系統(tǒng)故障預(yù)測(cè)的自主學(xué)習(xí)模型建立方法

岳曉東

摘 要目前，各種系統(tǒng)的集成度和復(fù)雜性不斷增加，其可靠性、可測(cè)試性、可維修性及維修保障費(fèi)用等問(wèn)題日漸突出，在系統(tǒng)運(yùn)行過(guò)程中若發(fā)生故障將造成不可預(yù)知的損失，因此，如何對(duì)故障進(jìn)行監(jiān)測(cè)、診斷，如何對(duì)潛在故障進(jìn)行有效的預(yù)測(cè)已經(jīng)成為該領(lǐng)域研究的熱點(diǎn)課題之一。

【關(guān)鍵詞】系統(tǒng)故障預(yù)測(cè) 模型 數(shù)據(jù)

現(xiàn)階段，針對(duì)系統(tǒng)故障預(yù)測(cè)方面的研究幾乎為零，傳統(tǒng)的做法一般主要是依靠科研人員通過(guò)人工分析采集到的數(shù)據(jù)，結(jié)合積累的經(jīng)驗(yàn)等進(jìn)行簡(jiǎn)單粗略的估計(jì)，而無(wú)法做到實(shí)際意義上的故障預(yù)測(cè)，且這類(lèi)傳統(tǒng)的方法往往需要耗費(fèi)巨大的人力、物力成本，同時(shí)預(yù)測(cè)的周期短、精度差、準(zhǔn)確性低，可靠性和實(shí)時(shí)性得不到保證，往往無(wú)法得到令人滿(mǎn)意的效果。

為實(shí)現(xiàn)真正意義上的系統(tǒng)的故障預(yù)測(cè)，同時(shí)克服上述傳統(tǒng)方法的弊端，針對(duì)高復(fù)雜度、高集成度的綜合系統(tǒng)，開(kāi)展自主學(xué)習(xí)的故障預(yù)測(cè)技術(shù)研究具有極其重要的意義。該研究能夠進(jìn)一步推動(dòng)故障預(yù)測(cè)技術(shù)在復(fù)雜系統(tǒng)乃至航天等各領(lǐng)域內(nèi)的實(shí)踐和應(yīng)用，為進(jìn)一步研究故障預(yù)測(cè)技術(shù)打下基礎(chǔ)。

1 故障預(yù)測(cè)的國(guó)內(nèi)外研究現(xiàn)狀

關(guān)于故障預(yù)測(cè)方面的研究國(guó)外已有一定的成果，但其在許多領(lǐng)域的應(yīng)用并不完善，而國(guó)內(nèi)在這方面的研究尚處于起步和探索階段。

以系統(tǒng)運(yùn)行各狀態(tài)為基礎(chǔ)，采用人工智能領(lǐng)域中深度置信網(wǎng)絡(luò)（DBN）高效的深度學(xué)習(xí)算法構(gòu)建故障的預(yù)測(cè)模型，從而實(shí)現(xiàn)系統(tǒng)故障的有效預(yù)測(cè)。

國(guó)外率先對(duì)復(fù)雜系統(tǒng)進(jìn)行故障預(yù)測(cè)研究是20世紀(jì)70年代Saeks等人，他們所研究的是系統(tǒng)中出現(xiàn)故障的征兆，由于這種征兆幅值很小，還沒(méi)有對(duì)系統(tǒng)造成破壞，所以很難用一般的方法辨別出，因此發(fā)展一直很緩慢，一度陷入困境。Khoshgoftaar等人在1992年提出了用神經(jīng)網(wǎng)絡(luò)來(lái)訓(xùn)練神經(jīng)元進(jìn)行軟件系統(tǒng)的故障測(cè)定，這種經(jīng)過(guò)訓(xùn)練的模型的優(yōu)勢(shì)在于對(duì)故障的趨勢(shì)預(yù)測(cè)。2007年國(guó)際空間站的飛行控制委員會(huì)通過(guò)監(jiān)測(cè)國(guó)際空間站上4個(gè)陀螺儀的若干參數(shù)提前數(shù)月預(yù)測(cè)和發(fā)現(xiàn)某個(gè)陀螺儀的失效故障，從而能夠及時(shí)切換以保障空間站的正常運(yùn)行。

