劉 東，安云哲，崔建國，譚 峰

(1.沈陽飛機(jī)設(shè)計研究所綜合后勤保障部，沈陽110035;2.沈陽航空航天大學(xué)自動化學(xué)院，沈陽110136)

故障診斷方法是保證系統(tǒng)能夠安全可靠地完成預(yù)定目標(biāo)的重要手段。隨著系統(tǒng)的復(fù)雜程度不斷提高，其可能出現(xiàn)的故障隨之增加，用于維護(hù)系統(tǒng)的成本也隨之升高。為了提高系統(tǒng)的安全性和可靠性的同時減少系統(tǒng)的全壽命周期費用，對故障診斷方法提出了更高的要求:①減少系統(tǒng)的維修和保障時間，進(jìn)而減少相關(guān)的成本;②減小誤診率;③減少關(guān)鍵系統(tǒng)(組件)不工作時間。

傳統(tǒng)的基于經(jīng)驗的故障診斷方法主要包括基于規(guī)則和基于案例的診斷方法［1，2］?；谝?guī)則的診斷方法在早期的故障診斷系統(tǒng)中運用較為廣泛，但隨著診斷對象的日益復(fù)雜，該方法表現(xiàn)出許多缺點:①不能很好地表示復(fù)雜、大型的系統(tǒng)知識;②可移植性差，某項規(guī)則只適用于該系統(tǒng)，而對于另一系統(tǒng)則需要重新制定規(guī)則;③依賴于已有的經(jīng)驗，對未出現(xiàn)過的故障，診斷效果較差。同樣基于案例的診斷方法也有類似的缺點。

而對于這些缺點，基于模型的故障診斷方法［3］就可以很好地避免?；谀Ｐ偷墓收显\斷方法又稱為基于深知識的方法，它利用系統(tǒng)的結(jié)構(gòu)、行為和功能等方面的知識對系統(tǒng)進(jìn)行診斷推理，需要建立系統(tǒng)的結(jié)構(gòu)、行為或功能模型。Davis R［4］發(fā)表的“基于結(jié)構(gòu)與行為的診斷推理”及Reiter［5］的“基于第一定律的診斷理論”奠定了基于模型的故障診斷方法的理論體系。Johan和Williams［6］運用 ATMS(基于假設(shè)的真理保障系統(tǒng))對多故障問題進(jìn)行了研究。其后，Williams對系統(tǒng)的行為模型建立方法及基于模型的推理算法進(jìn)行了深入的研究，取得了極大的成果［7－8］?；谀Ｐ偷墓收显\斷方法首先需要建立系統(tǒng)(例如液壓系統(tǒng)，燃油系統(tǒng)等)基礎(chǔ)組件庫，然后按照系統(tǒng)的工作結(jié)構(gòu)把所需的組件模型連接起來，再加一些適當(dāng)?shù)倪壿嫾s束，就形成整個系統(tǒng)的工作模型。對于在此基礎(chǔ)上設(shè)計的一個新的系統(tǒng)，只需要對新的組件建模即可，可見，基于模型的故障診斷方法的移植性較好。另外，組件庫建模型時都考慮了其有可能發(fā)生的故障模式，所以經(jīng)過診斷引擎推理后可以較準(zhǔn)確地對故障進(jìn)行定位，并且確定故障組件的狀態(tài)。

經(jīng)過近二十年的發(fā)展，基于模型的故障診斷方法已經(jīng)逐漸從理論研究過渡到工程應(yīng)用領(lǐng)域，并且得到了廣泛的應(yīng)用。最具代表性的是NASA的 DS-1 中采用的 livingstone［9，10］系統(tǒng)，它是一個基于模型的故障診斷系統(tǒng)，與自主規(guī)劃器和執(zhí)行器相結(jié)合，可實現(xiàn)系統(tǒng)的在線自主診斷和重配置。

基于組件化建模方式，利用面向?qū)ο蟮慕ＵZ言Rodelica建立了飛機(jī)液壓能源系統(tǒng)各組件的行為模型，并結(jié)合模擬的現(xiàn)場數(shù)據(jù)，經(jīng)診斷推理引擎，實現(xiàn)了對飛機(jī)液壓能源系統(tǒng)的故障診斷。

