基于混合推理的槍械故障診斷

李圓圓，王亞平，王家浩

（南京理工大學(xué)，南京 210094）

槍械是近距離作戰(zhàn)時(shí)的單兵手持式軍械，使用過(guò)程中一旦出現(xiàn)故障，不僅拖延戰(zhàn)機(jī)，影響戰(zhàn)斗成功，還會(huì)危及到戰(zhàn)士的人身安全，因此槍械產(chǎn)品對(duì)可靠性的要求非常高。槍械是由槍管、發(fā)射機(jī)構(gòu)、復(fù)進(jìn)機(jī)構(gòu)、閉鎖機(jī)構(gòu)等組成的復(fù)雜機(jī)械系統(tǒng)，這些機(jī)構(gòu)共同配合，完成自動(dòng)循環(huán)動(dòng)作，時(shí)序上既有串聯(lián)又有并聯(lián)，而且為了減輕質(zhì)量、縮小尺寸，槍械機(jī)構(gòu)中大量采用碰撞的形式進(jìn)行運(yùn)動(dòng)和力的傳遞。同時(shí)，槍械的使用環(huán)境復(fù)雜多變，要滿足高溫、低溫、沙塵、雨水、鹽霧、河水等使用環(huán)境下的可靠性要求。因此，在槍械研制過(guò)程中，槍械出現(xiàn)故障后很難快速地作出判斷，故障診斷的正確性與及時(shí)性，對(duì)于設(shè)計(jì)者的知識(shí)水平和經(jīng)驗(yàn)程度有很大的依賴性。

槍械故障具有如下特點(diǎn)：1）因果關(guān)系復(fù)雜，存在交叉性，同一故障可能由多種原因疊加而成。如卡彈故障，可能是由于自動(dòng)復(fù)進(jìn)速度低、彈匣口部變形、槍機(jī)推彈凸筍磨損等原因造成的。1個(gè)故障源可能引起多個(gè)故障現(xiàn)象，如自動(dòng)機(jī)后坐能量不足，可能造成卡殼、空膛、卡彈等故障。2）故障影響因素具有隨機(jī)性，槍械使用過(guò)程中會(huì)受到多種多樣的隨機(jī)因素的影響，包括環(huán)境因素（溫度、腐蝕等）、載荷因素（火藥氣體力、磨損、潤(rùn)滑等）、制造因素（尺寸、裝配質(zhì)量等）等。

目前槍械的故障診斷方法有定性分析法和定量分析法。定性分析法主要是故障樹分析法，根據(jù)故障現(xiàn)象和槍械工作原理進(jìn)行邏輯分析，按照自動(dòng)機(jī)機(jī)構(gòu)的執(zhí)行順序，逐項(xiàng)檢查，結(jié)合已有的檢查結(jié)果和現(xiàn)象，排除其他因素，逐漸逼近，最終找到故障原因。定量分析法主要是采用建模仿真手段，建立槍械機(jī)構(gòu)可靠性分析模型，通過(guò)調(diào)整影響因素取值，使得故障再現(xiàn)。故障樹分析法雖然實(shí)用性強(qiáng)、結(jié)構(gòu)簡(jiǎn)單，但由于槍械結(jié)構(gòu)的特殊性，目前建立故障樹的通用性較差，導(dǎo)致推導(dǎo)結(jié)果不準(zhǔn)確。另外，隨著新結(jié)構(gòu)、新原理槍械的不斷出現(xiàn)，故障樹也會(huì)越來(lái)越龐大，常規(guī)的順序推理需要對(duì)事件進(jìn)行逐一遍歷，推理效率低?？煽啃越７抡娣椒ň哂袡C(jī)理清晰的優(yōu)點(diǎn)，但是由于槍械故障是小概率故障，需要采用大量的仿真分析樣本，才能實(shí)現(xiàn)故障的再現(xiàn)，且在影響因素的選擇上，仍然要依靠分析人員的經(jīng)驗(yàn)，存在耗時(shí)長(zhǎng)、效率低的問(wèn)題。

