基于人工智能装备故障诊断应用研究

何能波，吴红朴，孙 金，侯 炜，朱佳辰

（航天工程大学，北京 102206）

0 引言

随着信息技术不断发展，大数据时代已来临，人工智能已在多领域使用，装备研究也随之进入高速发展的快车道，装备朝着信息化、智能化、集成化方向快速发展，大幅度地提高了装备维护的标准和要求。由于装备零部件的老化、磨损或者机器安装不当以及误操作等因素，装备故障的概率增加，造成装备状态和现象复杂难以判断，使得装备故障诊断难度陡增，装备维修难度和任务量变大，不利于装备保障。若能及时辨别装备故障状态和现象，并能做出准确定位判断和维护措施，不仅可以防微杜渐，还能提升人员对装备的保障能力。通过人工智能，可以对装备自身各种参数进行识别，因而可以提升故障的诊断精确度和效率。因此，运用人工智能的手段来维护保持装备性能意义重大。

1 人工智能概念与发展

1.1 人工智能概念

人工智能（Artificial Intelligence，缩写AI），是1956年由麦卡锡、明斯基等美国科学家在研讨会首次提出的一门新的科学。人工智能是研究机器怎样模拟人类思维的过程来解决人类的问题。

1.2 人工智能发展历程

人工智能发展至今，分别经历了6个阶段：

（1）起步期：从1956年人工智能第一次被提到20世纪60年代初期，成果有：跳棋程序、定理机器证明等，关于人工智能领域的研究首次进入高峰。

（2）反思期：20世纪60年代到70年代初期。由于对人工智能发展的期望过高，导致很多研发目标不符合实际情况，很多目标也不能实现，造成对人工智能研究的重大打击，使人工智能发展进入了“冬天”。

（3）反应用期：20世纪70年代初期到80年代中期。由于出现了拥有丰富专业知识和经验的智能计算机程序即专家系统，它就像某一领域的专家一样，运用其知识和经验来解决该领域的复杂问题，表明人工智能研究发展可以解决现实应用领域的问题且效果不错，使人们重新点燃了研究人工智能的希望，人工智能领域的研究发展由低谷再次走向高峰。

（4）低迷期：20世纪80年代中期到90年代中期。因为运用领域不断扩大，但问题也逐渐暴露，如推理方法简单、知识获取难度大等，且得不到较好优化方法加以解决等，使人工智能发展再次陷入低迷。

（5）稳步期：从90年代中期到2010年，在这段时间里互联网技术快速的发展，大幅促进和提升了人工智能领域研究的创新进度和水平。关于人工智能的算法不断改进及完善，其在众多领域的运用接连取得了重要意义的突破，如IBM的深蓝超级计算机。人工智能步入稳定发展期。

（6）蓬勃发展期：2011年至今。信息化时代的到来，如云计算、大数据、物联网等信息技术的飞速发展，促使人工智能接连取得突破，尤其是深度神经网络的飞速发展，在跨学科运用上成果突出，使人工智能爆发式发展。

随着人工智能理论和算法的不断发展完善，人工智能在很多领域的运用取得了较好成效，例如在军事装备领域，运用人工智能进行故障诊断，不仅可以提升人诊断的准确率，还能使装备维护保障效率和效益提高。

2 传统故障诊断流程及存在的问题

随着装备不断升级换代，装备的性能断提高，功能也在不断扩展，装备结构复杂程度加大了，技术密集及智能化程度也提高了，故障的类型增多了，诊断的难度同样增大了。

发生故障后，传统故障诊断流程为：维护人员根据故障现象，通过询问、检查、查阅和判断对故障原因和位置进行定位，最后排除故障[1]，图1所示为传统故障诊断的流程图。

图1 故障排除流程图

从图1中看出，传统的故障分析和诊断方法存在以下几个问题：

（1）按照既定的方法步骤，只围绕当前面临的故障进行分析。

（2）故障诊断效率取决于维护保障人员对故障装备的了解程度、专业知识和维修经验。

（3）厂家提供的资料杂乱繁多分散，查阅困难，且对于装备故障描述较少，不典型，故障解决措施简单，不易操作。

（4）以往相似的案例难以借鉴，且对故障发生后故障现象、原因、维护记录并不完善，没有形成案例库，难以快速查到相似案例，查阅资料速度慢，无法有效进行诊断。

3 基于人工智能的故障诊断方法

3.1 状态监测法

状态监测法是指通过运用传感器监测装备实时运行状态，通过状态的参数特征变化来判断装备故障，并分析原因，得出解决故障措施的办法。状态识别法主要包括3个方面，分别是状态监测、分析处理、治理预防，其中核心是分析处理即故障数据处理。故障诊断结果的准确性与数据处理的方法有很大关系，主要用的方法是贝叶斯分类法、故障树分析法、模糊诊断法等。

