综合化航空电子设备故障智能诊断系统的制作方法
本发明属于机器学习领域中的时序点过程领域，涉及一种基于霍克斯过程(hawkesprocess)通过生存分析对综合化航空电子设备进行故障诊断的系统。
背景技术：
随着大规模集成电路技术的迅速发展及日益广泛的应用，为了维护各种器件及设备，人们必须借助计算机来找出电路的故障，模拟电路故障诊断已成为大规模集成电路课题中令人瞩目的一个课题。模拟电路的故障诊断和定位问题不仅引起广泛的关注，而且是国内外专家设计和使用电子系统的一大难题，其中大规模非线性复杂电路容差情况下的故障即软故障诊断，也是困扰广大科学工作者的难题。迄今为止，很少有文献对软故障即容差电路的诊断给出系统而有效的方法，特别是大规模模拟电路的故障诊断。对于大规模复杂网络，如果直接将每一个具体的元件故障信息存入神经网络中，则存在信息量过于庞大的问题，对其诊断的神经网络结构会更复杂，影响诊断速度。传统的利用神经网络诊断模拟电路方法一般是采用bp算法训练的前馈神经网络。标准的bp网络是根据widrow—hof规则，采用梯度下降算法，在非线性多层网络中，反向传播计算梯度。bp算法理论具有依据可靠、推导过程严谨、精度较高、通用性较好等优点，但标准bp算法存在以下缺点：收敛速度缓慢、容易陷入局部极小值、难以确定隐藏层数和隐藏层节点个数。在实际应用中，bp算法很难胜任。随着科学技术的不断进步和发展，尤其是计算机技术的迅速发展和普及，电子设备越来越复杂，自动化水平越来越高。设备故障诊断技术已逐步形成了一门较为完整的新兴边缘综合工程学科，成为国际上一大热门学科。设备诊断技术在我国的化工、冶金、电力、铁路等行业得到应用，若机器在运行中一旦发生故障不仅造成经济损失,而且所造成的经济损失将会成倍的增加。通过对这些设备开展状态监测与故障诊断工作，保障设备安全可靠的运行。由于复杂系统的结构和运行环境复杂、部件多关联，运行时环境变化大、外界干扰多，对于它们的故障诊断，传统方法很难实现，无法对其进行故障诊断。随着计算机集散控制系统的应用和发展,大量的工业过程数据被采集和存储。如何从这些海量数据中挖掘出隐藏的有用信息,提高故障检测与诊断能力,已经成为越来越迫切需要解决的问题。
工业过程规模的不断扩大和复杂性的日益提高,有效的故障检测与诊断是保证生产安全、提高产品质量和经济效益的关键。对故障诊断预测的关键在于对事件序列进行准确建模。在预测维护策略中，故障预测是一个非常重要的步骤.如果能够预测复杂系统中故障发展的过程，就可以综合当前的经济、设备等各种因素制定出最优的维护策略.在复杂工业过程环境下，传统的基于过程机理模型的故障诊断技术难以发挥作用。故障诊断是故障检测和故障隔离的过程。确定故障所在大致部位的过程是故障定位。把故障定位到实施修理时可更换的产品层次(可更换单位)的过程称为故障隔离。利用各种检查和测试方法，发现系统和设备是否存在故障的过程是故障检测；故障检测和故障定位同属网络生存性范畴。由于现代工业过程日趋大型化和复杂化,对于许多复杂的过程对象,工业过程数据往往具有特点:(1)数据各变量之间的关系的非线性；(2)数据的各变量非正态分布特性；(3)数据的非完整性。传统时间序列模型并不能应对上述的3个特点。传统时间序列模型一般预先设定好时间间隔的长度，将事件序列转换成多段等长的时间间隔，进而对每一段时间间隔内的事件进行聚合并求得特征表示。事实上，时间序列模型的效果很大程度上受到预先设定的时间间隔长度的影响，即所谓的可塑性面积单元问题。
尽管基于时间序列的序列模型已经被现有文献广泛研究，比如马尔科夫链，隐马尔可夫模型，向量自回归模型等等，但是对于解决异步生成的连续时间域事件数据问题，时序点过程成为了一个被有效的解决方法。时序点过程将每一个事件的原始时间戳进行保留并用于建模，从而最大程度上保留了事件序列的时间信息和动态变化模式。其中，时序点过程是由连续时间域上的一系列(带标值)事件构成的随机过程。相比时间序列模型，时序点过程模型避免了事件聚合过程中引入的精确时间戳信息丢失。另外，而时序点过程模型则是可以考虑所有历史事件的影响来实现对历史信息的充分利用。
