基于人工智能裝備故障診斷應(yīng)用研究

何能波，吳紅樸，孫 金，侯 煒，朱佳辰

（航天工程大學(xué)，北京 102206）

0 引言

隨著信息技術(shù)不斷發(fā)展，大數(shù)據(jù)時(shí)代已來(lái)臨，人工智能已在多領(lǐng)域使用，裝備研究也隨之進(jìn)入高速發(fā)展的快車(chē)道，裝備朝著信息化、智能化、集成化方向快速發(fā)展，大幅度地提高了裝備維護(hù)的標(biāo)準(zhǔn)和要求。由于裝備零部件的老化、磨損或者機(jī)器安裝不當(dāng)以及誤操作等因素，裝備故障的概率增加，造成裝備狀態(tài)和現(xiàn)象復(fù)雜難以判斷，使得裝備故障診斷難度陡增，裝備維修難度和任務(wù)量變大，不利于裝備保障。若能及時(shí)辨別裝備故障狀態(tài)和現(xiàn)象，并能做出準(zhǔn)確定位判斷和維護(hù)措施，不僅可以防微杜漸，還能提升人員對(duì)裝備的保障能力。通過(guò)人工智能，可以對(duì)裝備自身各種參數(shù)進(jìn)行識(shí)別，因而可以提升故障的診斷精確度和效率。因此，運(yùn)用人工智能的手段來(lái)維護(hù)保持裝備性能意義重大。

1 人工智能概念與發(fā)展

1.1 人工智能概念

人工智能（Artificial Intelligence，縮寫(xiě)AI），是1956年由麥卡錫、明斯基等美國(guó)科學(xué)家在研討會(huì)首次提出的一門(mén)新的科學(xué)。人工智能是研究機(jī)器怎樣模擬人類(lèi)思維的過(guò)程來(lái)解決人類(lèi)的問(wèn)題。

1.2 人工智能發(fā)展歷程

人工智能發(fā)展至今，分別經(jīng)歷了6個(gè)階段：

（1）起步期：從1956年人工智能第一次被提到20世紀(jì)60年代初期，成果有：跳棋程序、定理機(jī)器證明等，關(guān)于人工智能領(lǐng)域的研究首次進(jìn)入高峰。

（2）反思期：20世紀(jì)60年代到70年代初期。由于對(duì)人工智能發(fā)展的期望過(guò)高，導(dǎo)致很多研發(fā)目標(biāo)不符合實(shí)際情況，很多目標(biāo)也不能實(shí)現(xiàn)，造成對(duì)人工智能研究的重大打擊，使人工智能發(fā)展進(jìn)入了“冬天”。

（3）反應(yīng)用期：20世紀(jì)70年代初期到80年代中期。由于出現(xiàn)了擁有豐富專(zhuān)業(yè)知識(shí)和經(jīng)驗(yàn)的智能計(jì)算機(jī)程序即專(zhuān)家系統(tǒng)，它就像某一領(lǐng)域的專(zhuān)家一樣，運(yùn)用其知識(shí)和經(jīng)驗(yàn)來(lái)解決該領(lǐng)域的復(fù)雜問(wèn)題，表明人工智能研究發(fā)展可以解決現(xiàn)實(shí)應(yīng)用領(lǐng)域的問(wèn)題且效果不錯(cuò)，使人們重新點(diǎn)燃了研究人工智能的希望，人工智能領(lǐng)域的研究發(fā)展由低谷再次走向高峰。

（4）低迷期：20世紀(jì)80年代中期到90年代中期。因?yàn)檫\(yùn)用領(lǐng)域不斷擴(kuò)大，但問(wèn)題也逐漸暴露，如推理方法簡(jiǎn)單、知識(shí)獲取難度大等，且得不到較好優(yōu)化方法加以解決等，使人工智能發(fā)展再次陷入低迷。

（5）穩(wěn)步期：從90年代中期到2010年，在這段時(shí)間里互聯(lián)網(wǎng)技術(shù)快速的發(fā)展，大幅促進(jìn)和提升了人工智能領(lǐng)域研究的創(chuàng)新進(jìn)度和水平。關(guān)于人工智能的算法不斷改進(jìn)及完善，其在眾多領(lǐng)域的運(yùn)用接連取得了重要意義的突破，如IBM的深藍(lán)超級(jí)計(jì)算機(jī)。人工智能步入穩(wěn)定發(fā)展期。