為了提高槍械故障診斷的準(zhǔn)確性和推理效率，本文提出基于規(guī)則（RBR）和實(shí)例（CBR）混合推理的槍械故障診斷方法?；赗ETA算法進(jìn)行RBR推理，采用可拓方法建立槍械故障實(shí)例物元模型，對(duì)數(shù)值型和區(qū)間型不同組合形式的局部相似度進(jìn)行準(zhǔn)確表征。采用最近鄰近法進(jìn)行實(shí)例相似度計(jì)算，并研制開發(fā)了槍械故障診斷專家系統(tǒng)。本文研究可為槍械故障分析提供手段，對(duì)于提高槍械的可靠性具有應(yīng)用價(jià)值。

1 基于混合推理的槍械故障診斷原理

基于規(guī)則的推理（RBR）知識(shí)表達(dá)簡(jiǎn)潔明了、容易理解、可解釋性強(qiáng)，但是由于槍械故障推理規(guī)則是由槍械歷史故障歸納總結(jié)得到的，規(guī)則整理與表達(dá)專業(yè)性較強(qiáng)，其擴(kuò)展性差?；趯?shí)例的推理（CBR）將已有的大量診斷實(shí)例、可能發(fā)生的故障和排除方案作為知識(shí)來(lái)源，通過(guò)數(shù)據(jù)關(guān)系的匹配，尋找相似問(wèn)題解的方法。實(shí)例建模過(guò)程簡(jiǎn)單，其推理能力隨著實(shí)例的增多而增強(qiáng)，并能夠應(yīng)用在規(guī)則難以獲取的領(lǐng)域，其缺點(diǎn)是解釋性差。本文針對(duì)槍械故障因果關(guān)系復(fù)雜、隨機(jī)性大和迭代更新快等特點(diǎn)，采用以RBR為主、CBR為輔的推理模式，充分結(jié)合兩者的優(yōu)點(diǎn)，提高槍械故障診斷的準(zhǔn)確性和推理效率。

提出的基于混合推理的槍械故障診斷流程（見(jiàn)圖1）如下：

圖1 混合推理流程 Fig.1 Mixed inference processes

1）用戶輸入槍械基本信息、可獲得的故障現(xiàn)象和數(shù)據(jù)。

2）首先進(jìn)入RBR推理模塊，利用RETE算法進(jìn)行規(guī)則篩選與匹配，檢查所得節(jié)點(diǎn)是否為唯一底事件。若是，則查詢對(duì)應(yīng)維修意見(jiàn)，將故障原因與維修意見(jiàn)輸出給用戶；若所得節(jié)點(diǎn)不是為唯一底事件，則進(jìn)入CBR推理模塊。用戶確認(rèn)故障原因是否正確，若正確，將此問(wèn)題存入實(shí)例庫(kù)中，推理結(jié)束；若不是此故障原因，則進(jìn)入CBR推理模塊。

3）進(jìn)入CBR推理階段，利用可拓學(xué)物元模型和最近鄰近法，計(jì)算問(wèn)題與實(shí)例的相似度，保留并以表格的形式輸出相似度≥85%的實(shí)例，供用戶選擇查看。

4）用戶選擇相關(guān)實(shí)例查看細(xì)節(jié)、故障原因與維修建議，確認(rèn)是否正確。若正確，則將此問(wèn)題保存至實(shí)例庫(kù)，推理結(jié)束；若不正確，則選擇下一條相關(guān)實(shí)例，直至找到正確的故障原因。

5）若選擇完所有相似實(shí)例仍未找到正確故障原因，則人工排除故障，并將此問(wèn)題存入實(shí)例庫(kù)中。

2 關(guān)鍵技術(shù)實(shí)現(xiàn)

2.1 面向?qū)ο蟮墓收蠘渲R(shí)表達(dá)

