面向飞机机载系统集成测试的故障诊断技术研究

面向飞机机载系统集成测试的故障诊断技术研究

  刘少鹏

海军装备部

摘要

现有智能故障诊断方法主要有基于模型推理、基于规则、基于神经网络和基于案例的诊断方法，各有独特之处，又有各自的局限性。集成这些诊断方法能综合各诊断方法的特点，克服各诊断方法的局限性，从而提高诊断系统的智能性和诊断效率。本文根据飞机外场维护和内场大修的现状，设计了机载电子设备集成智能故障诊断系统。系统运用集成智能诊断策略，弥补单一推理方法存在的缺陷，增强了系统的故障诊断能力。实践表明，该集成智能故障诊断系统在机载电子设备的故障诊断与维修中发挥了积极有效的作用。

关键词：机载电子设备；故障诊断；人工智能

前言

随着电子信息技术的飞速发展，能够遂行多种作战任务、集成各类射频传感器功能的超大规模机载系统已经出现。该类系统普遍采用高度综合化、模块化和通用化的开放式系统架构，具备技术新研、规模庞大、信号交联复杂、电路模块集成度高等特点，如何实现系统的高安全、高可靠与易维护成为新的挑战。机载系统硬件电路模块化、通用化设计以及软件动态可部署的特性使得故障重构成为提高系统故障容错能力与任务可靠性的关键技术手段，而故障重构要求系统具备实时故障检测与精确故障定位能力。但是，机载系统复杂性、层次性、相关性和不确定性的故障特征使得传统的机内测试(Built-in-Test,BIT)手段难以满足故障重构以及二级维修对系统故障检测、隔离提出的高要求。

1 飞机系统集成测试平台

民航电子设备系统的综合测试系统主要包括系统运行仿真、系统布线、系统功耗管理和测试数据分析等。在国际上，航空电子设备综合试验已经开展了很长时间，而且在该领域的研究也比较完善，目前已经形成了较为完善的航空电子设备试验系统，例如：ADS2-SIB （Techsat公司）、 SIB （NEXEYA）等。目前，英国 THALES，美国 Flight Safety，法国汤姆逊 FCS，荷兰 Delft大学硅钼纳研究所，荷兰 NLR实验室，加拿大 Toronto大学等，都是目前国际上发展较为完善的一种仿真设备。在目前的工程仿真系统中，以完全数字控制为特色，以主从型组态方式，加快了运算的运算速率，实现了较高的实时性。印尼万隆科技大学 Dyah Jatiningrum开展了飞机在水面、陆上、起飞、巡航等多种工况下的气动性能试验，对试验条件提出了更高的要求，即试验条件要适应不同的飞行条件和不同的条件，但并不适合航空电子设备的一体化试验。

以北京华力创通公司多年从事复杂电子设备综合试验工作多年，已形成了一套具有国际先进水平的航空机电一体化综合试验平台。同时，大飞机研发计划的实施，也将促进工程仿真研究的迅速发展。模块化和层次化的仿真器模拟技术是未来的发展趋势。上海航空研究所许光磊研制的航空电子设备综合仿真实验平台能够较好地解决航空电子设备试验的精度问题。其综合验证平台的研制能够适应以情景为基础的全程飞行动力学实验需求，但因采用了以建模为基础的建模方式，存在计算精度低、运算效率低等问题。中航一院刘玥在前期工作基础上，构建了一个能够进行自动化测试、资源优化配置、流程管控的一体化制造平台，但并不适合本课题所研究的航空电子设备综合测试。上海航空设计研究院实验与检验中心陆清对其与常规综合测试相比所具有的优越性和不足之处，深入剖析了其在今后综合测试中的地位和作用，为今后综合测试的发展提供了新的思路。上海航空研究所姚志超开展了面向工程仿真平台的水力仿真模型开发、测试与应用的研究，包括建模规范、开发、测试和集成应用等环节，为航空仿真平台及适合于该仿真平台的水力仿真模型开发奠定基础，促进其在实际应用中的应用。在航空综合试验平台上，引擎组件是实现航空航天模拟的核心部件，其高精度模拟难度较大。熊海国研究了一种新型航空发动机的数学模型，并对其进行了数值模拟。基于该系统的工作原理、控制规律、各部件间的相互联系和实验结果，利用一体化建模技术，构建多工况下的发动机特性与功能模型，开展多种工况下的模拟与模拟研究，为研制一体化试验平台上的内燃机模拟系统奠定基础。

