基于深度學習的某型遠火武器系統(tǒng)故障診斷方法研究

李思雨，王沁蓉，黃少羅，姚愷，劉華清

(1.陸軍工程大學石家莊校區(qū)，河北 石家莊 050003；2.西北大學 信息科學與技術學院，陜西 西安 7100683.武警山西省總隊，山西 太原 030012)

遠程火箭炮武器系統(tǒng)，簡稱遠火，具有打擊射程遠、突防能力強、毀傷范圍大等優(yōu)點，但部隊在實際組訓中，由于其裝備操作復雜、信息化程度高、受訓場地有限等原因導致參訓人員難以真正掌握武器裝備操作和維修技能，一旦裝備或機構出現損壞將嚴重影響訓練和科研工作的進度[1]。借助深度學習方法，基于半實物仿真的訓練模擬器，采用與實裝一致的組合面板，構建系統(tǒng)硬件環(huán)境，通過計算機模擬組合內部電路功能、實現各組合的邏輯控制，建立一個逼真的人機交互操作界面，可以在脫離實裝的情況下進行相關的訓練，模擬出故障情況，作為算法的輸入，通過神經網絡訓練優(yōu)化，得出故障診斷結果。

1 深度學習

深度學習核心思想是無監(jiān)督學習，每次用無監(jiān)督學習只訓練一層，將其訓練結果作為更高一層的輸入，用自頂而下的監(jiān)督算法去調整所有層。其中具有代表性的深度學習是卷積神經網絡(CNN)、深度信念網絡(DBN)和堆疊自動編碼機(SAE)。

卷積神經網絡(CNN)是一種前饋神經網絡的深度學習，它的人工神經元可以響應一部分覆蓋范圍內的周圍單元，對于大型圖像處理有出色的表現。該網絡模型結構包括輸入層、多個卷積層和池化層，以及全連接層和輸出層[2]。輸入層通過梯度下降學習算法，處理不同維度數據；卷積層內含多個卷積核，通過特征提取進行標準化；池化層的功能是完成相關的特征圖統(tǒng)計量；全連接層處于神經網絡隱含層的末端，僅向其他全連接層反饋信號；輸出層的運行原理、基本結構與一般前饋神經網絡輸出層功能相同。常用的卷積神經網絡結構，如圖1所示。

深度信念網絡(DBN)既可以用于非監(jiān)督學習，相當于自編碼機，也可以用于監(jiān)督學習，相當于分類器。由若干層神經元組成，組成部分受限玻爾茲曼機(RBM)?？梢詫τ柧殧祿M行深層表達的圖形模型，借助RBM逐層疊加，從中獲取多種有效的特征[3]。然后通過貪心算法對各層網絡進行訓練和優(yōu)化,最后以反向微調的方式提高DBN的故障識別能力，無監(jiān)督訓練算法，能自適應的完成數據的特征提取和故障診斷，并且具有處理非線性和高維數據的能力，因此適合解決新時期的“大數據”問題，深度信念網絡采用的是層與層之間的全連接方式，其常用結構如圖2所示。

堆疊自動編碼機(SAE)模型是一個由多層稀疏自編碼器組成的深度神經網絡類型，上一層的自編碼器的輸出作為后一層自編碼器的輸入，最后一層是一個分類器，也就是一個逐層累加的過程，每層的輸入數據作為一種特征表示，加入到自動學習的特征里面，來逐漸提高學習的能力，深度神經網絡預訓練的關鍵方法，從低層開始，每個AE進行單獨訓練。利用作標簽的數據對整個深度神經網絡進行微調整，來得到最優(yōu)化方案[4]。

綜合比較上述幾種算法，深度信念網絡(DBN)的網絡結構是全連接的方式，且有預訓練，訓練時間過長，運算量相對較大，對于問題的分類，存在精度不高，且記憶功能不足；堆疊自動編碼機(SAE)訓練方法是梯度下降法，更擅長處理數據降維、降噪等多元問題；卷積神經網絡可以自動的對特征進行提取，卷積濾波器發(fā)揮作用，訓練得出模型泛化能力強，與上述兩種神經網絡相比，更適用本文研究。擬采用卷積神經網絡的學習算法來對遠火裝備進行故障診斷[5]。各種神經網絡比較如表1所示。

表1 各種深度神經網絡比較

2 遠火故障模式與機理建模

2.1 工作狀態(tài)模擬

以遠火指控系統(tǒng)面板上的操作示意圖為例，說明如何完成對其工作狀態(tài)的模擬，原理框圖如圖3所示。

當按下系統(tǒng)面板上的操作按鈕時，按鈕的狀態(tài)改變(由低電平轉換成高電平，或由高電平轉換成低電平)，該狀態(tài)改變信息經面板控制電路傳送到中央電路板，經調理、驅動處理后，傳送到主控計算機的I/O卡。經采集后，由主控計算機進行數據處理，從數據庫中調出相應的火箭炮控制系統(tǒng)顯示信息，一部分通過I/O經中央電路板傳送給相應的面板控制電路，再由面板控制電路控制相應的指示燈顯示；一部分通過D/A卡轉換為模擬量，再經中央電路板傳送給相應的面板控制電路，再由面板控制電路控制相應電表顯示；一部分通過網卡傳送給顯示控制計算機的顯示器上顯示相應的圖像信息[6]。

