电子装备深度浅层机器学习诊断预测平台军民融合介绍

作者：周靖宇 郭荣斌 许建华 夏磊

1.引言

在众多机器学习方法当中，浅层机器学习模型是最常被使用的，如支持向量机（Support Vector Machine, SVM）、隐马尔科夫（Hidden Markov Model, HMM）、(Back Propagation, BP)BP神经网络、极限学习机（Extreme Learning Machine, ELM）等。这些模型的结构基本上可以看成带有少量隐层节点或没有隐层节点的网络结构。这些模型无论是在故障模式训练及诊断、故障特征识别、回归预测等各个方面的理论及应用中都取得了巨大的成功。但是这些算法的局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。

深度学习是一类重要的机器学习方法。深度学习可通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示，展现了强大的从少数样本集中学习数据集本质特征的能力。深度学习的动机是在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据。深度学习的应用现今最成功的是图像处理和语音识别，相比浅层机器学习，深度学习非常适用于大数据分析。伴随着装备海量数据库构建技术研究工作的开展，结合深度学习和装备大数据，将极大的推动装备诊断、预测技术。

海量数据是形容巨大且种类复杂的数据，在很多业务部门中都需要操作海量数据，民用方面如规划部门的规划数据，气象部门的气象数据，银行部门的投资数据等。军事装备领域，随着装备越来越先进，构成也越发复杂，伴随着嵌入式测试(Built-in Test, BIT)的广泛使用和多种试验的开展，装备从设计研发到使用过程中的整个全寿命周期中产生了大量的监测数据和试验数据，这些数据往往具有数据量大、数据类型复杂的特点。因此不论是民用还是军用都存在超过了科研人员在可接受时间下的收集、存储、管理和处理能力的数据。在装备的全寿命周期管理工作，通过开展大数据技术研究，可以将民用大数据技术与装备综合保障中的诊断预测技术相结合，通过装备全寿命中的海量数据的数据库构建和处理技术，挖掘这类数据的价值，可以提高装备全寿命周期的管理能力。

 

2.军民需求分析与相关技术现状

2.1军事需求分析

随着科学技术的高速发展，现代战争中使用的武器装备越来越先进，其构成也越来越复杂。例如以预警机、四代机为代表的新型装备，均搭载很多信息化仪器设备。随着装备复杂程度的增加，装备的故障类型也越来越多，对装备进行维护保障的难度和复杂程度也越来越高，为提高装备的可靠性、可维修性，保障装备的战备完好性，急需解决复杂装备的故障诊断及预测技术。

以预警机为例，预警机不同于其他飞机，其电子系统占比达到60%左右，因此预警机中任务电子的(Prognostic and Health Management, PHM)健康管理研究是预警机中非常重要的一个环节。

预警机任务电子系统在预警机的全寿命周期的设计生产工作中，进行了大量的试验，累计了海量的试验数据。大量的历史BIT监测数据和历史海量实验数据，这些数据的数据量达到TB级,但是缺乏合适的分析方法，传统的浅层机器学习无法挖掘这些海量数据的价值。因此研究大数据构建和处理办法，可以结合深度学习挖掘数据价值，在实时BIT数据的驱动下推动预警机任务电子PHM技术研究。

2.2民用需求分析

近几年民用卫星产业发展迅速，以卫星（Auto Test Equipment, ATE）自动测试设备数据为例，卫星中仅有效载荷产品需要进行ATE的部件种类达到几十种，进行的试验有十几项，每次试验均采用ATE进行24小时不间断数据收集，一次持续时间接近一个月，仅一个部件所产生的数据量达到800页。对于这样的海量数据现有的数据分析方法无法进行分析，其中的数据价值被闲置。

2.3大数据获取与预处理技术现状

近年来，国外的数据处理软件产品方面发展迅速，涌现出不少成熟的软件产品，如美国Newtera公司的NewteraTDM、法国EURTLOGIC公司的MAGALI等，其中以美国和法国的数据管理研究水平最高，开发的应用系统也最先进，其软硬件设备已经将测试系统、高性能服务器与数据终端进行了综合集成。