（6）蓬勃發(fā)展期：2011年至今。信息化時(shí)代的到來(lái)，如云計(jì)算、大數(shù)據(jù)、物聯(lián)網(wǎng)等信息技術(shù)的飛速發(fā)展，促使人工智能接連取得突破，尤其是深度神經(jīng)網(wǎng)絡(luò)的飛速發(fā)展，在跨學(xué)科運(yùn)用上成果突出，使人工智能爆發(fā)式發(fā)展。

隨著人工智能理論和算法的不斷發(fā)展完善，人工智能在很多領(lǐng)域的運(yùn)用取得了較好成效，例如在軍事裝備領(lǐng)域，運(yùn)用人工智能進(jìn)行故障診斷，不僅可以提升人診斷的準(zhǔn)確率，還能使裝備維護(hù)保障效率和效益提高。

2 傳統(tǒng)故障診斷流程及存在的問(wèn)題

隨著裝備不斷升級(jí)換代，裝備的性能斷提高，功能也在不斷擴(kuò)展，裝備結(jié)構(gòu)復(fù)雜程度加大了，技術(shù)密集及智能化程度也提高了，故障的類(lèi)型增多了，診斷的難度同樣增大了。

發(fā)生故障后，傳統(tǒng)故障診斷流程為：維護(hù)人員根據(jù)故障現(xiàn)象，通過(guò)詢(xún)問(wèn)、檢查、查閱和判斷對(duì)故障原因和位置進(jìn)行定位，最后排除故障[1]，圖1所示為傳統(tǒng)故障診斷的流程圖。

圖1 故障排除流程圖

從圖1中看出，傳統(tǒng)的故障分析和診斷方法存在以下幾個(gè)問(wèn)題：

（1）按照既定的方法步驟，只圍繞當(dāng)前面臨的故障進(jìn)行分析。

（2）故障診斷效率取決于維護(hù)保障人員對(duì)故障裝備的了解程度、專(zhuān)業(yè)知識(shí)和維修經(jīng)驗(yàn)。

（3）廠家提供的資料雜亂繁多分散，查閱困難，且對(duì)于裝備故障描述較少，不典型，故障解決措施簡(jiǎn)單，不易操作。

（4）以往相似的案例難以借鑒，且對(duì)故障發(fā)生后故障現(xiàn)象、原因、維護(hù)記錄并不完善，沒(méi)有形成案例庫(kù)，難以快速查到相似案例，查閱資料速度慢，無(wú)法有效進(jìn)行診斷。

3 基于人工智能的故障診斷方法

3.1 狀態(tài)監(jiān)測(cè)法

狀態(tài)監(jiān)測(cè)法是指通過(guò)運(yùn)用傳感器監(jiān)測(cè)裝備實(shí)時(shí)運(yùn)行狀態(tài)，通過(guò)狀態(tài)的參數(shù)特征變化來(lái)判斷裝備故障，并分析原因，得出解決故障措施的辦法。狀態(tài)識(shí)別法主要包括3個(gè)方面，分別是狀態(tài)監(jiān)測(cè)、分析處理、治理預(yù)防，其中核心是分析處理即故障數(shù)據(jù)處理。故障診斷結(jié)果的準(zhǔn)確性與數(shù)據(jù)處理的方法有很大關(guān)系，主要用的方法是貝葉斯分類(lèi)法、故障樹(shù)分析法、模糊診斷法等。

3.2 神經(jīng)網(wǎng)絡(luò)方法

人工神經(jīng)網(wǎng)絡(luò)法是通過(guò)一定結(jié)構(gòu)模擬人類(lèi)大腦的思維，以人類(lèi)大腦神經(jīng)元信息傳遞機(jī)制為基礎(chǔ)，進(jìn)行裝備故障診斷的一種方法，具備學(xué)習(xí)和容錯(cuò)能力，適應(yīng)能力強(qiáng)，具有高速尋找優(yōu)化解的能力。裝備的故障診斷領(lǐng)域中，其算法主要有卷積神經(jīng)網(wǎng)絡(luò)、BP算法等。

