劉 涌,李海潮,趙 鞭
一種基于二叉樹的測控設(shè)備故障診斷方法*
劉 涌**,李海潮,趙 鞭
(西安衛(wèi)星測控中心,西安 710043)
針對傳統(tǒng)故障樹知識規(guī)則存儲和診斷推理算法不易實現(xiàn)的問題,提出了一種基于二叉樹的故障診斷方法。首先,通過對故障樹與二叉樹轉(zhuǎn)換規(guī)則與方法的分析,直接構(gòu)建出測控設(shè)備故障二叉樹集;然后,利用二叉樹節(jié)點左右編碼值來定位該節(jié)點的方法,建立故障診斷規(guī)則庫;最后,采用遍歷診斷規(guī)則庫的搜索算法實現(xiàn)對故障定位。在測控設(shè)備中的應(yīng)用表明,該方法能夠方便地建立診斷規(guī)則庫,準確定位設(shè)備故障,可有效提高設(shè)備故障診斷效率。
測控設(shè)備;故障診斷;故障樹;故障二叉樹;診斷規(guī)則
航天測控設(shè)備是復(fù)雜的機電一體化綜合系統(tǒng),為各類航天器提供測控支持,其運行狀況直接影響到航天測控任務(wù)的成敗。對這類復(fù)雜大型設(shè)備,設(shè)備操作者用傳統(tǒng)的經(jīng)驗?zāi)J竭M行設(shè)備故障處理有很大的局限性。雖然測控設(shè)備故障診斷領(lǐng)域引入了故障樹分析法[1-2],為復(fù)雜的診斷過程提供了清晰直觀的故障處理流程,但這些傳統(tǒng)故障樹模型結(jié)構(gòu)復(fù)雜,特別是對復(fù)雜系統(tǒng)所構(gòu)建的故障樹集,各元素結(jié)構(gòu)差異很大,既不利于計算機的存儲和檢索,又難以用統(tǒng)一的計算機軟件算法實現(xiàn)對每個故障樹的診斷推理。二叉樹的結(jié)構(gòu)統(tǒng)一,且每個樹可等價轉(zhuǎn)換為二叉樹[3],故可考慮將故障樹轉(zhuǎn)化為故障二叉樹。
故障二叉樹分析法在國內(nèi)已有研究[4],但多是以如何解決診斷規(guī)則的有效存儲為研究目的,很少給出故障診斷的推理算法。本文在分析故障樹與故障二叉樹轉(zhuǎn)換關(guān)系基礎(chǔ)上,提出直接構(gòu)建設(shè)備故障二叉樹的方法,研究了故障二叉樹利用數(shù)據(jù)庫表來存儲診斷規(guī)則的過程,在此基礎(chǔ)上,給出故障二叉樹診斷推理算法和軟件實現(xiàn),并結(jié)合測控設(shè)備故障實例分析了算法的實際應(yīng)用效果。
2.1故障樹模型
故障樹分析法[5]是一種快速、準確的設(shè)備故障診斷與定位方法。故障樹由頂事件、中間事件、底事件以及反映事件間關(guān)系的邏輯門組成。頂事件是指最不希望發(fā)生的故障事件,是診斷分析的目標;中間事件是指導(dǎo)致頂事件發(fā)生的各種原因;底事件是指故障機理已知的基本故障因素。
建立故障樹的關(guān)鍵是要弄清系統(tǒng)功能間的邏輯關(guān)系、故障模式等,使故障樹能夠抽象地反映出實際系統(tǒng)的故障組合和所傳遞的邏輯關(guān)系。經(jīng)分析知道,航天測控設(shè)備故障樹的頂事件與底事件在邏輯上大多可用或門來連接,這種邏輯關(guān)系容易求解最小割集[6],由一個底事件就可以很快定位故障。因此,典型的測控設(shè)備故障樹模型如圖1(a)所示,其中,T為頂事件,A為中間事件,X為底事件,事件均為節(jié)點,各節(jié)點間均用邏輯或門連接。
圖1 故障二叉樹的形成過程Fig.1 The formation of fault binary tree
2.2故障樹與故障二叉樹的轉(zhuǎn)換
從圖1(a)看出,故障樹結(jié)構(gòu)復(fù)雜,其節(jié)點的最大度數(shù)無限制,且無左、右之分,故不同故障樹的結(jié)構(gòu)各異;二叉樹則結(jié)構(gòu)統(tǒng)一,其節(jié)點的最大度數(shù)僅為2,且有左、右之分,故易于實現(xiàn)存儲和遍歷算法。由于樹可等價轉(zhuǎn)化為二叉樹,其轉(zhuǎn)化過程只改變存儲方式,而不會丟失原樹中的信息,因此,將故障樹轉(zhuǎn)換為故障二叉樹,能較易實現(xiàn)診斷規(guī)則的數(shù)據(jù)庫存儲和診斷推理算法。
