基于深度學習的飛機故障診斷系統關鍵技術研究

唐啟東 劉清平 劉文娟

摘要：針對航空修理工廠存在海量不規整的維修信息，導致飛機故障檢測和修理工作量巨大、耗時耗力的問題，采用字符串正向最大逐字匹配的分詞算法、局部敏感哈希函數以及深度置信網絡等技術手段，研究飛機智能故障診斷系統，以故障知識庫為輸入，訓練模型，根據故障現象找出故障類型和位置，為裝備的維修性、可靠性改進提供科學依據，提高企業修理效能。

關鍵詞：深度學習;智能故障診斷;關鍵技術

在航空裝備修理中，對具有明顯征兆或潛在故障的預測和診斷是永恒的主題之一[1-2]。裝備廠家、部隊、修理企業在長期的航空裝備維修過程中都總結了大量的故障描述、故障原因及處理方案等，如何很好地管理這些信息，并以豐富多元的知識表達形式對修理企業積累的故障診斷經驗、技能進行提煉和刻畫，并形成故障診斷預測知識庫系統，從而為修理業務提供智能的決策支持，為裝備的教學提供形象而系統的故障分析素材，為修理專家的維修知識提供可視化的經驗提煉和預防性維修知識，甚至于為裝備的維修性、可靠性改進提供科學的依據，將是一個具有較大意義的研究課題。

1 問題描述

某工廠現有的信息管理數據庫系統包含海量故障信息，其中飛機故障信息模塊數據已經超過3萬條。但現有數據庫的故障管理板塊只有簡單的“增、刪、改、查”功能，并且信息存儲形式零散、數據描述不規范，不便于管理與利用，導致飛機故障檢測和修理工作量巨大、耗時耗力，已不能滿足大數據時代維修人員的需求。由于前期數據庫的故障信息是手工輸入，存在語言詞匯多樣化、輸入格式不規范的問題，對于同一種故障部位、故障類型在數據庫中存在多種描述，并且故障描述的字段無統一格式，故障類型隱含在故障描述中，并未作為屬性單獨劃分。部分故障信息的例子（匿去了發現時間、處理方案等字段信息）見表1。如故障Ⅲ***1、***3、***5所示，“裂”“裂紋”“裂開”實際上都屬于同一種故障現象的不同描述;如故障ID***2、***4所示，“第1墻”“一墻”“第一墻”也都指機翼上的同一構件。

智能故障診斷系統，即從非結構化的故障描述中提取故障類型、識別同一類或物件的不同描述，清理出一個純凈的故障知識庫。再基于深度學習的方法，設計一個故障診斷系統，以故障知識庫為輸入，訓練一個模型，對一定的故障現象找出故障類型和位置，提醒維修人員做好技術和相關備件、工具、耗材等器械準備。

2 關鍵技術

2.1 故障信息的預處理

目前封裝好的分詞器[3-4]大部分是簡單地使用單字法和二分法對漢語分詞，導致切分出來的詞失去了原有的意義或者切分出很多無用詞條，產生冗余，降低效率。在實際的匹配過程中，只需保證故障描述中所有的故障類型、故障部位名都能被準確提取出來，而其他具體的數值等是與類名無關的詞（停用詞）[5]。無論分詞結果如何都不影響最終的匹配，只需要一種針對飛機維修的輕量級分詞技術。因此，本系統使用基于字符串正向最大逐字匹配的分詞算法。

該分詞算法的主要思想是基于分詞詞典，從左往右掃描材料文本字符串，將文本中的字符串逐一與詞典中的詞條進行匹配。開始時選取文本字符串中第一個字作為匹配字段，與分詞詞典中的詞條匹配，如果該詞存在于詞典中，則將其進行標記;如果該詞不存在于詞典中，則將該字作為前綴，與其下一個字組成新的字段與詞典中的詞條進行匹配，依次逐字增加直至匹配結束，每輪匹配結束后，從匹配結果中取最大的匹配成功的匹配字段，從詞典中將匹配到的最長匹配字符串切分出來，然后繼續掃描，重復上述操作，如表2所示。