3.2 神经网络方法

人工神经网络法是通过一定结构模拟人类大脑的思维，以人类大脑神经元信息传递机制为基础，进行装备故障诊断的一种方法，具备学习和容错能力，适应能力强，具有高速寻找优化解的能力。装备的故障诊断领域中，其算法主要有卷积神经网络、BP算法等。

3.3 专家系统法

专家系统是一种计算机智能程序，它模拟人类专家思维活动来解决现实问题。专家系统是用大量的专业理论知识和专家的经验，解决需要专家分析的复杂问题，其由知识库、推理机、客户端、解释器、综合数据库和知识获取等组成，具有创造性、灵活性和高效性。装备故障诊断运用专家系统法有：基于规则、D-S证据理论、案例等方法。

4 基于“神经网络专家系统”的装备故障诊断设计

由于装备系统的复杂性，与装备故障特征相关的数据具有非线性和并发性的特点，为了提高装备故障诊断系统的可靠性、准确性、安全性和稳定性，采用人工神经网络与专家系统相结合的方法，充分利用两者优势进行设计，最大限度保证生成措施的正确性[2]，其结构图如2所示。

4.1 专家系统

4.1.1 故障知识库及其特征值向量

专家系统的基础则是故障知识数据库[3]，其主要包括故障知识库和典型故障案例库。

故障知识数据库可根据实际情况选择合适的维度，一般分为故障类型、装备类型，如图3和图4所示。

图2 基于神经网络专家系结构

图3 故障类型

图4 装备类型

故障知识库的特征向量即是每条故障知识在进入知识库的时候，系统都会根据既定的规则自动分析并建立知识的特征，并形成知识的特征向量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装备的部位、故障类型、故障现象、故障原因形成一个的典型故障案例及特征，因维度取不同的值，对应着不同的典型故障案例，其特征向量为Y。

系统通过计算特征向量X和Y的夹角C[4]的余弦值，将故障知识与典型故障案例聚合在一起。其计算式：

4.2 BP神经网络

BP（Back Propagation）神经网络是一种多层前馈网络，其基本结构是由输入层、隐含层和输出层3个部分组成，其网络结构如图5所示。

图5 BP神经网络结构图

它的优点是有良好的自适应能力和分类识别能力，按照误差反向传播训练多层前馈网络，梯度下降是其核心思想，使神经网络的实际输出值与真实值或者期望值的误差均方差为最小值，如图6所示。

图6 BP神经网络训练过程图

4.3 神经网络与专家系统的装备故障诊断设计

基于神经网络的专家系统法：先建立故障知识数据库，然后运用装备状态特征值以及以往故障案例集对BP神经网络不断学习训练，使其满足故障诊断的要求。之后方可进行设备故障诊断。在出现故障后，结合BP神经网络和专家系统的推理对装备故障做出的快速判断，给用户显示故障的定位、原因、排除措施等。

数据库是用于存储神经网络专家系统相关领域内的诊断装备故障数据信息的特征和神经网络专家系统推理中所需要的有关故障知识的数据信息，能够体现装备所处故障状态下的所有事实集合。

解释器是用户端与神经网络专家之间的桥梁，起解释说明的作用。神经网络专家系统的推理机计算出故障诊断结果后，通过解释器翻译做出对应的解释说明，还能模仿专家向维修人员进行问题解答。同时，也有利于神经网络专家系统的维护和专家经验的学习训练。

用户端是神经网络专家系统和用户构建的沟通交流的交互界面。神经网络专家系统通过诊断，得出的故障诊断结果和故障排除措施可以通过用户端向维修人员显示。同时维修人员也能够通过用户界面实施输入、更改和删除等一系列操作，更新数据库。

基于神经网络专家系统法的装备故障诊断过程如图7所示。出现故障后，利用装备故障的特征数据，推理机先进行推理，出结果后，再经专家系统推理机再次推理验证，诊断出与装备故障特征相匹配的结果，经过解释器输出到用户端界面。若在故障诊断过程中，无法得出匹配结果，且又不能依照规则进行诊断结果的输出时，维修专家可以依据BP神经网络的诊断输出结果及装备故障的特征数据进行综合判断和分析。得到装备故障诊断的结果后，如经实践验证后符合装备出现故障的原因，就可以由维修专家输入系统中，并由知识处理模块加入到知识库中。

图7 基于BP神经网络专家系统的故障诊断结构图

5 结语

随着装备技术发展，装备的功能越加复杂，对于装备的保障要求越来越重要，特别是对于装备故障的诊断功能的要求更加凸显。本文采用基于神经网络专家系统法设计思路，提升了装备故障诊断系统的实用性、可靠性和准确性，从中也可以看出，人工智能在装备故障诊断领域的深入运用，不仅提升了装备保障诊断的效率，还提高了装备诊断的准确性，也降低了故障诊断的成本，诊断效能提升，同时能够增强维护人员的保障维修能力。