基于數(shù)據(jù)挖掘的裝備質(zhì)量信息分析處理技術(shù)研究綜述

　　摘 要：對裝備質(zhì)量信息進(jìn)行分析和處理是準(zhǔn)確掌握裝備性能狀態(tài)，提高裝備保障水平的關(guān)鍵。隨著計(jì)算機(jī)技術(shù)與信息技術(shù)的不斷發(fā)展和大數(shù)據(jù)的運(yùn)用，部隊(duì)亟需裝備質(zhì)量信息分析處理技術(shù)以充分利用裝備質(zhì)量數(shù)據(jù)資源，基于數(shù)據(jù)挖掘的裝備質(zhì)量信息分析處理技術(shù)正逐漸成為裝備保障領(lǐng)域的重要研究方向。從因果分析、關(guān)聯(lián)分析和數(shù)據(jù)處理幾個(gè)方面論述了裝備質(zhì)量信息分析處理的研究內(nèi)容，梳理了數(shù)據(jù)挖掘的方法，并闡述了國內(nèi)外研究現(xiàn)狀。簡要分析了各類數(shù)據(jù)挖掘技術(shù)面向裝備質(zhì)量信息分析處理不同研究點(diǎn)時(shí)的適用性。探討了基于數(shù)據(jù)挖掘的裝備質(zhì)量信息分析處理面臨的主要問題及其未來發(fā)展方向。

　　關(guān)鍵詞：數(shù)據(jù)挖掘;裝備質(zhì)量信息分析處理;因果分析;關(guān)聯(lián)分析;數(shù)據(jù)處理

　　裝備質(zhì)量信息是裝備在設(shè)計(jì)、生產(chǎn)制造、使用、維護(hù)等各階段與質(zhì)量相關(guān)的信息，貫穿于裝備的整個(gè)生命周期，反映裝備質(zhì)量要求、狀態(tài)、變化和相關(guān)要素及其相互關(guān)系。裝備在全壽命周期內(nèi)，質(zhì)量特性會伴隨使用過程呈現(xiàn)逐漸退化的趨勢，部分裝備則會出現(xiàn)顯性故障。由于裝備全壽命周期內(nèi)的質(zhì)量影響因素復(fù)雜多變，造成其質(zhì)量退化特性和故障規(guī)律難以把握。

　　事實(shí)上，全壽命周期內(nèi)除了研制階段，在使用階段還會積累大量使用過程中產(chǎn)生的質(zhì)量相關(guān)信息，例如：裝備貯存、勤務(wù)、使用、維修等方面的信息，在這些大量的裝備質(zhì)量相關(guān)信息中蘊(yùn)含著裝備質(zhì)量退化特性、故障規(guī)律等關(guān)聯(lián)信息，如果加以充分利用，將對裝備質(zhì)量管理提供有力支持。傳統(tǒng)的數(shù)據(jù)分析方法可大致分為基于時(shí)間維度的分析方法、基于概率統(tǒng)計(jì)的分析方法和基于失效物理的分析方法。

　　數(shù)據(jù)挖掘評職知識：數(shù)據(jù)挖掘工程師發(fā)表論文期刊推薦

　　此類方法的共同點(diǎn)是需要對原始數(shù)據(jù)進(jìn)行抽樣，得到數(shù)據(jù)樣本，從有限的樣本空間中尋找出特征和規(guī)律，追求算法的復(fù)雜性和準(zhǔn)確性。大數(shù)據(jù)分析方法直接對全體數(shù)據(jù)進(jìn)行分析而不需要數(shù)據(jù)樣本，所面對的數(shù)據(jù)量大大增加，更追求算法的高效性，應(yīng)降低算法復(fù)雜度，提高運(yùn)行速度，盡可能采用精簡高效的模式對數(shù)據(jù)集進(jìn)行分析。大數(shù)據(jù)分析方法和傳統(tǒng)數(shù)據(jù)分析方法的區(qū)別主要體現(xiàn)在分析對象和算法的要求上，而且傳統(tǒng)數(shù)據(jù)分析方法還存在數(shù)據(jù)樣本規(guī)模涵蓋不全面影響分析結(jié)果的問題。大數(shù)據(jù)運(yùn)用是繼云計(jì)算和物聯(lián)網(wǎng)之后信息技術(shù)領(lǐng)域又一次重大科技變革。

　　但是面對數(shù)據(jù)的巨量增加、數(shù)據(jù)種類繁多和數(shù)據(jù)格式迥異，如何從海量數(shù)據(jù)中獲取有價(jià)值的信息，成為了大數(shù)據(jù)運(yùn)用的核心問題。作為一種對數(shù)據(jù)高效處理和全面利用的技術(shù)，數(shù)據(jù)挖掘技術(shù)是應(yīng)對上述挑戰(zhàn)的有效手段之一。應(yīng)用數(shù)據(jù)挖掘技術(shù)進(jìn)行裝備質(zhì)量信息分析處理，能夠從大量數(shù)據(jù)集中發(fā)掘出有價(jià)值的知識、規(guī)則或高層次的信息，將為裝備質(zhì)量信息資源利用奠定基礎(chǔ)，為破解裝備保障相關(guān)問題與提升裝備管理保障科學(xué)化水平發(fā)揮重要作用。

