基于机器学习方法的氢原子钟故障诊断研究学术报告

作者及发表信息

本研究由李荣凯（中国科学院上海天文台与中国科学院大学）、李锡瑞（中国科学院上海天文台）和蔡勇（中国科学院上海天文台）共同完成，发表于《天文研究与技术》（Astronomical Research and Technology）2020年7月第17卷第3期。

学术背景

氢原子钟（hydrogen maser）作为精密授时守时仪器，在科学研究和工程应用中具有重要地位。我国氢钟虽已能满足多种应用场景需求，但仍存在设备故障频发、可靠性差等问题。传统故障诊断依赖技术人员经验判断，存在滞后性强、效率低下等缺点。该研究旨在利用机器学习算法，通过分析氢钟历史运行数据建立故障诊断模型，实现故障的实时预判与诊断，从而简化排查流程、提升维修效率。

研究流程

1. 样本数据处理

研究团队从完备的氢钟监测系统中选取了23个常用参数，通过对1000组带人工判断结果的样本进行降维分析，最终确定7个核心特征参数：离子泵电压（ionv）、离子泵电流（ioni5）、流量（flux）、接收机中频电压（ifl）、调谐电压（tune）、变容二极管（dio）和流量设定（flr）。研究发现不同氢钟即使处于相同状态，参数差异也较大（图2），因此采用针对单台设备定制化建模的策略。

数据预处理阶段对比了standardscaler、minmaxscaler、robustscaler和normalizer等方法。实验使用20000组样本数据，在不同聚类参数（eps和min_samples）组合下测试（表1-3），最终确定standardscaler预处理效果最佳，预测准确率可达99.42%-99.78%。

2. 聚类算法获取状态标签

研究对比了k-means和DBSCAN两种聚类算法。如图3-4所示，k-means适用于类别分布集中的数据，而DBSCAN能更好处理混杂数据。鉴于氢钟参数分布特点（图5），研究选择基于密度的DBSCAN算法，其优势在于： - 自动确定类别数量 - 有效处理参数混杂情况 - 通过密度可达性定义聚类（公式3-4）

实际操作中，先将聚类标签数量设为15-90种，再根据物理意义进行二次调整（图6）。研究发现初始设定7-9种状态会导致误判，如参数全零时仍显示”正常”状态。通过这种两阶段方法，不仅识别了已知故障类型，还发现了新的异常状态。

3. 神经网络分类模型构建

研究比较了决策树、人工神经网络（ANN）和k最近邻（KNN）等分类算法（表4）。考虑到氢钟参数存在跳变现象（图7），需要算法具备强鲁棒性，最终选择ANN作为分类算法。网络结构设置为2层，每层30个节点，激活函数为tanh（公式5）。实验显示，在不同状态标签数量下，ANN准确率稳定在99.48%-99.68%，优于其他算法。

4. 嵌入式系统部署

为满足实时诊断需求，研究将训练好的模型部署到搭载A57内核的嵌入式开发板。系统通过串口与氢钟连接，实时读取参数并在屏幕上显示诊断结果（图8-9）。界面主要显示当前参数值（main parameters are…）和状态标签代码（now the hydrogen maser working in state…）。

主要研究成果

1. 特征选择有效性：通过降维确定的7个参数能准确反映氢钟状态，与全参数集判断结果一致性高。
2. 预处理方法优化：standardscaler预处理使DBSCAN聚类准确率提升至99%以上（表1-3）。
3. 状态识别扩展性：两阶段聚类方法不仅识别了7-9种常见状态，还发现了新的异常模式。
4. 实时诊断实现：嵌入式系统诊断延迟低，可支持现场使用或集成到氢钟内部。
5. 算法性能对比：ANN在72种状态分类下仍保持99.68%准确率，显著优于决策树（92.95%）。

研究通过实际部署验证了方法的可行性，技术人员诊断结果与模型预测结果高度一致。这种基于机器学习的诊断方法突破了传统经验诊断的局限，为氢钟智能化维护提供了新思路。

研究价值与意义

1. 科学价值：建立了氢钟参数与运行状态的量化关系模型，为原子钟故障机理研究提供新方法。
2. 技术价值：实现故障预判与快速定位，将经验依赖型诊断转化为数据驱动型诊断。
3. 应用价值：嵌入式部署方案既可做成便携诊断仪，也能集成到氢钟系统中实现自诊断功能。
4. 方法论创新：结合无监督聚类与有监督分类的混合建模策略，解决了标注数据缺乏的问题。

研究亮点

1. 算法创新性：首次将DBSCAN-ANN混合模型应用于氢钟故障诊断，解决参数非线性分布问题。
2. 工程实用性：考虑嵌入式设备资源限制，优化算法复杂度，实现模型轻量化部署。
3. 发现新异常：通过数据驱动方法发现了人工经验未能识别的异常状态模式。
4. 自适应潜力：框架支持通过新数据迭代训练，持续优化模型性能。

未来展望

当前研究主要基于有限设备的参数数据，随着样本规模扩大（特别是包含频率输出数据的样本），模型泛化能力可进一步提升。该方法可扩展至其他类型原子钟的故障诊断，并为原子钟自修复系统研发奠定基础。研究团队建议建立氢钟数据共享平台，以促进更完善的智能诊断模型发展。