劉云鵬

摘? 要：隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，機(jī)器學(xué)習(xí)越來越普遍應(yīng)用于生產(chǎn)生活的方方面面。但在空管設(shè)備保障領(lǐng)域依然使用較為落后的傳統(tǒng)方法，人工智能等先進(jìn)技術(shù)的應(yīng)用并不廣泛。在空中交通管制的發(fā)展歷程中，各類功能多樣的設(shè)備投產(chǎn)使用，使得航班保障能力得到大幅度的提升。通過對(duì)PHM和機(jī)器學(xué)習(xí)的研究，將結(jié)合PHM的機(jī)器學(xué)習(xí)技術(shù)應(yīng)用在空管設(shè)備保障工作中，可以顯著提升維護(hù)效率、降低維護(hù)成本、提高設(shè)備的可靠性。

關(guān)鍵詞：機(jī)器學(xué)習(xí)? 特征提取? 故障判別? 可靠性

中圖分類號(hào)：V355.1 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098x（2021）07（c）-0011-03

Research on Fault Discrimination of Air Traffic Control Equipment Based on Machine Learning

LIU? Yunpeng

（Yunnan Branch of CAAC Southwest Regional Administration， Kunming， Yunnan Province， 650200 China）

Abstract： With the continuous development of computer technology， machine learning is more and more widely used in all aspects of production and life. However， in the field of air traffic control equipment support， relatively backward traditional methods are still used， advanced technologies such as AI is not widely used. In the development of air traffic control， various functional equipment have been put into operation， which has greatly improved the flight support capacity. Through the research on PHM and machine learning， the application of machine learning technology combined with PHM in air traffic control equipment support can significantly improve maintenance efficiency， reduce maintenance cost and improve equipment reliability.

Key Words： Machine learning; Feature extraction; Fault discrimination; Reliability

目前，空管設(shè)備一般使用例行維護(hù)的方式來提升設(shè)備的可靠性，故障發(fā)生后再組織人力對(duì)設(shè)備進(jìn)行維修。但隨著近些年空管設(shè)備的大量增加、邊遠(yuǎn)臺(tái)站趨于無人值守，人員越來越緊張，加之新冠疫情的爆發(fā)，使得進(jìn)口設(shè)備的廠家無法進(jìn)行技術(shù)支持。在這樣的背景下，傳統(tǒng)的設(shè)備維護(hù)、維修方式已經(jīng)難以滿足需求。使用機(jī)器學(xué)習(xí)結(jié)合故障預(yù)測(cè)與健康管理（PHM），可以預(yù)知故障的發(fā)生，提前告知維護(hù)人員對(duì)設(shè)備進(jìn)行維護(hù)工作;并在故障發(fā)生后對(duì)故障進(jìn)行判別，為維修提供初步的判斷。

1? 人工智能與機(jī)器學(xué)習(xí)

人工智能（AI）是從計(jì)算機(jī)科學(xué)衍生出的一個(gè)分支科學(xué)，它通過對(duì)人類思維方式進(jìn)行研究，使用計(jì)算機(jī)對(duì)人類思維過程和行為進(jìn)行模擬，從而達(dá)到機(jī)器能夠勝任一些通常需要人類智慧才能完成的復(fù)雜工作[1]。

機(jī)器學(xué)習(xí)是人工智能技術(shù)下的一個(gè)分支，是近年來人工智能領(lǐng)域中較為熱門的研究方向。機(jī)器學(xué)習(xí)是讓機(jī)器模擬人類的學(xué)習(xí)行為，進(jìn)行自主學(xué)習(xí)。這種自主學(xué)習(xí)的機(jī)制通過不斷的試驗(yàn)，從經(jīng)驗(yàn)中獲得新的知識(shí)與能力，達(dá)到對(duì)事物進(jìn)行分析、預(yù)測(cè)、辨別等能力[2]。

2? 空管設(shè)備可靠性分析

空管設(shè)備故障往往會(huì)對(duì)空中交通管制服務(wù)能力或飛行安全造成直接影響。所以，提升設(shè)備的可靠性一直是空管設(shè)備保障領(lǐng)域極為重視的課題。

