對(duì)模擬電路元部件緩變故障采用的數(shù)據(jù)驅(qū)動(dòng)故障診斷方法已經(jīng)逐漸成為主流[30-34]。

圖4 Salley-Key帶通濾波器電路Fig.4 Salley-Key band-pass filter circuit

模擬濾波器電路一般以電阻、電容為故障診斷對(duì)象，而在電力變換開(kāi)關(guān)電路中，半導(dǎo)體開(kāi)關(guān)是控制整個(gè)電路輸出變化的關(guān)鍵部件，故障診斷也因此主要圍繞半導(dǎo)體開(kāi)關(guān)展開(kāi)。同樣的，故障類型也主要包括短路故障和開(kāi)路故障。文獻(xiàn)[35-40]提出了多種不同的針對(duì)電力變換電路的數(shù)據(jù)驅(qū)動(dòng)故障診斷方法。但與模擬濾波電路不同的是，電力變化電路故障診斷方法除了要有較高的診斷準(zhǔn)確性和實(shí)時(shí)性以外，還要規(guī)避因負(fù)載變化帶來(lái)的欺騙性故障，即診斷方法的誤警率要低。

雖然目前電子系統(tǒng)中數(shù)字電路的應(yīng)用規(guī)模已經(jīng)遠(yuǎn)超模擬電路，但從近5年的研究統(tǒng)計(jì)來(lái)看，少于20%的模擬電子電路元器件卻占據(jù)了80%以上的電子電路故障發(fā)生率[41]。一方面由于數(shù)字電路具有容差范圍大、抗干擾能力強(qiáng)等特點(diǎn)，而模擬電路容具有容錯(cuò)性范圍小、抗干擾能力差、信號(hào)要求線性等特點(diǎn)，因此其故障發(fā)生概率遠(yuǎn)大于數(shù)字電路。另一方面，因?yàn)閿?shù)字電路的故障類型和故障模式相對(duì)簡(jiǎn)單，其故障診斷已有較為完善的方法體系。相比較而言，模擬電子元部件故障存在元器件參數(shù)緩變漂移、故障關(guān)聯(lián)耦合、間歇性發(fā)生等情況，使得對(duì)這類電子元部件進(jìn)行故障診斷要困難得多，造成模擬電路故障診斷尚缺乏較為有效的技術(shù)手段。

1.3 模擬集成元部件

隨著電子技術(shù)的發(fā)展，武器裝備電子系統(tǒng)設(shè)計(jì)越來(lái)越多地選擇整體封裝式或模塊化集成電子元部件，這對(duì)提高裝備可靠性、降低重量尺寸和換件維修難度具有重要意義。集成模擬電子元部件，盡管其輸入輸出為模擬信號(hào)，但是由于封裝和模塊化設(shè)計(jì)要求的原因，其內(nèi)部電路不一定是單一的功能電路，可能包括各種傳感器、模擬電路和模數(shù)混合電路等多種組合形式，同時(shí)電路的中間參量測(cè)試點(diǎn)通常較少?；谝陨显?，集成模擬電子元部件故障診斷相較于模擬電路，具有不同的特點(diǎn)：一方面只需要通過(guò)故障檢測(cè)確定其是否有故障，而無(wú)需將故障定位到內(nèi)部元器件；另一方面，由于其內(nèi)部電路的千萬(wàn)差別，利用先驗(yàn)知識(shí)和采集信號(hào)分類故障元件的方法是難以實(shí)現(xiàn)的。

利用輸入輸出信號(hào)和中間參量等狀態(tài)監(jiān)測(cè)信息，采用數(shù)據(jù)驅(qū)動(dòng)方法，是實(shí)現(xiàn)集成模擬電子元部件故障診斷的有效途徑。例如雷達(dá)裝備的接收機(jī)、發(fā)射機(jī)、信號(hào)處理單元、電源系統(tǒng)等。文獻(xiàn)[42-43]提出的數(shù)據(jù)驅(qū)動(dòng)模型實(shí)現(xiàn)了UH60TRANS直升機(jī)通訊組件和起落架控制組件的故障診斷應(yīng)用。

