蔣 敏 鄒德智 陳 庚 盧其龍

（91913部隊(duì) 大連 116041）

1 引言

隨著科學(xué)技術(shù)的快速發(fā)展，特別是數(shù)字技術(shù)及各種超大規(guī)模集成電路的廣泛應(yīng)用，電子裝備尤其是測(cè)控電子裝備結(jié)構(gòu)越來越復(fù)雜，功能越來越完善，自動(dòng)化程度也越來越高［1］。隨著靶場(chǎng)職能使命的拓展，測(cè)控裝備在試驗(yàn)中發(fā)揮越來越重要的作用。同時(shí)，在裝備使用過程中，發(fā)生故障在所難免，裝備發(fā)生故障后，就會(huì)使裝備的效益受損，同時(shí)也會(huì)產(chǎn)生測(cè)試流程復(fù)雜、測(cè)試時(shí)間長(zhǎng)、維修保障困難、維修費(fèi)用高等諸多問題，嚴(yán)重影響了電子裝備的完好性和壽命周期。如何有效地對(duì)裝備進(jìn)行故障定位分析，及時(shí)高效地排除裝備故障，實(shí)現(xiàn)測(cè)控裝備的科學(xué)化、精細(xì)化管理，為裝備建設(shè)提供優(yōu)質(zhì)高效的決策信息，對(duì)于提高裝備的保障能力具有重要的意義［2］。

2 引起裝備故障的因素

目前，測(cè)控裝備主要有遙測(cè)、雷測(cè)、光測(cè)、通信等電子裝備，主要擔(dān)負(fù)飛行器的飛行軌跡測(cè)量、光學(xué)跟蹤、時(shí)統(tǒng)通信等使命任務(wù)，但是受諸多因素影響，裝備也呈現(xiàn)了不同程度的故障率，嚴(yán)重影響了裝備的效益，甚至?xí)绊懺囼?yàn)任務(wù)的順利完成。一般來說，裝備故障的成因主要有以下幾個(gè)因素。

1）人為操作不當(dāng)引起故障

對(duì)于測(cè)控裝備來說，其操作順序都有嚴(yán)格的要求，不能隨意操作，特別是對(duì)于事關(guān)安全的操作來說，更要慎之又慎。進(jìn)行裝備操作時(shí)，未熟練掌握操作規(guī)程的操作手、錯(cuò)誤的操作、參數(shù)設(shè)定等因素都有是損壞裝備的最直接“殺手”。例如：部分崗位操作手沒有經(jīng)過嚴(yán)格的培訓(xùn)就上崗，或者對(duì)裝備的基本操作規(guī)程不熟悉；沒有進(jìn)行開機(jī)前的通電三檢查；忽視警告標(biāo)志、警告信號(hào)；操作錯(cuò)誤，機(jī)械超速運(yùn)轉(zhuǎn)；沒有檢查電源相序；沒有及時(shí)觀察裝備的天線角度信息導(dǎo)致天線限位等，這些都是由于人為的操作不當(dāng)引起的裝備故障。

2）環(huán)境因素引起的故障

環(huán)境因素主要表現(xiàn)為溫度對(duì)裝備的影響［3］。很多測(cè)控裝備長(zhǎng)期處于溫差變化很大的復(fù)雜環(huán)境，受溫差影響較大，當(dāng)溫度在上、下限溫度循環(huán)時(shí)，電子裝備交替膨脹和收縮，會(huì)使裝備中產(chǎn)生熱應(yīng)力和應(yīng)變。如果某些電子裝備產(chǎn)品內(nèi)部有瞬時(shí)的熱梯度（溫度不均勻性），或產(chǎn)品內(nèi)部鄰接材料的熱膨脹系數(shù)不匹配，則這些熱應(yīng)力和應(yīng)變將會(huì)加劇。這種應(yīng)力和應(yīng)變?cè)谌毕萏幾畲?，它起著?yīng)力集中的作用。這種循環(huán)加載使缺陷長(zhǎng)大。最終可大到能造成結(jié)構(gòu)故障并產(chǎn)生電性能故障。