　　1 裝備質(zhì)量信息分析

　　處理研究內(nèi)容裝備質(zhì)量信息是組織實(shí)施裝備質(zhì)量管理的基礎(chǔ)，也是進(jìn)行裝備使用、維修、保障以及改進(jìn)裝備設(shè)計(jì)的重要依據(jù)。美軍從上世紀(jì) 50 年代起就已經(jīng)認(rèn)識到裝備質(zhì)量信息管理的重要性，由國防部依托綜合數(shù)據(jù)交換網(wǎng)進(jìn)行全國性的裝備質(zhì)量信息管理，各軍種和軍事基地建立信息系統(tǒng)，提供裝備全壽命周期各階段的相關(guān)數(shù)據(jù)。

　　國內(nèi)相關(guān)研究工作也取得了許多成果，余磊運(yùn)用本體技術(shù)實(shí)現(xiàn)了裝備 PHM信息的標(biāo)準(zhǔn)化描述，解決了信息異構(gòu)問題，研究了裝備 PHM 領(lǐng)域本體語義推理和本體檢索技術(shù)，在此基礎(chǔ)上設(shè)計(jì)并建立了信息共享系統(tǒng)，實(shí)現(xiàn)了裝備PHM 信息共享[1]。準(zhǔn)確掌握裝備的性能質(zhì)量狀況是完成作戰(zhàn)任務(wù)的重要前提。

　　由于傳統(tǒng)裝備性能質(zhì)量評估方法存在效率較低、主觀因素影響大等問題，黃睿等提出運(yùn)用系統(tǒng)工程理論及分析方法設(shè)計(jì)某型導(dǎo)彈性能質(zhì)量評估系統(tǒng)，結(jié)合導(dǎo)彈質(zhì)量信息，實(shí)現(xiàn)了性能質(zhì)量的評估與預(yù)測[2]。裝備質(zhì)量信息分析處理的研究內(nèi)容可分為因果分析、關(guān)聯(lián)分析、數(shù)據(jù)處理幾個(gè)方面。因果分析是縱向的，能夠從結(jié)果中探尋原因或者由原因預(yù)測結(jié)果;關(guān)聯(lián)分析是橫向的，得到的是事物之間的相互作用和相互影響，從不同的維度分析裝備質(zhì)量數(shù)據(jù)可以更準(zhǔn)確清晰地發(fā)掘其背后隱藏的知識，必要的數(shù)據(jù)處理能夠提高數(shù)據(jù)質(zhì)量，保證發(fā)掘過程的順利實(shí)施。

　　1.1 質(zhì)量信息因果分析

　　裝備質(zhì)量信息因果分析主要包括故障診斷、故障預(yù)測和剩余使用壽命預(yù)測等內(nèi)容。故障診斷的實(shí)質(zhì)是故障檢測和故障隔離的過程，目的是對裝備發(fā)生故障的類型、部位和原因進(jìn)行診斷�；�于模型的故障診斷方法需要依據(jù)先驗(yàn)知識分析裝備部組件以及分系統(tǒng)之間的聯(lián)系，為其建立相對準(zhǔn)確的數(shù)學(xué)物理模型，從而實(shí)現(xiàn)對整個(gè)系統(tǒng)的狀態(tài)監(jiān)測和故障診斷[3]。

　　數(shù)據(jù)驅(qū)動(dòng)的故障診斷技術(shù)運(yùn)用多種不同的數(shù)據(jù)挖掘方法從海量的運(yùn)行數(shù)據(jù)中提取和分類故障特征，不依賴系統(tǒng)的先驗(yàn)知識和準(zhǔn)確的數(shù)學(xué)物理模型，能更好地適應(yīng)新一代武器系統(tǒng)發(fā)展需要，因此近年來這方面的研究取得了許多成果。數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法包括基于多元統(tǒng)計(jì)的方法、基于深度學(xué)習(xí)的方法、基于信號處理的方法以及基于定量 AI 模型的方法。故障預(yù)測是為了預(yù)測裝備的運(yùn)行趨勢，為維修策略的制定提供支持。

　　目前常用的故障預(yù)測方法可分為定性預(yù)測和定量預(yù)測，其中定量預(yù)測包括基于數(shù)據(jù)的預(yù)測和基于模型的預(yù)測�；�于模型的方法需要建立較為準(zhǔn)確的數(shù)學(xué)模型，不適用于復(fù)雜裝備。基于知識的方法中最具代表性的是專家系統(tǒng)，由于知識難以自動(dòng)獲取且開發(fā)周期較長，其應(yīng)用范圍受到限制[4]�；�于數(shù)據(jù)的方法旨在利用裝備運(yùn)行過程中產(chǎn)生的大量數(shù)據(jù)提取信息，不需要確定的數(shù)學(xué)模型，適用性較強(qiáng)，而且能用于彌補(bǔ)專家系統(tǒng)存在的缺陷[5]，此類方法包括深度學(xué)習(xí)、灰色模型、極限學(xué)習(xí)機(jī)、隨機(jī)森林等。