2基于人工智能理论的故障诊断方法

目前智能故障诊断的方法主要有：基于规则的方法；基于模型的方法；基于人工神经网络的方法和基于案例的方法。这些方法各有特点，但均存在各自的局限性。

2.1基于规则的诊断方法

专家系统作为一项相对成熟且发展最为早期的人工智能技术，它是目前最具活力、最具实用价值的一个分支，在世界范围内已有许多关于它的理论与实践研究。在理论方面，已经有很多新的研究成果被提出来；在实际中，该方法的适用范围不断扩大，问题的求解水平也在不断提高。但总体上，该技术仍然处在实验研究中，其实用化仍然是目前研究的重点。

我们在飞机上进行了大量的故障检测和检修工作，取得了良好的效果。在此基础上，提出了一种基于故障树模型的故障诊断方法。

尽管专家系统可以很好地模仿专家进行故障诊断，但其在实践中仍然面临着知识获得困难、知识维持困难、层次狭窄、推理能力差、运算速度缓慢、无法求解模糊等问题。尤其是对于一些不准确，环境信息不是很清晰的情况下，信息的加工就显得力不从心。该算法是一种逆向推断算法，它不能保证唯一。一个复杂的系统，其观察到的现象和相应的失效关系十分复杂，由专家的经验总结出的规律通常并不具有唯一性，具有一定的挑战性。所以这种新的检测算法并不适合于对复杂的、没有任何实际应用背景的系统进行故障检测。此外，目前已有的一些研究成果主要集中在单一的故障上，而不能进行更深入的分析。

当前，新一代的线路故障诊断专家系统将采用两种或多种层次的知识推理机制进行融合，达到高效和完善的目的。

2.2基于模型的诊断方法

80年代初期，美国麻省理工大学的Davis和Williams，以及Hamscher、Genesereth等人的研究奠定了基于模型的诊断方法的基础，经过十多年的发展，已形成了一整套独特的方法和概念，例如Davis的约束悬挂(Constraint suspension)和邻接(Adjacency)，Dekleer的通用诊断机(GDE)等。多年的实践表明，这种方法由于不需要预设故障集，推理知识完备，故能最大限度地利用测量提供的信息量，性能较好。基于模型的诊断方法具有不依赖关于被诊断系统的诊断训练例子和诊断经验，因而适用于新的及未有经验的系统的故障诊断，能够诊断多重故障并能对诊断结论进行解释。

用结构和行为对电路和故障建模，符合新技术革命背景下电子电路高度集成化、复杂化、智能化的趋势，也利于借鉴人脑进行诊断推理。基于模型的诊断推理可以为故障诊断过程提供更深层的分析，其不足就是推理速度慢、效率低，有时建立模型很困难。目前的技术条件已能做到诊断专家系统和模型基诊断推理系统的集成，利用系统建造期间的专家知识，能弥补由于引入模型知识和定律知识带来的诊断效率下降问题，具备良好的发展前景。

2.3基于神经网络的诊断方法

由于 ANN具有非线性、容错性和并行性等特性，目前已经被应用到联合型专家系统中来进行故障诊断。神经网络是一种基于数据的微观数学建模方法，通过训练数据，在神经网络中设定权重和阀值，实现基于神经网络的不确定推断。此外，神经网络还具备较好的学习和记忆功能，能够对新出现的故障或新的失效类型进行学习、记忆和存储，使其能够在后续的工作中被辨识出来。该算法不需要由领域专家根据已有的知识或实例对其进行总结，以IF-THEN的方式表示，可以有效地解决传统的基于符号推断的知识获得问题。与传统的符号推断算法相比，ANN算法对系统中的一些缺陷和规律不太敏感，此外，ANN算法对并行运算的支撑作用也越来越大，并且该算法在实际中的使用也会越来越多。

传统的 ANN技术也有其自身的不足之处。首先，由于对新出现的或者没有故障样本的新的系统，需要更多的样本来进行神经网络的学习，以达到更好的收敛效果。在一个复杂的被诊断系统中，每个层次上的结点数目都很大，所以在学习过程中需要大量的计算和时间。传统的 ANN算法不能很好地说明故障发生的原因。