3）設(shè)計(jì)不合理引起的故障

由于技術(shù)知識(shí)水平所限，經(jīng)驗(yàn)不足，可能沒有采取必要的措施而犯了設(shè)計(jì)考慮不周或疏忽大意的錯(cuò)誤。裝備設(shè)計(jì)不合理包括硬件和軟件兩個(gè)方面。硬件設(shè)計(jì)不合理主要有：強(qiáng)度計(jì)算不準(zhǔn)，材料選用不當(dāng)，裝備外觀不安全，結(jié)構(gòu)不合理，操縱機(jī)構(gòu)不當(dāng)，未設(shè)計(jì)安全裝置等。即使設(shè)計(jì)人員選用的操縱器是正確的，如果在控制板上配置的位置不當(dāng)，也可能使操作工混淆而發(fā)生操作錯(cuò)誤，或增加了操作工的反應(yīng)時(shí)間而忙中出錯(cuò)。軟件設(shè)計(jì)不合理主要有：功能設(shè)計(jì)不完善，存在破壞正常運(yùn)行能力的問題或隱藏的功能缺陷；操作界面布局不合理，易遭受病毒攻擊，風(fēng)險(xiǎn)估計(jì)不足等，這些都有可能導(dǎo)致裝備發(fā)生故障。

4）裝備使用磨損引起的故障

測(cè)控裝備在使用過程中，由于輸進(jìn)能量而運(yùn)轉(zhuǎn)，產(chǎn)生摩擦、振動(dòng)，致使相對(duì)運(yùn)動(dòng)的零部件實(shí)體產(chǎn)生磨損，這種有形磨損即稱為使用磨損［4］。使用磨損結(jié)果的一般表現(xiàn)為，裝備零部件尺寸、幾何外形改變，裝備零部件之間公差配合性質(zhì)改變，導(dǎo)致工作精度和性能下降，甚至零件損壞，引起相關(guān)其他零部件損壞而導(dǎo)致事故。例如，裝備在轉(zhuǎn)場(chǎng)至野外站點(diǎn)便會(huì)由于摩擦、振動(dòng)等因素導(dǎo)致裝備受損；裝備在野外站點(diǎn)或內(nèi)場(chǎng)進(jìn)行調(diào)試時(shí)也會(huì)產(chǎn)生使用磨損。

除以上因素外，測(cè)控裝備壽命期內(nèi)，由于自然氣力的作用或因保管不善而造成的銹蝕、老化、腐朽，自然環(huán)境的變化，維修不專業(yè)等都可能導(dǎo)致故障。

3 兩種常用的故障定位方法

從裝備管理的角度來說，有很多技術(shù)可以實(shí)現(xiàn)對(duì)裝備故障的定位、診斷、分析以及排故，現(xiàn)在主要介紹兩種方法。

1）基于OLE技術(shù)的故障診斷軟件平臺(tái)

目前，很多測(cè)控裝備都有相應(yīng)的軟件平臺(tái)對(duì)其進(jìn)行故障診斷、定位以及分析。基于OLE技術(shù)的故障診斷軟件平臺(tái)的主要機(jī)理：針對(duì)不同型號(hào)的測(cè)控裝備，根據(jù)故障分析理論融合先進(jìn)的虛擬儀器測(cè)試技術(shù)、人工智能分析方法、專家知識(shí)庫(kù)，采用OLE、COM等先進(jìn)的技術(shù)，通過COM接口搭建功能框架，然后在框架內(nèi)根據(jù)需求添加各種功能模塊，從而研發(fā)一套可以進(jìn)行實(shí)時(shí)診斷的故障診斷軟件平臺(tái)［5］。此平臺(tái)可以完成測(cè)控裝備故障電路板型號(hào)統(tǒng)計(jì)和元器件統(tǒng)計(jì)分析、故障趨勢(shì)分析和預(yù)測(cè)試功能，實(shí)現(xiàn)故障診斷測(cè)試、信息分析反饋的融合，達(dá)到對(duì)各類型數(shù)字、模擬及數(shù)模混合電路板進(jìn)行測(cè)試、分析和診斷的目的。這類軟件平臺(tái)各模塊的添加具有相對(duì)的獨(dú)立性，通過主框架程序進(jìn)行數(shù)據(jù)交換，并且可進(jìn)一步改進(jìn)或者添加新的功能模塊。

