摘 要： 航天測控設備種類結構復雜，長期以來主要依賴人工維護，缺乏通用有效的故障診斷方法。針對這一情況，在分析了測控系統(tǒng)故障診斷特點的基礎之上，采用故障樹分析法構建了面向航天測控系統(tǒng)的故障樹模型，并闡述了建模方法和推理機設計原理及流程。最后，以航天測控系統(tǒng)故障診斷實例進行了方法驗證。驗證結果表明該方法效率高、可靠性好，可適用于目前大多數航天測控設備。

關鍵詞： 航天測控系統(tǒng)； 故障診斷； 故障樹； 混合推理

中圖分類號： TN95?34； TP391.4 文獻標識碼： A 文章編號： 1004?373X（2015）07?0103?04

0 引 言

隨著現代航天測控設備規(guī)模的擴大和設備復雜性增加，使得傳統(tǒng)基于人工的故障診斷方法難以滿足設備的使用維護要求，造成了設備的可靠性和可用性的降低，制約了航天測控任務的順利完成。另外，由于測控設備系統(tǒng)結構復雜、功能繁多，許多故障征兆不易測量和獲取，難以建立用于自動故障診斷的動態(tài)模型，使得基于信號和基于解析模型的診斷方法可用性下降。

針對上述問題，要進行切實有效的故障診斷，就需要對測控設備的故障診斷邏輯進行有效抽象，從而獲得合理的故障傳遞途徑，以降低故障知識的獲取難度。而故障樹作為有效的診斷方法，本文提出了一種基于故障樹的航天測控系統(tǒng)故障診斷模型。

1 故障樹診斷技術

故障樹分析法（Fault Tree Analysis，FTA）是指對可能造成產品故障的硬件、軟件、環(huán)境、人為因素進行分析，并將系統(tǒng)故障形成的原因由總體至部分按樹枝狀逐級細化，以圖形演繹的方法畫出故障樹，從而確定故障原因的各種可能組合方式和其發(fā)生概率，評價引發(fā)故障的各種因素的相關重要度的一種分析方式，具有下述優(yōu)勢：

（1） 可根據最小路集和最小割集，確定系統(tǒng)全部正常模式和故障模式；

（2） 可根據底事件發(fā)生概率，求出故障模式的發(fā)生概率，并可按概率大小排序，確定各個故障模式影響大??；

（3） 在每個故障模式中，底事件按關鍵重要性排序，確定造成故障的各底事件影響大?。?/p>

（4） 可據故障樹層次結構，診斷進行到要求的某一級別層次的故障原因。

正是由于故障樹圖形化的形式，可以清楚地表示出導致頂事件的故障原因，具有層次性強，因果關系明確等特點，因此故障樹分析法被廣泛應用于復雜系統(tǒng)的故障樹分析與診斷。

由于測控設備系統(tǒng)結構復雜、功能繁多，故障現象不計其數，因此，本文提出一種面向測控系統(tǒng)的故障樹模型，通過獲得合理的故障傳遞途徑，在很大程度上降低故障征兆獲取的難度，即通過提供定性、定量分析的算法規(guī)則，獲得較高的故障診斷識別率，提高故障診斷系統(tǒng)的魯棒性。

2 測控系統(tǒng)故障征兆

要使用以故障分析樹來表示的故障診斷邏輯能夠真正用于故障診斷，必須有相應的征兆來推動故障診斷過程。故障征兆就是故障診斷系統(tǒng)所從外部獲取的當前系統(tǒng)的狀態(tài)指示，最直觀的狀態(tài)指示是測控設備監(jiān)控分系統(tǒng)所采取到設備的當前狀態(tài)，但單純依靠監(jiān)控分系統(tǒng)實時采集到的狀態(tài)來進行故障診斷是很不完善的，主要體現在以下方面：測控設備有很多故障難以通過實時狀態(tài)進行表征；受限于成本和條件限制，某些征兆點并不能實時采集；受限于技術條件，某些故障征兆難以由系統(tǒng)自動提取。