在统计分析软件方面，国外也有不少成熟的通用软件产品，包括NI公司的交互式数据分析软件DIAdem与SPSS公司的统计分析工具Clementine等。其中，DIAdem软件支持二次开发用户将测试数据转换成有用的信息以做出工程决策，利用其中的数据管理、显示与分析处理功能，可以快速有效地获取并分析数据，集成出高效快捷的数据收集、数据管理与统计分析通用工具；SPSS Clementine工具提供了数据统计分析与数据挖掘功能，可用于评估数据管理、原始数据二次统计分析以及可编程性扩展。这些成熟软件针对海量试验和监测数据的综合集成与开发大数据处理平台将起到有力的借鉴和参考作用。

国内在机器学习的方法运用上，这几年蓬勃发展，但主要集中在浅层机器学习方面，在军事装备的大数据和深度学习相结合的方法研究上还基本处于空白，在金融、交通以及图像处理技术当中，深度学习算法应用比较集中。在智能诊断方面，我国虽然起步较晚，但是近年来发展速度较快，尤其是在理论研究上，主要以浅层机器学习算法为主，已经和国外差距较小。在工程应用方面，许多大学都成立了具有一定实力的诊断工程研究中心，将浅层机器学习算法应用到装备故障诊断中，取得了较好的效果，并且针对一些特定系统开发了一批用于故障诊断的产品。

 

3.深度浅层机器学习相结合的智能诊断预测平台

3.1军民装备大数据诊断预测需求分析

在针对军民装备进行的复杂功能性能试验时，所产生的试验数据变得越来越复杂，数据规模呈几何级数增长。如何从这些海量的试验数据中获取有用的信息，对试验的武器装备进行分析评估，难度越来越高。主要存在两方面共性瓶颈问题：海量试验数据构建和处理能力薄弱；基于海量数据的故障诊断和预测的相关分析方法缺乏。

因此亟需突破多维海量试验测试数据快速处理方法与基于分布式系统的并行计算智能平台技术，为新型武器装备提供切实有效的数据集成共享平台与大数据处理技术支撑。同时还需要研究结合以深度学习算法为主的大数据分析方法的故障模型训练、故障特征识别、故障演化规律方法研究。

（1）以电子装备为主的武器装备全寿命周期数据和海量试验数据快速处理均需要基于海量数据的故障预测技术。

为了保证新型武器装备全寿命周期过程中的高水平、高精度和高效率，各设计、生产、检验和使用维护单位或部门，需要在新型武器装备的设计、生产、检验和使用维护过程中持续不断地进行测试。在武器装备全寿命周期内的各项数据是海量的，然而现有技术在处理这些海量的数据时却遇到了严重的问题，呈现出“数据丰富，知识贫乏”的现象。如何从中找出对武器装备有价值的信息，全面提升武器装备的技战水平和维修保障能力，成为当前亟需解决的重要问题。

（2）故障预测技术需要深度学习作为方法支撑

当前多数分类、回归等学习方法多为浅层结构算法，其局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。这点在装备的数据处理结合机器学习中非常突出，例如上述提到的关于预警机PHM中的问题。现今在装备研究中、通过试验我们可以得到大量数据；同时，通过BIT可以监测到大量监测数据。但是，如何结合各种试验的数据和BIT监测的数据为PHM中的诊断训练、故障特征和演化模型提供更优化的策略和知识，这是主要的问题。

深度学习作为一种多层机器学习，不同于传统的浅层机器学习，他可通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示，并展现了强大的从少数样本集中学习数据集本质特征的能力。因此在大数据构建和处理技术的支持下，研究海量数据的深度学习方法可以将海量数据的价值挖掘出来，使得在深度学习算法下得到的故障学习、故障特征和故障演化方法更准确，提高PHM中诊断和预测的决策方法能力。

3.2平台构建现行工作介绍

传统的电子装备只配有少量的BIT与基本的环境试验，因此只需要将这些数据传给上位机的存储设备通过经验模型和人工规则就可以达到功能测试的目的。伴随着装备复杂性的增加，对于装备的一个全寿命周期往往伴随着大量的试验和测试性良好的BIT布局。

预警机是我国重要的武器装备，其中含有60%左右的电子装备，所以任务电子系统是预警机PHM中的一个重要环节。在现今预警机任务电子系统中布局有大量的BIT保障测试性，同时在整个全寿命周期要开展各种试验保障可靠性，而这些BIT监控的历史监控数据以及海量试验数据需要结合海量数据构建、大数据深度学习算法进行故障模式训练、故障特征提取和故障演化模型获取的方法研究，充分挖掘其中价值。

