復(fù)雜電子裝備智能故障診斷技術(shù)研究＊

李 登 尹亞蘭 朱文秀

（1.海軍指揮學(xué)院信息系 南京 211800）（2.92674部隊(duì) 廈門 361001）

1 引言

隨著武器裝備現(xiàn)代化的不斷發(fā)展，越來越多的復(fù)雜電子裝備配發(fā)部隊(duì)。由于復(fù)雜電子裝備的故障具有層次性、傳播性、相關(guān)性和不確定性等特點(diǎn)［1］，這使得故障診斷技術(shù)的地位和作用日益突出。按照對知識運(yùn)用程度的不同，可將電子裝備故障診斷技術(shù)分為傳統(tǒng)故障診斷技術(shù)和智能故障診斷技術(shù)。傳統(tǒng)故障診斷技術(shù)運(yùn)用了相關(guān)領(lǐng)域的事理性、理論性知識，以及操作人員簡單的邏輯判斷。智能故障診斷技術(shù)則是模擬人類的邏輯思維和形象思維，將人類各種知識融入診斷過程［2］。

本文在研究電子裝備傳統(tǒng)故障診斷技術(shù)適用性和局限性的基礎(chǔ)上，探討了幾種智能故障診斷技術(shù)在大型復(fù)雜電子裝備中的應(yīng)用及其優(yōu)缺點(diǎn)，最后分析了智能故障診斷技術(shù)的發(fā)展趨勢。

2 傳統(tǒng)故障診斷技術(shù)

故障診斷技術(shù)是一門多學(xué)科交叉的科學(xué)，它包括了現(xiàn)代控制理論、信號處理、模式識別、人工智能等理論和方法。故障診斷技術(shù)發(fā)展過程中，在不同的應(yīng)用領(lǐng)域，與不同的學(xué)科相結(jié)合產(chǎn)生了多種故障診斷技術(shù)。概括地講，現(xiàn)有的故障診斷技術(shù)可以分成兩大類［3］：傳統(tǒng)故障診斷技術(shù)和基于人工智能的故障診斷技術(shù)，傳統(tǒng)故障診斷技術(shù)又可分為基于解析模型的方法和基于信號處理的方法兩類。

所謂基于解析模型的方法，是在弄清診斷對象數(shù)學(xué)模型的基礎(chǔ)上，通過將被診斷對象的可測信息和由模型表達(dá)的系統(tǒng)先驗(yàn)信息進(jìn)行比較，產(chǎn)生殘差，并將殘差進(jìn)行分析和處理，從而實(shí)現(xiàn)故障診斷?；诮馕瞿Ｐ偷姆椒ㄓ挚煞譃闋顟B(tài)估計(jì)法、等價空間法和參數(shù)估計(jì)法。目前此種方法得到了深入的研究，但對于非線性復(fù)雜大系統(tǒng)來說，常常難以獲得對象的精確數(shù)學(xué)模型，這就大大限制了基于解析模型診斷方法的使用范圍和效果。

而基于信號處理的方法，通常是利用信號模型，如相關(guān)函數(shù)、頻譜、自回歸滑動平均、小波變換等，直接分析可測信號，提取諸如方差、幅值、頻率等特征值，從而檢測故障的發(fā)生［4］?；谛盘柼幚淼姆椒ㄓ挚梢苑譃椋盒〔ㄗ儞Q方法、主元分析方法、利用δ算子和利用Kullback信息準(zhǔn)則的故障檢測。這類方法不需要診斷對象的準(zhǔn)確模型，適用對象較廣。但該方法是根據(jù)直接可測的輸入輸出及其變化趨勢來進(jìn)行故障診斷，對人的要求較大。

傳統(tǒng)的故障診斷技術(shù)對于簡單的診斷對象比較容易實(shí)現(xiàn)，對于復(fù)雜的電子裝備則難度大且效果不好，需要專家的人工干預(yù)，人為的因素占很大成分，容易出現(xiàn)漏檢和誤檢。而智能診斷理論是以無模型或非精確模型為特征的更接近人類思維方式的控制理論，以知識信息為基礎(chǔ)進(jìn)行學(xué)習(xí)和推理，用啟發(fā)式方法來引導(dǎo)求解過程。因此，采用人工智能技術(shù)對復(fù)雜電子裝備進(jìn)行故障診斷已經(jīng)成為提高診斷效率和實(shí)現(xiàn)診斷自動化的必由之路。

3 主要的智能故障診斷技術(shù)