而監(jiān)控系統(tǒng)僅能對系統(tǒng)中設置了采樣點的狀態(tài)進行檢測，而實際上依據采樣數據的數學或邏輯運算獲得的新變量（即故障征兆）更有利于故障診斷邏輯的描述。若充分利用這些征兆，可顯著提高故障診斷的效率。測控系統(tǒng)的故障征兆可劃分為5類，見表1。

表1 測控系統(tǒng)的故障征兆類型

[征兆類型＼表征內容＼基本征兆＼即在測控系統(tǒng)中監(jiān)控系統(tǒng)所能獲得的

基本監(jiān)視量，包括設備工作參數＼擴展征兆＼即基本征兆經邏輯和數學運算組合

而生成新的征兆＼統(tǒng)計征兆＼是在一定時間間隔內的基本征兆的統(tǒng)計特性＼過程征兆＼即無法通過實時監(jiān)測而獲取的征兆，必須

通過測控設備執(zhí)行某一過程才能獲得＼人工知識＼即無法通過測控設備本身的檢測系統(tǒng)

而獲得的一些故障征兆＼]

在航天測控系統(tǒng)中系統(tǒng)的工作模式，設備在線配置，各部件工作狀態(tài)等屬于基本征兆；設備在跟蹤過程中生成的單向測距值、根據變頻器輸出電平值獲得的增益值等屬于擴展征兆；功放輸出的階躍幅度，測距方差、小信號輸出幅度變化率、零值穩(wěn)定度、輸出功率的最大最小值、設備的可用度，設備的使用率等屬于統(tǒng)計征兆；通過距離標校可獲得的測距方差，通過自動測試系統(tǒng)而獲得的系統(tǒng)靈敏度數值等屬于過程征兆；電纜是否連接，其他站是否同樣無法接收到衛(wèi)星信號等則屬于人工知識。

3 面向對象的故障診斷模型

由于測控系統(tǒng)的復雜性，其故障診斷模型的建立要綜合考慮以下三個方面：

（1） 由于測控系統(tǒng)由多個分系統(tǒng)組成，而每個分系統(tǒng)又由多個單元組成，因此建立的故障診斷模型要便于理解和維護。

（2） 由于測控系統(tǒng)中存在多個相同的部件，如A/B機，它們的故障診斷模型是完全相同，不僅會導致系統(tǒng)重復建模，也容易造成模型的不一致性。

（3） 測控系統(tǒng)是向著模塊化、可復用的方向發(fā)展，部件甚至分系統(tǒng)可在不同的測控設備中使用，因此，建立的故障診斷模型也應該具備復用性。

因此，本文采用面向對象的方法對測控系統(tǒng)的診斷模型進行了抽象，模型見圖1。

圖1 面向對象的故障診斷模型

如圖1所示，測控系統(tǒng)由測控部件構成，而部件又由底層測控子部件組成。此外，需要特別注意的是測控系統(tǒng)又是更高層復雜大型系統(tǒng)的組成部件。這種抽象方法能夠有效消除故障診斷中的邏輯錯誤，使系統(tǒng)中只有一種基本故障診斷邏輯模型，即部件故障診斷模型。部件診斷模型可由部件級診斷模型、子部件診斷模型和部件的輸出模型。

4 故障樹推理機設計

測控系統(tǒng)故障診斷包括2個目的：一是故障定位，即找出故障征兆對故障事件產生影響傳遞途徑，確定故障征兆對故障事件的影響；二是故障預測，即預測故障征兆可能導致故障，評估故障事件的發(fā)生可能性。

對于測控系統(tǒng)來講，采用正向推理和反向推理相結合的故障樹雙向混合推理機制能夠很好地達成上述目的。其中，正向推理用于實現故障的預測功能，而反向推理則用于實現故障定位功能。此外，由于絕大部分識別的故障征兆為故障現象描述，對應于故障樹的底事件。因此，推理機的工作方式應為先依據故障征兆正向推理預測故障事件，再根據預測的故障事件反向推理定位故障原因。這種方式首先利用基本征兆快速地對系統(tǒng)的故障進行正向推理，獲取系統(tǒng)的故障以及故障的診斷結果，在此過程中也可以生成系統(tǒng)的頂層故障列表。當系統(tǒng)的頂層故障診斷定位不充分時，再采用逆向推理方法，綜合利用過程知識和人工知識進一步推導系統(tǒng)故障原因。