1 基于模型的故障診斷方法

基于模型的故障診斷方法需要建立兩類規(guī)則:建模規(guī)則和診斷推理規(guī)則［11］。建模規(guī)則描述系統(tǒng)(組件)的功能和行為，以及各個組件之間的相互關(guān)系;推理規(guī)則(診斷推理引擎)負(fù)責(zé)把觀測值同系統(tǒng)模型的預(yù)測值進(jìn)行比較，若無差異則系統(tǒng)正常，否則利用這些差異來搜索那些可使預(yù)測模型與觀測值相一致的各種可能行為的狀態(tài)假設(shè)，這些狀態(tài)假設(shè)就是基于模型診斷中的診斷解?；谀Ｐ偷墓收显\斷方法的基本思想如圖1所示。

圖1 基于模型的故障診斷方法原理圖

由圖1可知，基于模型的故障診斷方法的第一步是建立實際系統(tǒng)的行為模型，行為模型的建立方法主要分為定量模型和定性模型兩種。該診斷系統(tǒng)采用定性模型對所研究的系統(tǒng)進(jìn)行建模分析，之所以采用定性模型，是因為定性模型是由一組表示系統(tǒng)物理參數(shù)的定性變量和一組各參數(shù)之間相互關(guān)系的定性方程組成，診斷中通過對系統(tǒng)和過程的定性描述和推理，能夠有效揭示系統(tǒng)行為之間的內(nèi)在聯(lián)系。除此之外，定性模型要求的信息沒有定量模型那么多和精確，且診斷周期短，可實現(xiàn)在線自主診斷，并具有較好的抗擾動性。

基于模型的故障診斷系統(tǒng)的主要思想可以通過如圖2所示的加法-乘法邏輯電路［12］來加以說明。

圖2 加法-乘法邏輯電路

該系統(tǒng)的輸入是 A、B、C、D、E，輸出是 F、G。X、Y、Z是系統(tǒng)中可檢測或觀測到的量。系統(tǒng)包括三個乘法器(M1、M2、M3)和兩個加法器(A1、A2)。建立系統(tǒng)模型后仿真得系統(tǒng)在正常情況下，中間量:X=6，Y=6，Z=6;輸出:F=12，G=12。

假設(shè)某次觀測到實際系統(tǒng)的結(jié)果為F=10，G=12，可知實際系統(tǒng)的觀測值和系統(tǒng)模型的預(yù)測值產(chǎn)生了沖突，說明實際系統(tǒng)出現(xiàn)了故障，導(dǎo)致F=10。然后診斷推理引擎就需要針對這個沖突給出一個合理的解釋，即找到故障組件以及故障原因。

一個可能的原因是加法器A1出現(xiàn)了故障，導(dǎo)致F=10;也有可能是乘法器M1出現(xiàn)了故障使得中間變量X=4，進(jìn)而導(dǎo)致F=10;以上只是討論了系統(tǒng)中單一故障原因，但也有可能是系統(tǒng)中多個組件發(fā)現(xiàn)了故障，從而導(dǎo)致輸出結(jié)果F=10。如若乘法器M2出現(xiàn)了故障使得Y=4，也會導(dǎo)致F=10，但若M3和A2正常的話，G的值應(yīng)該也為10，而實際G的值是正常值，所以此時M3或A2應(yīng)該也有故障，才會導(dǎo)致實際系統(tǒng)觀測到的現(xiàn)象。通過上述分析就可得到所有可能導(dǎo)致上述沖突的診斷解為{M1}，{A1}，{M2，M3}，{M2，A2}。

接下來就可以通過檢測中間變量X、Y、Z的值，來區(qū)分是哪個組件的故障導(dǎo)致的沖突，從而定位故障組件。例如經(jīng)測量得X=4，Y=6，Z=6，由此就可確定是乘法器M1的故障導(dǎo)致F=10。

2 故障診斷系統(tǒng)總體框架設(shè)計

針對上文所述的基于模型的故障診斷方法的原理，提出如圖3所示的基于模型的故障診斷系統(tǒng)的總體結(jié)構(gòu)框架。

圖3 基于模型的故障診斷系統(tǒng)總體框架

2.1 系統(tǒng)架構(gòu)描述

1)行為模型

在傳統(tǒng)的可靠性分析中，故障模式被用來描述組件在其自身發(fā)生故障的情況下的行為，同樣，正常模式描述了組件在無故障發(fā)生時的行為。為了將上述兩種模式結(jié)合起來，就產(chǎn)生了行為模型這個概念，其具體定義可表示為①定義相關(guān)行為模式(正常模式和故障模式)的變量和約束這些變量的數(shù)學(xué)方程;②描述由于器件內(nèi)部故障或外部條件觸發(fā)的不同行為模式之間切換的模型。