　　剩余使用壽命是系統(tǒng)或部件可繼續(xù)正常使用的時(shí)間長度，剩余使用壽命預(yù)測技術(shù)是裝備 PHM的關(guān)鍵技術(shù)。剩余使用壽命預(yù)測方法分為基于模型的預(yù)測方法和基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)測方法這兩類�；�于模型的方法難以建立復(fù)雜裝備的退化模型，不適用于描述其退化過程，此類方法主要有粒子濾波、卡爾曼濾波等[6]�；�于數(shù)據(jù)驅(qū)動(dòng)的方法不需要對象的先驗(yàn)知識，以裝備各個(gè)階段的測試數(shù)據(jù)、傳感器歷史數(shù)據(jù)為基礎(chǔ)，經(jīng)過分析得到數(shù)據(jù)和剩余使用壽命之間的映射關(guān)系，此類方法包括卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)和自編碼器等[7 8]。

　　1.2 質(zhì)量信息關(guān)聯(lián)分析

　　裝備質(zhì)量信息關(guān)聯(lián)分析主要包括參數(shù)關(guān)聯(lián)分析、裝備性能退化因素分析和裝備故障關(guān)聯(lián)分析等內(nèi)容。參數(shù)關(guān)聯(lián)分析的目的是找出裝備之間或者質(zhì)量參數(shù)與性能指標(biāo)之間的聯(lián)系，例如，導(dǎo)彈裝備的“存儲溫度”和“存儲時(shí)間長度”可能會共同對“陀螺轉(zhuǎn)速”產(chǎn)生影響，這種關(guān)系是很難從質(zhì)量數(shù)據(jù)中直接判斷的，如何發(fā)現(xiàn)這些關(guān)聯(lián)關(guān)系需要深入研究。帥勇等人利用 FP Growth 算法構(gòu)建了文本數(shù)據(jù)的FP Tree，推理出了某型裝甲裝備動(dòng)力系統(tǒng)關(guān)鍵參數(shù)之間的關(guān)聯(lián)關(guān)系，提出了基于綜合模型的可靠性參數(shù)選擇算法[9]。王魁提出的測試參數(shù)體系分析技術(shù)，梳理了導(dǎo)彈裝備各級組成間測試參數(shù)的關(guān)聯(lián)，優(yōu)化了測試方案，提高了測試覆蓋程度[10]。裝備性能退化是武器裝備在使用過程中，部分性能指標(biāo)隨著時(shí)間的推移而逐漸下降的過程。性能退化因素分析的目的是探尋裝備性能退化的影響因素，如外部環(huán)境變化、內(nèi)在特性變化等。

　　裝備性能退化分析的方法可分為失效物理建模方法和數(shù)據(jù)驅(qū)動(dòng)建模方法兩類。失效物理建模方法需要分析失效機(jī)理，根據(jù)物理或化學(xué)反應(yīng)規(guī)律建立基于失效物理的退化模型，應(yīng)用較為廣泛的模型有反應(yīng)論模型[11]和累積損傷模型[12]。數(shù)據(jù)驅(qū)動(dòng)建模方法直接從裝備性能測試數(shù)據(jù)和狀態(tài)監(jiān)測數(shù)據(jù)中挖掘出隱含的性能演變規(guī)律，而不用考慮裝備內(nèi)部的退化失效機(jī)制，此類方法包括退化軌跡方法[13]、隨機(jī)過程方法[14]等。故障關(guān)聯(lián)分析能夠?qū)ふ已b備故障之間的關(guān)聯(lián)關(guān)系，發(fā)現(xiàn)關(guān)鍵部位之間的故障伴生規(guī)律。

　　國內(nèi)外專家學(xué)者在這方面開展了相關(guān)研究，如基于 N 1 校驗(yàn)的故障相關(guān)性網(wǎng)絡(luò)、基于事故鏈信息的故障關(guān)聯(lián)矩陣、電機(jī)故障關(guān)聯(lián)分析等[15]。對于復(fù)雜裝備，常用的故障檢測方法往往只能得到相對獨(dú)立的故障信息，無法獲悉其中隱含的關(guān)聯(lián)關(guān)系，運(yùn)用數(shù)據(jù)挖掘技術(shù)對大量故障數(shù)據(jù)開展相關(guān)性分析是解決這一問題的有效途徑。文獻(xiàn)[16]提出了一種航空設(shè)備故障關(guān)聯(lián)分析方法，將 Apriori 算法用于挖掘航空設(shè)備故障關(guān)聯(lián)關(guān)系并進(jìn)行了驗(yàn)證。