2 數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法

依據(jù)前述,數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法不依賴先驗(yàn)知識(shí)建立準(zhǔn)確的數(shù)學(xué)模型,也不需要基于專家經(jīng)驗(yàn)建立診斷的推理機(jī)制，主要是運(yùn)用多種不同的數(shù)據(jù)挖掘方法從海量的運(yùn)行數(shù)據(jù)中提取和分類故障特征。參考其處理數(shù)據(jù)方式以及發(fā)展過(guò)程的不同,數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法可以分為基于信號(hào)處理的方法、基于數(shù)據(jù)統(tǒng)計(jì)的方法、基于定量AI模型的方法和基于深度學(xué)習(xí)的方法。對(duì)不同電子元部件的診斷對(duì)象,各個(gè)方法都有其主要的適用對(duì)象,其中信號(hào)處理方法較適用于處理模擬電子電路故障信號(hào),多元統(tǒng)計(jì)方法主要適用于集成元部件,而定量AI模型和深度學(xué)習(xí)方法在傳感器類故障診斷中的應(yīng)用最為廣泛,數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法分類及其適用對(duì)象如圖5和圖6所示。

圖5 數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法Fig.5 Data-driven fault diagnosis methods

圖6 數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法適用對(duì)象Fig.6 Applicable objects of data-driven fault diagnosis methods

2.1 基于信號(hào)處理的方法

基于信號(hào)處理的故障診斷方法主要是提取故障信號(hào)在時(shí)域、頻域或者時(shí)頻域(小波域)的特征,再結(jié)合特征分類、相似度度量等方法對(duì)故障信號(hào)進(jìn)行處理。直觀上,故障信號(hào)在時(shí)域內(nèi)具有不同于正常運(yùn)行狀態(tài)的信號(hào)特征,如幅值變化和相位漂移,頻域上表現(xiàn)為頻率波動(dòng)和帶寬差異,信號(hào)特征的變化在一定程度上反映了系統(tǒng)運(yùn)行狀態(tài)的變化,因此可以通過(guò)信號(hào)處理的方法對(duì)系統(tǒng)進(jìn)行狀態(tài)監(jiān)測(cè)和故障診斷。值得注意的是,此處歸納的基于信號(hào)處理的方法是在數(shù)據(jù)驅(qū)動(dòng)大框架內(nèi)的細(xì)分,其前提是不需要系統(tǒng)的先驗(yàn)知識(shí)。與數(shù)據(jù)驅(qū)動(dòng)并列分類的也有基于信號(hào)處理的故障診斷方法,前后兩者的不同在于是否用到了系統(tǒng)模型的先驗(yàn)知識(shí)。

文獻(xiàn)[44]針對(duì)三相兩電平整流器開(kāi)路問(wèn)題提出了一種基于電流相似度分析的故障診斷方法,可以對(duì)半導(dǎo)體開(kāi)關(guān)的單一開(kāi)路或多開(kāi)路故障進(jìn)行有效診斷。通過(guò)對(duì)比分析任意兩個(gè)輸出電流信號(hào)的相似度(如歐式距離、相關(guān)系數(shù)、余弦角)完成故障檢測(cè)和分類,并進(jìn)一步提取開(kāi)關(guān)壓降和電流過(guò)零信號(hào)兩個(gè)時(shí)域指標(biāo)對(duì)故障進(jìn)行定位。該方法的優(yōu)點(diǎn)是在不建立系統(tǒng)準(zhǔn)確數(shù)學(xué)模型的基礎(chǔ)上,利用正常狀態(tài)和開(kāi)路故障狀態(tài)下電壓電流信號(hào)的時(shí)域特征,建立相似度度量指標(biāo),快速有效地實(shí)現(xiàn)整流器電路半導(dǎo)體開(kāi)關(guān)元件的故障診斷。

