基于机器学习的装甲车辆故障诊断系统研究

郑一帆 魏宁 刘毅 王嘉伟 郝兴斌

摘要：本文以装甲装备电气系统为主要研究对象，针对该系统部件种类多、型号繁杂，故障现象与故障原因耦合关系复杂，故障难以排查的情况，设计一套基于机器学习的故障诊断决策支持系统。该系统综合运用数据库技术和机器学习算法，构建开放式可扩展知识库，以交互式电子技术手册的形式，指导相关人员排查电气系统故障，并提供修理意见，满足各级维修保障分队装甲车辆电气系统维修保障需求。

关键词：装甲车辆;数据库;机器学习;故障诊断系统

中图分类号：TP181                                       文献标识码：A                                文章编号：1674-957X（2020）21-0166-02

0  引言

装甲车辆电气系统是产生、输送、分配和使用电能的各种设备、部件和子系统所构成的综合性系统，是坦克、步兵战车、自行火炮、轮式车辆等装备的重要组成部分，是保障车辆战技性能的关键系统。该系统部件种类多、型号繁杂，故障类型多，故障现象与故障原因耦合关系复杂。原有的纸质维修指导手册按兵种、装备型号编写，只具备简单故障的排查功能，不具备知识更新和智能故障诊断推理能力，只适合单一兵种、单一装备电气系统故障的排查，查询效率低，对人员要求高，不能满足现阶段多兵种装备联合作战快速保障需求，急需依据改革后装备维修保障体系和工作模式的新要求，构建一套基于专家知识库和机器学习算法的电气系统智能故障诊断决策支持系统，用于辅助各级维修保障人员诊断故障，并指导修理，提高电气系统维修保障效率[1]。

1  设计方案

针对装甲车辆电气设备、部件种类及型号繁多，故障现象和故障原因各异的实际情况，首先打破原有的区分装备型号建立维修2指导手册的模式，分析不同装备同类设备故障模式的公共属性，区分电源系统、启动系统、灭火系统、三防系统等分别设计专家知识库，在此基础上研究知识更新方法及推理方法[2]。总体结构如图1所示。

2  设备架构

电气系统检测设备总体设计采用“主控单元+测试单元系列”组合的技术体制架构，测试单元按照功能单元指标进行设计，可以实现多级级联，能够满足并行测试及未来新型装备扩展需求。

电气系统检测设备由主控单元、测试单元系列组成。主控单元由嵌入式控制器、网络通信单元、电源管理单元、人机交互单元及壳体组成。测试单元系列由通用测试管理单元和专用测试单元组成。通用测试管理单元，为测试单元提供测试资源管理和通用测试接口;专用测试单元系列要包括非总线装备的测试单元、防护系统测试单元、综电系统测试单元等，用于对通用仪表、启动系统、底盘电源系统、三防系统、灭火系统、烟幕弹/榴霰弹控制部件、综电系统部件的分系统或部件检测。

3  硬件实现方案

电气系统检测设备硬件上采用嵌入式模块化设计方案。设计内容包括主控单元硬件设计、测试单元系列硬件设计两部分。其总体架构如图2所示。

3.1 主控单元设计

主控单元硬件设计上采用手持平板式主机设计方案，以利于在狭窄空间内操作使用。主控单元为设备系统软件提供运行环境，实现测试单元的配置、监控、流程控制、数据分析与处理等。

主控单元由嵌入式控制器模块、网络通信模块、电源管理模块、人机交互模块及壳体组成。通过嵌入式控制器实现主控单元的控制中心;通过内置网络通信模块，实现对测试单元系列的通信控制和数据传输，以及数据“云-端”上传接口;通过内置电源模块，实现电源的转换及电池电量管理。

3.2 测试单元设计

测试单元设计分为通用测试管理单元模块、专用测试单元模块（可依托测试单元载架），测试单元具有多级级联的可扩展性结构设计，实现任意测试模块的结构和电气特性组合化使用。通过对地面突击装备、火力压制武器装备、防空装备、指控装备、通信装备、侦察情报装备、电子对抗装备、密碼保密装备和战斗保障装备等保障对象的电气系统现场可更换单元进行归类整合，按功能分为通用测试单元、非总线设备测试单元、防护系统测试单元、综电系统测试单元等。