该项目针对电子装备和配套装备中故障难以预测的现状，以预警机电子装备和配套装备为主要研究对象，开展基于装备状态监测和试验验证获得的海量数据的故障预测研究，突破海量数据支撑下机器深度学习的故障模型训练、故障特征识别和故障演化规律获取的技术方法难题，提高装备故障预测能力，为电子装备和配套装备提供大数据获取、机器深度学习和故障预测相结合的新技术。

3.3平台民用推广构想

（1）民用卫星ATE大数据

在电子装备功能与BIT研究方面，国产自主可控ATE在卫星有效载荷产品的质量检定中担负重要的ATE协作工作。卫星有效载荷产品的质检过程主要有以下6个环节：初测、力学、热真空试验（最高为12.5个循环）、温度循环试验（最高为12.5个循环）、高温老炼试验（20～30天）、验收。目前，有效载荷产品种类主要有以下几类：无源部件、有源部件、功率部件、特殊组件等，每天ATE都产生海量的测试数据。

ATE主要完成的工作是：通过控制自动测试系统内各测试仪器的有序组合完成上述测试参数的自动测试，同时将测试数据存储以便于数据回放及测试报告的生成。仅连续波行波管放大器温度循环一项生成的测试报告就长达800页。因此ATE在卫星试验中的海量数据具备数据挖掘基础，为电子装备的大数据构建和海量数据中深度学习结合诊断预测方法的研究提供有力保障。

（2）仪器大数据

通过仪器的计量、试验、用户反馈等信息来实现对于电子装备的各类数据收集。尽管在装备分类中，仪器属于元器件类，但是从现今电子系统的结构角度进行分析，任何一个电子系统都可以看为由数字、模拟、射频微波及混合电路组成的实现特定功能的系统。因此，对于仪器的大数据收集分析对电子系统有极突出的代表性。另一方面从运行情况来看，仪器相比大多数电子装备的工作时间都长，尽管电子装备经常工作在比仪器更加恶劣的环境中，但是其工作时间往往较短。因此仪器的大数据收集分析可以在环境上对于电子系统的故障模式、故障演化等具有一定的研究类比性。

除此之外，国内仪器设备和ATE研制单位，均保有了大量的仪器设计、制造、使用、研发、计量、用户反馈等数据，可以构建一个对于电子系统极有价值的海量数据库，更重要的是，ATE中的仪器设备主要都由微波射频、数模等电路模块构成，与大多数现有武器电子装备类似，因此考虑将仪器作为电子装备研究主要的数据库构建对象。

 

4.未来扩展构想

智能装备综合保障建设为的是解决装备集中管理、任务派遣的二级维修体系下的复杂武器装备综合保障中形成的设计与验证、设计与功能脱节等突出问题。无论是在军用还是民用，都可以通过构建智能装备综合保障平台来提高我国军民两用大型电子装备的综保能力。

通过构建全寿命周期综保信息数据库，形成覆盖装备全寿命周期的军民融合综保信息服务，为智能综保决策分析提供信息基础；通过智能装备综保基础设备库的建设，完善设备库中基础设备，形成覆盖全寿命周期中测试性分析、设计、诊断、预测、验证等功能需求，完善并构建嵌入式测试、ATE等测试手段的现代化装备综保能力库，为智能综保决策提供能力支撑。最终通过智能装备综保决策库建设，颠覆传统综保设计验证模式，形成装备测试需求、综保设备设计、装备功能保障，三维一体的智能化装备综保决策模式。全面保障装备的二级维修体系的同时，打造覆盖装备全寿命周期的、智能高效的军民融合现代化电子装备综保设计验证体系。

 

5.结论

本文从现今最火热的深度学习入手，简要介绍了深浅度机器学习的特点，点出了海量数据处理问题广泛存在的现状。然后本文从军用、民用两个方面分别以预警机和民用卫星为例对海量数据尤其是电子装备相关的海量数据的数据收集和预处理需求进行了分析。接下来，本文对结合深度和浅层机器学习在解决预警机任务电子诊断预测的工作进展做了简要介绍，并对后期将要开展的民用卫星大数据和仪器大数据与智能决策平台的构想做了介绍。最后，本文对我国构建基于大数据与人工智能的未来军民融合电子装备智慧综保平台做了构想分析。