基于深度學(xué)習(xí)的某型綜合指揮車故障診斷研究思路

1、基于深度學(xué)習(xí)的某型綜合指揮車故障診斷研究思路摘要：綜合指揮車因其強大的通信能力在執(zhí)行任務(wù)過程中起著至關(guān)重要的作用,為避免貽誤戰(zhàn)機，對故障診斷的時效性和準確性提出了更高的要求?，F(xiàn)有故障診斷方式主要依靠專家經(jīng)驗，時效性差，診斷周期長，而基于深度學(xué)習(xí)的故障診斷能夠有效解決這個問題。為此，構(gòu)建測量數(shù)據(jù)幀作為輸入數(shù)據(jù)，將卷積神經(jīng)網(wǎng)絡(luò)與生成式對抗網(wǎng)絡(luò)相結(jié)合，提出了一種基于深度學(xué)習(xí)的某型綜合指揮車故障診斷研究思路。關(guān)鍵詞：深度學(xué)習(xí)；綜合指揮車；故障診斷；測量數(shù)據(jù)幀；生成式對抗網(wǎng)絡(luò)引言綜合指揮車具有動中通衛(wèi)星通信、短波通信、超短波通信等多種通信手段，可實現(xiàn)現(xiàn)場和遠程通信能力，具有實時語音、數(shù)據(jù)和圖像的傳輸功能

2、，能保障指揮員對現(xiàn)場人員進行高效靈活的指揮，在反恐維穩(wěn)、抗震救災(zāi)等行動中起著至關(guān)重要的作用。在執(zhí)行任務(wù)過程中，現(xiàn)場環(huán)境瞬息萬變，需要即時可幕的通信，保障指揮員對戰(zhàn)場情況準確掌握，進行高效靈活的指揮。若在執(zhí)行任務(wù)過程中出現(xiàn)故障，必須迅速進行故障排除，對故障診斷的時效性和精確度有很高的要求，否則難以完成通信保障任務(wù)，甚至貽誤戰(zhàn)機。然而正是曲于指揮車功能強大，集成了多種系統(tǒng)，各種故障頻發(fā)，其中衛(wèi)星通信系統(tǒng)是維修需求較大的系統(tǒng)之一?，F(xiàn)有故障診斷方式主要憑借專家經(jīng)驗，M至需要返廠維修，難以滿足對高時效性的要求。深度學(xué)習(xí)則能滿足故障診斷的高時效性和精確度的要求。深度學(xué)習(xí)因其多隱層網(wǎng)絡(luò)與自適應(yīng)的特征提取能力

3、而能夠挖掘數(shù)據(jù)更深層次的本質(zhì)特征，利用原始信號的所有特征，不舍棄原始數(shù)據(jù)信息，能精確地刻畫故障數(shù)據(jù)從觀測值到故障類別之間復(fù)雜的映射關(guān)系，實現(xiàn)智能故障診斷，不需要專家上門診斷或者返廠維修，具有更高的時效性。在此背景下，基于深度學(xué)習(xí)實現(xiàn)指揮車智能故障診斷具有其現(xiàn)實意義?；谏疃葘W(xué)習(xí)的故障診斷原理卷積神經(jīng)網(wǎng)絡(luò)由YannLeCu做出，是第一個成功訓(xùn)練多層網(wǎng)絡(luò)的算法，也是最廣泛使用的深度學(xué)習(xí)模型之一，具有強大的特征提取能力。典型的卷積神經(jīng)網(wǎng)絡(luò)LeNet-5的結(jié)構(gòu)如圖1所示。網(wǎng)絡(luò)分為輸入層、卷積層、子采樣層、全連接層和輸出層。圖1LeNet-5結(jié)構(gòu)卷積層也稱為特征提取層，卷積層通過不同的卷積核卷積前一層，

4、每個卷積核對應(yīng)于一個提取的特征，與前一層的感受野連接。卷積核共享網(wǎng)絡(luò)權(quán)重，每個卷積核提取有限的信息，因此通常使用多個卷積內(nèi)核來獲取更多特征。子采樣層也稱為特征映射層，對從卷積層提取的特征進行子采樣。通過子采樣，大大減少節(jié)點數(shù)有效減少了網(wǎng)絡(luò)連接數(shù)量和網(wǎng)絡(luò)計算的復(fù)雜性。全連接層中的所有神經(jīng)元節(jié)點都與前一層節(jié)點互連。綜合指揮車故障數(shù)據(jù)分析數(shù)據(jù)獲取通過查閱近兩年指揮車的維修記錄，分析出在衛(wèi)星通信系統(tǒng)中，窄帶信道設(shè)備(包括控制信道單元和業(yè)務(wù)信道單元)出現(xiàn)故障的概率比較大。因此主要針對窄帶信道設(shè)備進行研究。窄帶信道設(shè)備主要山以下兒個部分組成：(1)信道機箱；(2)電源板；(3)調(diào)制解調(diào)主板；(4)中頻模塊