這種分詞算法的主要優點是可以根據需求對字典進行修改，加入更多與飛機有關的生僻術語，以達到更好的分詞效果。分詞完成后，刪除與匹配無關的停用詞元，以提高匹配效率。現存停用詞表很多，但都不是面向飛機維修，因此系統對基于改良的停用詞表進行刪除操作，達到了更好地精度。

2.2 故障類型與故障部位的匹配

由于飛機的故障部件、故障類型的種類數目巨大，每種類別又有多個同義詞，如果線性地匹配詞元和詞庫的近義詞，即對每一個詞元都遍歷一次詞庫來查找同義詞，則所需的時間代價非常大，計算機難以承受這樣的負荷。并且，故障描述是手工輸入，描述詞匯種類繁多，一個大類不一定完全包含其所有在故障描述中出現的同義詞。如圖1所示，對于故障部位[第1墻]：（第1墻）（1墻）（第一墻），如果故障描述中出現了一個新詞“一墻”也指同一部位，那么使用精確匹配將無法得到匹配結果，這條數據的屬性值就會異常缺失甚至整條數據丟失，大量的數據丟失會導致系統性能降低;但使用模糊匹配則能將“一墻”與（第一墻）匹配上，最終都能通過指針指向大類[第1墻]，成功提取出正確的故障類型。因此，系統設計了一個檢索數據結構和快速近似匹配的算法——局部敏感哈希（LSH，LocalitySensitive Hashing）函數。

局部敏感哈希[6]主要運用于高維海量數據的快速近似查找，即比較數據點之間的距離或者是相似度。其主要思想是，如果高維空間的兩點距離很近，那么設計一種哈希函數對這兩點進行哈希值計算，使得它們的哈希值有很大的概率是一樣的;如果兩點之間的距離較遠，那么它們哈希值相同的概率會很小。當同義詞詞庫中不存在某條故障描述的故障類型或故障部位名時，也能通過哈希函數的計算，將它們以高概率映射到與它們意思相近的詞所在的哈希桶中。不同于樹形結構的搜索方法可以得到精確的結果，LSH算法所得到的是一個近似的結果，在同義詞匹配中，并不需要非常高的精確度，即使得到近似解，其近似程度幾乎和精準解一致[7]。同時，哈希表是各種存取、查找結構中速度最快的一種，LSH利用了哈希表內的沖突加快了匹配速度，并且可以通過對桶內的屬性建立索引進一步加快匹配速度，即使在數據量很大的情況下，LSH也能保持理想的匹配時間。因此，LSH匹配技術是目前最適合該項目的技術。

LSH是向量空間模型[8]下的算法，系統使用信息摘要算法[9]（MD5，Message-digest Algorithm 5），先將需要匹配的詞元和類名、同義詞進行編碼，轉換為可以處理的向量，將每個詞語編碼成相同長度的獨一無二的指紋（fingerprint），這樣除了可以得到唯一的編碼，還同時對數據進行了加密處理，提高了保密性要求。

編碼之后，將同義詞庫中的每個詞通過哈希函數計算到不同的哈希桶中，每個桶都附加一個指針指向該詞對應的大類，如圖2所示，完成哈希表的初始化。再將一條故障描述的所有指紋使用同樣的哈希函數映射到該哈希表中，最后指紋指向的大類就是這條故障描述的故障類型和故障部位，結合原始故障記錄的部分屬性，按照對應屬性存入新的故障信息表中，這樣便完成了歷史數據的導入。

2.3 基于深度學習的智能故障診斷系統

當一架飛機進入維修廠進行檢修時，需要經過一系列復雜的過程（如除漆、無損檢測、整體排查等）以及專業的判斷，才能診斷出故障及故障區域，這十分消耗時間與人力，成為維修工廠無法提高生產效率的一大障礙?；谏疃葘W習[10-12]的智能故障診斷與定位系統，能大大提高工廠的效率與故障排查的準確性。

利用深度置信網絡進行粗粒度的故障部位預測的模型訓練過程如圖3所示，該過程大體可以分為兩個部分。

1）逐層對RBM進行無監督的訓練。首先將飛機自身的屬性如飛機編號、飛機類型、作戰區域、飛行里程和飛行高度等作為輸入參數輸入到可視層，訓練第一個RBM的參數矩陣WO。