另外，測控系統(tǒng)的故障樹正、反向推理均采用了帶閾值和權值的可信度推理方法，由于篇幅有限，詳細內容見參考文獻[1]。下面僅給出這兩種方法的推理流程。

正向推理是從已知事實出發(fā)，按照底事件→中間事件→頂事件的方向逐層進行推理，直到故障樹根節(jié)點或推理終點為止。推理流程如圖2所示。

圖2 正向推理流程

反向推理是從正向推理的故障結果出發(fā)，按照底事件→中間事件→頂事件的方向逐層進行推理，并結合故障節(jié)點的重要度和反向關系來確定故障發(fā)生的主因。推理流程如圖3所示。

圖3 反向推理流程

5 方法驗證

航天測控系統(tǒng)一般包括天線、伺服、信道、基帶（接收機）、監(jiān)控、時頻、數傳、記錄等分系統(tǒng)組成，如圖4所示。

圖4 航天測控系統(tǒng)組成框圖

下面以信道分系統(tǒng)常見的上變頻器模塊故障為例，用正反向混合故障推理機進行故障診斷：

圖5中，底事件X1表示事件“變頻模塊故障”其權值W1為0.4；底事件X2表示事件“一本振信號故障”，其權值W2為0.2；底事件X3表示事件“二本振信號故障”其權值W3為0.2；底事件X4表示事件“15 V電源故障”其權值W4為0.2；底事件X5表示事件“運算放大器故障”其權值W5為0.7；底事件X6表示事件“5 V電源故障”其權值W6為0.3；底事件X7表示事件“基帶輸出故障”其權值W7為0.6；底事件X8表示事件“線纜接頭故障”其權值W7為0.4；中間事件A表示“變頻單元故障”，其可信度因子及推理閾值為（CF（A，E），λ）=（0.6，0.5）；中間事件B表示“上變頻器增益下降”，其可信度因子及推理閾值為（CF（B，E），λ）=（0.8，0.5）；中間事件C表示“上變頻器無輸入信號”，其可信度因子及推理閾值為（CF（C，E），λ）=（0.6，0.5）；頂事件T表示事件“上變頻器輸出信號過小”，其可信度因子及推理閾值為（CF（T1，A），CF（T2，B），CF（T3，C），λ）=（0.8，0.9，0.7，0.5）。

圖5 上變頻器故障樹

已知當前時刻底事件X1～X8的可信度分別為1，0.7，0.7，0.8，1，0.7，0.8，0.7，推理過程如下：

（1） 正向推理

① 由底事件X1～X4推理中間事件A

證據可行度

CF（EA）=W1×CF（X1）+W2CF（X2）+W3CF（X3）+W4×CF（X4）=0.4×1+0.2×0.7+0.2×0.7+0.3×0.8=0.92

∵CF（EA）>λ，匹配成功

∴中間事件A的可行度CF（A）=CF（E）×CF（A，E）=0.92×0.6=0.552

同理可得CF（EB）=0.91、CF（EC）=0.76中間事件B、C的可信度CF（B）=0.728，CF（C）=0.532

② 由中間事件A、B、C推理頂事件T

∵證據可信度CF（A）= 0.552>λ

∴CF（T1）= CF（A）×CF（T1，A）=0.552×0.8=0.441 6

同理可得CF（T2）=CF（B）×CF（T2，B）=0.655 2，CF（T3）=CF（B）×CF（T3，B）=0.372 4

[CF（T）=CF（T1）+CF（T2）+CF（T3）CF（T1，A）+CF（T2，B）+CF（T3，C）≈0.616 3]

