何能波，吳紅樸，孫 金，侯 煒，朱佳辰

（航天工程大學，北京 102206）

0 引言

隨著信息技術(shù)不斷發(fā)展，大數(shù)據(jù)時代已來臨，人工智能已在多領域使用，裝備研究也隨之進入高速發(fā)展的快車道，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的標準和要求。由于裝備零部件的老化、磨損或者機器安裝不當以及誤操作等因素，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量變大，不利于裝備保障。若能及時辨別裝備故障狀態(tài)和現(xiàn)象，并能做出準確定位判斷和維護措施，不僅可以防微杜漸，還能提升人員對裝備的保障能力。通過人工智能，可以對裝備自身各種參數(shù)進行識別，因而可以提升故障的診斷精確度和效率。因此，運用人工智能的手段來維護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AI），是1956年由麥卡錫、明斯基等美國科學家在研討會首次提出的一門新的科學。人工智能是研究機器怎樣模擬人類思維的過程來解決人類的問題。

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個階段：

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

（2）反思期：20世紀60年代到70年代初期。由于對人工智能發(fā)展的期望過高，導致很多研發(fā)目標不符合實際情況，很多目標也不能實現(xiàn)，造成對人工智能研究的重大打擊，使人工智能發(fā)展進入了“冬天”。

（3）反應用期：20世紀70年代初期到80年代中期。由于出現(xiàn)了擁有豐富專業(yè)知識和經(jīng)驗的智能計算機程序即專家系統(tǒng)，它就像某一領域的專家一樣，運用其知識和經(jīng)驗來解決該領域的復雜問題，表明人工智能研究發(fā)展可以解決現(xiàn)實應用領域的問題且效果不錯，使人們重新點燃了研究人工智能的希望，人工智能領域的研究發(fā)展由低谷再次走向高峰。

（4）低迷期：20世紀80年代中期到90年代中期。因為運用領域不斷擴大，但問題也逐漸暴露，如推理方法簡單、知識獲取難度大等，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，在這段時間里互聯(lián)網(wǎng)技術(shù)快速的發(fā)展，大幅促進和提升了人工智能領域研究的創(chuàng)新進度和水平。關于人工智能的算法不斷改進及完善，其在眾多領域的運用接連取得了重要意義的突破，如IBM的深藍超級計算機。人工智能步入穩(wěn)定發(fā)展期。

（6）蓬勃發(fā)展期：2011年至今。信息化時代的到來，如云計算、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)絡的飛速發(fā)展，在跨學科運用上成果突出，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，人工智能在很多領域的運用取得了較好成效，例如在軍事裝備領域，運用人工智能進行故障診斷，不僅可以提升人診斷的準確率，還能使裝備維護保障效率和效益提高。

2 傳統(tǒng)故障診斷流程及存在的問題

隨著裝備不斷升級換代，裝備的性能斷提高，功能也在不斷擴展，裝備結(jié)構(gòu)復雜程度加大了，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：維護人員根據(jù)故障現(xiàn)象，通過詢問、檢查、查閱和判斷對故障原因和位置進行定位，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問題：

（1）按照既定的方法步驟，只圍繞當前面臨的故障進行分析。

（2）故障診斷效率取決于維護保障人員對故障裝備的了解程度、專業(yè)知識和維修經(jīng)驗。

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

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

3 基于人工智能的故障診斷方法

3.1 狀態(tài)監(jiān)測法

狀態(tài)監(jiān)測法是指通過運用傳感器監(jiān)測裝備實時運行狀態(tài)，通過狀態(tài)的參數(shù)特征變化來判斷裝備故障，并分析原因，得出解決故障措施的辦法。狀態(tài)識別法主要包括3個方面，分別是狀態(tài)監(jiān)測、分析處理、治理預防，其中核心是分析處理即故障數(shù)據(jù)處理。故障診斷結(jié)果的準確性與數(shù)據(jù)處理的方法有很大關系，主要用的方法是貝葉斯分類法、故障樹分析法、模糊診斷法等。

3.2 神經(jīng)網(wǎng)絡方法

人工神經(jīng)網(wǎng)絡法是通過一定結(jié)構(gòu)模擬人類大腦的思維，以人類大腦神經(jīng)元信息傳遞機制為基礎，進行裝備故障診斷的一種方法，具備學習和容錯能力，適應能力強，具有高速尋找優(yōu)化解的能力。裝備的故障診斷領域中，其算法主要有卷積神經(jīng)網(wǎng)絡、BP算法等。