將組件的正常模式和故障模式統(tǒng)稱為組件的行為模式。假設(shè)某一個組件a共有k個不同的行為模式，那么第j(j={0，1，…，k})個行為模式可以定義如下:

其中:xa是組件a中的已知參數(shù)向量，ya是組件a中的未知參數(shù)向量是組件a的第j個行為模式下的參數(shù)之間的函數(shù)關(guān)系向量。

由上式可知，在組件的行為模型中，組件的各種行為模式之間是相互獨立的，在仿真時就可以通過設(shè)置j的值，從而可以快速方便地設(shè)置組件的行為模式，從而改變組件的行為。

基于上述對組件行為模型的描述，可得如圖4所示的組件行為模型建立的基本流程。

圖4 組件行為模型建立流程圖

采用建模語言Rodelica建立組件的行為模型。Rodelica最先由瑞典科學(xué)家Lunde［13］在故障診斷系統(tǒng)中使用，它繼承了基于方程的建模語言Modelica的特點，是一種面向?qū)ο蟮亩囝I(lǐng)域建模工具，支持類、繼承等分層結(jié)構(gòu)，采用數(shù)學(xué)方程描述系統(tǒng)的行為模式。利用Rodelica可以很方便地同時描述組件正常模式下的行為，以及組件在不同的故障模式下的行為。

2)數(shù)據(jù)采集模塊

診斷系統(tǒng)既包括軟件部分又包括硬件部分，軟件部分是指系統(tǒng)建模、仿真以及診斷程序;硬件部分則是實際的硬件系統(tǒng)。根據(jù)診斷系統(tǒng)的需求，需設(shè)計數(shù)據(jù)采集模塊，以便實時采集實際系統(tǒng)的數(shù)據(jù)實現(xiàn)在線的自主式診斷。數(shù)據(jù)采集模塊的方框圖如圖5所示，由傳感器采集現(xiàn)場數(shù)據(jù)經(jīng)A/D轉(zhuǎn)換電路轉(zhuǎn)換成數(shù)字信號，最后經(jīng)ModBus總線傳至診斷程序中。

圖5 數(shù)據(jù)采集模塊

2.2 故障診斷工作流程

基于以上分析，可按照圖6所示流程對實際系統(tǒng)展開故障診斷工作。

圖6 故障診斷工作流程

對系統(tǒng)進(jìn)行故障診斷，首先需要建立該系統(tǒng)的行為模型，可以通過兩方面進(jìn)行分析:系統(tǒng)級分析和組件級分析。系統(tǒng)級分析的任務(wù)主要是分析系統(tǒng)各部分的拓?fù)浣Y(jié)構(gòu)以及系統(tǒng)的行為和功能;組件級分析則是分析各組件內(nèi)部自身的功能和行為，既需要描述組件的正常行為，也需要描述組件在不同故障狀態(tài)下的行為。然后通過數(shù)據(jù)采集模塊采集實際系統(tǒng)的觀測值(系統(tǒng)可觀測的或可測量的值)，并與系統(tǒng)模型所得的預(yù)測值進(jìn)行比較。若一致，則系統(tǒng)正常，否則所得的預(yù)測值與觀測值將作為推理引擎的輸入，進(jìn)行故障推理，得出診斷決策樹和診斷規(guī)則等診斷結(jié)果，為定位故障組件和對故障點進(jìn)行維修等工作提供依據(jù)。

3 飛機(jī)液壓能源系統(tǒng)故障診斷

基于上文所描述的故障診斷系統(tǒng)總體框架，本節(jié)將闡述基于模型的故障診斷方法在飛機(jī)液壓能源系統(tǒng)中的應(yīng)用。該液壓能源系統(tǒng)的原理圖如圖7所示。其工作原理為恒壓液壓泵由電動機(jī)控制，輸出恒壓液壓油，經(jīng)濾油器過濾后給負(fù)載供油，恒壓液壓泵的輸出流量是由負(fù)載控制的。

圖7 液壓能源系統(tǒng)原理圖

為了便于模型的建立和故障診斷，該液壓能源系統(tǒng)主要由油箱(tank)、恒壓液壓泵(pump)、濾油器(filter)、安全閥(sv)、節(jié)流閥(throttle，充當(dāng)系統(tǒng)負(fù)載)、壓力傳感器(mP)、流量傳感器(mV)等組成。