2.2 基于數(shù)據(jù)統(tǒng)計(jì)的方法

基于數(shù)據(jù)統(tǒng)計(jì)的數(shù)據(jù)驅(qū)動(dòng)主要采用多元統(tǒng)計(jì)方法,利用系統(tǒng)運(yùn)行過(guò)程中產(chǎn)生的輸入輸出數(shù)據(jù),構(gòu)造統(tǒng)計(jì)檢驗(yàn)量,判定系統(tǒng)的健康狀態(tài)。常用的多元統(tǒng)計(jì)方法包括主成分分析[45-46]、獨(dú)立分量分析[47-48]、偏最小二乘[49-50]、Fisher判別分析[51-52]、線性判別分析[53]、標(biāo)準(zhǔn)變量分析[54]、聚類分析[55-56]等。多元統(tǒng)計(jì)方法對(duì)監(jiān)測(cè)封裝嚴(yán)密、模塊化結(jié)構(gòu)、輸入輸出數(shù)據(jù)接口標(biāo)準(zhǔn)化部件的運(yùn)行狀態(tài)十分有效。依據(jù)前述,模塊化電子元部件內(nèi)部集成度高,傳感器、模數(shù)電路混合搭建,且封裝嚴(yán)密難以拆卸,因此針對(duì)模塊化電子元部件的故障診斷方案難以實(shí)現(xiàn)對(duì)某具體元件的定位和隔離。但是封裝電子元部件的優(yōu)點(diǎn)是輸入輸出穩(wěn)定,工作狀態(tài)清晰可判,因此可以利用模塊化電子元部件的多輸入多輸出信號(hào)特點(diǎn),選擇合適或改進(jìn)相關(guān)多元統(tǒng)計(jì)算法,構(gòu)造監(jiān)測(cè)統(tǒng)計(jì)量,實(shí)現(xiàn)狀態(tài)監(jiān)測(cè)與故障診斷。多元統(tǒng)計(jì)方法適用于模塊化診斷,與工業(yè)系統(tǒng)中監(jiān)測(cè)生產(chǎn)過(guò)程方法相似,其細(xì)分類方法可以參考文獻(xiàn)[14]給出的分類圖,方法的適用范圍和特點(diǎn)如表1所示。

表1 多元統(tǒng)計(jì)方法的適用范圍及特點(diǎn)

主成分分析是最基本的多元統(tǒng)計(jì)方法,可以從過(guò)程監(jiān)測(cè)數(shù)據(jù)中提取并保留重要的差異性分量。由于主成分分析算法形式簡(jiǎn)單且降維效果好,因此既可以單獨(dú)構(gòu)造故障檢驗(yàn)統(tǒng)計(jì)量,也可以作為數(shù)據(jù)預(yù)處理算法使用。主成分分析通過(guò)對(duì)過(guò)程采樣數(shù)據(jù)矩陣進(jìn)行奇異值分解(singular value decomposition, SVD),分離主成分子空間和殘差子空間,構(gòu)造兩個(gè)子空間的檢驗(yàn)統(tǒng)計(jì)量SPE和T2,實(shí)現(xiàn)過(guò)程監(jiān)控和故障診斷。需要注意的是,主成分分析構(gòu)造統(tǒng)計(jì)量的重要前提是過(guò)程數(shù)據(jù)假定符合多元高斯分布,且輸入輸出變量關(guān)系沒(méi)有考慮在內(nèi)。而偏最小二乘是考慮輸入輸出相關(guān)性的多元統(tǒng)計(jì)方法,對(duì)監(jiān)測(cè)過(guò)程采樣的數(shù)據(jù)矩陣進(jìn)行γ次SVD,但同樣對(duì)數(shù)據(jù)符合多元高斯分布有著嚴(yán)格的限制。Fisher判別分析的優(yōu)勢(shì)在于可以對(duì)故障數(shù)據(jù)直接進(jìn)行有效的分類,通過(guò)特征值分解(eigenvalue decomposition, EVD)對(duì)正常運(yùn)行狀態(tài)和多故障狀態(tài)進(jìn)行判別。獨(dú)立分量分析主要針對(duì)非高斯分布數(shù)據(jù)的處理,可以從未知數(shù)據(jù)源中提取獨(dú)立成分進(jìn)行分析,缺點(diǎn)是算法復(fù)雜度高,運(yùn)行時(shí)間長(zhǎng)。線性判別分析是有監(jiān)督的降維算法,在降維的同時(shí)也可以用于數(shù)據(jù)的分類,但同樣只適用于高斯分布數(shù)據(jù)。聚類分析可以歸結(jié)為多元統(tǒng)計(jì)算法,按聚類類型可分為基于距離(原型聚類)、基于密度和基于層次的聚類,其優(yōu)勢(shì)是不受動(dòng)態(tài)過(guò)程和非線性問(wèn)題的限制,適用范圍廣,可以根據(jù)故障數(shù)據(jù)的特點(diǎn)選擇不同的聚類算法,缺點(diǎn)是難以單獨(dú)完成狀態(tài)監(jiān)測(cè)和故障診斷,需要結(jié)合其他多元統(tǒng)計(jì)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],是以結(jié)構(gòu)簡(jiǎn)單的機(jī)器學(xué)習(xí)模型為基礎(chǔ),通過(guò)系統(tǒng)運(yùn)行過(guò)程產(chǎn)生的監(jiān)測(cè)數(shù)據(jù)進(jìn)行訓(xùn)練,迭代優(yōu)化模型參數(shù),使訓(xùn)練后模型能夠自動(dòng)檢測(cè)和識(shí)別故障(異常)模式,并給出具體的故障診斷結(jié)果。根據(jù)機(jī)器學(xué)習(xí)模型的不同,定量AI模型主要包括SVM[57-61]、模糊邏輯[62-63]、極限學(xué)習(xí)機(jī)[64-65]、多層感知機(jī)[66-67]。