2）運用反向傳播算法微調網絡，使網絡結構達到最優，優化深度置信網絡的故障識別能力。在最高層，DBN可以利用帶標簽數據通過BP算法對判別性能做調整。DBN的BP算法只需要對權值參數空間進行一個局部的搜索，這比前向神經網絡訓練更快，而且收斂的時間也更少，詳細的訓練過程如圖4所示。

在訓練過程中，首先將可視向量值映射至隱層單元;然后由隱層單元重建可視單元;這些新可視單元再次映射至隱層單元，因此獲取了新的隱層單元。以上后退和前進的步驟就是Gibbs采樣[13]，而隱層激活單元和可視層輸入之間的相關性差別就作為權值更新的主要依據。具體步驟如下。

步驟1：將數據向量x和第一層隱藏層hl作為一個RBM，訓練出這個RBM的參數（連接x和hl的權重，x和hl各個節點的偏置等），使其達到穩定狀態。

步驟2：固定第1個RBM的參數，將hl視作可見向量，將h2視作隱藏向量，訓練第二個RBM，得到其參數，直至穩定狀態。

步驟3：重復執行步驟2，直至最后一個RBM。

步驟4：在DBN的最后一層設置BP網絡，接收RBM的輸出特征向量作為它的輸入特征向量，有監督地訓練實體關系分類器。

當該故障部位的預測模型訓練成功后，可利用飛機的一系列自身屬性預測故障部位。在輸入飛機屬性參數后，模型可以預測該飛機可能發生故障的部位，并將結果及時報告給機務人員，機務人員可以重點排查這些預測的部位，提高排故檢故的效率。

對于細粒度故障類型的診斷，其方式與粗粒度故障部位的預測基本相同，不同的是輸入的參數不再是飛機自身的屬性而是故障的表象，如裂紋、老化、磨損等，通過相同的方式重新訓練深度置信網絡，得到故障類型診斷的模型，從而實現智能的故障診斷與定位。

3 總結

基于深度學習的智能故障診斷系統仍有提高的空間，如BP神經網絡訓練需要一個有標簽的樣本集、合適的隱藏層數避免學習過程較慢、適當的參數不致于學習收斂于局部最優解等，但其在一定程度上解決了航空裝備修理中故障診斷分析困難、診斷經驗無法管理、診斷知識共享不易的問題，在航空修理廠的故障識別、定位、診斷，人員的培訓、航空修理業務流程重組和優化中都具有較大的推廣價值。

參考文獻

[l]唐民鋒.美國軍用航空裝備維修保障體制[J].航空維修與工程，2016，298（4）：20-23.

[2]馬乃蒼，賈向軍，祝華遠.航空裝備維修思想的發展探討[J].航空科學技術，2003（6）：27-29.

[3]劉巖.基于MMSEG算法的中文分詞器的設計與實現[D].湖南大學，2016.

[4]章登義，胡思，徐愛萍.一種基于雙向LSTM的聯合學習的中文分詞方法[J/OL].計算機應用研究，2019（10）：1-7[201808-03].

[5]官琴，鄧三鴻，王昊.中文文本聚類常用停用詞表對比研究[J].數據分析與知識發現，2017（3）：72-80.

[6]吳瑾，彭延國，崔江濤.基于局部敏感哈希的安全相似性查詢方案[J].密碼學報，2018（2）：197-205.

[7] HAR-PELED S，INDYKP，MOTWANI R.Approximate nearestneighbor： Towards removing the curse ofdimensionality[J].Theory of Computmg，2012， 8：321-350.[DOI： 10.4086/toc.2012.v008a014]。

[8]唐果.基于語義領域向量空間模型的文本相似度計算[D].云南大學，2013.

[9]林平.密碼學中信息摘要算法MD5的改進[J].福建工程學院學報，2011（6）：602-603.

[10]段艷杰，呂宜生，張杰，趙學亮，王飛躍.深度學習在控制領域的研究現狀與展望[J].自動化學報，2016（5）：643-654.

[11]王俊，鄭彤，雷鵬，魏少明.深度學習在雷達中的研究綜述[J/OL].雷達學報，2018 （4）：395-411.

[12]宋征宇.運載火箭遠程故障診斷技術綜述[J].宇航學報，2016，37（2）：135-144.

[13] Denis Marcotte，Denis Allard.Gibbs sampling on large lattice withGMRF[J].Computers and Geosclences，2018.