时序点过程的核心是其条件强度函数，有时可以简称为强度函数，通过不同的条件强度函数形式，可以建立不同特点的序列模型。典型的点过程模型有泊松过程，强化泊松过程、霍克斯过程等。其中，齐次泊松过程认为强度函数值是一个恒定的值，独立于历史事件。与齐次泊松过程相比，非齐次泊松过程则认为是随时间变化的函数，而强化泊松过程只关注历史事件的影响。在特定的历史情况下，霍克斯过程本质上是一个条件泊松过程。霍克斯过程是泊松过程的叠加形成的背景与强度齐次泊松过程和非齐次泊松过程的强度。但是，由于过去的事件可能会影响将来发生的事件，因此，霍克斯过程通常比泊松过程更具表现力。霍克斯过程亦称自激励过程(自激励时间点过程)，霍克斯过程是一种点过程，是1972年由hawkes提出的一种特殊的线性自激模型。该模型被广泛应用于各种领域的建模，如经济分析预测、地震预测、社交网络建模等。霍克斯过程认为过去的事件会影响未来事件发生的概率，过去事件的激励是正的、可加的并随时间衰减的。现有的应用于时间-事件序列分析的霍克斯过程模型，基本上都假定霍克斯过程的背景强度为常数，不随时间变化，这一假定不能满足故障事件序列分析实际的实际应用需要。随着计算机计算能力的提升，霍克斯过程目前在事件分析领域的应用也逐渐变得更为广泛，例如社交网络分析，电子病历分析，金融分析，地震分析等等。目前的大部分霍克斯过程研究中，都假设霍克斯过程中的基强度为常数。这一假设并不符合现实的情况，因为事件发生的基础可能性必然是随着时间变化的，实际的工业过程往往不满足这些假设。霍克斯过程其内部机制表示发生的历史事件对于未来事件的发生有激励作用，并且历史事件的影响以累加的形式进行叠加。霍克斯过程要么使用固定的模型参数和启发式规则进行事件序列建模，要么假设事件是独立的。由于霍克斯过程可以看成是一个分支过程，背景函数和激励项可以通过类似于em算法估计混合高斯模型一样来求解。然而，该属性为霍克斯过程所独有，并不适用于其他点过程。现阶段的故障诊断系统很难定义设备的流失率与高度动态的设备访问行为，即未收到设备终止的明确指示和在不同设备之间频繁切换造成的损失，此外不能得到准确地预测设备下一次发生故障的时间。由于复杂系统案例特征包含的信息较多，所要区分案例库的不同特征量，在特征选择时需要综合各种信息：(1)系统或部件的故障信息，如故障率、故障严重等级等.故障率是系统或部件的故障统计结果；故障严重等级是对故障后果的预测；(2)系统或部件使用的历史信息，如故障发现时间、部件的总工作时间等.系统或部件的工作历史对状态的影响很大，不同时间对应的故障信息不同；(3)系统或部件的结构信息，如系统或部件的相关性、部件是否冗余等。相关性越大，故障可能性越大；部件冗余说明故障可能性大；(4)系统或部件工作的环境信息，如系统或部件承受的压力、负载等。系统或部件在不同环境下表现出不同的故障特征，环境越恶劣，故障可能性越大；获取复杂系统的信息较难。
故障的严重等级可分为灾难性、危险、较大和较小4类。复杂系统包括机械、电子、液压等多类系统，具有如下特点：(1)层次性，零件、部件、组件和系统构成的各个层次；(2)相关性，不同零部件之间相互关联，某零件出现故障后可导致多个零件发生故障；(3)不确定性，故障征兆和原因之间的关系不确定，往往一个征兆中包含多种原因。飞机的水平安定面操纵系统是较典型的复杂系统，包含了多类系统和多种故障现象.由于结构复杂、信息量大，通常的方法已不适用。根据选取关键特征量的依据，机载系统显示的信息主要源于飞机的飞行过程构成系统的案例库1；而飞机的故障信息来源于日常的维修或维护构成系统的案例库2，具体的数据库尚处在完善阶段。
技术实现要素：