知識(shí)表示的好壞對(duì)于推理機(jī)的推理效率和知識(shí)庫(kù)的可維護(hù)性有著直接影響。知識(shí)的表達(dá)有很多形式，如謂詞邏輯表示法、產(chǎn)生式表示法、框架 表示法、Petri網(wǎng)表示法、面向?qū)ο蟊硎痉ǖ?。本文采用故障樹的形式進(jìn)行規(guī)則建模，故障樹層次結(jié)構(gòu)清晰，利于以圖形化建模的方式進(jìn)行構(gòu)建。采用面向?qū)ο蟮闹R(shí)表示方式對(duì)基于故障樹形成的規(guī)則進(jìn)行表達(dá)，面向?qū)ο蟮闹R(shí)表示方式具有可準(zhǔn)確高效地表達(dá)知識(shí)、便于對(duì)知識(shí)庫(kù)進(jìn)行操作（修改、添加、刪減和搜索等）、對(duì)故障原因有準(zhǔn)確的定位等優(yōu)點(diǎn)。以步槍“卡彈”故障為例，建立的故障樹如圖2所示。由于篇幅原因，本文僅給出“供彈路線不合理”子故障面向?qū)ο蟮谋硎痉绞剑鐖D3所示。

圖2 步槍卡彈故障樹 Fig.2 Rifle jam fault tree

圖3 面向?qū)ο蟮墓收蠘渲R(shí)表達(dá) Fig.3 Schematic diagram of object-oriented fault tree knowledge expression

2.2 基于RETE算法的規(guī)則推理

為提高規(guī)則匹配算法的執(zhí)行效率，本文采用 RETE算法進(jìn)行規(guī)則推理。RETE算法的基本思想是充分利用之前匹配過(guò)程中的信息（規(guī)則、規(guī)則模式、事實(shí)、匹配情況等），以空間為代價(jià)，降低匹配過(guò)程中的計(jì)算量，提高推理機(jī)的匹配效率，其原理如圖4所示。對(duì)事實(shí)和規(guī)則進(jìn)行規(guī)則匹配的過(guò)程稱為模式匹配，產(chǎn)生式內(nèi)存區(qū)（Production Memory）中存放著被訪問(wèn)的規(guī)則，工作存儲(chǔ)區(qū)（Working Memory）中存放需要被推理機(jī)匹配的數(shù)據(jù)。

圖4 RETE算法原理 Fig.4 RETE inference flowchart

按故障樹各節(jié)點(diǎn)間的邏輯關(guān)系，將不同節(jié)點(diǎn)儲(chǔ)存在RETE網(wǎng)絡(luò)中?？◤椆收蠘洳糠止?jié)點(diǎn)的RETE網(wǎng)絡(luò)分布如圖5所示，包括Alpha網(wǎng)絡(luò)和Beta網(wǎng)絡(luò)。Alpha網(wǎng)絡(luò)用于儲(chǔ)存規(guī)則前提，即用戶可觀測(cè)到的故障癥兆；Beta網(wǎng)絡(luò)用于儲(chǔ)存不同規(guī)則前提組合所得結(jié)果。 其推理流程為：

圖5 卡彈故障樹部分節(jié)點(diǎn)RETE網(wǎng)絡(luò)分布 Fig.5 RETE network distribution

1）檢查用戶輸入數(shù)據(jù)的類型模式，不同的類型進(jìn)入不同結(jié)點(diǎn)進(jìn)行后續(xù)篩選，提高匹配效率。

2）檢查是否完成所有Alpha結(jié)點(diǎn)篩選，若篩選完成，則進(jìn)入下一步；若未完成，則返回步驟1）繼續(xù)篩選。

3）組合Beta結(jié)點(diǎn)。根據(jù)步驟2）中所得Alpha結(jié)點(diǎn)，在Beta網(wǎng)絡(luò)中查找是否有組合結(jié)果。

4）若有組合結(jié)果，則將所得結(jié)果Beta結(jié)點(diǎn)輸 出給用戶。

2.3 基于物元模型的實(shí)例知識(shí)表達(dá)