5、；(5)10M晶振單元模塊；(6)聲碼器(控制信道單元無)o控制信道單元和業(yè)務(wù)信道單元類似，只有聲碼器和部分程序不一樣，因此設(shè)計出的模型對它們都適用。其中，電源板、調(diào)制解調(diào)主板、中頻模塊、10M晶振單元模塊出現(xiàn)故障的概率比較大。數(shù)據(jù)擴充深度學(xué)習(xí)的方法是建立在大數(shù)據(jù)基礎(chǔ)上的，然而，在指揮車故障數(shù)據(jù)獲取過程中，裝備通常具有大量正常運行數(shù)據(jù)，少量有效的故障數(shù)據(jù)?？梢岳梅抡孳浖M行模擬，獲取故障數(shù)據(jù)樣本，或者將深度學(xué)習(xí)網(wǎng)絡(luò)與生成式對抗網(wǎng)絡(luò)(generativeadversarialnets,GAN)勺樣本生成能力結(jié)合起來,擴張故障數(shù)據(jù)集。陳偉提出改進后CDCGANT法，實現(xiàn)曲已知數(shù)據(jù)生成未知數(shù)據(jù)、曲

6、單一數(shù)據(jù)生成復(fù)合數(shù)據(jù)，擴充了滾動軸承故障樣本。李垣江2等人將GAN與SSAEf結(jié)合，增加永磁同步電機數(shù)據(jù)集的多樣性，提高網(wǎng)絡(luò)泛化能力。文獻3,4在少故障樣本信息情況下，將SDAE的去噪能力和生成式對抗網(wǎng)絡(luò)的樣本生成能力結(jié)合起來，解決齒輪箱故障樣本少的問題。33數(shù)據(jù)融合通過不同檢測設(shè)備獲取各模塊的信號后，就需要對數(shù)據(jù)進行融合。山于數(shù)據(jù)是利用多種測M設(shè)備從不同采樣點采集到的，具有不同的特征，因此，可以將相同時段相同長度的數(shù)據(jù)截取下來，構(gòu)建測量數(shù)據(jù)幀。該方法可以最大程度地利用數(shù)據(jù)，減少特征損耗。基于深度學(xué)習(xí)的綜合指揮車故障診斷實驗驗證模型訓(xùn)練測量數(shù)據(jù)幀設(shè)計。圖2測量數(shù)據(jù)幀測M數(shù)據(jù)幀設(shè)訃方法如2所示，

7、其中：M是測M儀器數(shù)N是采樣點的數(shù)ioN的選取要覆蓋信號的整個周期，以免漏掉信號特征。樣本歸一化。測量數(shù)據(jù)幀中各通道測量數(shù)據(jù)有不同的意義和量綱，為避免輸入變量的不平等使用，保證輸出數(shù)據(jù)中數(shù)值小的不被吞食，必須進行歸一化處理。模型參數(shù)設(shè)置與訓(xùn)練。模型參數(shù)設(shè)置項包括：隱含層層數(shù)，每層節(jié)點數(shù)、分類器類型、學(xué)習(xí)率、迭代次數(shù)等。在數(shù)據(jù)集里隨機選取80%作為訓(xùn)練樣本，剩余20%作為測試樣本。采用訓(xùn)練樣本進行預(yù)訓(xùn)練，然后用測試組測試模型診斷效果。在訓(xùn)練模型的時候經(jīng)常會出現(xiàn)欠擬合和過擬合這兩個問題，將導(dǎo)致訓(xùn)練精度過低或測試精度與訓(xùn)練精度差別過大，從而造成模型不可用。解決方法包括重新清洗數(shù)據(jù)、增大數(shù)據(jù)的訓(xùn)練M、

8、采用正則化方法、采用dropout方法等，可在訓(xùn)練過程中根據(jù)模型收斂情況選用。故障診斷。在模型訓(xùn)練完成之后可用于對采集數(shù)據(jù)的故障診斷分類，其步驟包括：按照格式要求截取采集的數(shù)據(jù)組成測量數(shù)據(jù)幀；將測量數(shù)據(jù)幀歸一化訃算；將歸一化后的數(shù)據(jù)幀作為模型輸入進行前向傳播訃算；根據(jù)分類結(jié)果后查找相應(yīng)標簽得到故障類型。結(jié)論本文首先簡要介紹了基于卷積神經(jīng)網(wǎng)絡(luò)的故障診斷模型；而后提出了指揮車故障數(shù)據(jù)分析方法，包括數(shù)據(jù)獲取、利用生成式對抗網(wǎng)絡(luò)進行數(shù)據(jù)擴充、構(gòu)建測量數(shù)據(jù)幀進行數(shù)據(jù)融合；最后提出了基于深度學(xué)習(xí)的綜合指揮車故障診斷實驗驗證方法，包括模型訓(xùn)練和故障診斷兩個步驟。參考文獻：陳偉?深度學(xué)習(xí)在滾動軸承故障診斷中的應(yīng)用研究D.四川：西南交通大學(xué),2018李垣江，張周磊，李夢含，魏海峰，張懿.采用深度學(xué)習(xí)的永磁同步電機匝間短路故障診斷方法.電機與控制學(xué)報，201&ISSN1007-449X,CN23-1408/TM王俊?基于深度