为克服已有故障诊断方法的不足，解决复杂系统存在的案例表示复杂、建模困难导致的故障诊断困难、无统一方法等问题，以及过程繁琐和复杂的缺点，本发明的发明目的在于：针对上述存在的问题，提供一种故障定位准确，误报率和漏报率小，故障辨识能力高，鲁棒性强的综合化航空电子设备故障智能诊断系统，以克服传统故障诊断方法推理过程模糊、阈值不确定等问题。
本发明的发明目的是这样实现的：一种综合化航空电子设备故障智能诊断系统，包括：分别相连数据库的数据预处理模块和故障预测结果评价模块，相连霍克斯过程模块的生存分析预测模块，其特征在于：数据预处理模块从第一数据库中将采集设备数据转换为设备的id号和设备发生故障时间戳的差值，将这两列数据存入第一数据库中作为故障事件序列，建立基于训练集的独立预后模型和预测模型；霍克斯过程模块从数据预处理模块中读取数据，模拟发生的历史事件，对于未来事件的发生激励，根据每个观察到的设备对故障事件序列进行激励，将设备在过去时间内的故障事件的发生进行霍克斯过程的强度函数建模，周期性地向下位机发送检测信号，通过接收的响应数据帧判断系统是否产生故障和系统故障的类型，对故障类型、故障部位及原因进行诊断，基于霍克斯过程的故障诊断，将检测到的故障信号送入生存分析预测模块辨识故障大小和时变特性，引入时间依存变量，以生存结局和生存时间为因变量构建比例风险回归模型cox回归模型，通过变量赋值定义构建模型所用样本，利用比例风险回归模型cox分析带有截尾生存时间的资料，从霍克斯过程模块中得到生存函数，通过累积风险函数预测设备故障的返回时间；将变化产生的新信息送入故障预测结果评价模块，利用平均绝对误差mae(meanabsoluteerror)对最终的故障时间预测的时间戳进行度量，根据不同故障时间戳的单位进行故障分析，完成故障诊断任务。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
(1)故障定位准确。本发明数据预处理模块从数据库中将采集设备数据转换为设备的id号和设备发生故障时间戳的差值，将这两列数据存入数据库中作为故障事件序列，建立基于训练集的独立预后因素筛选和预测模型；对故障事件序列的霍克斯过程强度函数进行建模，并模拟发生的历史事件对于未来事件的发生有激励作用准确定位故障。
(2)误报率和漏报率小。本发明将设备在过去时间内的故障事件的发生进行霍克斯过程的强度函数建模，周期性地向下位机发送检测信号，通过接收的响应数据帧判断系统是否产生故障和系统故障的类型，对故障类型、故障部位及原因进行诊断，采用cox模型来模拟设备动态返回事件，通过直接建模设备返回时间来分析动态设备。
(3)故障辨识能力高。本发明基于霍克斯过程的故障诊断，将检测到的故障信号送入生存分析预测模块辨识故障大小和时变特性，引入时间依存变量，以生存结局和生存时间为因变量构建比例风险回归模型cox，采用cox模型与霍克斯过程强度函数融合，提高了故障辨识能力。它可以减少未收到设备终止的明确指示和在不同设备之间频繁切换造成的损失。
(4)鲁棒性强。本发明利用比例风险回归模型cox分析带有截尾生存时间的资料，从霍克斯过程模块中得到生存函数，通过累积风险函数预测设备故障的返回时间；将变化产生的新信息送入故障预测结果评价模块，采用霍克斯过程强度函数作为风险函数进行生存分析，霍克斯模块的输出与生存分析模块相结合进行预测，分析处理事件发生的时间，也称为持续时间建模。使系统能够轻松地解决问题，例如事件在t单位时间后会发生的概率是多少，或如果事件未在t单位时间中发生的概率是多少，事件的未来会发生概率是多少。利用时间截断的方法，使得故障预测准确性得到了显著提升。