　　1.3 裝備質(zhì)量數(shù)據(jù)處理

　　裝備質(zhì)量數(shù)據(jù)處理主要包括數(shù)據(jù)清洗、數(shù)據(jù)增強(qiáng)、數(shù)據(jù)離散化等內(nèi)容。數(shù)據(jù)清洗起初是為了解決美國社會保險(xiǎn)號碼的糾錯(cuò)問題，現(xiàn)如今已經(jīng)在許多領(lǐng)域得到了應(yīng)用。隨著軍隊(duì)信息化建設(shè)的不斷推進(jìn)，人們能夠在裝備全壽命周期內(nèi)獲取越來越多的質(zhì)量相關(guān)信息。在獲得這些數(shù)據(jù)之后，通過數(shù)據(jù)挖掘技術(shù)希望能從中抽取出有價(jià)值的知識。為了得到滿足裝備管理需求的有價(jià)值的信息，就要求所獲得的數(shù)據(jù)具有可靠性，同時(shí)能夠準(zhǔn)確反映裝備實(shí)際情況。

　　但事實(shí)上，人們獲得的第一手?jǐn)?shù)據(jù)往往含有噪聲，如果不預(yù)先進(jìn)行清洗處理，其中不準(zhǔn)確數(shù)據(jù)、異常數(shù)據(jù)以及人為造成的錯(cuò)誤數(shù)據(jù)等可能影響數(shù)據(jù)挖掘效果甚至最終結(jié)論的準(zhǔn)確性。沈小軍等提出的風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)清洗方法根據(jù)拉依達(dá)準(zhǔn)則，將服從正態(tài)分布的數(shù)據(jù)中超過3倍標(biāo)準(zhǔn)差的數(shù)據(jù)值視為異常值進(jìn)行消除[17]。

　　文獻(xiàn)[18]提出運(yùn)用決策樹分類模型來實(shí)現(xiàn)數(shù)據(jù)清洗，相對于傳統(tǒng)的數(shù)據(jù)清洗算法在性能上得到了提高。四分位法根據(jù)實(shí)測數(shù)據(jù)進(jìn)行離群值分析處理，實(shí)現(xiàn)異常數(shù)據(jù)清洗，但此方法在異常數(shù)據(jù)比重較大時(shí)識別效果不佳[19]。處理大量異常數(shù)據(jù)時(shí)可采用支持向量回歸算法，其核心是用函數(shù)擬合數(shù)據(jù)[20]。K means算法能夠?qū)崿F(xiàn)異常數(shù)據(jù)的快速識別，且具有較好的準(zhǔn)確性[21]。

　　K 最近鄰算法及其改進(jìn)方法對于數(shù)據(jù)缺失值的處理具有較好的效果[22]。實(shí)際采樣收集到的裝備運(yùn)行狀態(tài)數(shù)據(jù)中，正常數(shù)據(jù)樣本量大，而故障數(shù)據(jù)樣本量小且對應(yīng)的各種故障類型樣本分布不均衡。樣本數(shù)據(jù)的不平衡特性將嚴(yán)重影響基于數(shù)據(jù)驅(qū)動(dòng)方法的有效性。

　　為實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)的武器系統(tǒng)電子元部件級故障診斷技術(shù)的工程應(yīng)用，解決數(shù)據(jù)質(zhì)量問題，楊華暉研究了電子元部件故障小樣本數(shù)據(jù)的增強(qiáng)方法，建立了基于生成式對抗網(wǎng)絡(luò)的故障小樣本數(shù)據(jù)增強(qiáng)模型，提出了基于多標(biāo)簽一維 AC GAN 的數(shù)據(jù)增強(qiáng)方法，并以電壓整流器晶體管故障為例進(jìn)行了驗(yàn)證[23]。裝備質(zhì)量相關(guān)數(shù)據(jù)中包括部分連續(xù)量，故數(shù)據(jù)離散化也是必不可少的數(shù)據(jù)準(zhǔn)備環(huán)節(jié)之一。離散化是將連續(xù)的值域劃分為若干個(gè)區(qū)間，每個(gè)區(qū)間對應(yīng)一個(gè)值，最后將連續(xù)數(shù)據(jù)轉(zhuǎn)化為離散量。

　　離散化數(shù)據(jù)對存儲空間的需求較小，形式更簡潔，能夠保證一些數(shù)據(jù)挖掘方法的順利運(yùn)行，提高數(shù)據(jù)挖掘的效率。離散化算法主要有：PKID 算法，近似等頻離散化算法，基于聚類的離散化算法，ChiMerge 算法，基于粗糙集的離散化算法，CAIM 算法[24 25]。一些專家學(xué)者在開展自身科研工作的同時(shí)，對所涉及的數(shù)據(jù)處理方法也進(jìn)行了研究改進(jìn)。袁浩恒提出了一種并行比較并獲得最優(yōu)離散化的數(shù)據(jù)準(zhǔn)備算法，針對不同數(shù)據(jù)集，先進(jìn)行特性檢測以獲得其分布特性，按照分布特性進(jìn)行數(shù)據(jù)集的異常值檢測和剔除，并行完成與分布特性適配的離散化方法處理[26]。