3.1 行為模型建模

本節(jié)以恒壓液壓泵為例對組件的行為模型的建模過程加以說明。該泵有兩個輸入，分別是與油箱連接的液壓油接口以及電機(jī)的控制信號;一個輸出是恒壓的液壓油接口。

該泵有一個正常狀態(tài)，即輸出恒壓液壓油;有兩個故障狀態(tài)，即泵堵塞所造成的無流量輸出;泵內(nèi)部的泄漏導(dǎo)致輸出流量比輸入流量少。確定后就可利用面向?qū)ο蟮慕ＵZ言Rodelica描述該組件的各種行為模式進(jìn)行。該泵有以下兩個主要方程:

1)功率平衡

其中:pIn是泵的輸入功率，pOut是泵的輸出功率，pLeak是泵的泄漏功率，pE是控制電機(jī)的功率。

2)流量平衡

其中:vIn是泵的輸入流量，vOut是泵的輸出流量，vLeak是泵的泄漏流量。

本文采用 Rodilica語言建立模型，以下是Rodilica語言對恒壓液壓泵的部分描述，表示當(dāng)液壓泵堵塞時，入口P1的液壓流量為零。

圖8 飛機(jī)液壓能源系統(tǒng)的行為模型

完成組件級建模后，按照系統(tǒng)原理圖7，最終建立的液壓能源系統(tǒng)的行為模型如圖8所示。

3.2 模型校驗

采用診斷工具RODON對所建模型進(jìn)行具體分析校驗。首先在仿真系統(tǒng)組件均正常的情況，設(shè)置系統(tǒng)相應(yīng)的初始值，仿真后得到各傳感器的值如表1所示。

表1 飛機(jī)液壓能源系統(tǒng)正常時各傳感器的值

本系統(tǒng)選用輸出壓力為28MPa的恒壓泵，在不考慮壓降的情況下，測量恒壓液壓泵輸出壓力的壓力傳感器mP1及測量轉(zhuǎn)接頭joint_2三個接口處壓力值的壓力傳感器mP2、mP3、mPout正常情況下輸出相等，壓力值為泵的固有參數(shù)28MPa。壓力傳感器mP4、mP5、mP6與油箱連接，所測值為油箱的壓力，本系統(tǒng)設(shè)定的油箱壓力為167860Pa。

恒壓液壓泵的輸出流量是由負(fù)載(節(jié)流閥)決定的，節(jié)流閥是根據(jù)兩端的壓差控制通過的流量。本系統(tǒng)對安全閥設(shè)定的安全壓力為32MPa，正常情況下安全閥是關(guān)閉的，兩端流量為零。所以正常情況下，油箱1、恒壓液壓泵、濾油器、轉(zhuǎn)接頭、節(jié)流閥以及油箱3形成一條液壓通路，各部分的流量相等。由表1可知，本系統(tǒng)所建模型符合實際情況。

接下來就可仿真系統(tǒng)在組件出現(xiàn)故障情況下的行為，RODON可仿真系統(tǒng)單一故障狀態(tài)或多故障狀態(tài)下的行為，在此采用單一組件故障情況進(jìn)行分析校驗，以恒壓液壓泵的無流量輸出故障為例進(jìn)行仿真，得出各傳感器的值如表2所示。

由表2可知，當(dāng)恒壓定量泵無流量輸出時，各壓力傳感器所測的壓力值均為所設(shè)定的系統(tǒng)油箱壓力167860Pa，各流量傳感器所測的流量值均為零，證明系統(tǒng)行為模型輸出正確。

表2 恒壓液壓泵無流量輸出故障時各傳感器的值

3.3 故障診斷分析

基于模型的故障診斷方法的原理是在相同的輸入情況下，將實際系統(tǒng)的觀測值與系統(tǒng)模型的預(yù)測值進(jìn)行比較，若二者有沖突就將二者的偏差輸入診斷推理引擎中，從而得到診斷結(jié)果。本節(jié)以系統(tǒng)出現(xiàn)無流量輸出(Vdot_out=0，Vdot_out代表流量傳感器mVout的測試值)為例來加以說明。因為實際系統(tǒng)的Vdot_out值和系統(tǒng)模型的Vdot_out值有所偏差，診斷推理引擎就會經(jīng)歷所有可能故障，將可能導(dǎo)致Vdot_out=0的故障定為候選故障，然后再通過觀測與候選故障有關(guān)的傳感器，以確定該故障是否真正發(fā)生。通過診斷推理后得出的Vdot_out=0的故障診斷決策樹如圖9所示。