本文收集了大量槍械研制過(guò)程中故障分析和處理實(shí)例，這些實(shí)例既有定性描述，又有定量描述，難以用結(jié)構(gòu)化數(shù)據(jù)表達(dá)，且通常1個(gè)表象故障都對(duì)應(yīng)著多個(gè)引發(fā)故障。實(shí)例知識(shí)表達(dá)是基于普通知識(shí)表示方法的一種抽象表達(dá)，其實(shí)現(xiàn)方式也與現(xiàn)有的知識(shí)表達(dá)方式（如謂詞邏輯表示、面向?qū)ο蟊硎镜龋┮粯?，但這些知識(shí)表達(dá)方式通常是利用向量特征來(lái)描述實(shí)例的定量特征，缺乏定性與定量相結(jié)合的表示方式，而物元模型將實(shí)例中定量特征與定性特征結(jié)合描述。因此，本文采用基于可拓方法中的物元模型來(lái)對(duì)槍械故障實(shí)例知識(shí)進(jìn)行表達(dá)。

物元模型以物為對(duì)象，為的特征，為的量值，將這三者構(gòu)成一個(gè)有序的三元組：=(,,)。作為描述物的一個(gè)基本元，稱為一維物元，、、三者稱為物元的三要素，其中與構(gòu)成的二元組(,)表示物元的特征。

當(dāng)某一物以個(gè)特征,,,…,及關(guān)于(=1,2,3,…,)對(duì)應(yīng)的量值(=1,2,3,…,)來(lái)描述，則物元可表示為：

本文將槍械故障實(shí)例特征分2類，第一類為槍械說(shuō)明特征，反映槍械具體的性能指標(biāo)、結(jié)構(gòu)參數(shù)與使用環(huán)境；第二類為槍械故障特征，反映槍械故障原因與維修方法。實(shí)例庫(kù)模型為：

式中：=(,)為實(shí)例的說(shuō)明特征集；=(,)為實(shí)例的故障特征集。

在槍械故障實(shí)例庫(kù)模型的基礎(chǔ)上，建立一個(gè)模型用于實(shí)例推理。由和組成，其中是目標(biāo)，是條件。

式中：目標(biāo)描述了實(shí)例推理的目標(biāo)需求；為槍械說(shuō)明性信息特征，且=；是目標(biāo)特征對(duì)應(yīng)的取值；條件描述了實(shí)例庫(kù)中實(shí)例的特征與目標(biāo)特征元的相符程度；是實(shí)例庫(kù)中各特征的索引；描述了實(shí)例與目標(biāo)特征的相似程度。

因此，實(shí)例推理的知識(shí)表達(dá)系統(tǒng)為：

以95式自動(dòng)步槍為例，根據(jù)戰(zhàn)技指標(biāo)和結(jié)構(gòu)特性，選取以下說(shuō)明特征：使用口徑、自動(dòng)方式、供彈方式、有效射程、平均最大膛壓、容彈量、供彈方式、理論射速、槍械使用環(huán)境，其說(shuō)明特征集物元表示為：

2.4 基于最近相鄰法的實(shí)例推理

實(shí)例的檢索方法決定著模型的推理效率與準(zhǔn)確率，檢索方法通常有知識(shí)引導(dǎo)法、神經(jīng)網(wǎng)絡(luò)法、歸納索引法和最近鄰近法?？紤]到槍械說(shuō)明性信息的獨(dú)立性，本文采用最近鄰近法來(lái)進(jìn)行實(shí)例檢索。實(shí)例推理過(guò)程基本循環(huán)如圖6所示。

圖6 基于最近鄰近法的實(shí)例推理流程 Fig.6 Case Reasoning Based on Nearest Neighbor Method

推理系統(tǒng)若以物元模型來(lái)表達(dá)實(shí)例，則相似度是通過(guò)計(jì)算實(shí)例庫(kù)中每個(gè)實(shí)例的特征元和目標(biāo)特征元的接近程度來(lái)確定的。對(duì)于槍械實(shí)例模型，首先計(jì)算說(shuō)明信息特征集之間相似度，定位到具體槍械實(shí)例，再對(duì)應(yīng)故障特征集進(jìn)行關(guān)鍵詞匹配，完成檢索。相似度的計(jì)算公式為：