　　白堂博等人在文獻(xiàn)[27]中指出了傳統(tǒng)的均勻區(qū)段劃分法、加權(quán)劃分法和模糊指數(shù)法等離散化方法存在的問題，提出了基于符號聚合近似的關(guān)聯(lián)規(guī)則挖掘方法，對振動(dòng)信號進(jìn)行特征提取之后利用符號聚合近似方法進(jìn)行數(shù)據(jù)離散化。從裝備質(zhì)量信息分析處理的研究現(xiàn)狀來看，裝備質(zhì)量信息因果分析與關(guān)聯(lián)分析所采用的方法可大致分為基于模型的方法和基于數(shù)據(jù)的方法這兩類。基于模型的方法針對特定型號的裝備時(shí)分析結(jié)果較為精確，但其對系統(tǒng)先驗(yàn)知識要求較高，難以滿足復(fù)雜裝備的需求。

　　基于數(shù)據(jù)的方法不依賴裝備先驗(yàn)知識，方法適用性較強(qiáng)，不局限于特定對象，能更好適應(yīng)新型裝備結(jié)構(gòu)復(fù)雜、系統(tǒng)內(nèi)部關(guān)聯(lián)緊密的特點(diǎn)，但其訓(xùn)練周期較長，且對信號與數(shù)據(jù)要求更高。裝備質(zhì)量數(shù)據(jù)處理的研究相對較少，仍有一些問題有待解決，數(shù)據(jù)清洗面臨異常數(shù)據(jù)處理不充分與隱藏有用信息過度剔除之間的矛盾;提高數(shù)據(jù)質(zhì)量是數(shù)據(jù)驅(qū)動(dòng)方法實(shí)現(xiàn)工程應(yīng)用的基礎(chǔ)性研究，面對海量裝備質(zhì)量數(shù)據(jù)時(shí)仍存在較大困難;數(shù)據(jù)離散化仍面臨離散化過度、離散化質(zhì)量不高、有用信息丟失等問題。

　　2 數(shù)據(jù)挖掘的方法

　　數(shù)據(jù)挖掘就是從大量數(shù)據(jù)中獲取有用信息的過程，其實(shí)質(zhì)是綜合應(yīng)用各種技術(shù)對數(shù)據(jù)進(jìn)行處理和訓(xùn)練，得到能夠反映輸出數(shù)據(jù)與輸入數(shù)據(jù)之間關(guān)系的模型。根據(jù)解決的問題和處理數(shù)據(jù)的方式，數(shù)據(jù)挖掘的方法可以分為回歸、分類、聚類、關(guān)聯(lián)規(guī)則、預(yù)測和離群點(diǎn)檢測這六大類。回歸是確定兩種以上參數(shù)之間定量關(guān)系的一種統(tǒng)計(jì)分析方法。

　　根據(jù)因變量的個(gè)數(shù)或者回歸函數(shù)的類型可將回歸方法分為一元線性回歸、一元非線性回歸、多元線性回歸、多元非線性回歸這幾類，此外，逐步回歸方法[28]和 Logistic 回歸方法[29]也是常用的回歸方法�；貧w可用于裝備故障預(yù)測、剩余壽命預(yù)測、性能評估、數(shù)據(jù)清洗等研究，適合定量分析，回歸方法的選用比較靈活。分類是通過分析已知類別的訓(xùn)練集得到分類規(guī)則，再用分類規(guī)則為新的數(shù)據(jù)劃分類別的方法。

　　目前分類方法的研究成果主要包括：決策樹方法、BP 神經(jīng)網(wǎng)絡(luò)方法、貝葉斯分類、K 近鄰算法、判別分析、支持向量機(jī)等[30 32]。分類方法可用于故障診斷、壽命預(yù)測、裝備作戰(zhàn)效能評估、機(jī)內(nèi)測試技術(shù)等研究，不同的分類方法各有優(yōu)劣，每一種方法都有特定的應(yīng)用領(lǐng)域，但是通常只適合解決某一類問題。聚類是將原本沒有類別的對象聚集成由類似的對象集合組成的若干個(gè)類或者簇的過程。

　　目前聚類算法可以分為層次聚類、劃分聚類、基于模型的聚類、基于網(wǎng)格的聚類和基于密度的聚類這幾類，其中實(shí)踐應(yīng)用較多的是 K means、神經(jīng)網(wǎng)絡(luò)聚類、模糊 C 均值聚類、層次聚類、高斯聚類等方法[33 35]。聚類可用于故障診斷、裝備維修輔助決策、維修性分析、數(shù)據(jù)離散化等研究。關(guān)聯(lián)規(guī)則挖掘是發(fā)現(xiàn)數(shù)據(jù)項(xiàng)集之間關(guān)聯(lián)關(guān)系的過程，常見的算法有 Apriori 算法[36]和 FP Growth算法[37]。關(guān)聯(lián)規(guī)則被廣泛應(yīng)用于裝備故障關(guān)聯(lián)分析、性能退化因素分析、可靠性工程等研究中，對于隱藏知識的發(fā)掘具有優(yōu)勢，但面對較大規(guī)模的數(shù)據(jù)集時(shí)，其效率不夠理想。