2.1 空管設(shè)備可靠性評(píng)估分析模型的建立

在衡量設(shè)備可靠性時(shí)，一般使用故障間隔時(shí)間的方法，即MTBF：

MTBF是在規(guī)定時(shí)間的基礎(chǔ)上，設(shè)備的正常使用時(shí)間和故障總次數(shù)的比值。

設(shè)備一般會(huì)經(jīng)歷早期故障期、偶發(fā)故障期以及耗損故障期三個(gè)階段，這三個(gè)階段的故障情況一般使用設(shè)備故障率曲線來表示，如圖1所示[3]。

根據(jù)可靠性理論建立設(shè)備可靠性分析模型，并做出一定的假設(shè)。若故障率發(fā)生比較恒定，根據(jù)馬爾科夫公式：

其中公式中的

可計(jì)算出設(shè)備的可靠性公式為：

2.2 系統(tǒng)可靠性評(píng)估分析模型的建立

在典型可靠性模型中分為無儲(chǔ)備模型和有儲(chǔ)備模型，有儲(chǔ)備模型又分為工作儲(chǔ)備模型和非工作儲(chǔ)備模型兩種。在空管設(shè)備、或單一系統(tǒng)中，主備冷熱備份、單一中間節(jié)點(diǎn)等模式均存在。需要建立串并聯(lián)或并串聯(lián)混合系統(tǒng)模型[4]。

3? 基于機(jī)器學(xué)習(xí)對(duì)空管設(shè)備故障的判別

故障預(yù)測(cè)與健康管理Prognostics and health management（PHM）與空管設(shè)備保障的需求有極高的契合度，PHM技術(shù)的發(fā)展，為設(shè)備的智能故障判別提供了有力的保障，也為未來空管設(shè)備保障的發(fā)展方向提供了思路。

3.1 PHM技術(shù)領(lǐng)域的深度學(xué)習(xí)模型

目前，機(jī)器學(xué)習(xí)已經(jīng)發(fā)展到深度學(xué)習(xí)階段，它是在深層次結(jié)構(gòu)的基礎(chǔ)上，將多種抽象的數(shù)據(jù)集中在一起，并學(xué)習(xí)其有用的特征以便能夠進(jìn)行信息的處理，可有效滿足系統(tǒng)故障判別的需要，應(yīng)用于故障判別領(lǐng)域的PHM技術(shù)的深度學(xué)習(xí)，也受到了廣泛的關(guān)注。

其中卷積神經(jīng)網(wǎng)絡(luò)又叫CNN，在原始的輸入輸出中學(xué)習(xí)，應(yīng)用在圖像處理、語言處理以及各種計(jì)算機(jī)視覺等方面。典型的CNN結(jié)構(gòu)是由輸入層、卷積層、池化層以及全連接分類器組成，其結(jié)構(gòu)如圖2所示。

3.2 機(jī)器學(xué)習(xí)在空管設(shè)備故障特征提取方面的應(yīng)用

設(shè)備故障的判別一般有兩個(gè)步驟，先對(duì)特征進(jìn)行提取，將提取到的特征分類學(xué)習(xí)，然后再進(jìn)行判別。這個(gè)過程采用的是手動(dòng)提取的方法，具有一定的局限性，而使用機(jī)器學(xué)習(xí)具有明顯的優(yōu)勢(shì)，機(jī)器學(xué)習(xí)可利用深度學(xué)習(xí)模型提高特征提取的能力[5]。

在上一節(jié)中，知道CNN是深入學(xué)習(xí)的主要結(jié)構(gòu)之一，但是這種結(jié)構(gòu)在對(duì)空管設(shè)備特征提取方面，采用的是自動(dòng)提取，效果并不明顯?；谧跃幋a器的歸一化稀疏自編碼，既彌補(bǔ)了自編碼器特征提取的不足，又將學(xué)習(xí)過程分成多個(gè)層，使得各部分的子集能夠局部特征提取。這種特征提取的方法使得各個(gè)影響因素都能夠被檢測(cè)到，提高了特征提取的準(zhǔn)確度，使故障判別能夠有效的進(jìn)行。

3.3 機(jī)器學(xué)習(xí)在空管設(shè)備故障判別方面的應(yīng)用

基于特征提取的故障判別屬于模式識(shí)別的范疇，它是將設(shè)備故障的類型進(jìn)行分類，從而提高故障識(shí)別的精度。域自適應(yīng)故障判別深度學(xué)習(xí)模型和數(shù)據(jù)不平衡故障判別深度學(xué)習(xí)模型都是機(jī)器學(xué)習(xí)在設(shè)備故障判別方面的應(yīng)用。域自適應(yīng)技術(shù)即DA技術(shù)，通過學(xué)習(xí)多種領(lǐng)域的數(shù)據(jù)，集中分類來減少數(shù)據(jù)之間的差異，并標(biāo)注不同階段數(shù)據(jù)的缺陷，充分利用學(xué)習(xí)到的數(shù)據(jù)知識(shí)保證判別的精度。其框架如圖3所示。