近年來，隨著人工智能及計(jì)算機(jī)技術(shù)的飛速發(fā)展，特別是知識工程、專家系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)在診斷領(lǐng)域中的進(jìn)一步應(yīng)用，基于人工智能的故障診斷技術(shù)得到了更加深入、系統(tǒng)的研究，產(chǎn)生了專家系統(tǒng)故障診斷技術(shù)、神經(jīng)網(wǎng)絡(luò)故障診斷技術(shù)、故障樹故障診斷技術(shù)、模糊故障診斷技術(shù)和基于案例推理故障診斷技術(shù)等。

3.1 專家系統(tǒng)故障診斷技術(shù)

專家系統(tǒng)是一種具有大量專門知識與經(jīng)驗(yàn)的智能程序系統(tǒng)，它能運(yùn)用某個領(lǐng)域一個或多個專家多年積累的經(jīng)驗(yàn)和專門知識，模擬領(lǐng)域?qū)＜仪蠼鈫栴}時的思維過程，以解決該領(lǐng)域中的各種復(fù)雜問題［5］。專家系統(tǒng)的能力來自它所擁有的專家知識，并通過推理的方法解決問題，即知識＋推理＝系統(tǒng)。

故障診斷專家系統(tǒng)通常由綜合數(shù)據(jù)庫、知識庫、推理機(jī)、知識獲取系統(tǒng)、解釋系統(tǒng)以及人機(jī)交互界面等部分組成［6］，其核心是知識庫和推理機(jī)，如圖1所示。專家系統(tǒng)故障診斷技術(shù)，可以用于沒有精確數(shù)學(xué)模型或很難建立數(shù)學(xué)模型的復(fù)雜電子裝備。其診斷過程是當(dāng)計(jì)算機(jī)在采集故障信息后，根據(jù)專家豐富的實(shí)踐經(jīng)驗(yàn)以及專家分析問題和解決問題的思路，建立故障診斷的知識庫（規(guī)則庫）和推理機(jī)，進(jìn)行一系列的推理。必要時還可以隨時調(diào)用各種應(yīng)用程序，運(yùn)行過程中向用戶索取必要的信息后，就可快速地找到最終故障或最有可能的故障，并對推理過程做出解釋。

圖1 故障診斷專家系統(tǒng)基本結(jié)構(gòu)圖

專家系統(tǒng)故障診斷技術(shù)克服了傳統(tǒng)故障診斷技術(shù)對模型的過分依賴性，有明確的知識表示，能夠進(jìn)行符號操作，能解釋推理過程，具有靈活性、透明性及交互性。主要缺點(diǎn)是由于知識和經(jīng)驗(yàn)描述的多樣性和不確定性，因此知識的獲取和有效處理已成為專家系統(tǒng)的“瓶頸”問題；此外，專家系統(tǒng)在自適應(yīng)能力、學(xué)習(xí)能力及實(shí)時性方面也都存在不同程度的局限。

3.2 神經(jīng)網(wǎng)絡(luò)故障診斷技術(shù)

神經(jīng)網(wǎng)絡(luò)是通過一種模擬人腦處理信息的功能來獲得解決復(fù)雜問題的方法，能夠出色地解決那些傳統(tǒng)模式識別方法難以圓滿解決的問題［7］。在神經(jīng)網(wǎng)絡(luò)模型中，BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用最為廣泛［8］，由三層即輸入層、隱含層和輸出層組成。

利用神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行故障診斷，主要包括學(xué)習(xí)（訓(xùn)練）與診斷（匹配）兩個過程［4］，每個過程都包括預(yù)處理和特征提取兩部分。具體診斷過程如圖2所示。1）學(xué)習(xí)（訓(xùn)練）階段：選定合適的網(wǎng)絡(luò)結(jié)構(gòu)和規(guī)模，借助一定的學(xué)習(xí)算法，以反映系統(tǒng)的動態(tài)特性、建模誤差和干擾影響的變量作為神經(jīng)網(wǎng)絡(luò)的輸入，以對應(yīng)的狀態(tài)編碼為期望輸出，構(gòu)成輸入／期望輸出樣本對，對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，確定神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，當(dāng)學(xué)習(xí)收斂后凍結(jié)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。2）診斷（匹配）階段：使訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)處于回想狀態(tài)，對于一個給定的輸入，便產(chǎn)生一個相應(yīng)的輸出，由輸出與故障編碼進(jìn)行比較即可方便地確定故障。