　　數(shù)據(jù)挖掘中的預(yù)測是依據(jù)現(xiàn)有的數(shù)據(jù)建立數(shù)學(xué)模型，從而對未來的數(shù)據(jù)進(jìn)行預(yù)測。預(yù)測方法有灰色預(yù)測[38]、馬爾科夫預(yù)測[39]、回歸方法[40]、神經(jīng)網(wǎng)絡(luò)[41]、最小二乘法[42]、平滑預(yù)測法[43]、自回歸模型[44]、自回歸移動(dòng)平均模型[45]等。預(yù)測適用于裝備故障預(yù)測、剩余壽命預(yù)測等研究，優(yōu)點(diǎn)是能夠定量地描述事物的變化程度，依據(jù)歷史數(shù)據(jù)而不受主觀因素影響，缺點(diǎn)是靈活性不夠，不適合處理變化較大的數(shù)據(jù)。離群點(diǎn)是數(shù)據(jù)集中的少量異常數(shù)據(jù)，可能是噪聲數(shù)據(jù)，但也可能包含有用信息，離群點(diǎn)檢測的目的是發(fā)現(xiàn)這些隱藏的知識。

　　經(jīng)典的檢測方法可以分為基于統(tǒng)計(jì)學(xué)的方法、基于距離或鄰近度的方法、基于密度的方法和基于聚類的方法。離群點(diǎn)檢測通常用于數(shù)據(jù)處理，提高數(shù)據(jù)分析的準(zhǔn)確性。近些年離群點(diǎn)檢測的方法研究取得了一定進(jìn)展。對于裝備質(zhì)量信息分析處理涉及的不同內(nèi)容，都有其適用的數(shù)據(jù)挖掘方法，質(zhì)量信息因果分析適合采用回歸、分類、預(yù)測或離群點(diǎn)檢測方法，質(zhì)量信息關(guān)聯(lián)分析主要運(yùn)用關(guān)聯(lián)規(guī)則，裝備質(zhì)量數(shù)據(jù)處理適用聚類、分類、回歸或離群點(diǎn)檢測方法。

　　3 面臨的問題及未來研究方向

　　我軍針對裝備質(zhì)量信息分析已開展了一定的研究工作。在因果分析方面，故障診斷的相關(guān)研究較為廣泛和深入，不論是技術(shù)方法的探索還是體系框架的構(gòu)建都取得了豐碩成果，提高復(fù)雜裝備故障診斷的準(zhǔn)確度是需要重點(diǎn)解決的問題，智能診斷、綜合診斷等是近些年的研究熱點(diǎn)。故障預(yù)測的相關(guān)研究更傾向于技術(shù)與方法的改進(jìn)，在航空裝備上得到了更為廣泛的應(yīng)用。

　　剩余壽命預(yù)測通常將裝備中某個(gè)分系統(tǒng)或零部件如發(fā)動(dòng)機(jī)、傳感器、電池、軸承等作為研究對象，對于具體問題的研究程度較深。在關(guān)聯(lián)分析方面，參數(shù)關(guān)聯(lián)分析和裝備性能退化因素分析的研究相對較少，主要開展算法優(yōu)化或者建立模型等工作，故障關(guān)聯(lián)分析受到的關(guān)注較多，其應(yīng)用也更廣泛，研究人員依據(jù)不同的對象提出了許多有效的方法。

　　在數(shù)據(jù)處理方面，數(shù)據(jù)清洗、數(shù)據(jù)增強(qiáng)、數(shù)據(jù)離散化等通常是為滿足特定需求而實(shí)施的，專門的研究較少，仍有較大發(fā)展空間。隨著我軍現(xiàn)代化建設(shè)的不斷推進(jìn)，新一代武器系統(tǒng)得到了更為廣泛的運(yùn)用，新型裝備全壽命周期內(nèi)的質(zhì)量影響因素復(fù)雜多變，使得其質(zhì)量退化特性和故障規(guī)律難以把握。傳統(tǒng)的定期維修、視情維修等方法在故障診斷的準(zhǔn)確性、故障檢測與排除的及時(shí)性、保障效率以及維護(hù)成本等方面存在一定的弊端，難以適應(yīng)新形勢下裝備保障需求的發(fā)展。

　　依托“裝備云”等平臺，利用數(shù)據(jù)挖掘技術(shù)進(jìn)行裝備質(zhì)量信息的分析處理為解決這些現(xiàn)實(shí)矛盾，提高裝備質(zhì)量問題分析能力、裝備質(zhì)量評估能力和裝備預(yù)防性維修能力開辟了新的途徑，為提升裝備管理保障的科學(xué)化水平提供了有力支持[46 48]。對于數(shù)據(jù)分析，目前我軍采用的方法包括深度神經(jīng)網(wǎng)絡(luò)、偏相關(guān)分析、關(guān)聯(lián)規(guī)則分析、大數(shù)據(jù)分析等[49 51]。