轉(zhuǎn)換過程遵循以下規(guī)則:從故障樹根節(jié)點開始,將樹節(jié)點的孩子作為其左子節(jié)點,兄弟作為其右子節(jié)點,不斷地進行樹型轉(zhuǎn)換,直到最后一個葉子節(jié)點。將圖1(a)中故障樹按照此規(guī)則轉(zhuǎn)換成二叉樹后,故障二叉樹結(jié)構(gòu)如圖1(b)所示。
在計算機處理中,圖1(b)中故障二叉樹模型的診斷處理流程仍不夠清晰,不利于推理過程的路徑切換,因此,還需對該模型做進一步的結(jié)構(gòu)變形處理。方法如下:
(1)二叉樹根節(jié)點和葉節(jié)點結(jié)構(gòu)不變;
(2)將父節(jié)點符號變?yōu)榱庑?,?nèi)容更改成疑問句,作為推理判斷節(jié)點;對無左孩子的父節(jié)點增加左子節(jié)點,且該子節(jié)點結(jié)構(gòu)與父節(jié)點原結(jié)構(gòu)一致,這樣,父節(jié)點成為故障中間原因的條件判斷句,其左子節(jié)點為“是”的回答結(jié)果,其右子節(jié)點為“否”的回答結(jié)果;
(3)給無右孩子的父節(jié)點增加右子節(jié)點,該子節(jié)點為葉節(jié)點,內(nèi)容由原父節(jié)點確定。
經(jīng)過變形后的二叉樹成為完全二叉樹,結(jié)構(gòu)如圖1(c)所示,其與圖1(a)和圖1(b)的故障樹完全等價。其中,頂事件T為根節(jié)點,故障中間原因A統(tǒng)一為父節(jié)點,底事件X為葉節(jié)點,左子節(jié)點是父節(jié)點肯定回答的結(jié)果,存放下一級中間原因或底事件,右子節(jié)點是父節(jié)點否定回答的結(jié)果,存放同級故障原因。
2.3故障二叉樹的構(gòu)建
通過對上述轉(zhuǎn)換過程及變形方法分析可知,在實際應(yīng)用中,故障二叉樹完全可以根據(jù)設(shè)備情況直接構(gòu)建,而不需經(jīng)過復(fù)雜轉(zhuǎn)換過程來得到。故障二叉樹的具體構(gòu)建方法如下:
首先,將故障征兆作為根節(jié)點,是故障二叉樹的頂事件;
然后,將第一父節(jié)點作為根節(jié)點的唯一孩子,存放判斷句式的故障原因;
再為每個父節(jié)點生成左、右孩子,用左孩子存放發(fā)生概率相對較大的下一級中間原因或底事件,是父節(jié)點肯定回答的結(jié)果;用右孩子存放同級故障原因,是父節(jié)點否定回答的結(jié)果。如此不斷地生成節(jié)點,直到所有底事件都已產(chǎn)生為止。這樣就生成了故障二叉樹,其左右子樹的次序不能任意顛倒。
2.4故障二叉樹實例
圖2(a)是針對某型測控設(shè)備基帶系統(tǒng)“數(shù)傳接收機不能鎖定”故障征兆,按照上述構(gòu)建方法直接生成的故障二叉樹,圖中:T表示數(shù)傳接收機無法鎖定;A1為轉(zhuǎn)備機后能否鎖定;A2為重置參數(shù)后是否鎖定;A3為TTC模式是否正常;A4為切換數(shù)傳本振后是否正常;A5為切換數(shù)傳下變頻器后是否正常;A6為切換低本振是否正常;A7為切換LNA后是否正常;X1表示基帶數(shù)傳狀態(tài)不穩(wěn);X2表示中頻分路器異常;X3表示數(shù)傳本振異常;X4表示數(shù)傳下變頻器異常;X5表示矩陣與中頻分路單元連接斷開;X6表示低本振異常;X7表示LNA異常;X8表示LNA前后端微波切換開關(guān)故障。
圖2 故障二叉樹實例Fig.2 The example of fault binary tree
由圖2(a)可知,故障二叉樹從根節(jié)點開始,由上往下,經(jīng)過中間節(jié)點直至葉子節(jié)點,完全是一種產(chǎn)生式規(guī)則專家系統(tǒng)中的正向推理過程。把根節(jié)點作為前件,各中間事件或頂事件為后件,可以用“IF…THEN…”來表示,并將這種規(guī)則運用到整個推理過程中。