圖2 神經(jīng)網(wǎng)絡(luò)故障診斷

神經(jīng)網(wǎng)絡(luò)故障診斷技術(shù)具有良好的I／O非線性映射特性、信息的分布存儲、并行處理以及高度的自組織和自學(xué)習(xí)能力。但同時存在著限制其應(yīng)用的缺點(diǎn)，如神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選擇及訓(xùn)練樣本選擇缺乏系統(tǒng)可靠的依據(jù)，網(wǎng)絡(luò)訓(xùn)練收斂速度比較慢，不能解釋推理過程，對復(fù)雜的電子裝備有時缺乏有效的學(xué)習(xí)算法。

3.3 故障樹故障診斷技術(shù)

故障樹是一種表達(dá)故障傳播關(guān)系的有向圖形，它以診斷對象中最不希望發(fā)生的事件作為頂事件，以可能導(dǎo)致頂事件發(fā)生的其他事件作為中間事件和底事件，并用邏輯門表示事件之間聯(lián)系的一種倒樹狀結(jié)構(gòu)，它反映了特征向量與故障向量（故障原因）之間的全部邏輯關(guān)系［9］。如圖3即為一個簡單的故障樹。圖中頂事件為系統(tǒng)故障，由部件A或部件B引發(fā)，而部件A的故障又是由兩個元件1、2中的一個失效引起，部件B的故障是在兩個元件3、4同時失效時發(fā)生。

故障樹模型是一個基于被診斷對象結(jié)構(gòu)、功能特性的行為模型，是一種定性的因果模型。故障樹故障診斷過程是：首先對診斷對象建立診斷樹模型，然后沿診斷樹模型進(jìn)行故障搜尋與診斷。根據(jù)搜尋方式不同，可分為邏輯推理診斷法和最小割集診斷法［10］。把現(xiàn)有的測量信息和故障節(jié)點(diǎn)間的邏輯關(guān)系進(jìn)行正向推理和反向推理，利用異常節(jié)點(diǎn)作為推理的起始點(diǎn)，利用正常節(jié)點(diǎn)進(jìn)行假設(shè)排除，最終確定底事件的狀態(tài)。

故障樹故障診斷技術(shù)的主要優(yōu)點(diǎn)是簡單易行，幾乎不需要使用訓(xùn)練方法。但它是建立在正確故障樹結(jié)構(gòu)的基礎(chǔ)上的，因此建造正確合理的故障樹是診斷的核心與關(guān)鍵。對復(fù)雜系統(tǒng)而言，故障樹會很龐大。一旦故障樹建立不全面或不正確，則此診斷方法將失去作用。此外，故障樹不能顯示出求解所使用的知識。

3.4 模糊故障診斷技術(shù)

模糊理論最初由Zedeh在1965年提出，是為描述與處理廣泛存在的不精確、模糊的時間和概念提供相應(yīng)的的理論工具［11］。由于現(xiàn)代電子裝備的復(fù)雜性，故障與征兆之間的關(guān)系很難用精確的數(shù)學(xué)模型來表示，隨之某些故障狀態(tài)也是模糊的，這就產(chǎn)生了模糊故障診斷方法。典型的模糊故障診斷方法如圖4所示。

圖3 故障樹故障診斷

模糊故障診斷是利用模糊集合論中的隸屬函數(shù)和模糊關(guān)系矩陣的概念來解決故障與征兆之間的不確定關(guān)系，進(jìn)而實(shí)現(xiàn)故障診斷。診斷步驟［12］為：

1）根據(jù)經(jīng)驗(yàn)、統(tǒng)計(jì)和實(shí)驗(yàn)數(shù)據(jù)，建立故障與征兆之間的模糊關(guān)系矩陣（隸屬度矩陣），矩陣中的每個元素的大小表明他們之間的相互關(guān)系的密切程度。

2）根據(jù)待診斷對象的現(xiàn)場測試數(shù)據(jù)，提取特征參數(shù)向量X。

3）求解關(guān)系矩陣方程Y＝X?R，得到待檢狀態(tài)的故障向量Y，再根據(jù)一定的判定原則，如最大隸屬度原則、擇近原則或閾值原則等，得到診斷結(jié)果。

模糊故障診斷技術(shù)計(jì)算簡單，應(yīng)用方便，結(jié)論明確直觀。但由于隸屬函數(shù)是人為構(gòu)造的，含有一定的主觀因素。此外，對特征元素的選擇也有一定的要求，如選擇的不合理，診斷結(jié)果的準(zhǔn)確性會下降，甚至造成診斷失敗。

3.5 案例推理故障診斷技術(shù)