　　3.1 面臨的問題

　　目前，一些專家學(xué)者已經(jīng)將數(shù)據(jù)挖掘技術(shù)運(yùn)用于裝備質(zhì)量管理知識發(fā)現(xiàn)、裝備使用質(zhì)量信息分析、裝備故障智能診斷方法、裝備設(shè)計(jì)質(zhì)量綜合評估方法、裝備故障診斷系統(tǒng)等領(lǐng)域的研究，并提出了裝備質(zhì)量信息分析處理的構(gòu)想，初步建立了基于數(shù)據(jù)挖掘的裝備使用質(zhì)量信息管理系統(tǒng)框架，探索了裝備故障診斷的方法，對數(shù)據(jù)挖掘算法開展了深入研究。但是，利用數(shù)據(jù)挖掘技術(shù)實(shí)現(xiàn)裝備質(zhì)量信息分析處理還面臨一些問題：

　　1)數(shù)據(jù)挖掘是涉及機(jī)器學(xué)習(xí)、人工智能、數(shù)據(jù)庫理論以及統(tǒng)計(jì)學(xué)等學(xué)科的交叉研究領(lǐng)域，將數(shù)據(jù)挖掘技術(shù)用于裝備質(zhì)量信息分析處理的研究具有一定的難度，而且部隊(duì)相關(guān)條件建設(shè)還不夠完善，如“裝備云”等平臺仍處于規(guī)劃和發(fā)展階段，因此，目前研究將數(shù)據(jù)挖掘技術(shù)運(yùn)用于裝備質(zhì)量信息分析處理的學(xué)者較少�，F(xiàn)有的研究主要是提出系統(tǒng)框架設(shè)計(jì)方案或者提供研究思路，在問題的解決方法和具體實(shí)踐工作方面比較欠缺。

　　2)許多專家學(xué)者對數(shù)據(jù)挖掘技術(shù)進(jìn)行了深入的研究，取得了豐碩的成果。經(jīng)典的數(shù)據(jù)挖掘方法思路簡單且技術(shù)成熟，但是挖掘效率不高，如果參與挖掘的裝備質(zhì)量相關(guān)數(shù)據(jù)涉及的項(xiàng)目較多，效果可能不理想，將影響復(fù)雜裝備質(zhì)量問題分析能力。改進(jìn)算法種類繁多，不同算法的設(shè)計(jì)理念與實(shí)現(xiàn)思路各異，在特定的應(yīng)用背景下具有良好的運(yùn)行效果，但相關(guān)研究不夠成熟，對于解決其他問題是否同樣適用需要論證。

　　3)數(shù)據(jù)處理是解決原始數(shù)據(jù)存在問題，保證數(shù)據(jù)挖掘順利進(jìn)行的重要步驟。目前有些與數(shù)據(jù)挖掘相關(guān)的文獻(xiàn)對數(shù)據(jù)準(zhǔn)備階段工作的論述和數(shù)據(jù)處理方法的研究比較欠缺。一些學(xué)者用于挖掘的數(shù)據(jù)不是原始數(shù)據(jù)，但未將數(shù)據(jù)準(zhǔn)備納入到研究范圍內(nèi)，而是用人工方法轉(zhuǎn)換了部分?jǐn)?shù)據(jù)，在數(shù)據(jù)量較大或者數(shù)據(jù)質(zhì)量不高時(shí)效率較低。對于數(shù)據(jù)清洗的理論研究還不夠成熟，不同的數(shù)據(jù)離散化方法對于裝備數(shù)據(jù)挖掘的適應(yīng)性有待驗(yàn)證。

　　3.2 未來研究方向

　　目前，基于數(shù)據(jù)挖掘的裝備質(zhì)量信息分析處理技術(shù)研究仍有許多工作亟待完成，未來研究方向主要體現(xiàn)在以下幾個(gè)方面：

　　1)裝備質(zhì)量相關(guān)數(shù)據(jù)是質(zhì)量信息分析處理的基礎(chǔ)。裝備全壽命周期內(nèi)積累的大量信息通常以多種形式存在，例如以結(jié)構(gòu)化數(shù)據(jù)形式存在的數(shù)據(jù)表格、以半結(jié)構(gòu)化數(shù)據(jù)形式存在的自描述性文本、以非機(jī)構(gòu)化數(shù)據(jù)形式存在的描述性文字等。對于特定類型的裝備，針對其質(zhì)量監(jiān)控和壽命評估、作戰(zhàn)使用及延壽整修決策需要，甄別篩選與裝備質(zhì)量相關(guān)的數(shù)據(jù)，歸納提煉形成質(zhì)量信息集，構(gòu)建全壽命質(zhì)量信息數(shù)據(jù)體系。2)根據(jù)裝備質(zhì)量數(shù)據(jù)挖掘工作需要，研究針對不同問題的數(shù)據(jù)清洗方法和具有普遍適用性與高效率的數(shù)據(jù)離散化算法，提高裝備質(zhì)量數(shù)據(jù)處理效果。