圖9 Vdot_out=0產(chǎn)生的診斷決策樹

若飛機(jī)上液壓能源系統(tǒng)出現(xiàn)無流量輸出的情況，維修人員就可根據(jù)此決策樹查看相應(yīng)的傳感器的信息，首先查看壓力傳感器mP2的測量值以確定該故障是否是恒壓液壓泵的故障所導(dǎo)致的，如果壓力傳感器mP2所測的值為正常的2.8e7Pa，則排除了恒壓液壓泵的故障，接下來再查看壓力傳感器mP6的值以區(qū)分是負(fù)載(節(jié)流閥)的故障還是油箱3的故障。通過故障診斷決策樹的應(yīng)用可快速地對故障點進(jìn)行隔離定位。

4 結(jié)論與展望

采用面向?qū)ο蟮慕ＵZ言Rodelica建立某飛機(jī)液壓能源系統(tǒng)的行為模型，準(zhǔn)確描述了飛機(jī)液壓能源系統(tǒng)中各組件的正常行為以及故障行為。利用基于模型的故障診斷方法對所建模型進(jìn)行分析，得出常見故障現(xiàn)象的診斷決策樹，經(jīng)驗證所得決策樹合理可靠，且具有工程實用性。

今后針對基于模型的故障診斷方法(系統(tǒng))還可做以下幾方面的研究:

1)目前實際系統(tǒng)與系統(tǒng)模型之間不存在實際的接口，所以在未來的工作中可以對該接口設(shè)計展開進(jìn)一步的研究，以便實現(xiàn)動態(tài)的數(shù)據(jù)交互;

2)目前建立的系統(tǒng)定性模型都是采用離散化描述方式，難以處理隨時間連續(xù)變化問題，即不能對動態(tài)系統(tǒng)進(jìn)行建模。要實現(xiàn)系統(tǒng)的在線自主診斷，就需在動態(tài)系統(tǒng)建模方面有所突破。

［1］邵繼業(yè).基于模型的故障診斷方法研究及在航天中的應(yīng)用［D］.哈爾濱:哈爾濱工業(yè)大學(xué)，2009.

［2］李偉.復(fù)雜系統(tǒng)的智能故障診斷技術(shù)現(xiàn)狀及其發(fā)展趨勢［J］.計算機(jī)仿真，2004，21(10):4 －7.

［3］Peter Bunus，Karin Lunde.Supporting model based diagnostics with equation-based object oriented languages［C］.2nd International Workshop on Equation-Based Object-Oriented Languages and Tools，Paphos，Cyprus，2008.

［4］Davis R.Diagnostic reasoning based on structure and behavior［J］.Artificial Intelligence，1984，24(1 － 3):347－410.

［5］Reiter R.A theory of diagnosis from first principles［J］.Artificial intelligence，1987，32(1):57 －96.

［6］Johan de Kleer，Williams BC.Diagnosing multiple faults［J］.Artificial Intelligence，1987，32(1):97 －130.

［7］Hofbaur MW，Williams BC.Hybrid estimation of complex systems［J］.IEEE Transactions on system，Man and Cybernetics B:Cybernetics，2004，34(5):2178 －2191.

［8］Hofbaur MW，Williams BC.Hybrid diagnosis with unknown behavioral modes［C］.Proceedings of the 13th International Workshop on PrinciplesofDiagnosis(DX02)，2002.

［9］Williams B C，Nayak P P.A model-based approach to reactie self-configuring system［C］.Procceeding of AAAI－96.1996.

［10］Bajwa A，Sweet A.The Livingstone model of a main propulsion system［C］.Proceedings of the IEEE，2003.

［11］歐陽丹彤，歐陽繼紅，劉大有.基于模型診斷的研究與新進(jìn)展［J］.吉林大學(xué)自然科學(xué)學(xué)報，2001(2):38－46.

［12］Johan de Kleer，James Kurien.Fundamentals of modelbased Diagnosis［C］.IFAC Symposium Safeprocess，Washington USA，June，2003.

［13］Karin Lunde.Object-oriented modeling in model-based diagnosis［C］.In Proceedings of Modelica Workshop，Lund，Sweden，2000.