3.3 專(zhuān)家系統(tǒng)法

專(zhuān)家系統(tǒng)是一種計(jì)算機(jī)智能程序，它模擬人類(lèi)專(zhuān)家思維活動(dòng)來(lái)解決現(xiàn)實(shí)問(wèn)題。專(zhuān)家系統(tǒng)是用大量的專(zhuān)業(yè)理論知識(shí)和專(zhuān)家的經(jīng)驗(yàn)，解決需要專(zhuān)家分析的復(fù)雜問(wèn)題，其由知識(shí)庫(kù)、推理機(jī)、客戶(hù)端、解釋器、綜合數(shù)據(jù)庫(kù)和知識(shí)獲取等組成，具有創(chuàng)造性、靈活性和高效性。裝備故障診斷運(yùn)用專(zhuān)家系統(tǒng)法有：基于規(guī)則、D-S證據(jù)理論、案例等方法。

4 基于“神經(jīng)網(wǎng)絡(luò)專(zhuān)家系統(tǒng)”的裝備故障診斷設(shè)計(jì)

由于裝備系統(tǒng)的復(fù)雜性，與裝備故障特征相關(guān)的數(shù)據(jù)具有非線性和并發(fā)性的特點(diǎn)，為了提高裝備故障診斷系統(tǒng)的可靠性、準(zhǔn)確性、安全性和穩(wěn)定性，采用人工神經(jīng)網(wǎng)絡(luò)與專(zhuān)家系統(tǒng)相結(jié)合的方法，充分利用兩者優(yōu)勢(shì)進(jìn)行設(shè)計(jì)，最大限度保證生成措施的正確性[2]，其結(jié)構(gòu)圖如2所示。

4.1 專(zhuān)家系統(tǒng)

4.1.1 故障知識(shí)庫(kù)及其特征值向量

專(zhuān)家系統(tǒng)的基礎(chǔ)則是故障知識(shí)數(shù)據(jù)庫(kù)[3]，其主要包括故障知識(shí)庫(kù)和典型故障案例庫(kù)。

故障知識(shí)數(shù)據(jù)庫(kù)可根據(jù)實(shí)際情況選擇合適的維度，一般分為故障類(lèi)型、裝備類(lèi)型，如圖3和圖4所示。

圖2 基于神經(jīng)網(wǎng)絡(luò)專(zhuān)家系結(jié)構(gòu)

圖3 故障類(lèi)型

圖4 裝備類(lèi)型

故障知識(shí)庫(kù)的特征向量即是每條故障知識(shí)在進(jìn)入知識(shí)庫(kù)的時(shí)候，系統(tǒng)都會(huì)根據(jù)既定的規(guī)則自動(dòng)分析并建立知識(shí)的特征，并形成知識(shí)的特征向量X。

4.1.2 典型故障案例及其特征值向量

典型故障案例特征向量即是按照裝備的部位、故障類(lèi)型、故障現(xiàn)象、故障原因形成一個(gè)的典型故障案例及特征，因維度取不同的值，對(duì)應(yīng)著不同的典型故障案例，其特征向量為Y。

系統(tǒng)通過(guò)計(jì)算特征向量X和Y的夾角C[4]的余弦值，將故障知識(shí)與典型故障案例聚合在一起。其計(jì)算式：

4.2 BP神經(jīng)網(wǎng)絡(luò)

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是一種多層前饋網(wǎng)絡(luò)，其基本結(jié)構(gòu)是由輸入層、隱含層和輸出層3個(gè)部分組成，其網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

它的優(yōu)點(diǎn)是有良好的自適應(yīng)能力和分類(lèi)識(shí)別能力，按照誤差反向傳播訓(xùn)練多層前饋網(wǎng)絡(luò)，梯度下降是其核心思想，使神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出值與真實(shí)值或者期望值的誤差均方差為最小值，如圖6所示。

圖6 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程圖

4.3 神經(jīng)網(wǎng)絡(luò)與專(zhuān)家系統(tǒng)的裝備故障診斷設(shè)計(jì)

基于神經(jīng)網(wǎng)絡(luò)的專(zhuān)家系統(tǒng)法：先建立故障知識(shí)數(shù)據(jù)庫(kù)，然后運(yùn)用裝備狀態(tài)特征值以及以往故障案例集對(duì)BP神經(jīng)網(wǎng)絡(luò)不斷學(xué)習(xí)訓(xùn)練，使其滿(mǎn)足故障診斷的要求。之后方可進(jìn)行設(shè)備故障診斷。在出現(xiàn)故障后，結(jié)合BP神經(jīng)網(wǎng)絡(luò)和專(zhuān)家系統(tǒng)的推理對(duì)裝備故障做出的快速判斷，給用戶(hù)顯示故障的定位、原因、排除措施等。

