李永保，张建新，张 震，王小召，李 锋，谢立中

(湖北江山重工有限责任公司，湖北襄阳 441005)

0 引言

火箭炮向着自动化、信息化方向发展，应用电路的规模不断增大，结构日趋复杂，导致故障诊断的难度不断增大，传统故障诊断方法的局限性日益突出[1]。同时，现代战争对武器系统快速反应和机动作战能力的要求越来越高。因此，对火箭炮电气系统故障的自行诊断定位成了亟需解决的问题。

近年来，人工智能理论发展迅速，包括BP神经网络、支持向量机、贝叶斯网络等，极大改善了电路故障诊断的性能，但目前研究所针对的电路大多规模较小，测试点少且忽略了各测试点之间的交叉联系[2-6]。

Hinton等[7]提出了深度学习(deep learning)，这是一个具有多层人工神经网络且能够通过“逐层初始化”对原始数据进行训练学习的方法。近年来，卷积神经网络(convolutional neural network，CNN)因其优越的全局特征提取能力，成为深度学习技术领域中具有代表性的神经网络，被广泛应用于图像分类、视觉识别等领域[8-12]。CNN不仅对二维数据有优秀的学习训练能力，对于一维数据也有良好的应用性能[13-17]。

针对火箭炮电气系统复杂度高且故障具有层次性、相关性、不确定性和非线性的特点，考虑到CNN不仅具有优越的特征学习能力，且能够提取出数据中分量之间的局部信息，文中提出了一种基于一维卷积神经网络(1D-CNN)的火箭炮电气系统故障诊断方法，针对某型火箭炮电气系统故障数据，建立了故障诊断模型，并对模型进行了训练验证，结果表明，该方法能够快速准确地诊断和定位故障。……