案例推理是人工智能中新興的一種推理技術(shù)，是一種使用過去的經(jīng)驗(yàn)案例指導(dǎo)解決新問題的方法，其關(guān)鍵是如何建立一個有效的案例索引機(jī)制與案例組織方式。由于案例推理是通過回憶以前相似狀況并重新利用那種狀況的信息和知識來求解新問題的一種推理方法，它可以縮短問題求解途徑，提高推理效率，在知識表達(dá)不盡理想或領(lǐng)域知識獲取不完備、不精確的情況下，能直接利用原有系統(tǒng)中的經(jīng)驗(yàn)教訓(xùn)，不需人為從實(shí)例中提取規(guī)則，降低了知識獲取的負(fù)擔(dān)，解題速度快。

基于案例推理的故障診斷技術(shù)不足之處表現(xiàn)在，其能搜集到的診斷實(shí)例是有限的，不可能覆蓋所有解空間，搜索時可能會漏掉最優(yōu)解；當(dāng)出現(xiàn)異常征兆時，由于找不到最佳匹配，可能造成誤診或漏診。此外，隨著案例的不斷增加，它檢索和索引的效率受到了影響。

上述智能故障診斷技術(shù)各有所長，在實(shí)際應(yīng)用中都有出現(xiàn)。在此，列出各種智能故障診斷技術(shù)的優(yōu)缺點(diǎn)如表1所示。

圖4 模糊故障診斷方法

表1 主要智能故障診斷技術(shù)優(yōu)缺點(diǎn)對比

4 智能故障診斷技術(shù)的發(fā)展趨勢

隨著智能信息處理技術(shù)、數(shù)據(jù)采集技術(shù)、網(wǎng)絡(luò)技術(shù)以及虛擬儀器技術(shù)的發(fā)展，結(jié)合復(fù)雜電子裝備的具體情況，其未來發(fā)展趨勢表現(xiàn)在以下方面：

1）向集成化方向發(fā)展。大型復(fù)雜電子裝備的故障往往表現(xiàn)為復(fù)雜性、不確定性、多故障并發(fā)性等，由于目前存在的各種智能診斷技術(shù)都有一定的局限性，運(yùn)用單一的智能故障診斷技術(shù)，存在精度不高、泛化能力弱、診斷效率較低等問題［18］，所以提高智能化的一個比較有效的辦法就是集成多種技術(shù)，取長補(bǔ)短。集成主要以知識為基礎(chǔ)，將多種知識表達(dá)方法和推理方法綜合集成，融合多種信息，實(shí)現(xiàn)多角度、多層次的診斷集成。

2）向遠(yuǎn)程化方向發(fā)展。復(fù)雜電子裝備故障涉及諸多技術(shù)領(lǐng)域相關(guān)知識，只靠單個部門人員很難在短時間內(nèi)解決。隨著計(jì)算機(jī)網(wǎng)絡(luò)及相關(guān)技術(shù)的發(fā)展，遠(yuǎn)程故障診斷技術(shù)逐漸成為故障診斷領(lǐng)域一個新的發(fā)展方向。在軍事方面，如果各種戰(zhàn)傷的武器裝備在現(xiàn)場能夠得到及時維修，將對提高裝備的戰(zhàn)斗力有重要的意義。利用遠(yuǎn)程故障診斷專家系統(tǒng)，可以獲得遠(yuǎn)離戰(zhàn)場的領(lǐng)域?qū)＜业闹笇?dǎo)，有效地提高維修速度與準(zhǔn)確度。目前智能故障診斷技術(shù)與Internet技術(shù)相結(jié)合是遠(yuǎn)程故障診斷發(fā)展的主要方向之一。

3）向便攜式方向發(fā)展。隨著技術(shù)的發(fā)展，人們對故障診斷的實(shí)時性和高效性提出更高要求。如果能有類似數(shù)字萬用表的便攜式診斷儀，利用探針采集故障特征信號，通過儀器固化的專用故障診斷專家系統(tǒng)進(jìn)行故障診斷，將會為維修人員的故障排除提供極大的方便?，F(xiàn)代計(jì)算機(jī)技術(shù)、人工智能技術(shù)、數(shù)字信號處理技術(shù)與嵌入式軟件技術(shù)的發(fā)展使這種便攜式診斷儀的實(shí)現(xiàn)成為可能。

4）向分布式方向發(fā)展。某些復(fù)雜電子裝備的功能和結(jié)構(gòu)是分布式和多層次的，這決定了診斷系統(tǒng)也可以是分布式和多層次的。分布式診斷系統(tǒng)由全局診斷系統(tǒng)和子診斷系統(tǒng)組成。全局診斷系統(tǒng)負(fù)責(zé)診斷任務(wù)的管理，包括總體任務(wù)的分解、子任務(wù)的協(xié)調(diào)與控制、各子系統(tǒng)診斷結(jié)論的綜合等；子診斷系統(tǒng)根據(jù)所分得的子任務(wù)，完成對所轄設(shè)備的故障診斷。分布式故障診斷的發(fā)展是以分布式數(shù)據(jù)庫、計(jì)算機(jī)網(wǎng)絡(luò)與通信技術(shù)、分布式檢測技術(shù)的融合為基礎(chǔ)的。