　　3)運(yùn)用云技術(shù)，研究特定型號裝備全壽命質(zhì)量數(shù)據(jù)資源建設(shè)。結(jié)合在貯存、使用、勤務(wù)、維修等環(huán)節(jié)質(zhì)量數(shù)據(jù)的生成特點(diǎn)，研究終端節(jié)點(diǎn)裝備質(zhì)量數(shù)據(jù)的采集、存儲和管理機(jī)制，利用云存儲的分布式優(yōu)勢，實(shí)現(xiàn)數(shù)據(jù)的終端采集，云端處理。

　　4)結(jié)合裝備質(zhì)量數(shù)據(jù)的特點(diǎn)，立足部隊(duì)裝備管理實(shí)際需求，利用關(guān)聯(lián)規(guī)則挖掘方法，發(fā)掘出質(zhì)量參數(shù)之間的關(guān)聯(lián)關(guān)系，運(yùn)用分類、預(yù)測等數(shù)據(jù)挖掘方法，分析裝備質(zhì)量退化原因及故障發(fā)生規(guī)律。研究裝備質(zhì)量信息挖掘方法，評估算法的適應(yīng)性并設(shè)法改進(jìn)。優(yōu)化方法方面可以在與其他算法、技術(shù)進(jìn)行融合或各種改進(jìn)方式綜合使用上取得突破。5)依托數(shù)據(jù)挖掘技術(shù)和云技術(shù)，打破傳統(tǒng)的層級式保障模式，探索裝備全壽命質(zhì)量信息資源應(yīng)用機(jī)制與方法。根據(jù)不同應(yīng)用場景和功能需求，構(gòu)建云終端應(yīng)用，設(shè)置終端軟件，實(shí)現(xiàn)數(shù)據(jù)采集、數(shù)據(jù)查詢、數(shù)據(jù)處理、數(shù)據(jù)分析、質(zhì)量評估、維修預(yù)測等功能。

　　4 結(jié)束語

　　數(shù)據(jù)挖掘是從大量數(shù)據(jù)中挖掘出有用信息的過程，通過挖掘數(shù)據(jù)中隱含的信息，可以得到平時(shí)難以獲取的知識和事物背后隱藏的規(guī)律�；�于數(shù)據(jù)挖掘的裝備質(zhì)量信息分析處理的實(shí)質(zhì)是運(yùn)用數(shù)據(jù)挖掘技術(shù)從大量裝備質(zhì)量相關(guān)數(shù)據(jù)中采掘出其中的關(guān)聯(lián)關(guān)系和因果關(guān)系，從而探尋裝備質(zhì)量退化特性和故障規(guī)律，充分發(fā)揮質(zhì)量數(shù)據(jù)的效用，進(jìn)而破除傳統(tǒng)裝備保障方法存在的弊端。

　　基于數(shù)據(jù)挖掘的裝備質(zhì)量信息分析處理技術(shù)為提高裝備質(zhì)量問題分析能力、裝備質(zhì)量評估能力和裝備預(yù)防性維修能力拓展了思路，能夠?yàn)樘嵘�裝備管理保障的科學(xué)化水平提供有力支持。如何解決現(xiàn)有研究中面臨的問題，使基于數(shù)據(jù)挖掘的裝備質(zhì)量信息分析處理技術(shù)在實(shí)際工程應(yīng)用中發(fā)揮更大作用，將是未來的重要研究方向。

　　參考文獻(xiàn)

　　[1] 余磊. 基于本體的裝備 PHM 信息共享技術(shù)研究[D].石家莊：陸軍工程大學(xué),2017.

　　[2] 黃睿,劉小方,鄭祥. 某型導(dǎo)彈性能質(zhì)量評估系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J]. 火炮發(fā)射與控制學(xué)報(bào),2019,40(2):88 92

　　.[3] 蔡金燕,韓春輝,孟亞峰. Analog circuit testability forfault diagnosis[J]. Tsinghua Science andTechnology,2007,12(S1):270 274.

　　[4] HU LQ,HE CF,CAI ZQ,et al. Track circuit faultprediction method based on grey theory and expertsystem[J]. Journal of Visual Communication and ImageRepresentation,2019,58:37 45

　　.[5] 王亮,呂衛(wèi)民,滕克難,等. 基于數(shù)據(jù)驅(qū)動(dòng)的裝備故障預(yù)測技術(shù)研究 [J]. 計(jì)算機(jī)測量與控制,2013,21(8):2087 2089+2105.

　　[6] RAHIMI A,KUMAR K D,Alighanbari H. Failureprognosis for satellite reaction wheels using Kalman filterand particle filter[J]. Journal of Guidance,Control,andDynamics,2020,43(3):585 588.

　　作者：李馥林，孟晨，范書義

轉(zhuǎn)載請注明來自發(fā)表學(xué)術(shù)論文網(wǎng)：http://m.liangshanbai.cn/dzlw/29919.html