2）基于故障樹的裝備排故訓(xùn)練方法

故障樹是將抽象的樹形結(jié)構(gòu)以圖形化的方式顯示出來，使用戶可以更直觀地看到排故思路［6］。操作信息則是用戶在拖動(dòng)排故工具到檢測(cè)點(diǎn)時(shí)，系統(tǒng)反饋給用戶的提示。為增強(qiáng)排故模塊的實(shí)用性，采用以單臺(tái)裝備的信息流程圖為基準(zhǔn)，采用頁(yè)面腳本技術(shù)模擬整顆故障樹，實(shí)現(xiàn)了在一系列裝備實(shí)物圖片上通過虛擬儀器工具完成故障檢測(cè)、定位與修復(fù)的功能。仿真過程中，以歷史故障現(xiàn)象作為節(jié)點(diǎn)，以裝備信息流程為主線，映射可能引起故障的相關(guān)節(jié)點(diǎn)，以不同類型的裝備為單位生成一整顆故障樹，故障樹的各級(jí)子節(jié)點(diǎn)包含了各種故障原因分析和檢測(cè)修復(fù)方法。由于故障樹的操作存在大量的人機(jī)交互需求，所以，一般采用頁(yè)面腳本技術(shù)來模擬整顆故障樹，以實(shí)現(xiàn)裝備排故的技術(shù)仿真［7］。

4 一種基于神經(jīng)網(wǎng)絡(luò)的故障定位方法

對(duì)于裝備的狀態(tài)來說，可以將其定義為兩種狀態(tài)：正常狀態(tài)和故障狀態(tài)。在正?；蚬收蠣顟B(tài)下，裝備可以集中體現(xiàn)為一系列測(cè)量信號(hào)特性的集合，如電流變化情況、AGC電壓值等，我們將這些可以測(cè)量的部位稱為測(cè)量點(diǎn)，測(cè)量點(diǎn)測(cè)得的信號(hào)特性為測(cè)量值（測(cè)量點(diǎn)和測(cè)量值一般不止一個(gè)）。當(dāng)裝備處于正常工作狀態(tài)時(shí)，各測(cè)量點(diǎn)的測(cè)量值是一定的；當(dāng)裝備處于某一故障狀態(tài)時(shí)，我們可以測(cè)得一系列測(cè)量點(diǎn)的測(cè)量值，對(duì)于不同的故障點(diǎn)，各測(cè)量值也不盡相同［8］。結(jié)合以往裝備的故障特點(diǎn)，假設(shè)裝備的測(cè)量點(diǎn)有n個(gè)，經(jīng)過對(duì)以往故障樣本進(jìn)行統(tǒng)計(jì)分析，當(dāng)裝備共發(fā)生過m起故障時(shí)，即裝備共有m個(gè)故障點(diǎn)，我們可以定義如下矩陣Fm×n，用來描述不同的故障點(diǎn)，如式（1）所示：

其中，aij(i=1,2,…m,j=1,2,…n)表示裝備第i個(gè)故障點(diǎn)第 j個(gè)測(cè)量值。

裝備在不同故障點(diǎn)的n個(gè)測(cè)量值是裝備發(fā)生故障的客觀反映，故障定位的實(shí)質(zhì)是多屬性決策問題，是一個(gè)“黑箱”或者說是“灰箱”問題，之所以不能明確地分配各屬性之間的權(quán)重，是因?yàn)椴荒苊鞔_地描述它們之間的關(guān)系，更無(wú)法用定量關(guān)系式來表達(dá)它們之間的權(quán)重。所能提供的只是某個(gè)故障點(diǎn)的測(cè)量值（根據(jù)已知測(cè)量數(shù)據(jù)獲得訓(xùn)練樣本）。如果僅根據(jù)這些訓(xùn)練樣本就能對(duì)故障進(jìn)行定位，就可以把故障定位時(shí)的不確定因素降到最低，這正是所需要的，也正是神經(jīng)網(wǎng)絡(luò)可以做到的，因此可以用神經(jīng)網(wǎng)絡(luò)方法建立數(shù)學(xué)模型［9］。

基于以上分析，我們可以構(gòu)建故障矩陣，用單位矩陣表示，如式（2）所示：

其中，矩陣Rm×m的第 j列表示裝備處于第 j個(gè)故障點(diǎn)（j=1,2,…m）。

需要說明的是，用單位矩陣表示裝備處于哪一故障，是神經(jīng)網(wǎng)絡(luò)建模的常用方法，例如，對(duì)于矩陣Rm×m來說，第 j列的第 j個(gè)數(shù)用“1”表示，其他數(shù)值用“0”表示，其意義為裝備處于第 j個(gè)故障，而不屬于其他故障。其實(shí)這一概念是所謂有競(jìng)爭(zhēng)的學(xué)習(xí)，設(shè)想這樣一種輸出模式［10］：對(duì)應(yīng)任何一組輸入，所有輸出單元中，只允許有一個(gè)處于激發(fā)態(tài)，即取值為1，其它輸出單元均被抑制，即取值為0。一種形象的說法是，對(duì)應(yīng)任何一組輸入，要求所有的輸出單元彼此競(jìng)爭(zhēng)，唯一的勝利者贏得一切，失敗者一無(wú)所獲，形成這樣一種輸出機(jī)制的網(wǎng)絡(luò)學(xué)習(xí)過程，稱為有競(jìng)爭(zhēng)的學(xué)習(xí)。建立有競(jìng)爭(zhēng)的網(wǎng)絡(luò)學(xué)習(xí)方法，由此產(chǎn)生的網(wǎng)絡(luò)可用來將一組輸入樣品自動(dòng)劃分類別，相似的樣品歸于同一類別，因而激發(fā)同一輸出單元，這一分類方式，是網(wǎng)絡(luò)自身通過學(xué)習(xí)，從輸入數(shù)據(jù)的關(guān)系中得出的。