SVM是定量AI模型的典型代表,在故障診斷領(lǐng)域(機(jī)械、電子)有著十分廣泛的應(yīng)用。文獻(xiàn)[68]針對(duì)模擬電子電路元部件的故障診斷問(wèn)題提出了一種SVM特征訓(xùn)練和故障分類的方法。模擬電路的響應(yīng)信號(hào)經(jīng)過(guò)分?jǐn)?shù)階傅里葉變換的特征轉(zhuǎn)換和核主成分分析進(jìn)行數(shù)據(jù)降維,最后采用SVM分離和提取故障特征,并完成對(duì)故障的分類。文獻(xiàn)[69]采用了分?jǐn)?shù)小波變換作為信號(hào)的預(yù)處理方法,再利用支持向量數(shù)據(jù)描述對(duì)提取特征進(jìn)行學(xué)習(xí)訓(xùn)練,得到故障的多分類器。運(yùn)用SVM等定量AI模型處理模擬電子電路的故障信號(hào),往往要結(jié)合時(shí)域、頻域和時(shí)頻域的信號(hào)處理方法,對(duì)原始數(shù)據(jù)進(jìn)行去噪、降維和特征提取處理,再將得到的特征輸入到機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練,方法的固定模式可以歸結(jié)為“信號(hào)處理”+“定量模型”的結(jié)構(gòu)搭配。SVM對(duì)傳感器類故障診斷也需要信號(hào)“預(yù)處理器”,文獻(xiàn)[70]采用SVM實(shí)現(xiàn)了車輛懸掛系統(tǒng)傳感器的故障診斷,將設(shè)計(jì)的故障隔離觀察器的殘差信號(hào)輸入到SVM進(jìn)行訓(xùn)練,解決了無(wú)先驗(yàn)殘差閾值知識(shí)情況下的故障診斷問(wèn)題。文獻(xiàn)[71-72]將傳感器采樣信號(hào)的時(shí)域特征作為SVM訓(xùn)練數(shù)據(jù),得到了隨著時(shí)域特征的增多，SVM的分類精度也能得到相應(yīng)提高的結(jié)論。