2.4基于案例的诊断方法

案例的表示、组织、检索和学习是一个重要的过程。故障事例表达法是将故障现象尽量详尽地表述出来，包括故障产生的原因、经过、特点、处理措施、结果等。通过对失效事例的描述，结合失效事例的特点及检索需求，对失效事例进行分类。实例搜索就是按照特定的搜索方法，寻找与被诊断错误相近的实例，通过对事例的研究来确定要不要在案例库中加入待诊断错误。

如何快速高效地完成事例的查询是以实例为基础的诊断推理过程中的一个关键问题。实例的搜索策略主要有三种：最近邻搜索法、归纳法和基于知识法的方法。不同的搜索方法都有各自的不足之处，很多应用程序都会针对不同的需求采取不同的方法。

3集成智能故障诊断系统

人工智能与其它新技术一样，受实际应用的推动，不断发展和完善。其中最令人瞩目的是“人工智能混合技术”。实践已证明，混合式人工智能技术可弥补单一人工智能技术存在的缺陷，获取较优的性能，为我们的实际应用开辟更为广阔的空间。

对于机载电子设备的故障诊断与维修，存在电路复杂、非线性强，电路资料不全（特别是引进的设备），难以建立适宜的精确数学模型。针对以上特点，为更好地表达各种对象的故障诊断领域知识，建立的机载电子设备集成智能故障诊断系统集成了基于模型、基于规则、基于神经网络和基于案例的诊断方法，能综合各诊断方法的特点，克服各自的局限性，从而提高了诊断系统的智能性和诊断效率。系统组成框架结构如图1所示。

图1集成智能故障诊断系统模型

在集成智能故障诊断系统中，被测设备的知识由模型库、规则库、案例库、神经网络模型库来组织和表达；系统的诊断推理分基于模型、基于规则、基于案例、基于神经网络四个推理模块。诊断策略控制中心负责知识的组织、不同推理模块之间的任务分配和中间结果传递、结论的一致性检验和解释、诊断后的学习。

3.1集成诊断知识库的建立与维护

为了更好地组织知识，提高故障诊断能力和效率，系统的知识根据各种机载电子设备的具体情况分为多个层次：系统级、部件级、功能模块级和元器件级。上述4种知识并不存在于各个层次，而要根据具体情况。一般情况，神经网络模型有部件级和功能模块级2个层次；模型库则有系统级、部件级和功能模块级3个层次；规则库和案例库可以有4个层次，也可以实现跨越，如直接由系统级故障症状定位到元器件故障。

（1）模型库建立与维护

这里的模型是指因果模型，系统利用图论的方法进行表达，它表达了一种故障传播关系，如图2所示。

一个电路系统可用相应的故障传播有向图模型来加以唯一描述，图2是一个简单的例子。其中各编号节点表示组成系统的一个要素（可能是部件或功能模块），箭头表示故障在节点间的传播方向。节点的输出值有0和1两种，当所有输入节点的值为1且该节点无故障时，节点输出值为1，否则为0（即各节点具有“与”逻辑）。因此当某一节点出现故障后，该节点可达的所有节点将产生0输出。这种描述在逻辑上与实际情况是相符合的，实际中某一部件或功能模块发生故障时，将影响与之相连的其它节点的正常工作。因此，用故障传播有向图描述系统具有普遍的实际意义。

图 2  故障有向图

对于能清楚描述部件（或功能模块）间的故障传播关系的设备，建立其相应层次的故障有向图模型并存在模型库中，在进行基于模型的诊断推理时使用。模型库的修改不会影响推理方法。

（2）规则库和案例库建立与维护

在航空机载电子设备的故障诊断与维修中，积累了很多有用的诊断维修经验和故障案例，可以进行广泛收集并加以整理成规则和特殊的故障案例，建立规则库（产生式规则）和案例库。规则库建立（知识获取）的另一个途径是通过设备的设计资料或运行记录进行分析，这种规则相对更为可靠。

知识获取划分为概念化、形式化和知识求精三个阶段，要获得一个性能好的规则库，需要反复进行这三个阶段的工作。

对于诊断对象的特殊或例外的诊断事例，由于有时很少相似事例可收集用于归纳成规则，因此，这些事例被表示成案例用于基于案例的诊断。将案例库按层次进行管理，可以改善案例表示和案例检索的效率。

（3）神经网络模型库建立与维护

通过对一个被诊断目标的相似案例集合进行学习，得到一个神经网络模型。同时，该方法也依赖于神经网络的结构及其训练准则，可以依据被诊断目标的具体状态进行选取。由于三层前向神经网络能够近似任何一个非线性函数，所以整个神经网络都是一个三层前向网络。通过对该算法进行训练，得到各权重及门限，并将其存入人工神经网络的模型库。