特征元取值類型分為確定數(shù)值和區(qū)間2種，其組合類型見(jiàn)表1。

表1 組合類型 Tab.1 Combination types

1）與均為確定數(shù)值時(shí)：

2）與均為區(qū)間值時(shí)：

3）為區(qū)間值、為確定取值時(shí)：

4）為確定取值、為區(qū)間值時(shí)，在實(shí)際中一般不存在此種情況，若出現(xiàn)，按照式（9）計(jì)算。

以某槍械故障問(wèn)題數(shù)據(jù)為例，將其與95式自動(dòng)步槍、03式自動(dòng)步槍、56式自動(dòng)步槍、CQ 5.56mm自動(dòng)步槍實(shí)例進(jìn)行相似度對(duì)比計(jì)算。目標(biāo)數(shù)據(jù)、權(quán)重以及實(shí)例數(shù)據(jù)取值見(jiàn)表2。其中特征權(quán)重采用基于層次分析法的專家打分法獲得。

表2 問(wèn)題與實(shí)例取值 Tab.2 Questions and example values

3 槍械故障診斷專家系統(tǒng)開發(fā)

本文結(jié)合槍械故障機(jī)理與提出的混合推理故障診斷方法，研制開發(fā)了槍械故障診斷專家系統(tǒng)。為了滿足測(cè)試系統(tǒng)日后的維護(hù)和升級(jí)需要，本系統(tǒng)軟件采用模塊化設(shè)計(jì)理念，整個(gè)系統(tǒng)主要由登錄模塊、基礎(chǔ)信息管理、故障模型管理模塊、故障診斷模塊和幫助模塊5個(gè)部分。其中基礎(chǔ)信息管理模塊包括故障現(xiàn)象管理、故障原因管理、維修建議管理、用戶權(quán)限管理、用戶信息管理；故障診斷模塊包含槍械故障診斷與維修建議；故障模型管理模塊包括故障樹診斷模型的查看與更新、實(shí)例模型的查看。

采用槍械歷史故障數(shù)據(jù)作為測(cè)試數(shù)據(jù)，對(duì)所設(shè)計(jì)的專家系統(tǒng)進(jìn)行試操作。具體步驟如下。

1）挑選一條槍械歷史故障數(shù)據(jù)，在輸入界面輸入槍械相關(guān)信息，如圖7所示。

圖7 用戶輸入界面 Fig.7 User input interface

2）點(diǎn)擊“開始診斷”，得到的診斷結(jié)果如圖8所示。

圖8 診斷結(jié)果界面 Fig.8 Diagnosis result interface

由推理過(guò)程可得，在RBR推理階段未能得到唯一底事件（即故障原因），系統(tǒng)自動(dòng)進(jìn)入CBR推理階段，并給出相似度由高到低3個(gè)槍械實(shí)例的故障原因，分別為“彈匣晃動(dòng)”、“彈匣過(guò)高”和“彈下前后位置不合理”。由歷史故障數(shù)據(jù)可知，此槍械故障原因?yàn)椤皬椣换蝿?dòng)”。由此可知，該專家系統(tǒng)準(zhǔn)確度較高。

4 結(jié)論

本文對(duì)于槍械故障因果關(guān)系復(fù)雜、隨機(jī)性大和迭代更新快等特點(diǎn)，提出了一種基于RBR和CBR混合推理方法。得出如下結(jié)論。

1）將RETA算法引入RBR推理模塊，提高了推理效率。

2）采用可拓方法建立槍械故障實(shí)例物元模型，將槍械實(shí)例的定性特征與定量特征有機(jī)結(jié)合起來(lái)，使實(shí)例的知識(shí)表達(dá)更為簡(jiǎn)潔明確。

3）利用Visual Basic語(yǔ)言和MySQL數(shù)據(jù)庫(kù)編寫構(gòu)建槍械故障診斷專家系統(tǒng)，為槍械故障分析提供手段，對(duì)于提高槍械的可靠性具有應(yīng)用價(jià)值。

由于采用基于最近相鄰法的實(shí)例推理過(guò)程中特征權(quán)重的確定對(duì)于相似性計(jì)算非常重要，本文采用了基于層次分析法的專家打分法，但這種方法的主觀性較強(qiáng)，后續(xù)工作中可進(jìn)一步探索客觀賦權(quán)方法的應(yīng)用。