2.4 基于深度學(xué)習(xí)的方法

基于深度學(xué)習(xí)的方法主要利用DNN及融合方法,實(shí)現(xiàn)故障特征的深層學(xué)習(xí)和故障模式的自適應(yīng)診斷。深度學(xué)習(xí)方法以在線處理數(shù)據(jù)流或離線批量處理數(shù)據(jù)包的方式逐層提取輸入數(shù)據(jù)的高層特征。隨著武器系統(tǒng)信息化、智能化程度的不斷提高,采集得到的狀態(tài)運(yùn)行數(shù)據(jù)不斷呈指數(shù)增長(zhǎng),滿足了深度學(xué)習(xí)的基礎(chǔ)要求。正是由于深度學(xué)習(xí)處理海量、高維、多源異構(gòu)數(shù)據(jù)的獨(dú)特優(yōu)勢(shì),新一代工業(yè)系統(tǒng)中也采用深度學(xué)習(xí)方法批量處理過(guò)程狀態(tài)數(shù)據(jù),對(duì)系統(tǒng)進(jìn)行異常監(jiān)測(cè)和健康評(píng)估。文獻(xiàn)[5]中將這種深度學(xué)習(xí)方法總結(jié)為價(jià)值驅(qū)動(dòng)的方法,實(shí)質(zhì)上是強(qiáng)調(diào)狀態(tài)監(jiān)測(cè)大數(shù)據(jù)信息挖掘的價(jià)值,但在故障診斷領(lǐng)域仍然可以歸納為數(shù)據(jù)驅(qū)動(dòng)的方法?；谏疃葘W(xué)習(xí)的方法在處理系統(tǒng)(分系統(tǒng))級(jí)以及部組件級(jí)的故障診斷特別有效,同樣在元部件級(jí)故障診斷領(lǐng)域也取得了豐富成果[73-75]。值得強(qiáng)調(diào)的是,當(dāng)前深度學(xué)習(xí)方法在處理很多問(wèn)題時(shí)要同信號(hào)處理、特征提取、優(yōu)化理論等方法融合使用,才能針對(duì)不同的問(wèn)題取得更好的效果。但完成故障診斷任務(wù)的主體模型仍以DNN為主,因此本文在總結(jié)歸納基于深度學(xué)習(xí)方法時(shí)將融合方法歸類其中。

文獻(xiàn)[73]利用深度置信網(wǎng)絡(luò)(deep belief network,DBN)解決模擬電子電路間歇性故障診斷問(wèn)題,故障信號(hào)經(jīng)DBN進(jìn)行特征提取,再利用提取的特征向量訓(xùn)練SVM分類器。DBN學(xué)習(xí)速率通過(guò)量子粒子群算法進(jìn)行優(yōu)化,訓(xùn)練過(guò)程采用離線批量處理數(shù)據(jù)的方式。經(jīng)優(yōu)化的DBN+SVM深度學(xué)習(xí)融合方法解決了模擬電子電路元部件級(jí)間歇性故障的診斷問(wèn)題,深層特征提取效果較好,診斷結(jié)果穩(wěn)定可靠,該方法同樣適用于其他模擬濾波器電路。同樣地,文獻(xiàn)[74]采用DBN對(duì)脈寬調(diào)制電壓源整流器開(kāi)路故障信號(hào)進(jìn)行特征提取,網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)采用雙鏈量子遺傳算法進(jìn)行優(yōu)化,訓(xùn)練過(guò)程同樣是采用離線批量處理數(shù)據(jù)的方法,DBN可以直接用于整流器電壓輸出信號(hào)的實(shí)時(shí)在線監(jiān)測(cè)。文獻(xiàn)[75]針對(duì)非線性系統(tǒng)傳感器故障提出了基于在線神經(jīng)網(wǎng)絡(luò)故障檢測(cè)與估計(jì)方法,利用系統(tǒng)輸入輸出數(shù)據(jù)在線訓(xùn)練網(wǎng)絡(luò),完成故障閾值估計(jì)和故障檢測(cè)。這種針對(duì)非線性系統(tǒng)傳感器故障檢測(cè)方法主要有兩個(gè)優(yōu)點(diǎn):一是實(shí)現(xiàn)了在線神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí),二是對(duì)結(jié)構(gòu)未知、故障閾值難以估計(jì)的武器系統(tǒng)封裝元部件(傳感器)具有良好的適用性。

3 問(wèn)題與挑戰(zhàn)

數(shù)據(jù)驅(qū)動(dòng)的電子元部件級(jí)故障診斷利用已獲取的海量數(shù)據(jù)，建立非解析數(shù)學(xué)模型，逐層抽象和提取故障信號(hào)特征，實(shí)現(xiàn)故障的檢測(cè)、定位及辨識(shí)。數(shù)據(jù)驅(qū)動(dòng)不僅可以在無(wú)先驗(yàn)知識(shí)條件下實(shí)現(xiàn)故障診斷，而且對(duì)處理海量多源異構(gòu)的狀態(tài)監(jiān)測(cè)數(shù)據(jù)無(wú)壓力，方法適用范圍廣，泛化能力強(qiáng)。數(shù)據(jù)驅(qū)動(dòng)在大數(shù)據(jù)背景下逐漸成為研究熱點(diǎn)，目前在武器系統(tǒng)狀態(tài)監(jiān)測(cè)與故障診斷應(yīng)用領(lǐng)域仍處于起步發(fā)展階段，存在許多問(wèn)題和挑戰(zhàn)。本文歸納的問(wèn)題主要包括3個(gè)方面：數(shù)據(jù)質(zhì)量問(wèn)題、故障診斷方法與應(yīng)用和復(fù)雜運(yùn)行環(huán)境下未知故障模式識(shí)別的問(wèn)題，問(wèn)題的詳細(xì)分類及原因分析如圖7所示。

