刘云鹏
摘 要：随着计算机技术的不断发展，机器学习越来越普遍应用于生产生活的方方面面。但在空管设备保障领域依然使用较为落后的传统方法，人工智能等先进技术的应用并不广泛。在空中交通管制的发展历程中，各类功能多样的设备投产使用，使得航班保障能力得到大幅度的提升。通过对PHM和机器学习的研究，将结合PHM的机器学习技术应用在空管设备保障工作中，可以显著提升维护效率、降低维护成本、提高设备的可靠性。
关键词：机器学习 特征提取 故障判别 可靠性
中图分类号：V355.1 文献标识码：A 文章编号：1674-098x（2021）07（c）-0011-03
Research on Fault Discrimination of Air Traffic Control Equipment based on Machine Learning
LIU Yunpeng
（Yunnan Branch of CAAC Southwest Regional Administration， Kunming， Yunnan Province， 650200 China）
Abstract： With the continuous development of computer technology， machine learning is more and more widely used in all aspects of production and life. However， in the field of air traffic control equipment support， relatively backward traditional methods are still used， advanced technologies such as AI is not widely used. In the development of air traffic control， various functional equipment have been put into operation， which has greatly improved the flight support capacity. Through the research on PHM and machine learning， the application of machine learning technology combined with PHM in air traffic control equipment support can significantly improve maintenance efficiency， reduce maintenance cost and improve equipment reliability.
Key Words： Machine learning; Feature extraction; Fault discrimination; Reliability
目前，空管設备一般使用例行维护的方式来提升设备的可靠性，故障发生后再组织人力对设备进行维修。但随着近些年空管设备的大量增加、边远台站趋于无人值守，人员越来越紧张，加之新冠疫情的爆发，使得进口设备的厂家无法进行技术支持。在这样的背景下，传统的设备维护、维修方式已经难以满足需求。使用机器学习结合故障预测与健康管理（PHM），可以预知故障的发生，提前告知维护人员对设备进行维护工作;并在故障发生后对故障进行判别，为维修提供初步的判断。
1 人工智能与机器学习
人工智能（AI）是从计算机科学衍生出的一个分支科学，它通过对人类思维方式进行研究，使用计算机对人类思维过程和行为进行模拟，从而达到机器能够胜任一些通常需要人类智慧才能完成的复杂工作[1]。
机器学习是人工智能技术下的一个分支，是近年来人工智能领域中较为热门的研究方向。机器学习是让机器模拟人类的学习行为，进行自主学习。这种自主学习的机制通过不断的试验，从经验中获得新的知识与能力，达到对事物进行分析、预测、辨别等能力[2]。
2 空管设备可靠性分析
空管设备故障往往会对空中交通管制服务能力或飞行安全造成直接影响。所以，提升设备的可靠性一直是空管设备保障领域极为重视的课题。
2.1 空管设备可靠性评估分析模型的建立
在衡量设备可靠性时，一般使用故障间隔时间的方法，即MTBF：
MTBF是在规定时间的基础上，设备的正常使用时间和故障总次数的比值。
设备一般会经历早期故障期、偶发故障期以及耗损故障期三个阶段，这三个阶段的故障情况一般使用设备故障率曲线来表示，如图1所示[3]。