火箭炮控制系統(tǒng)面板上的手輪操作模擬與按鈕操作模擬類似，不同之處是數據錄入主控計算機是通過A/D卡轉換后錄入的[7]。

2.2 遠火故障狀態(tài)模擬

為了貼近部隊裝備保障的實際需求，提高保障效率和維修水平，對遠火武器系統(tǒng)裝備故障模式及故障機理進行建模研究是十分必要的。遠程火箭炮武器系統(tǒng)內部結構高度信息化集成，設備之間的連接與控制關系復雜，故障發(fā)生時，模式較多。同時，由于軟件的作用更增加了系統(tǒng)故障的耦合性和不確定性。所以，故障模擬是遠火武器系統(tǒng)虛擬維修實現的難點之一[8]。對于遠火武器系統(tǒng)故障模擬建模需要完成兩方面。

首先對裝備發(fā)生故障時的模式進行研究。結合遠火裝備構造特點，對裝備的層次、類別劃分，詳細描述每個層次單元的故障模式以及對裝備功能性能的影響，將各種故障模式分為顯性故障、隱性故障、軟故障、硬故障、軟件故障、硬件故障等多種類型，依據故障產生的影響進行故障分級。

其次對于故障機理進行建模。方法是把原理分析和實裝試驗分析二者結合。單體設備方面從其功能和構成出發(fā)，借助以可靠性為中心的維修(RCM)和失效模式與影響分析(FMEA)等理論，對于組成設備和其軟件部分可能發(fā)生的故障進行研究，通過分析得出各個單體設備的故障模式、發(fā)生現象、產生的故障信號特征；然后，分析各單體設備之間的連接關系和工作原理，通過分析傳輸信號的種類、數據組成、收發(fā)時序等參數，明確單體設備之間的故障影響模式，建立相應的故障機理模型。對于實裝方面，在實際裝備上進行故障試驗，著重采錄單體操作面板的故障現象、采集單體設備輸入、輸出端口的信號特征等，對故障機理模型進行修正和完善。以遠火武器系統(tǒng)訓練模擬器為例，遠火故障狀態(tài)模擬原理如圖4所示。

遠火武器系統(tǒng)訓練模擬器的導演臺(指控系統(tǒng))的主控計算機設置故障類型產生故障狀態(tài)，可以從數據庫查找到對應的故障點，經由I/O卡設置相應的繼電器為故障狀態(tài)，繼電器則切斷遠火指控系統(tǒng)操作面板上相應指示表的正確指示，同時接通告警燈、告警喇叭以及對應的故障指示燈，從而正確顯示故障現象，參訓人員就可以通過故障現象判斷相應的故障類型。

3 實驗驗證與分析

上述提到的火箭炮故障狀態(tài)模擬的方法在很大程度上方便了維修操作人員對遠火武器系統(tǒng)的故障判別和診斷，由于是人工操作，與智能診斷相比，還有一定的差距。而深度學習算法的引入，使實現模擬器中諸多類型故障的智能分類變?yōu)榭赡堋⑦h火訓練模擬器模擬產生的故障和深度學習的智能診斷算法結合，實現遠火武器系統(tǒng)故障的智能診斷。

3.1 深度學習診斷方法

相較于機器學習，通過人為識別信號燈進行故障診斷方法有兩點不足之處：一是由指控系統(tǒng)(導演臺)可以設置的故障有50多種，但是利用操作面板顯示故障類型卻只能達到32種，同時對于耦合故障和一種故障多種原因的情況，人工分析并不能通過讀取操作面板的指示燈顯示分析得到；二是在工作效率和判斷故障的準確度方面，人工操作與計算機的運算速度是無法相比。因此，筆者將導演臺可設置的所有可能的故障情況和與之對應的故障原因作為分析的故障數據，即卷積神經網絡的輸入，經過卷積神經網絡學習之后，可用于故障情況的判別和分析[9]。

3.2 實驗驗證

實驗以遠火武器系統(tǒng)的營連射擊指揮車在操作訓練過程中常見的故障情況為例，借助訓練模擬器進行故障模擬，以卷積神經網絡為主的深度學習算法進行故障診斷分析，如表2所示。