(5)本发明基于霍克斯过程的比例风险回归模型(cox模型)来对事件序列建模，充分利用截尾数据所提供的不完全信息，对生存时间的分布特征进行描述，对影响生存时间的主要因素进行分析，利用平均绝对误差mae(meanabsoluteerror)对最终的故障时间预测的时间戳进行度量，根据不同故障时间戳的单位进行故障分析，可以在模型中很容易融合不同类型的协变量，通过历史故障次数出现的多少判断可能的故障位置，选择发生故障的次数作为部件的特征，判断出最有可能出现故障的部件，完成故障诊断任务，最后将新案例的推理结果存入案例数据库，克服了传统的故障诊断方法推理过程模糊、阈值不确定等问题。经实例验证，与实际的故障诊断结果相符。
附图说明
图1是本发明综合化航空电子设备故障智能诊断系统原理示意图；
图2是本发明霍克斯过程故障事件序列建模的示意图；
图3是本发明生存分析返回时间建模示意图；
图4是本发明架构图，以cox模型为例的霍克斯过程模块、生存分析预测模块和故障预测结果评价模块示意图。
为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发明作进一步地详细描述。
具体实施方式
参阅图1。在以下描述的实施例中，一种综合化航空电子设备故障智能诊断系统，包括：分别相连数据库的数据预处理模块和故障预测结果评价模块，相连霍克斯过程模块的生存分析预测模块。数据预处理模块从第一数据库中将采集设备数据转换为设备的id号和设备发生故障时间戳的差值，将这两列数据存入第一数据库中作为故障事件序列，建立基于训练集的独立预后模型和预测模型；霍克斯过程模块从数据预处理模块中读取数据，模拟发生的历史事件，对于未来事件的发生激励，根据每个观察到的设备对故障事件序列进行激励，将设备在过去时间内的故障事件的发生进行霍克斯过程的强度函数建模，周期性地向下位机发送检测信号，通过接收的响应数据帧判断系统是否产生故障和系统故障的类型，对故障类型、故障部位及原因进行诊断，基于霍克斯过程的故障诊断，将检测到的故障信号送入生存分析预测模块辨识故障大小和时变特性，引入时间依存变量，以生存结局和生存时间为因变量构建比例风险回归模型cox回归模型，通过变量赋值定义构建模型所用样本，利用比例风险回归模型cox分析带有截尾生存时间的资料，从霍克斯过程模块中得到生存函数，通过累积风险函数预测设备故障的返回时间；将变化产生的新信息送入故障预测结果评价模块，利用平均绝对误差mae(meanabsoluteerror)对最终的故障时间预测的时间戳进行度量，根据不同故障时间戳的单位进行故障分析，完成故障诊断任务。
数据预处理模块从数据库中先将采集的航空电子设备数据进行处理，只留下该航空电子设备的id号和航空电子设备发生故障时间，之后，将航空电子设备的故障时间转换为标识某一时刻时间的时间戳，根据所搜集的数据时间间隔设置时间戳的大小，如按天、小时、分钟、毫秒。最后将后一个发生故障的时间戳减去前一个发生故障的时间戳的时间差作为故障事件序列的输入，第一个发生故障的时间戳记为0。
霍克斯过程模块读取数据预处理模块中数据，将每个观察到的航空电子设备，在过去时间内的故障事件的发生进行霍克斯过程强度函数建模，捕捉航空电子设备固有的和长期的基线强度λ0特征，捕获时间相关性的触发内核g(t,ti)量化每个过去事件随时间演变，激励当前的历史事件。在t单位时间中使用非参数方法直接学习触发内核g(t,ti)的参数族。
参阅图2。霍克斯过程模在块霍克斯过程故障事件序列建模中，根据捕获时间相关性的触发内核g(t,ti)≥0，缩放每个过去历史事件的影响幅度α＞0，基线强度λ0＞0，在特定的历史情况随机变量t和历史事件对当前的激励作用下，通过基线强度λ0捕捉设备固有的长期的特征、与基线强度λ0齐次泊松过程叠加形成的背景和非齐次泊松过程的触发内核g(t,ti)强度，构建强度函数