圖7 數(shù)據(jù)驅(qū)動(dòng)方法在武器系統(tǒng)電子元部件級(jí)故障診斷領(lǐng)域 存在的問(wèn)題及主要原因Fig.7 Problems and main reasons of data-driven method in the field of electronic components level fault diagnosis for weapon system

3.1 數(shù)據(jù)質(zhì)量問(wèn)題

考慮到數(shù)據(jù)驅(qū)動(dòng)方法對(duì)數(shù)據(jù)本身的依賴性，獲取數(shù)據(jù)的質(zhì)量直接影響后期故障特征提取的效果，決定了診斷結(jié)果的可靠性和真實(shí)性。當(dāng)前，分布式數(shù)據(jù)獲取技術(shù)成為海量數(shù)據(jù)收集的主要途徑，同時(shí)也是造成數(shù)據(jù)質(zhì)量問(wèn)題的主要原因[5]。如圖7所示，數(shù)據(jù)質(zhì)量問(wèn)題主要包括：數(shù)據(jù)不平衡不一致、數(shù)據(jù)不規(guī)范、數(shù)據(jù)缺失和數(shù)據(jù)污染等問(wèn)題。數(shù)據(jù)不平衡不一致主要是指采樣數(shù)據(jù)中正常運(yùn)行狀態(tài)數(shù)據(jù)量大、故障樣本數(shù)據(jù)量小和不同故障類型之間數(shù)據(jù)樣本量不平衡。數(shù)據(jù)不規(guī)范問(wèn)題是指相同武器系統(tǒng)元部件的輸出采樣數(shù)據(jù)格式不一致，離線訓(xùn)練數(shù)據(jù)和在線監(jiān)測(cè)數(shù)據(jù)格式不匹配。數(shù)據(jù)缺失是指數(shù)據(jù)在存儲(chǔ)、傳輸、分享過(guò)程中丟失數(shù)據(jù)片段，造成數(shù)據(jù)信息不完整。數(shù)據(jù)污染主要是指數(shù)據(jù)采集過(guò)程中受到外界噪聲干擾，造成數(shù)據(jù)質(zhì)量下降等情況。

為避免上述問(wèn)題，數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法需要在數(shù)據(jù)預(yù)處理、數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)傳輸過(guò)程中不斷改進(jìn)和努力。此外，故障診斷技術(shù)是為了在故障發(fā)生時(shí)減少相關(guān)損失，保障武器系統(tǒng)的作戰(zhàn)效能，如果診斷預(yù)算遠(yuǎn)高于故障既有損失，相關(guān)診斷技術(shù)就不再可取。因此，如何在低成本投入下獲取可靠有效的過(guò)程監(jiān)測(cè)數(shù)據(jù)、提高數(shù)據(jù)質(zhì)量和保證數(shù)據(jù)完整性，是實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)技術(shù)工程應(yīng)用首要解決的問(wèn)題。