针对现有的神经网络建模方法存在的问题，提出一种基于神经网络的复杂网络建模方法，即：针对已有大量的故障数据（多个或多个相似），通过选择适当的网络结构，将其表征信息作为神经网络的输入向量，将其作为神经网络的输出向量，对其进行训练直至达到诊断需求。在此基础上，提出了一种基于神经网络的故障检测方法，该方法能有效地检测出新的失效数据，并通过新的采样点对神经网络进行重新培训。

神经网络建模也可用模拟的方式实现，通常选择 PSPICE或 SABER等。

3.2集成推理与诊断策略

故障诊断推理通常由高层向低层进行，即首先由系统级开始，然后是部件级、功能模块级和元器件级。

诊断策略控制中心根据系统的信息获取方式和实际获取的信息进行诊断资源配置，以尽快的速度得到诊断结果。

集成智能故障诊断系统的诊断策略如下：

对于同一层次的诊断，先考虑基于案例的诊断方法，若没有案例或诊断失败，再根据不同层次及信息获取方式和难易决定下步诊断策略。当在该层次信息获取难，但症状描述相对容易时，则采用基于规则的方法；若无规则可用或诊断失败，则考虑基于模型或基于神经网络模型的方法进行诊断；当信息获取容易时，则先考虑基于模型或基于神经网络模型的方法进行诊断。在序贯方式获取信息时一般先利用基于模型的诊断方法；在并行方式获取信息时先采用基于神经网络模型的诊断方法。当所有方法均告失败时，则将诊断结果作为一个新的案例。

4结束语

几十年来随着微电子技术尤其是数模混合集成电路和VLSI技术的发展，对电子设备的调试和故障诊断，特别是实时诊断的需求日益迫切。集成智能故障诊断方法集各种智能诊断方法之所长，互为补充，相得益彰，有效地提高了诊断系统的故障诊断能力和诊断效率。

参考文献

[1]任和.飞机健康监控与管理技术[J].大飞机,2022(11):56.

[2]石林,王跃峰,李佳庆.机载航空电子时间敏感网络控制设计概述[J/OL].电光与控制:1-8[2023-11-26].http://kns.cnki.net/kcms/detail/41.1227.TN.20231026.1646.005.html.

[3]姜晨,宋帆.基于ATML的机载电子系统原位测试系统设计与实现[J/OL].计算机测量与控制:1-9[2023-11-26].http://kns.cnki.net/kcms/detail/11.4762.TP.20231012.0833.002.html.

[4]文佳,钱东,任震等.机载系统综合状态监测与诊断架构设计及应用[J].电讯技术,2023,63(07):979-986.DOI:10.20079/j.issn.1001-893x.220615005.

[5]刘彦龙,李广辰,谢恩阳.一起晶振失效引起飞机系统故障的分析研究[J].航空维修与工程,2023(07):102-104.DOI:10.19302/j.cnki.1672-0989.2023.07.034.

[6]付海燕,阮育铭,李兴旺等.基于OSA-CBM的PHM系统设计[J/OL].计算机测量与控制:1-9[2023-11-26].

[7]曹琪,柯旭,宋博文等.机载系统通用故障诊断软件平台设计[J/OL].测控技术:1-8[2023-11-26].https://doi.org/10.19708/j.ckjs.2023.03.218.

[8]白鹭,海钰琳,姜琳琳等.一种应用于机载系统的主从控制集成测试方法[J].电脑编程技巧与维护,2023(06):8-10+13.DOI:10.16184/j.cnki.comprg.2023.06.006.

[9]吴国宝,宋帆,曾俊华.机载电子系统小型化通用测试设备设计[J].电子制作,2023,31(06):82-85.DOI:10.16589/j.cnki.cn11-3571/tn.2023.06.005.

[10]朱昕昀,颜子琛,杨彩琼等.面向PHM的民机飞行数据分析及应用研究进展[J].测控技术,2023,42(06):36-43+83.DOI:10.19708/j.ckjs.2022.11.329.

[11]N. V E ,V. R K ,A. D K . [J]. Russian Engineering Research,2023,42(12).

[12]任宝平,李创.机载系统的智能架构及功能分析[J].航空工程进展,2023,14(04):149-157.DOI:10.16615/j.cnki.1674-8190.2023.04.16.