根據(jù)以上分析，我們可以按照如下步驟建立基于神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型［11］。

1）選取訓(xùn)練樣本。樣本是以往歷史數(shù)據(jù)的集合，它直接關(guān)系到計(jì)算結(jié)果的可信度問題，可以對(duì)其進(jìn)行合理的取舍，為了使計(jì)算的結(jié)果符合實(shí)際，文章以各故障點(diǎn)的一系列測(cè)量值Fm×n為神經(jīng)網(wǎng)絡(luò)輸入值，以構(gòu)建的單位矩陣Rm×m作為輸出值。

2）歸一化訓(xùn)練樣本

在神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前，為使得各訓(xùn)練樣本度量單位統(tǒng)一，首先應(yīng)對(duì)原始樣本做歸一化處理，各指標(biāo)在［0，1］間取值。

3）定義網(wǎng)絡(luò)誤差和最大訓(xùn)練次數(shù)

在訓(xùn)練的過程中，必須度量網(wǎng)絡(luò)收斂到期望值的程度即為網(wǎng)絡(luò)誤差。對(duì)于給定的訓(xùn)練樣本集合來說，期望值是已知的。當(dāng)網(wǎng)絡(luò)誤差小于事先給定值時(shí)，神經(jīng)網(wǎng)絡(luò)滿足精度要求，此時(shí)神經(jīng)網(wǎng)絡(luò)具備了識(shí)別能力。

最大訓(xùn)練次數(shù)的選取應(yīng)該根據(jù)訓(xùn)練誤差的收斂情況進(jìn)行合理取值，取值過大，收斂速度慢，取值過小，則有可能達(dá)不到網(wǎng)絡(luò)允許的誤差要求。因此，需要在樣本訓(xùn)練過程中實(shí)時(shí)進(jìn)行調(diào)整。

4）進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練

編寫神經(jīng)網(wǎng)絡(luò)應(yīng)用程序，利用反向傳播算法進(jìn)行訓(xùn)練，反向傳播算法的基本思想是調(diào)整權(quán)值使網(wǎng)絡(luò)誤差最小，也稱梯度下降法［12］。為驗(yàn)證建立的神經(jīng)網(wǎng)絡(luò)模型的精確性，可以重新將樣本數(shù)據(jù)Fm×n作為模型的輸入，然后求得其輸出值，與構(gòu)建的單位矩陣Rm×m進(jìn)行匹配，對(duì)其進(jìn)行方差分析。

通過有競(jìng)爭(zhēng)的學(xué)習(xí)，建立神經(jīng)網(wǎng)絡(luò)模型后，我們最終的目的是通過對(duì)以往的測(cè)量值（樣本數(shù)據(jù)）進(jìn)行分析，找出他們之間內(nèi)在關(guān)系，當(dāng)裝備發(fā)生故障時(shí)，獲取測(cè)量點(diǎn)的信號(hào)特性，得到一系列測(cè)量值作為神經(jīng)網(wǎng)絡(luò)模型的輸入，得到輸出結(jié)果，對(duì)其進(jìn)行判斷分析，找到裝備的故障點(diǎn)，從而可以達(dá)到故障定位的目的［13］。

5 結(jié)語(yǔ)

文章根據(jù)測(cè)控裝備故障特點(diǎn)，提出了一種基于有競(jìng)爭(zhēng)的學(xué)習(xí)方式的神經(jīng)網(wǎng)絡(luò)建模方法，此模型考慮了收斂速度、擬合效果等多種因素。這種方法比較適用于故障樣本數(shù)量比較多的情況，此方法具有定位速度快、效率高的特點(diǎn)，同時(shí)較好地解決了在裝備定位過程中可控因素與不可控因素之間的關(guān)聯(lián)，對(duì)于提高裝備故障管理水平、提高裝備的保障能力具有重要的意義。