我國(guó)在故障預(yù)測(cè)方面的研究較晚，目前尚處于理論研究階段。如2003年重慶大學(xué)的孫才新院士及其課題組利用模糊數(shù)學(xué)中的灰色模型研究了電力系統(tǒng)故障的預(yù)測(cè)問(wèn)題。2005年，南京理工大學(xué)的秦俊奇以大口徑火炮為研究對(duì)象，運(yùn)用先進(jìn)的動(dòng)態(tài)模糊綜合評(píng)判理論和多Agent并行推理技術(shù)，在對(duì)火炮進(jìn)行詳細(xì)故障分析的基礎(chǔ)上，對(duì)故障預(yù)測(cè)技術(shù)進(jìn)行了系統(tǒng)的理論和應(yīng)用研究并建立了相應(yīng)的故障預(yù)測(cè)模型。近幾年P(guān)HM技術(shù)也受到了軍事及航天等領(lǐng)域越來(lái)越多的重視，北京航空航天大學(xué)可靠性工程研究所、航空643所、哈爾濱工業(yè)大學(xué)等研究機(jī)構(gòu)從設(shè)備監(jiān)控衰退規(guī)律、故障預(yù)測(cè)模型、健康管理技術(shù)等方面對(duì)PHM技術(shù)進(jìn)行了較多跟蹤研究。

2 模型建立方法及需要解決的關(guān)鍵技術(shù)

2.1 模型建立方法

建立自主學(xué)習(xí)模型時(shí)，采用數(shù)據(jù)挖掘的方法對(duì)系統(tǒng)大量的歷史數(shù)據(jù)進(jìn)行分析，同時(shí)并結(jié)合數(shù)據(jù)融合及維度變換設(shè)計(jì)特征集的分類(lèi)器以提取和建立特征參數(shù)，建立其對(duì)應(yīng)的特征指標(biāo)參數(shù)體系，通過(guò)傳感器網(wǎng)絡(luò)采集獲得參數(shù)，并對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理以提取出有效數(shù)據(jù)，再將有效數(shù)據(jù)作為深度學(xué)習(xí)的數(shù)據(jù)基礎(chǔ)，經(jīng)過(guò)反復(fù)的訓(xùn)練和學(xué)習(xí)，以建立相關(guān)的故障預(yù)測(cè)模型，再應(yīng)用測(cè)試驗(yàn)證系統(tǒng)進(jìn)行反復(fù)驗(yàn)證、調(diào)整，最終建立故障預(yù)測(cè)的學(xué)習(xí)模型。

2.2 建立學(xué)習(xí)模型的關(guān)鍵技術(shù)

2.2.1 系統(tǒng)特征參數(shù)體系的建立

針對(duì)某系統(tǒng)，依據(jù)一定的原則，利用主觀或客觀的方法建立相互獨(dú)立、能夠敏感反映整個(gè)系統(tǒng)的各項(xiàng)指標(biāo)參數(shù)，即表征系統(tǒng)的特征集，如工作、性能、功能、環(huán)境等參數(shù)，常用的方法包括數(shù)據(jù)挖掘、基于貝葉斯理論的信息融合、多維度數(shù)據(jù)變換等。