根据可靠性理论建立设备可靠性分析模型，并做出一定的假设。若故障率发生比较恒定，根据马尔科夫公式：
其中公式中的
可计算出设备的可靠性公式为：
2.2 系统可靠性评估分析模型的建立
在典型可靠性模型中分为无储备模型和有储备模型，有储备模型又分为工作储备模型和非工作储备模型两种。在空管设备、或单一系统中，主备冷热备份、单一中间节点等模式均存在。需要建立串并联或并串联混合系统模型[4]。
3 基于机器学习对空管设备故障的判别
故障预测与健康管理Prognostics and health management（PHM）与空管设备保障的需求有极高的契合度，PHM技术的发展，为设备的智能故障判别提供了有力的保障，也为未来空管设备保障的发展方向提供了思路。
3.1 PHM技術领域的深度学习模型
目前，机器学习已经发展到深度学习阶段，它是在深层次结构的基础上，将多种抽象的数据集中在一起，并学习其有用的特征以便能够进行信息的处理，可有效满足系统故障判别的需要，应用于故障判别领域的PHM技术的深度学习，也受到了广泛的关注。
其中卷积神经网络又叫CNN，在原始的输入输出中学习，应用在图像处理、语言处理以及各种计算机视觉等方面。典型的CNN结构是由输入层、卷积层、池化层以及全连接分类器组成，其结构如图2所示。
3.2 机器学习在空管设备故障特征提取方面的应用
设备故障的判别一般有两个步骤，先对特征进行提取，将提取到的特征分类学习，然后再进行判别。这个过程采用的是手动提取的方法，具有一定的局限性，而使用机器学习具有明显的优势，机器学习可利用深度学习模型提高特征提取的能力[5]。
在上一节中，知道CNN是深入学习的主要结构之一，但是这种结构在对空管设备特征提取方面，采用的是自动提取，效果并不明显。基于自编码器的归一化稀疏自编码，既弥补了自编码器特征提取的不足，又将学习过程分成多个层，使得各部分的子集能够局部特征提取。这种特征提取的方法使得各个影响因素都能够被检测到，提高了特征提取的准确度，使故障判别能够有效的进行。
3.3 机器学习在空管设备故障判别方面的应用
基于特征提取的故障判别属于模式识别的范畴，它是将设备故障的类型进行分类，从而提高故障识别的精度。域自适应故障判别深度学习模型和数据不平衡故障判别深度学习模型都是机器学习在设备故障判别方面的应用。域自适应技术即DA技术，通过学习多种领域的数据，集中分类来减少数据之间的差异，并标注不同阶段数据的缺陷，充分利用学习到的数据知识保证判别的精度。其框架如图3所示。
该框架先对域进行划分，然后将划分好的域进行多层面的特征提取，再使用DA技术进行故障识别。相比于CNN，这种多层域的自适应采用最少的学习对参数进行更好的约束。还能够与其他领域共用分类器，将未被标记的样本进行合理的分类，具有更高的分类精度。
在空管设备使用过程中，故障发生的时间基本小于正常工作的时间，这种情况下的正确数据与标记数据极度不平衡，容易造成判别错误的情况。针对数据不平衡的情况，研究发现了一种对抗学习的方式，提高制造样本数据，使两者之间达到平衡[6]。
对抗学习的原理是采用生成器生成样本数据并进行输入，而相应的判别器无法辨别数据是真实的还是虚假的，这种方式让生成器和判别器相互博弈，有效解决了数据不平衡的问题。对抗学习的这种深度学习框架。其框架如图4所示。
4 技术前景展望
从上面机器学习技术的研究与应用分析，可知机器学习可以解决设备故障判别方面的问题，但具有局限性，只适用于设备的局部，在设备寿命的预测与故障诊断中还有不足。目前研究机器学习的算法还不够深入，算法的应用还比较简单，为此应深入研究机器算法和模型，解决其中的难点，扩大机器学习的适用范围，充分发挥机器学习在设备故障判别方面的优势。
5 结论
在空管设备保障领域，将机器学习方法应用在空管设备故障的判别中，可以大幅的提高维护效率，降低维护成本，提升设备的可靠性。再结合AR、云计算等先进技术，势必能够快速推动民航空管事业的发展。
参考文献
[1]薛峰.人工智能对马克思劳动理论的影响研究[D].上海：上海师范大学，2020.
[2]年夫顺.关于故障预测与健康管理技术的机电认识[J].科一起仪表学报，2018，39（8）：1-14.
[3]周靖力.基于文本数据与陆空通话数据处理的空管运行风险识别和分析[D].广汉：中国民用航空飞行学院，2017.
[4]任浩，柴毅.深度学习在故障诊断领域中的研究现状与挑战[J].控制与决策，2017，32（8）：1345-1358.
[5]杨小润.基于深度学习的车辆轨迹特征识别与分析[D].南京：南京邮电大学，2020.
[6]戴美泽.基于机器学习的中小机场安管安全评估研究[D].南京：南京航空航天大学，2020.