前面實例中,當(dāng)基帶分系統(tǒng)出現(xiàn)“數(shù)傳接收機不能鎖定”的故障事件T時,假設(shè)故障原因是由于矩陣與中頻分路單元連接異常X5所引起,則整個推理過程如下:任務(wù)期間,操作者的監(jiān)視行為主要集中在主機上,“數(shù)傳接收機不能鎖定”的故障事件是指基帶主機無法鎖定,這時需要檢查基帶備機接收數(shù)傳信號是否正常鎖定的事件A1。如果備機也無法鎖定,那么進一步檢查主機TTC通道工作是否正常的事件A3。如果TTC工作正常,則往下檢查在切換數(shù)傳本振后是否鎖定的事件A4,如果還是無法鎖定,則切換數(shù)傳下變頻器,檢查數(shù)傳是否鎖定的事件A5,如果仍無法鎖定,那么可以確定,故障原因就是矩陣與中頻分路單元連接出現(xiàn)問題的事件X5所引起。至此,推理過程結(jié)束。
由上述過程知,故障二叉樹的診斷推理過程是一種鏈條式的推理模型,其具體推理方法如下:
(1)按照故障征兆,首先從第一父節(jié)點提供的推斷線索開始進行診斷推理,并根據(jù)這一步的診斷結(jié)果判斷故障事實的真假情況,然后轉(zhuǎn)入下一步;
(2)如果該節(jié)點的故障事實為真,則轉(zhuǎn)入其左子節(jié)點進行診斷處理;若不為真,則轉(zhuǎn)入其右子節(jié)點進行診斷處理;
(3)當(dāng)轉(zhuǎn)入的節(jié)點為葉子節(jié)點時,推理過程完成,從該葉子節(jié)點中提取出診斷結(jié)果;否則,轉(zhuǎn)到第2步繼續(xù)推理。
采用故障二叉樹表模式來存儲故障診斷規(guī)則[7]:首先,對二叉樹節(jié)點進行定位,并抽象出節(jié)點表達的信息;然后,利用定位結(jié)果連同與該節(jié)點相關(guān)聯(lián)的父子節(jié)點,可構(gòu)成一條診斷規(guī)則記錄。這樣就把故障二叉樹結(jié)構(gòu)與數(shù)據(jù)庫表聯(lián)系起來,每個節(jié)點產(chǎn)生一條規(guī)則記錄,一棵樹可產(chǎn)生一系列的記錄存儲到數(shù)據(jù)庫的一張診斷規(guī)則表中。
用數(shù)組或鏈表處理二叉樹集時,樹節(jié)點存儲方式復(fù)雜、檢索定位困難。這里,對故障二叉樹節(jié)點的定位,采用了對節(jié)點進行左右值編碼的方式來實現(xiàn),利于數(shù)據(jù)庫對規(guī)則的存儲。節(jié)點編碼規(guī)則如下:不計頂事件節(jié)點,先將第一父節(jié)點左值編碼確定為1,后續(xù)的編碼值均逐次加1;所有左值編碼為從上往下編,右值編碼為從下往上編;同級編碼先左節(jié)點后右節(jié)點順次進行。按照這個規(guī)則,上述圖2(a)的故障二叉樹編碼結(jié)果如圖2(b)所示。除去頂事件,該二叉樹共有5層(L1~L5),編碼節(jié)點15個,編碼值1~30??梢钥闯觯總€節(jié)點左右編碼值都是唯一的,通過這兩個編碼值完全可確定節(jié)點,給故障二叉樹的遍歷帶來方便。
編碼完成后,可對節(jié)點進行定位并提取節(jié)點信息。節(jié)點信息結(jié)構(gòu)如下:
[節(jié)點]={[頂事件],[屬性],[規(guī)則內(nèi)容],[層級],[左值],[右值]}。
“屬性”指該節(jié)點是故障中間原因的父節(jié)點(用0表示)還是底事件的葉子節(jié)點(用1表示)。利用這些信息以及故障二叉樹的編號,就構(gòu)成了故障診斷規(guī)則記錄。
由此,可以在SQL Server數(shù)據(jù)庫管理系統(tǒng)中,設(shè)計規(guī)則庫表來存儲該故障二叉樹的推理規(guī)則。定義規(guī)則庫表各字段,見表1。
表1 規(guī)則庫表設(shè)計Tab.1 The design of rule-base
為測控設(shè)備每個分系統(tǒng)各創(chuàng)建一張診斷規(guī)則表,將設(shè)備故障二叉樹除頂事件節(jié)點外的其他所有節(jié)點,按照表字段要求,形成診斷規(guī)則記錄存于相應(yīng)表中。由于每個分系統(tǒng)可以構(gòu)造出很多故障二叉樹,因此,利用該存儲方法可生成分系統(tǒng)的故障二叉樹集診斷規(guī)則表,對整個測控設(shè)備可生成故障診斷知識規(guī)則庫。