3.2 不同元部件故障診斷方法與應(yīng)用問(wèn)題

數(shù)據(jù)驅(qū)動(dòng)方法采用的是非解析數(shù)學(xué)模型，通過(guò)數(shù)據(jù)訓(xùn)練實(shí)現(xiàn)模型的自學(xué)習(xí)和對(duì)故障的自適應(yīng)診斷，而數(shù)學(xué)模型選取、搭建以及訓(xùn)練過(guò)程對(duì)診斷結(jié)果有重要影響。如圖7所示，故障診斷方法與應(yīng)用問(wèn)題主要包括：計(jì)算復(fù)雜度問(wèn)題、方法泛化能力弱、診斷精度不確定問(wèn)題、故障預(yù)測(cè)能力問(wèn)題等。計(jì)算復(fù)雜度問(wèn)題是指搭建的數(shù)學(xué)模型結(jié)構(gòu)復(fù)雜、參數(shù)設(shè)置多，致使模型訓(xùn)練算法復(fù)雜度過(guò)高，訓(xùn)練時(shí)間增加。泛化能力弱是指在實(shí)施在線診斷的過(guò)程中，對(duì)不同元部件的診斷對(duì)象適用性較差，往往是實(shí)驗(yàn)結(jié)果好，實(shí)際應(yīng)用效果差，這種情況多是由于武器系統(tǒng)運(yùn)行狀態(tài)復(fù)雜多變，造成實(shí)時(shí)采樣數(shù)據(jù)與實(shí)驗(yàn)數(shù)據(jù)差異較大所導(dǎo)致。診斷精度不確定問(wèn)題是指由于方法應(yīng)用范圍有限、驗(yàn)證數(shù)據(jù)不足，致使診斷精確度難以估計(jì)。故障預(yù)測(cè)能力問(wèn)題是指方法的故障預(yù)測(cè)能力有限，故障模式識(shí)別存在滯后性，主要跟電子元部件的故障特點(diǎn)有關(guān)。與機(jī)械故障相比，電子元部件故障的突發(fā)性更強(qiáng)、預(yù)測(cè)難度更大。

解決診斷方法與應(yīng)用問(wèn)題，有的可以通過(guò)專家經(jīng)驗(yàn)來(lái)輔助進(jìn)行，即在數(shù)據(jù)驅(qū)動(dòng)方法上加入可靠的先驗(yàn)知識(shí)，同時(shí)結(jié)合信號(hào)預(yù)處理、優(yōu)化算法等技術(shù)加快收斂速度，減少訓(xùn)練時(shí)間和復(fù)雜度，增強(qiáng)非線性擬合以及特征提取能力。因此，專家經(jīng)驗(yàn)和先驗(yàn)知識(shí)是對(duì)數(shù)據(jù)驅(qū)動(dòng)方法很好的補(bǔ)充和修正。另外，在故障診斷方案設(shè)計(jì)上有必要考慮多種方法的組合，尋找最優(yōu)的診斷方案，提高診斷精度，降低虛警率。

3.3 復(fù)雜運(yùn)行環(huán)境下的未知故障模式識(shí)別問(wèn)題

傳統(tǒng)的故障診斷都是針對(duì)已知的(預(yù)期的)故障模式展開(kāi)的，武器裝備在實(shí)際工作中面臨更加復(fù)雜的工作環(huán)境，會(huì)導(dǎo)致出現(xiàn)未知的(非預(yù)期的)故障模式[76]，使其故障診斷變得更加復(fù)雜。在先驗(yàn)知識(shí)缺乏、故障樣本稀缺、故障模式不完備的情況下，如何及時(shí)檢測(cè)甚至隔離和處理未知故障，是故障診斷工程應(yīng)用的一個(gè)重大挑戰(zhàn)[76]。復(fù)雜運(yùn)行環(huán)境包括：極限高低溫或濕度環(huán)境下長(zhǎng)時(shí)間工作、強(qiáng)電磁干擾、超強(qiáng)機(jī)械振動(dòng)沖擊等情況。在復(fù)雜運(yùn)行環(huán)境下裝備故障診斷，按照解決問(wèn)題的難度可以劃分為3個(gè)層次：① 復(fù)雜環(huán)境下已知(預(yù)期)故障的診斷問(wèn)題，能夠在存在未知(非預(yù)期)故障模式干擾的情況下實(shí)現(xiàn)對(duì)已知故障模式的正常故障診斷；② 復(fù)雜環(huán)境下未知故障的檢測(cè)問(wèn)題，能夠在實(shí)現(xiàn)已知故障模式診斷的基礎(chǔ)上，實(shí)現(xiàn)對(duì)未知故障模式的檢測(cè)；③ 未知故障的特征提取與故障模式識(shí)別問(wèn)題，能夠在實(shí)現(xiàn)未知故障檢測(cè)的基礎(chǔ)上，利用采集到的具有相當(dāng)數(shù)據(jù)量的未知故障數(shù)據(jù)，采用數(shù)據(jù)聚類、深度學(xué)習(xí)等方法進(jìn)行在線特征提取和故障模式識(shí)別，進(jìn)一步提高數(shù)據(jù)驅(qū)動(dòng)模型對(duì)未知故障的診斷能力，并將未知故障在線轉(zhuǎn)換為已知故障。