3.3 專家系統(tǒng)法

專家系統(tǒng)是一種計算機智能程序，它模擬人類專家思維活動來解決現(xiàn)實問題。專家系統(tǒng)是用大量的專業(yè)理論知識和專家的經(jīng)驗，解決需要專家分析的復雜問題，其由知識庫、推理機、客戶端、解釋器、綜合數(shù)據(jù)庫和知識獲取等組成，具有創(chuàng)造性、靈活性和高效性。裝備故障診斷運用專家系統(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)絡專家系統(tǒng)”的裝備故障診斷設計

由于裝備系統(tǒng)的復雜性，與裝備故障特征相關的數(shù)據(jù)具有非線性和并發(fā)性的特點，為了提高裝備故障診斷系統(tǒng)的可靠性、準確性、安全性和穩(wěn)定性，采用人工神經(jīng)網(wǎng)絡與專家系統(tǒng)相結(jié)合的方法，充分利用兩者優(yōu)勢進行設計，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 專家系統(tǒng)

4.1.1 故障知識庫及其特征值向量

專家系統(tǒng)的基礎則是故障知識數(shù)據(jù)庫[3]，其主要包括故障知識庫和典型故障案例庫。

故障知識數(shù)據(jù)庫可根據(jù)實際情況選擇合適的維度，一般分為故障類型、裝備類型，如圖3和圖4所示。

圖2 基于神經(jīng)網(wǎng)絡專家系結(jié)構(gòu)

圖3 故障類型

圖4 裝備類型

故障知識庫的特征向量即是每條故障知識在進入知識庫的時候，系統(tǒng)都會根據(jù)既定的規(guī)則自動分析并建立知識的特征，并形成知識的特征向量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、故障類型、故障現(xiàn)象、故障原因形成一個的典型故障案例及特征，因維度取不同的值，對應著不同的典型故障案例，其特征向量為Y。

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

4.2 BP神經(jīng)網(wǎng)絡

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

圖5 BP神經(jīng)網(wǎng)絡結(jié)構(gòu)圖

它的優(yōu)點是有良好的自適應能力和分類識別能力，按照誤差反向傳播訓練多層前饋網(wǎng)絡，梯度下降是其核心思想，使神經(jīng)網(wǎng)絡的實際輸出值與真實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)絡訓練過程圖

4.3 神經(jīng)網(wǎng)絡與專家系統(tǒng)的裝備故障診斷設計

基于神經(jīng)網(wǎng)絡的專家系統(tǒng)法：先建立故障知識數(shù)據(jù)庫，然后運用裝備狀態(tài)特征值以及以往故障案例集對BP神經(jīng)網(wǎng)絡不斷學習訓練，使其滿足故障診斷的要求。之后方可進行設備故障診斷。在出現(xiàn)故障后，結(jié)合BP神經(jīng)網(wǎng)絡和專家系統(tǒng)的推理對裝備故障做出的快速判斷，給用戶顯示故障的定位、原因、排除措施等。

數(shù)據(jù)庫是用于存儲神經(jīng)網(wǎng)絡專家系統(tǒng)相關領域內(nèi)的診斷裝備故障數(shù)據(jù)信息的特征和神經(jīng)網(wǎng)絡專家系統(tǒng)推理中所需要的有關故障知識的數(shù)據(jù)信息，能夠體現(xiàn)裝備所處故障狀態(tài)下的所有事實集合。

解釋器是用戶端與神經(jīng)網(wǎng)絡專家之間的橋梁，起解釋說明的作用。神經(jīng)網(wǎng)絡專家系統(tǒng)的推理機計算出故障診斷結(jié)果后，通過解釋器翻譯做出對應的解釋說明，還能模仿專家向維修人員進行問題解答。同時，也有利于神經(jīng)網(wǎng)絡專家系統(tǒng)的維護和專家經(jīng)驗的學習訓練。

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

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

圖7 基于BP神經(jīng)網(wǎng)絡專家系統(tǒng)的故障診斷結(jié)構(gòu)圖

5 結(jié)語

隨著裝備技術(shù)發(fā)展，裝備的功能越加復雜，對于裝備的保障要求越來越重要，特別是對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)絡專家系統(tǒng)法設計思路，提升了裝備故障診斷系統(tǒng)的實用性、可靠性和準確性，從中也可以看出，人工智能在裝備故障診斷領域的深入運用，不僅提升了裝備保障診斷的效率，還提高了裝備診斷的準確性，也降低了故障診斷的成本，診斷效能提升，同時能夠增強維護人員的保障維修能力。