用二叉樹進行故障診斷的推理機制就是在二叉樹故障規(guī)則庫中搜索相關(guān)規(guī)則,并與用戶提供的或者已知的證據(jù)不斷地進行比較、判別,直到得出最終結(jié)論。整個推理過程實際上就是通過節(jié)點編碼值的定位結(jié)果遍歷故障二叉樹,完成每個節(jié)點指定的診斷操作,直至找到需要的葉子節(jié)點為止。診斷過程實現(xiàn)如下:
Step 1 根據(jù)故障信息,通過規(guī)則表中字段Type查找該故障征兆的記錄數(shù),如記錄數(shù)為0,則表中無該故障信息記錄,提示該故障為新故障案例,返回;否則,繼續(xù)下一步;
Step 2 通過規(guī)則表字段Layer查找二叉樹的總層數(shù),推斷后續(xù)推理過程的最大詢問次數(shù);
Step 3 由規(guī)則表的Type_id查詢每個節(jié)點的記錄信息,將這些節(jié)點信息存放到一個可變長CFaultNodeArray類型的診斷規(guī)則結(jié)構(gòu)數(shù)組m_Fault-NodeArray中;數(shù)據(jù)結(jié)構(gòu)設(shè)計為
CFaultNodeArray是由FAULTNODE定義的結(jié)構(gòu)數(shù)組類;
Step 4 故障診斷推理算法描述:
(1)由m_FaultNodeArray.GetSize()得到一個故障二叉樹的節(jié)點總數(shù);
(2)在數(shù)組中循環(huán)查找左值lft=1的節(jié)點,確定為第一父節(jié)點;
(3)根據(jù)父節(jié)點提供的oper_order信息,對設(shè)備做診斷處理,判斷該信息的真假,如果為真,則左值lft=lft+1,再由lft值,查找到對應(yīng)子節(jié)點,并置判斷量YorNFlag為True;否則,右值rgt=rgt-1,再由rgt值,查找到對應(yīng)子節(jié)點,并置判斷量YorNFlag為False;
(4)對查詢到的子節(jié)點,判斷該節(jié)點的層次數(shù)是否超限,如超限則退出,否則繼續(xù);
(5)判斷子節(jié)點flag值,如為1,則已經(jīng)查詢到葉節(jié)點,診斷推理過程結(jié)束;如為0,則需根據(jù)判斷量YorNFlag的值進行下一步診斷,如YorNFlag為True,則轉(zhuǎn)入左子節(jié)點,否則轉(zhuǎn)入右子節(jié)點,然后轉(zhuǎn)入到(3)繼續(xù)推理過程。
該算法具有通用性,可完成對設(shè)備故障的診斷處理過程。
基于二叉樹的測控設(shè)備故障診斷推理模塊采用VC開發(fā),并使用SQL Server 2000數(shù)據(jù)庫系統(tǒng)來管理由測控設(shè)備故障二叉樹集構(gòu)建的診斷知識規(guī)則庫。
在算法實現(xiàn)時,因用戶輸入的故障征兆串不可能與二叉診斷樹規(guī)則庫中表述的故障征兆串完全一致,為此,采用編輯距離算法(也稱LD算法)來計算這兩個字串間的相似度。LD算法是指在兩個字串間,通過插入、刪除和替換操作將源字串轉(zhuǎn)換成目標字串所需的最少操作次數(shù),即最短編輯距離,由該距離來計算兩個字串的相似度[8],編輯距離越小,相似度則越大。
故障診斷推理的界面如圖3所示。以基帶分系統(tǒng)出現(xiàn)的“數(shù)傳接收機不能鎖定”故障為例,當(dāng)用戶輸入故障征兆“數(shù)傳接收機無法鎖定”后,點擊“搜索”按鈕,則在“故障征兆匹配列表”欄中顯示5條從知識規(guī)則庫中搜索到的與輸入征兆有相似度的故障征兆列表。
圖3 故障二叉樹的診斷界面Fig.3 Diagnostic UI of fault binary tree