正向推理結束。

（2） 反向推理

① 從頂事件T出發(fā)，查找故障主因

[IA=CF（T1，A）×CF（A）CF（T）×（CF（T1，A）+CF（T2，B）+CF（T3，C））=0.44161.479≈0.299] [IB=CF（T2，B）×CF（B）CF（T）×（CF（T1，A）+CF（T2，B）+CF（T3，C））=0.655 21.479≈0.443][IC=CF（T3，C）×CF（C）CF（T）×（CF（T1，A）+CF（T2，B）+CF（T3，C））=0.372 41.479≈0.252]

可見中間事件B為頂事件T發(fā)生的主因。

② 從中間事件A出發(fā)，查找故障次因

[IX1=IA×ω1CF（X1）CF（EA）=0.299×0.4×10.92≈0.13][IX2=IA×ω2CF（X2）CF（EA）=0.299×0.2×0.70.92≈0.045][IX3=IA×ω3CF（X3）CF（EA）=0.299×0.2×0.70.92≈0.045][IX4=IA×ω4CF（X4）CF（EA）=0.299×0.2×0.80.92≈0.046]

③ 從中間事件B出發(fā)，查找故障次因

[IX5=IB×ω5CF（X5）CF（EB）=0.443×0.7×10.91≈0.341]

[IX6=IB×ω6CF（X6）CF（EB）=0.443×0.3×0.70.91≈0.102]

④ 從中間事件C出發(fā)，查找故障次因

[IX7=IC×ω7CF（X7）CF（EC）=0.252×0.6×0.80.76≈0.159]

[IX8=IC×ω2CF（X2）CF（EC）=0.252×0.4×0.70.76≈0.092]

可見底事件X5為頂事件T發(fā)生的次因，底事件X2、X3對頂事件T的影響最小。

（3） 輸出解釋信息

推理結論為上變頻器輸出信號過小，可信度為0.616 3。故障原因從大到小依次為：

運算放大器故障，重要度為：0.341；

基帶輸出故障，重要度為：0.159；

變頻模塊故障，重要度為：0.13；

運算放大器故障，重要度為：0.341；

8 V電源故障，重要度為：0.159；

線纜連接故障，重要度為：0.13；

15 V電源故障，重要度為：0.046；

一本振信號故障，重要度為：0.045；

二本振信號故障，重要度為：0.045。

（4） 診斷效果

在同等條件下，對測控系統(tǒng)中出現的相同故障分別采用人工方法和故障樹方法進行故障診斷測試，測試的結果如圖6所示。

圖6 人工診斷和故障樹診斷效果比較

可以看出人工故障診斷的誤診率為10%～12%，故障原因的漏診率為8%～9%；而故障樹診斷法的誤診率不到4%，漏診率為2%～3%，在誤診率和漏診率2個方面皆有較為明顯的提升。且由于人工的故障診斷嚴重依賴于人工經驗，而推理流程和診斷方法因人而已，效率不高，可靠性差。

6 結 語

本文通過研究航天測控系統(tǒng)故障診斷的原因和特點，提出一種面向航天測控設備應用的故障樹診斷模型，并設計了正反向混合推理機。通過實驗驗證表明，該方法能有效地對測控系統(tǒng)進行故障診斷，診斷效果優(yōu)于人工方法。

參考文獻

[1] 李艷，羅鈞文.航天器遙測數據可信度分析與研究[J].國外電子測量技術，2008，27（6）：7?8.

[2] 蔡宗平，湯正平，閔海波.故障樹分析法的專家系統(tǒng)在故障診斷中的應用[J].微計算機信息，2006，22（8）：135?138.

[3] 葉伯生，黃增雙，李斌.故障樹分析在數控機床故障診斷系統(tǒng)中的應用[J].機械設計與制造，2006（8）：135?137.

[4] COOK Stephen， DUMBACHER Dianel. NASA′s integrated space transportation plan [J]. Acta Astronautica， 2001， 48： 5?12.

[5] 柯銘銘，路平.故障樹在無人機發(fā)射機故障診斷中的應用[J].現代電子技術，2011，34（19）：18?20.

[6] 田洪偉，黃開達.遙測裝備基于故障樹的診斷分析方法[J].現代電子技術，2012，35（7）：120?121.