测试单元由通用检测电路和专用检测电路组成。通用检测电路实现电源管理、总线控制和数据采集功能，是测试单元的控制中心;专用检测电路具有信号的衰减、放大、滤波、隔离等功能，实现对装备接口信号的匹配。测试单元之间采用自定义总线连接，可以单个测试单元与主控设备连接使用，也可多个测试单元级联后与主控设备连接使用。

4  软件实现方案

本系统采用面向功能的开发方法，区分不同子系统，设计同类装备及系统的通用检测流程。以通用装备信息化管理系统为依托，结合装备管理和装备保障要求，制定测试设备标准化的数据格式、信息互联方式。全面收集各型号装备的故障信息与维修策略，完成故障诊断知识与维修步骤的抽象描述，综合运用专家知识库、机器学习等技术，基于所能采集的特征参数，研究装甲车辆故障诊断及推理方法[3]。

4.1 数据库的建立

数据库是专家知识、经验与书本知识、常识的存储器，是基于规则通用专家知识库故障诊断方法的核心之一，其主要功能是存储和管理专家知识库故障方法中的知识。采用MySQL为数据库服务器，建立后台知识库管理系统。该数据库不仅能便捷的保存文本和非文本信息，而且其数据安全性有保障，能够很好防范目前常见的网络攻击[4]。

系统整体采用前后端分离的架构，前端：Webpack、Vue.js、axios和Vue-Router，后端：Spring Boot、Mybatis和MySQL。系统有部队、装备、系统名称、故障、故障原因、用户等模块。各个模块都可以通过页面添加相应的数据保存至数据库，系统整体数据可以从页面下载Excel模板，填好模板需要的数据后导入，具体处理流程是：

①用户登录进入系统，在首页点击下载模板，在下载好的Excel里录入数据（所有表头对应字段数据都必须填写，没有填写“无”）;

②点击导入选择填写好的Excel;

③Excel数据会以字节流的形式通过HTTP协议传入后端服务器，考虑数据量可能比较大，服务器收到Excel数据之后会马上响应浏览器避免浏览器卡死，同时服务器开启一个线程异步处理Excel数据，将数据从Excel中读取出来并转换成数据库具体字段，写入MySQL。

4.2 机器学习算法

机器学习是通过计算机来挖掘数据背后的意义，将杂乱无章的数据转化为有用的信息。在现如今大数据时代，机器学习具有愈加广泛的应用，如改善商业决策、提高生产率、检测疾病、预测天气、人脸识别以及产品推荐等等。

机器学习的主要任务是分类。在采用算法进行分类时，首先需要的是算法训练，即学习如何分类，通过将大量已分类的数据作为训练集训练，得到特征和目标变量之间的关系。

K最近邻（k-Nearest Neighbor，KNN）分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。它是通过测量不同特征值之间的距离进行分类。它的思路是：如果一个样本在特征空间中的k个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别，则该样本也属于这个类别，其中K通常是不大于20的整数。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待测样本所属的类别。

本系统采用KNN算法，给每个故障和故障原因标记一个坐标，要查询某个故障的原因时，就计算该故障与数据库中各故障之间的向量距离，距离最短的故障对应的故障原因，最可能是该故障的原因。

5  结论

本论文针对装甲车辆故障原因难以排查的问题，建立装甲车辆电气系统故障诊断知识库，解决故障信息大数据分析、故障诊断系统知识抽象描述等难题;构建知识更新学习系统，通过数据共享、仿真平台等手段，使原有知识更加丰富科学，同时为新装备知识扩展预留接口，突破专家系统知識泛化能力弱、启发性差等技术瓶颈;综合运用大数据、机器学习算法等技术，设计科学合理的诊断推理机制，实现故障现象、故障原因和维修建议的合理映射。

参考文献：

[1]任浩，屈剑锋，柴毅，等.深度学习在故障诊断领域中的研究现状与挑战[J].控制与决策，2017，32（8）：1345-1358.

[2]谢晓敏，孙雁南，曾勇，等.机载电子设备TCAS系统故障诊断专家系统[J].新乡学院学报，2016，33（12）：57-62.

[3]孟宪坤.基于人工智能的发射机远程故障诊断系统的研究及应用[J].广播电视信息，2018，10（11）：82-85.

[4]胡强.MySQL数据库常见问题分析与研究[J].电脑编程技巧与维护，2019（12）：91-92.