用戶選擇“數(shù)傳接收機不能鎖定”這條相似度最高的征兆后,雙擊征兆欄,推理按鈕“是”和“否”被激活,開始每一步的診斷推理過程。在診斷中,如果系統(tǒng)自動給出的判斷語句需要用戶做肯定確認則單擊“是”按鈕,否則單擊“否”按鈕,推理過程在人機交互中不斷進行,經(jīng)過5步推理后得出診斷結(jié)果:“矩陣與中頻分路單元連接異常”。經(jīng)檢查發(fā)現(xiàn),矩陣與分路單元間的連接電纜松動,重新拔插后故障得到解決。因此,利用二叉樹診斷規(guī)則庫,該診斷推理算法能有效地診斷出設(shè)備的故障問題。
與利用局限性比較大的鏈表結(jié)構(gòu)來存儲故障二叉樹診斷規(guī)則[9]有所不同,采用節(jié)點編碼定位方法來實現(xiàn)數(shù)據(jù)庫表對診斷規(guī)則的存儲,這種模式靈活性大,適用范圍廣,易于采用統(tǒng)一的軟件算法實現(xiàn)診斷推理過程。因此,上述方法可應(yīng)用到測控設(shè)備構(gòu)建的所有故障二叉樹的診斷推理過程中。
把故障樹轉(zhuǎn)換為故障二叉樹后,可借助二叉樹節(jié)點的編碼定位方法實現(xiàn)對故障診斷規(guī)則的數(shù)據(jù)庫存儲功能,可借助二叉樹模型結(jié)構(gòu)統(tǒng)一的特點完成對故障二叉樹的搜索遍歷,實現(xiàn)故障診斷推理過程。分析表明,設(shè)備故障二叉樹的診斷方法比傳統(tǒng)故障樹的診斷方法更為簡單,更易于軟件的實現(xiàn)。在航天測控設(shè)備中的實際應(yīng)用結(jié)果證明了該方法在測控設(shè)備故障診斷中的有效性和可靠性,能準確定位設(shè)備故障,提高設(shè)備故障診斷效率,具有很強的實用價值。
測控設(shè)備結(jié)構(gòu)復(fù)雜,目前能自動采集的設(shè)備狀態(tài)參量還很有限,部分狀態(tài)信息需人工方式獲取,導(dǎo)致該方法在診斷過程中要利用人機交互來完成。因此,如何充分利用故障二叉樹的結(jié)構(gòu)特點實現(xiàn)設(shè)備故障診斷過程自動化,提高設(shè)備故障的智能診斷水平,還需要做更深入的研究。
[1] 孫福安,郭亞坤,戴兵.基于模糊故障樹的基帶設(shè)備故障診斷方法[J].兵工自動化,2013,32(3):76-79.
SUN Fuan,GUO Yakun,DAI Bing.Fault diagnosis method of base band equipment based on fuzzy fault tree[J]. Ordnance Industry Automation,2013,32(3):76-79.(in Chinese)
[2] 鐘飛,劉傳偉,鄧世東,等.基于故障樹的發(fā)射機故障診斷[J].艦船電子工程,2013,33(1):111-112.
ZHONG Fei,LIU Chuanwei,DENG Shidong,et al.Fault diagnosis of transmitter based on fault tree[J].Ship Electronic Engineering,2013,33(1):111-112.(in Chinese)
[3] 嚴蔚敏,吳偉民.數(shù)據(jù)結(jié)構(gòu)(C語言版)[M].北京:清華大學(xué)出版社,2002.
YAN Weimin,WU Weimin.Data structure(C language)[M].Beijing:TsinghuaUniversityPress,2002.(in Chinese)
[4] 李釗,李建軍,董巍巍,等.基于二叉樹的故障診斷信息錄入技術(shù)[J].無線電工程,2012,42(11):55-57.
LI Zhao,LI Jianjun,DONG Weiwei,et al.Recording technology of fault diagnosis information based on bintree[J]. Radio Engineering,2012,42(11):55-77.(in Chinese)
[5] 張金玉,張煒.裝備智能故障診斷與預(yù)測[M].北京:國防工業(yè)出版社,2013.