數(shù)據(jù)庫(kù)是用于存儲(chǔ)神經(jīng)網(wǎng)絡(luò)專(zhuān)家系統(tǒng)相關(guān)領(lǐng)域內(nèi)的診斷裝備故障數(shù)據(jù)信息的特征和神經(jīng)網(wǎng)絡(luò)專(zhuān)家系統(tǒng)推理中所需要的有關(guān)故障知識(shí)的數(shù)據(jù)信息，能夠體現(xiàn)裝備所處故障狀態(tài)下的所有事實(shí)集合。

解釋器是用戶(hù)端與神經(jīng)網(wǎng)絡(luò)專(zhuān)家之間的橋梁，起解釋說(shuō)明的作用。神經(jīng)網(wǎng)絡(luò)專(zhuān)家系統(tǒng)的推理機(jī)計(jì)算出故障診斷結(jié)果后，通過(guò)解釋器翻譯做出對(duì)應(yīng)的解釋說(shuō)明，還能模仿專(zhuān)家向維修人員進(jìn)行問(wèn)題解答。同時(shí)，也有利于神經(jīng)網(wǎng)絡(luò)專(zhuān)家系統(tǒng)的維護(hù)和專(zhuān)家經(jīng)驗(yàn)的學(xué)習(xí)訓(xùn)練。

用戶(hù)端是神經(jīng)網(wǎng)絡(luò)專(zhuān)家系統(tǒng)和用戶(hù)構(gòu)建的溝通交流的交互界面。神經(jīng)網(wǎng)絡(luò)專(zhuān)家系統(tǒng)通過(guò)診斷，得出的故障診斷結(jié)果和故障排除措施可以通過(guò)用戶(hù)端向維修人員顯示。同時(shí)維修人員也能夠通過(guò)用戶(hù)界面實(shí)施輸入、更改和刪除等一系列操作，更新數(shù)據(jù)庫(kù)。

基于神經(jīng)網(wǎng)絡(luò)專(zhuān)家系統(tǒng)法的裝備故障診斷過(guò)程如圖7所示。出現(xiàn)故障后，利用裝備故障的特征數(shù)據(jù)，推理機(jī)先進(jìn)行推理，出結(jié)果后，再經(jīng)專(zhuān)家系統(tǒng)推理機(jī)再次推理驗(yàn)證，診斷出與裝備故障特征相匹配的結(jié)果，經(jīng)過(guò)解釋器輸出到用戶(hù)端界面。若在故障診斷過(guò)程中，無(wú)法得出匹配結(jié)果，且又不能依照規(guī)則進(jìn)行診斷結(jié)果的輸出時(shí)，維修專(zhuān)家可以依據(jù)BP神經(jīng)網(wǎng)絡(luò)的診斷輸出結(jié)果及裝備故障的特征數(shù)據(jù)進(jìn)行綜合判斷和分析。得到裝備故障診斷的結(jié)果后，如經(jīng)實(shí)踐驗(yàn)證后符合裝備出現(xiàn)故障的原因，就可以由維修專(zhuān)家輸入系統(tǒng)中，并由知識(shí)處理模塊加入到知識(shí)庫(kù)中。

圖7 基于BP神經(jīng)網(wǎng)絡(luò)專(zhuān)家系統(tǒng)的故障診斷結(jié)構(gòu)圖

5 結(jié)語(yǔ)

隨著裝備技術(shù)發(fā)展，裝備的功能越加復(fù)雜，對(duì)于裝備的保障要求越來(lái)越重要，特別是對(duì)于裝備故障的診斷功能的要求更加凸顯。本文采用基于神經(jīng)網(wǎng)絡(luò)專(zhuān)家系統(tǒng)法設(shè)計(jì)思路，提升了裝備故障診斷系統(tǒng)的實(shí)用性、可靠性和準(zhǔn)確性，從中也可以看出，人工智能在裝備故障診斷領(lǐng)域的深入運(yùn)用，不僅提升了裝備保障診斷的效率，還提高了裝備診斷的準(zhǔn)確性，也降低了故障診斷的成本，診斷效能提升，同時(shí)能夠增強(qiáng)維護(hù)人員的保障維修能力。