2.2.2 通過(guò)機(jī)器自主深度學(xué)習(xí)建立相應(yīng)的模型

研究和借鑒國(guó)內(nèi)外關(guān)于深度學(xué)習(xí)、故障預(yù)測(cè)方面的理論和成果，尤其關(guān)注深度學(xué)習(xí)在預(yù)測(cè)及多特征量預(yù)測(cè)方面的應(yīng)用，在此基礎(chǔ)上結(jié)合系統(tǒng)的特征參數(shù)、各類(lèi)故障和非故障模式狀態(tài)的特點(diǎn)，提出一種深度學(xué)習(xí)算法，通過(guò)學(xué)習(xí)和訓(xùn)練建立相應(yīng)的故障預(yù)測(cè)模型，利用驗(yàn)證系統(tǒng)和實(shí)際系統(tǒng)的應(yīng)用數(shù)據(jù)，通過(guò)逐層反復(fù)學(xué)習(xí)和訓(xùn)練設(shè)定模型的最優(yōu)初始化參數(shù)，并以自頂向下的監(jiān)督算法進(jìn)行調(diào)整使得模型收斂，從而實(shí)現(xiàn)故障預(yù)測(cè)、深度學(xué)習(xí)與系統(tǒng)應(yīng)用相結(jié)合。主要的自主學(xué)習(xí)技術(shù)包括卷積神經(jīng)網(wǎng)絡(luò)、深度波爾茲曼機(jī)模型、深度置信網(wǎng)絡(luò)等。

2.2.3 多維度數(shù)據(jù)分析方法的研究

針對(duì)測(cè)試數(shù)據(jù)與監(jiān)測(cè)數(shù)據(jù)的獨(dú)立性，擬采用貝葉斯方法對(duì)數(shù)據(jù)進(jìn)行融合，建立一種基于異構(gòu)空間的數(shù)據(jù)模型，再結(jié)合特征提取與特征抽象，對(duì)多維度數(shù)據(jù)進(jìn)行分析。

3 總結(jié)

通過(guò)對(duì)現(xiàn)有數(shù)據(jù)的分析，提取故障特征信息，建立故障特征信息庫(kù)，構(gòu)造一個(gè)多層的人工神經(jīng)網(wǎng)絡(luò)模型，通過(guò)模型層次的分析獲得樣本的本質(zhì)表示，結(jié)合故障注入的方法，提出故障注入的方案，利用故障注入驗(yàn)證自主學(xué)習(xí)方法。

再結(jié)合多維度數(shù)據(jù)分析方法，建立多維度數(shù)據(jù)模型，同樣利用故障注入技術(shù)，建立多維度數(shù)據(jù)的故障信息，通過(guò)狀態(tài)預(yù)測(cè)模型進(jìn)行故障預(yù)測(cè)，結(jié)合注入的故障信息，對(duì)故障預(yù)測(cè)的結(jié)論進(jìn)行反饋和確認(rèn)。最終確立自主學(xué)習(xí)模型，達(dá)到系統(tǒng)故障預(yù)測(cè)的目的。

參考文獻(xiàn)

[1]朱大奇.航空電子設(shè)備故障診斷技術(shù)研究[D].南京：南京航空航天大學(xué)，2002：1-3.

[2]彭俊杰，洪炳，袁成軍.軟件實(shí)現(xiàn)的星載系統(tǒng)故障注入技術(shù)研究[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2004，36（07）：934-936.

[3]張寶珍.先進(jìn)的診斷和預(yù)測(cè)技術(shù)[J].裝備質(zhì)量，2001.

[4]Baroth E，Powers W T，F(xiàn)ox J.IVHM（integrated vehicle health management）techniques for future space vehicles[J].37thJoint Propulsion Conference & Exhibit，2001.

[5]鄭胤，陳權(quán)崎，章毓晉.深度學(xué)習(xí)及其在目標(biāo)和行為識(shí)別中的新進(jìn)展[J].中國(guó)圖像形象學(xué)報(bào)，2014（02）：175-184.

[6]郭麗麗，丁世飛.深度學(xué)習(xí)研究進(jìn)展[J].計(jì)算機(jī)科學(xué)，2015，42（05）：28-33.

作者單位

西安微電子技術(shù)研究所 山西省西安市 710119