表2 幾種常見故障及原因

實驗步驟：

1)產生實驗數據。在表2中，描述了遠火營連射擊指揮車的5種故障現象和相對應的12種故障原因，故障現象是由多種不同的故障原因引發(fā)，二者之間存在關聯(lián)。設Y為故障數據，則對應上述5種故障，可將Y劃分為：Y1,Y2,Y3(Y31，Y32,Y33)，Y4,Y5；設X為故障原因(不同的故障原因可能導致同一個故障的發(fā)生)，可將X劃分為X1，X2，…，X12，則一組故障數據如下：Y1-X1,Y1-X2,Y1-X3,Y1-X4,Y2-X5,Y2-X6,Y31-X7,Y32-X8,Y33-X9,Y4-X10,Y5-X11,Y5-X12。

通過訓練模擬器將上述表中的5種故障模式(Yi)和故障原因(Xi)重復設置100次，即可得到100組故障數據(故障現象與故障原因對應，組成故障數據)進行記錄，將數據作為輸入，其中隨機選取70組數據作為深度學習的訓練數據，其余的30組數據作為測試數據。

上述的故障數據是作為機器學習的輸入，而本文的目的則是到達能夠智能判斷故障類型的效果，所以故障類型作為機器學習的輸出。

2)通過訓練獲取參數。卷積神經網絡的核心和關鍵在于卷積層和池化層，為了選取適合本文故障數據的最優(yōu)網絡結構層數，分別選取不同的卷積網絡結構進行實驗，通過對比實驗結果，選取最優(yōu)的網絡結構[10]。卷積神經網絡不需要過多層數就能達到很好的訓練效果，而過多的層數反而會帶來運算量過大，影響訓練效率等問題，為此，筆者選取較少的網絡結構層數作為實驗分析的過程，不同結構的卷積神經網絡對比分析如表3所示。

表3 不同結構的卷積神經網絡對比分析

從表3中可以看出，訓練時間最短的是19.76 s，精度最高的是99.36%，然而過多的網絡層數會導致過長的訓練時間，而過少的網絡層數則會帶來準確率較低的問題，為此，權衡訓練效率和訓練精度，筆者擬采用的卷積神經網絡的結構為：卷積層2層，池化層2層，全連接層2層。

在確定網絡結構之后，通過MATLAB軟件，應用其中的深度學習部分功能，將上述部分實驗得到的數據作為輸入對學習機進行訓練。對于卷積神經網絡的迭代次數、訓練批次和學習效率都是需要進一步確定的參數，迭代次數的訓練過程如圖5所示。藍色曲線表示擬合曲線，是盡可能平滑的曲線；綠色曲線表示實際訓練過程的曲線，從圖中可以看出其上下起伏的次數較多，可以說明該曲線是符合實際情況的復雜性；紅色虛線表示理想情況下得到的曲線，通過觀察對比可以看出綠色曲線大致在紅色虛線附近，進一步驗證了該曲線是符合實際情況的。

從圖5中可以看出，迭代次數達到8次的時候，訓練結果的準確度就不再隨著迭代次數的增加而上升，因此，可以判斷最優(yōu)的迭代次數為8。

3)驗證實驗數據。經過上述70組訓練數據的訓練已經得到了最優(yōu)的CNN結構和相應的網絡參數，經過訓練CNN更像是一臺學習機器，之后使用剩余的30組數據作為測試數據，即可得到 DBN、SAE中的實驗結果。通過分析實驗結果，進一步說明CNN診斷效果的優(yōu)越性，不同算法之間的結果比較如表4所示。

表4 不同算法之間的結果比較

通過分析表4的實驗結果可知，其中深度信念網絡(DBN)在訓練時間和訓練結果的準確度方面都不如其他兩個網絡的診斷效果好，而堆疊自動編碼機(SAE)在訓練時間、診斷結果的精度上與卷積神經網絡相比較低，因此，可以說明卷積神經網絡更加適合本文的診斷數據。同時，更加說明深度學習算法相比人工識別而言，在使用的訓練時間和診斷的精度方面的優(yōu)勢更加不言而喻[11]。

4 結束語

遠程火箭炮武器系統(tǒng)訓練模擬器采用了一體化綜合模擬設計方法，借助半實物仿真技術，能夠替代實裝的結構、動作教學，可以進行結構分解結合、故障設置與排除等一系列維修活動。通過訓練中可能存在的多種故障模式分析研究進行模擬仿真，之后又使用深度學習的方法實現了對多種故障情況進行診斷實現智能分類。筆者從故障機理建模和深度學習算法兩個方面詳細闡述了遠火訓練模擬器如何使用深度學習的智能故障診斷方法實現故障診斷。通過實驗證明，深度學習的智能診斷方法為解決復雜武器系統(tǒng)的故障診斷和識別提供了一種新的技術途徑。該方法能夠大大減少對裝備的損耗，降低訓練成本，具有明顯的軍事和經濟效益，同時也為其他現代化武器系統(tǒng)提供了一種新的訓練模式。