4 結(jié) 論

本文首先對(duì)數(shù)據(jù)驅(qū)動(dòng)的武器系統(tǒng)電子元部件級(jí)故障診斷的發(fā)展過(guò)程進(jìn)行了全面綜述,依據(jù)在診斷中是否需要物理模型的先驗(yàn)知識(shí),將其劃分為基于模型和數(shù)據(jù)驅(qū)動(dòng)的方法。其次,對(duì)電子元部件級(jí)的主要診斷對(duì)象進(jìn)行了總結(jié),主要?dú)w納為傳感器、模擬電子電路元部件和其他封裝元部件三大類。隨后,對(duì)數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法進(jìn)行綜述,依據(jù)對(duì)采樣數(shù)據(jù)(信號(hào))處理方式的不同,將其劃分為基于信號(hào)處理的方法、基于數(shù)據(jù)統(tǒng)計(jì)的方法、基于定量AI模型的方法和基于深度學(xué)習(xí)的方法。最后,對(duì)數(shù)據(jù)驅(qū)動(dòng)方法在武器系統(tǒng)電子元部件級(jí)故障診斷領(lǐng)域存在的問(wèn)題進(jìn)行總結(jié),歸納為數(shù)據(jù)質(zhì)量問(wèn)題、不同元部件故障診斷方法與應(yīng)用問(wèn)題以及復(fù)雜運(yùn)行環(huán)境下的未知故障模式識(shí)別問(wèn)題,并進(jìn)一步闡述了問(wèn)題具體涵蓋的幾個(gè)方面。從本文中可以得到如下結(jié)論。

(1) 相較于武器系統(tǒng)機(jī)械構(gòu)件,系統(tǒng)中電子元部件運(yùn)行穩(wěn)定、可靠性高,但仍面臨工作狀態(tài)易受干擾、存在間歇性故障、突發(fā)故障不易恢復(fù)、故障元件耦合關(guān)聯(lián)等問(wèn)題。對(duì)電子元部件故障診斷要求快速準(zhǔn)確、響應(yīng)及時(shí)、精準(zhǔn)定位,診斷對(duì)象分類相對(duì)簡(jiǎn)單,但不同類型的元部件診斷方法差異性大,需根據(jù)輸出信號(hào)的特點(diǎn)設(shè)計(jì)相應(yīng)的故障診斷方案。

(2) 數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法是隨著AI技術(shù)的成熟逐漸呈現(xiàn)出多元分支、融合發(fā)展的趨勢(shì)。從傳統(tǒng)的定量AI模型方法到當(dāng)前DNN方法,武器系統(tǒng)電子元部件級(jí)故障診斷技術(shù)趨于網(wǎng)絡(luò)化、智能化的發(fā)展方向愈加清晰。展望未來(lái)研究方向,數(shù)據(jù)驅(qū)動(dòng)方法需要在結(jié)合模型先驗(yàn)知識(shí)、信號(hào)處理、優(yōu)化算法等方面有更深更廣的拓展。

(3) 當(dāng)前數(shù)據(jù)驅(qū)動(dòng)方法在武器系統(tǒng)故障診斷領(lǐng)域應(yīng)用存在的問(wèn)題主要是數(shù)據(jù)、算法和運(yùn)行環(huán)境3個(gè)方面。解決數(shù)據(jù)質(zhì)量問(wèn)題是基礎(chǔ),需要規(guī)范數(shù)據(jù)接口、提高數(shù)據(jù)標(biāo)準(zhǔn)化程度;算法及模型問(wèn)題是瓶頸,需要考慮信息融合、模型優(yōu)化等方法;復(fù)雜運(yùn)行環(huán)境下未知故障模式識(shí)別和實(shí)現(xiàn)非預(yù)期故障在線學(xué)習(xí)是突破,需在工程實(shí)踐中不斷提高診斷方法的可靠性和適用性。