ZHANG Jinyu,ZHANG Wei.Intelligent fault diagnosis and prognosis for equipment[M].Beijing:National Defense Industry Press,2013.(in Chinese)
[6] 柯銘銘,路平.故障樹在無人機發(fā)射機故障診斷中的應(yīng)用[J].現(xiàn)代電子技術(shù),2011,34(19):18-20.
KE Mingming,LU Ping.Application of FT in fault diagnosis of UAV transmitter[J].Modern Electronics Technique,2011,34(19):18-20.(in Chinese)
[7] 陳鳳友,陳忠一.故障樹分析法在雷達發(fā)射機故障診斷中的應(yīng)用[J].電子機械工程,2013,29(3):61-64.
CHEN Fengyou,CHEN Zhongyi.Application of fault tree analysis to radar transmitter fault diagnosis[J].Electro-Mechanical Engineering,2013,29(3):61-64.(in Chinese)
[8] 姜華,韓安琪,王美佳,等.基于改進編輯距離的字符串相似度求解算法[J].計算機工程,2014,40(1):222-227.
JIANG Hua,HAN Anqi,WANG Meijia,et al.Solution algorithm of string similiarity based on improved levenshtein distance[J].Computer Engineering,2014,40(1):222-227.(in Chinese)
[9] 王學(xué)杰,賀國,陳連樹.基于二叉樹的某型船柴油機控制系統(tǒng)故障診斷專家系統(tǒng)[J].中國船舶研究,2009,4(6):34-37.
WANG Xuejie,HE Guo,CHEN Lianshu.Fault diagnosis expert system for diesel control system on a certain ship based on binary fault tree[J].Chinese Journal of Ship Research,2009,4(6):34-37.(in Chinese)
劉 涌(1968—),男,四川鄰水人,1992年獲工學(xué)學(xué)士學(xué)位,現(xiàn)為高級工程師,主要從事測控軟件研發(fā)工作;
LIU Yong was born in Linshui,Sichuan Province,in 1968.He received the B.S.degree in 1992.He is now a senior engineer.His research concerns TT&C software development.
Email:baqin888@sina.com
李海潮(1975—),男,陜西西安人,1996年獲工學(xué)學(xué)士學(xué)位,現(xiàn)為高級工程師,主要從事飛行器測控工作;
LI Haichao was born in Xi′an,Shaanxi Province,in 1975. He received the B.S.degree in 1996.He is now a senior engineer.His research concerns spacecraft TT&C Technology.
趙 鞭(1976—),男,四川樂山人,2010年獲工學(xué)碩士學(xué)位,現(xiàn)為工程師,主要從事飛行器測控工作。
ZHAO Bian was born in Leshan,Sichuan Province,in 1976.He received the M.S.degree in 2010.He is now an engineer.His research concerns spacecraft TT&C Technology.
A Fault Diagnosis Method for TT&C Equipment
Based on Binary Tree
LIU Yong,LI Haichao,ZHAO Bian
(Xi′an Satellite Control Center,Xi′an 710043,China)
To solve the difficulties in achieving the fault diagnosis rule's store and reasoning algorithm by traditional fault tree,a new fault diagnosis method based on binary tree is proposed.Firstly,a set of fault binary tree for the space Telemetry,Tracking,and Command(TT&C)equipment is directly constructed after analyzing the conversion rule and method for fault tree to binary tree.Secondly,the rule-base for fault diagnosis is set up by the method,in which the node's left and right coding values are used to locate tree's node.Finally,the fault location is realized by the searching algorithm based on tranversing the diagnosis rule-base.The application in TT&C equipment shows that this method can easily establish diagnosis rulebase,accurately locate equipment faults and effectively improve the efficiency of fault diagnosis.
TT&C equipment;fault diagnosis;fault tree;fault bindary tree;diagnosis rule
**通信作者:baqin888@sina.com baqin888@sina.com
TN80;TP182
A
1001-893X(2016)08-0928-06
10.3969/j.issn.1001-893x.2016.08.017
2016-01-29;
2016-04-20
date:2016-01-29;Revised date:2016-04-20
引用格式:劉涌,李海潮,趙鞭.一種基于二叉樹的測控設(shè)備故障診斷方法[J].電訊技術(shù),2016,56(8):928-933.[LIU Yong,LI Haichao,ZHAO Bian.A fault diagnosis method for TT&C equipment based on binary tree[J].Telecommunication Engineering,2016,56(8):928-933.]