該框架先對(duì)域進(jìn)行劃分，然后將劃分好的域進(jìn)行多層面的特征提取，再使用DA技術(shù)進(jìn)行故障識(shí)別。相比于CNN，這種多層域的自適應(yīng)采用最少的學(xué)習(xí)對(duì)參數(shù)進(jìn)行更好的約束。還能夠與其他領(lǐng)域共用分類器，將未被標(biāo)記的樣本進(jìn)行合理的分類，具有更高的分類精度。

在空管設(shè)備使用過程中，故障發(fā)生的時(shí)間基本小于正常工作的時(shí)間，這種情況下的正確數(shù)據(jù)與標(biāo)記數(shù)據(jù)極度不平衡，容易造成判別錯(cuò)誤的情況。針對(duì)數(shù)據(jù)不平衡的情況，研究發(fā)現(xiàn)了一種對(duì)抗學(xué)習(xí)的方式，提高制造樣本數(shù)據(jù)，使兩者之間達(dá)到平衡[6]。

對(duì)抗學(xué)習(xí)的原理是采用生成器生成樣本數(shù)據(jù)并進(jìn)行輸入，而相應(yīng)的判別器無法辨別數(shù)據(jù)是真實(shí)的還是虛假的，這種方式讓生成器和判別器相互博弈，有效解決了數(shù)據(jù)不平衡的問題。對(duì)抗學(xué)習(xí)的這種深度學(xué)習(xí)框架。其框架如圖4所示。

4? 技術(shù)前景展望

從上面機(jī)器學(xué)習(xí)技術(shù)的研究與應(yīng)用分析，可知機(jī)器學(xué)習(xí)可以解決設(shè)備故障判別方面的問題，但具有局限性，只適用于設(shè)備的局部，在設(shè)備壽命的預(yù)測(cè)與故障診斷中還有不足。目前研究機(jī)器學(xué)習(xí)的算法還不夠深入，算法的應(yīng)用還比較簡(jiǎn)單，為此應(yīng)深入研究機(jī)器算法和模型，解決其中的難點(diǎn)，擴(kuò)大機(jī)器學(xué)習(xí)的適用范圍，充分發(fā)揮機(jī)器學(xué)習(xí)在設(shè)備故障判別方面的優(yōu)勢(shì)。

5? 結(jié)論

在空管設(shè)備保障領(lǐng)域，將機(jī)器學(xué)習(xí)方法應(yīng)用在空管設(shè)備故障的判別中，可以大幅的提高維護(hù)效率，降低維護(hù)成本，提升設(shè)備的可靠性。再結(jié)合AR、云計(jì)算等先進(jìn)技術(shù)，勢(shì)必能夠快速推動(dòng)民航空管事業(yè)的發(fā)展。

參考文獻(xiàn)

[1]薛峰.人工智能對(duì)馬克思勞動(dòng)理論的影響研究[D].上海：上海師范大學(xué)，2020.

[2]年夫順.關(guān)于故障預(yù)測(cè)與健康管理技術(shù)的機(jī)電認(rèn)識(shí)[J].科一起儀表學(xué)報(bào)，2018，39（8）：1-14.

[3]周靖力.基于文本數(shù)據(jù)與陸空通話數(shù)據(jù)處理的空管運(yùn)行風(fēng)險(xiǎn)識(shí)別和分析[D].廣漢：中國(guó)民用航空飛行學(xué)院，2017.

[4]任浩，柴毅.深度學(xué)習(xí)在故障診斷領(lǐng)域中的研究現(xiàn)狀與挑戰(zhàn)[J].控制與決策，2017，32（8）：1345-1358.

[5]楊小潤(rùn).基于深度學(xué)習(xí)的車輛軌跡特征識(shí)別與分析[D].南京：南京郵電大學(xué)，2020.

[6]戴美澤.基于機(jī)器學(xué)習(xí)的中小機(jī)場(chǎng)安管安全評(píng)估研究[D].南京：南京航空航天大學(xué)，2020.