参阅图3。如图3所示，通过直接建模设备返回时间来分析动态设备。系统关注的问题是预测设备的返回时间，即设备在故障状态中花费的时间。设备的返回时间可能会无限延长(对于一直故障的设备)。在生存分析返回时间建模中，综合化航空电子设备故障智能诊断系统预测设备在返回时间上定义的一个阈值td之前的返回时间。假设设备最后一次处于故障状态是在时间t0，则预测返回时间的问题则转换为预测min(tr,td)，也称为截断的返回时间trd，其中tr是设备花费在故障状态的总时间，范围从0到无穷，td是返回时间的有限阈值。假设设备最后一次处于故障状态是在时间t0，并且它已经处于故障状态的时间为ts，则预测的未来返回时间的问题则转换为min(tfr,(td-ts))，也称为截断的未来返回时间tfr，其中tfr是设备在故障状态下花费的额外时间，范围为0到无穷，td是返回时间的有限阈值。此外，每次返回时间的观测都可以与一组影响其大小的协变量相关联。生存分析模块通过时间窗口收集设备返回的时间观察值，根据返回时间观测值t与观测值相关的协变量向量g，将协变量数据表示为一组元组<g,t>。
生存分析模块的生存分析采用的是比例风险回归模型(cox模型)，cox模型通常用于考虑协变量对风险度的影响。该模型基于一个简单的假设，即协变量影响单个风险率的大小，而不影响风险函数模型。其风险函数根据经过的时间t来度量事件在t时刻的瞬时发生率，生存分析预测模块则采用霍克斯过程作为风险函数：
从风险函数中得到如下被定义为时间t的累积风险函数λ：
s(t)＝exp(-λ(t))
然后，可以用下式计算预期设备故障的返回时间：
为了防止返回时间预测值出现偏差，生存函数在超过某个时间点或生存概率下降到一定阈值以下时被截断。对于设备的故障预测，将返回时间的有限阈值td作为预测返回时间的上限。因此，可以将预测的故障事件返回时间和预测未来发生故障事件的返回时间计算定义为:
其中，t为返回时间观测值，s(t)表示时间t下的生存函数，ts为故障状态的时间。
综合化航空电子设备故障智能诊断生存分析预测模块采用点过程的期望最大化(expectation-maximization，em)算法求解模型。em算法使用启发式的迭代方法，先猜想隐含数据(em算法的e步)，接着基于观察数据和猜测的隐含数据一起来极大化对数似然，求解模型参数(em算法的m步)。由于之前的隐藏数据是猜测的，所以此时得到的模型参数一般不够准确。基于当前得到的模型参数，继续猜测隐含数据(em算法的e步)，然后继续极大化对数似然，求解模型参数(em算法的m步)。以此类推，不断的迭代下去，直到模型分布参数基本无变化，算法收敛，找到合适的模型参数。em算法是迭代求解最大值的算法，同时算法在每一次迭代时分为两步，e步和m步。一轮轮迭代更新隐含数据和模型分布参数，直到收敛，即得到需要的模型参数。通过构造目标函数的下界，在每一次迭代中，将所有参数解耦，使得每一个参数可以独立求解。
生存分析预测模块通过霍克斯模块的输出持续时间建模与生存分析模块相结合进行预测，分析处理事件发生的时间，生存分析预测模块通过直接建模设备返回时间来分析动态设备，在返回时间上定义一个返回时间的有限阈值td，预测航空电子设备在阈值td之前的返回时间，将预测返回时间转换为预测min(tr,td)，也称为截断的返回时间trd，其中，tr是航空电子设备花费在故障状态的总时间，范围从0到无穷。
生存分析模块将截断的未来返回时间tfr转换为min(tfr,(td-ts))，其中，tfr是设备在故障状态下花费的额外时间，范围为0到无穷，td是返回时间的有限阈值，ts为已经处于故障状态的时间。
生存分析预测模块的生存分析采用的是比例风险回归模型(cox模型)，cox模型通常用于考虑协变量对风险度的影响。该模型基于一个简单的假设，即协变量影响单个风险率的大小，而不影响风险函数模型，其风险函数根据经过的时间t来度量事件在t时刻的瞬时发生率，为了防止返回时间预测值出现偏差，本实施例则采用霍克斯过程作为风险函数，然后从风险函数中得到生存函数，通过累积风险函数预测设备故障的返回时间生存函数在超过某个时间点或生存概率下降到一定阈值以下时被截断。对于设备的故障预测，将作为预测返回时间的上限。