5 結(jié)語

故障診斷技術(shù)一門應(yīng)用型綜合學(xué)科，它的理論基礎(chǔ)涉及現(xiàn)代控制理論、計(jì)算機(jī)工程、人工智能、信號處理、模式識別、模糊理論、神經(jīng)網(wǎng)絡(luò)以及相應(yīng)的應(yīng)用學(xué)科。由于智能故障診斷技術(shù)能解決許多傳統(tǒng)故障診斷技術(shù)無法解決的難題，因而具有廣闊的前景。隨著科學(xué)技術(shù)的發(fā)展定會不斷涌現(xiàn)出許多新理論、新技術(shù)、新方法，這將直接或間接地推動故障診斷技術(shù)向前發(fā)展。

［1］周曉，楊成德，舒德強(qiáng)，等.復(fù)雜電子裝備的智能故障診斷技術(shù)［J］.兵工自動化，2006，25（5）：42－43.

［2］左萬里，武小悅.電子設(shè)備智能故障診斷技術(shù)發(fā)展綜述［J］.系統(tǒng)工程與電子技術(shù)，2003，25（12）：1572－1575.

［3］金鑫，任獻(xiàn)彬，周亮.智能故障診斷技術(shù)研究綜述［J］.理論與方法，2009，28（8）：30－32.

［4］羅志勇.雷達(dá)系統(tǒng)智能故障診斷技術(shù)研究［D］.西安：西北工業(yè)大學(xué)博士論文，2006：8－9.

［5］張仰森.人工智能原理與應(yīng)用［M］.北京：高等教育出版社，2003：284－285.

［6］趙玉紅.雷達(dá)故障診斷專家系統(tǒng)設(shè)計(jì)構(gòu)思［J］.雷達(dá)與對抗，2010，30（4）：18－20.

［7］Xu D S.Research on Electronic Equipment Fault Diagnosis Based on Improved BP Algorithm［C］／／2010Second International Conference on Machine Learning and Computing，2010：130－134.

［8］周全，趙書文，文建軍.基于BP網(wǎng)絡(luò)的雷達(dá)故障診斷［J］.火控雷達(dá)技術(shù)，2005，34（2）：77－79.

［9］李東.基于故障樹分析和模糊綜合評判的某雷達(dá)故障診斷方法［J］.計(jì)算機(jī)測量與控制，2007，15（4）：496－497.

［10］朱大奇，于盛林.基于知識的故障診斷方法綜述［J］.安徽工業(yè)大學(xué)學(xué)報，2002，19（3）：197－203.

［11］張緒錦，韓江洪.模糊理論在雷達(dá)故障診斷中的應(yīng)用研究［J］.系統(tǒng)工程與電子技術(shù)，2001，23（2）：90－93.

［12］陳建勤，席裕庚，張仲俊.模糊規(guī)則的學(xué)習(xí)及其在非線性系統(tǒng)建模中的應(yīng)用［J］.自動化學(xué)報，1997，23（4）：533－537.

［13］王東，劉懷亮，徐國華.案例推理在故障診斷系統(tǒng)中的應(yīng)用［J］.計(jì)算機(jī)工程，2003，29（12）：10－12.

［14］譚勇，王偉.智能故障診斷技術(shù)及發(fā)展［J］.飛航導(dǎo)彈，2009，42（7）：35－38.

［15］金俊，郭福亮，孫浩.計(jì)算機(jī)遠(yuǎn)程故障診斷系統(tǒng)的設(shè)計(jì)實(shí)現(xiàn)［J］.計(jì)算機(jī)與數(shù)字工程，2008，36（12）.

［16］李軍虎.一種基于多Agent遠(yuǎn)程分布式故障診斷系統(tǒng)模型［J］.計(jì)算機(jī)與數(shù)字工程，2011，39（6）.

［17］張星輝，康建設(shè)，劉占軍.CHMM在設(shè)備故障診斷和預(yù)測中的應(yīng)用研究［J］.計(jì)算機(jī)與數(shù)字工程，2011，39（3）.

［18］雷亞國.混合智能技術(shù)及其在故障診斷中的應(yīng)用研究［D］.西安：西安交通大學(xué)博士論文，2007：28－30.