故障预测结果评价模块对于故障事件预测，根据不同时间戳的故障时间预测的结果分析，使用平均绝对误差来度量预测时间点和实际时间点之间的绝对差值，最后，将预测的故障返回时间戳的结果存储在数据库中。
霍克斯过程模块从数据预处理模块中读取数据，对于每个观察到的航空电子设备，系统将航空电子设备在过去时间内的故障事件的发生进行霍克斯过程强度函数建模。
参阅图4。生存分析预测模块通过霍克斯模块的输出与生存分析相结合进行预测，如图4中间部分和下半部分所示。生存分析用于处理事件发生的时间，也称为持续时间建模，根据事件发生时间的随机变量t，定义t时刻的生存函数为：s(t)＝p(t＞t)
故障预测结果评价模块：对于故障事件预测评价如图4最上半部分所示，本系统的故障时间预测的结果使用平均绝对误差(mae)来度量预测时间点和实际时间点之间的绝对差值，根据不同的时间戳进行分析。最后，将预测的故障返回时间戳的结果存储在数据库中。
实施例
本系统进行故障诊断和预测工作时，包括以下步骤：
首先从系统的数据库中将采集的航空电子设备数据进行读取，留下该航空电子设备的id号和航空电子设备发生故障时间。读取完成之后，将航空电子设备的故障时间转换为时间戳，即标识某一时刻的时间。根据所搜集的数据时间间隔设置时间戳的大小，如按天、小时、分钟、毫秒，最后将后一个发生故障的时间戳减去前一个发生故障的时间戳的时间差作为故障事件序列，并将第一个发生故障的时间戳记为0。其中，第一列代表设备的id号，第二列表示该设备此时发生故障时间戳与上一次发生故障的时间戳之间的差值。每一行则是表示了某一设备的时间戳差值，将设备id、设备故障时间戳差值存入数据库中，如下表所示：
表1设备故障时间戳差值
第二步，数据预处理模块将数据输入进一个故障事件序列中，对于每个观察到的设备，综合化航空电子设备故障智能诊断系统将设备在过去时间内的故障事件的发生进行霍克斯过程强度函数建模，用触发内核g(t,ti)≥0表示捕获时间相关性的触发内核，即历史事件对当前的激励作用，α＞0表示缩放每个过去历史事件的影响幅度，λ0＞0表示基线强度，内核项的总和是与历史相关。利用基线强度λ0捕捉设备固有的和长期的特征，与历史记录无关。然后g(t,ti)量化了每个过去事件的影响是如何随；时间演变，这使得霍克斯的强度函数取决于历史t，此外，触发内核g(t,ti)采用指数形式
第三步，生存分析预测模块通过霍克斯模块的输出的持续时间，使用生存分析中的cox模型进行进一步构建。利用一种独特的方法，通过直接建模设备返回时间来分析动态设备。设置td为返回时间的一个阈值；若设备最后一次处于故障状态是在时间t0，则预测返回时间转换为min(tr,td)，也称为截断的返回时间trd，其中tr是设备花费在故障状态的总时间，范围从0到无穷，td是返回时间的有限阈值。假设设备最后一次处于故障状态是在时间t0，并且它已经处于故障状态的时间为ts，则预测的未来返回时间转换为min(tfr,(td-ts))，也称为截断的未来返回时间tfr，其中tfr是设备在故障状态下花费的额外时间，范围为0到无穷。本系统采用霍克斯过程作为风险函数，然后从风险函数中得到生存函数，通过累积风险函数预测设备故障的返回时间。为了防止返回时间预测值出现偏差，生存函数在超过某个时间点或生存概率下降到一定阈值以下时被截断。
第四，故障预测结果评价模块将预测设备故障的返回时间使用平均绝对误差(mae)来度量，它是测量预测时间点和实际时间点之间的绝对差值，根据不同的时间戳单位进行分析。最后，将预测的故障返回时间戳的结果存储在数据库中。
以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。
- 还没有人留言评论。精彩留言会获得点赞！