喻甲其，劉 坤，韓 娟

（航空工業(yè)成都飛機工業(yè)（集團）有限責(zé)任公司，四川成都 610092）

0 引言

航空火控系統(tǒng)具有較高的綜合水平、復(fù)雜的構(gòu)成和較高的成本，是航空戰(zhàn)斗力的關(guān)鍵和基礎(chǔ)，系統(tǒng)的可靠性對飛機的使用及作戰(zhàn)性能產(chǎn)生直接影響。根據(jù)航空設(shè)備的維護標準及技術(shù)要求，應(yīng)對工作狀態(tài)及性能開展實時檢查，保證火控系統(tǒng)具有較好的狀態(tài)。傳統(tǒng)的檢測方式是技術(shù)人員將所需檢測的部件拆除，送至檢修廠進行檢查。該方式存的不足是具有較高的勞動強度和較長的時間周期，主要依靠技術(shù)人員的經(jīng)驗和技術(shù)，缺乏較高的準確性，檢測結(jié)果無法呈現(xiàn)系統(tǒng)所有的工作狀態(tài)。因此，以人工智能技術(shù)為基礎(chǔ)的航空火控系統(tǒng)故障檢測設(shè)備隨即產(chǎn)生，針對該設(shè)備進行詳細分析，以期增強系統(tǒng)運行的可靠性。

1 故障診斷技術(shù)研究現(xiàn)狀

以人工智能技術(shù)為基礎(chǔ)的航空火控系統(tǒng)故障檢測技術(shù)近幾年才得以產(chǎn)生和發(fā)展，這一技術(shù)得以發(fā)展的原因是設(shè)備的復(fù)雜性和技術(shù)水平的提升，采用傳統(tǒng)的維修技術(shù)已無法滿足現(xiàn)代設(shè)備的維護要求。近年來，隨著新型傳感器的產(chǎn)生，人工智能技術(shù)取得了較快的發(fā)展，極大推動了故障診斷技術(shù)的發(fā)展?？梢哉f，故障診斷技術(shù)是多學(xué)科融合發(fā)展的成果。就故障診斷技術(shù)發(fā)展的整體水平而言，美國所擁有的技術(shù)最為先進。美國多個部門投入較多的資金研究故障診斷技術(shù)，設(shè)計出了多套高效可靠的故障診斷系統(tǒng)，如F-36 JSF 系統(tǒng)等，這些系統(tǒng)不僅可以有效監(jiān)測設(shè)備的運行狀態(tài)，而且可以診斷出設(shè)備運行中的故障。目前，該技術(shù)在各個領(lǐng)域取得了廣泛運用。

我國對于故障診斷技術(shù)的研究起步較晚，但隨著國內(nèi)學(xué)者的不懈努力，故障診斷技術(shù)已經(jīng)取得較快的發(fā)展。王成剛等人通過開展研究提出了一種以多值測試為故障診斷測試法，以此代替?zhèn)鹘y(tǒng)的測試法，避免了信息的丟失。還有一些專家指出通過運用多信號流圖的模型來監(jiān)測一些復(fù)雜的電子系統(tǒng)，可以在產(chǎn)品設(shè)計初期對各個測試數(shù)據(jù)進行迅速準確的判斷，基本實現(xiàn)了系統(tǒng)的檢測需求。目前，我國針對故障診斷技術(shù)所進行的研究大多集中在高校，在各專家的持續(xù)努力中也提出了一些實用性較強的故障診斷方案，但在武器火控系統(tǒng)領(lǐng)域尚未建立起完善的故障診斷方法，也不具備完善的診斷系統(tǒng)，與發(fā)達國家之間存在一定的差距。目前所采取的故障診斷技術(shù)主要分為三種。

1.1 以解析模型為基礎(chǔ)的方法

這種方法主要是通過對系統(tǒng)的行為及以模型為基礎(chǔ)的預(yù)期行為之間的差別進行對比分析來實施故障診斷，該方法首先要創(chuàng)建起系統(tǒng)的數(shù)字模型，再依據(jù)模型對系統(tǒng)的輸入進行計算及分析，以取得系統(tǒng)的輸出，再和實際輸出值進行對比，得到殘差并進行處理，從而明確系統(tǒng)是否出現(xiàn)故障以及故障類型。該方法主要有參數(shù)估計法、狀態(tài)預(yù)估法等。

使用該方法創(chuàng)建系統(tǒng)化數(shù)學(xué)模型時，一般還需具備足夠的傳感器信息，因此從理論上講，通過運用該方法可以對已具備模型的系統(tǒng)故障進行準確的診斷。但對于目前已經(jīng)創(chuàng)建了系統(tǒng)的相關(guān)模型，必須充分掌握系統(tǒng)的內(nèi)部構(gòu)造及聯(lián)系，實際上大多數(shù)復(fù)雜系統(tǒng)都難以創(chuàng)建起有效的數(shù)學(xué)模型，因此，該方法很少應(yīng)用到實際系統(tǒng)中。

1.2 以知識為基礎(chǔ)的方法

隨著網(wǎng)絡(luò)技術(shù)及人工智能的快速發(fā)展，這種基于知識的故障診斷法得以產(chǎn)生。該方法充分融合了人工智能技術(shù)，基于規(guī)則及知識開展與人類思維相關(guān)的推理，最終找出可能發(fā)生的故障，再經(jīng)過用戶進行驗證，主要包含故障樹診斷、神經(jīng)網(wǎng)絡(luò)等方法。

采用這種方法不需要針對診斷對象創(chuàng)建精確的模型，廣泛應(yīng)用于復(fù)雜及非線性化的系統(tǒng)，但其中存在的不足就在于知識的獲取，而且也不具備較強的實時性及適應(yīng)性。近年來，該方法取得了飛速的發(fā)展，大部分新方法被逐漸應(yīng)用到系統(tǒng)故障診斷中，但這種方法缺少完善的系統(tǒng)理論框架，還需進一步研究。

1.3 以分析信號為基礎(chǔ)的方法

該方法指利用信號頻譜分析、小波變換等手段提取信號的幅值、頻率等特征，進而對這些特征進行分析以找出故障，其中主要包含主元分析、小波變換等方法。

采取這種方法不需要創(chuàng)建系統(tǒng)化數(shù)學(xué)模型，具有較強的簡便性和實時性。該方法大多應(yīng)用于故障檢測工作，但在故障的辨識及定位方面存在較大的不足，因此單獨采用該方法無法取得較好的效果，通常都要與其他方法結(jié)合起來使用，以提升故障診斷的準確性。

2 故障診斷常用方法

2.1 專家系統(tǒng)

是一種借助計算機技術(shù)來模擬人的行為并以此解決問題的系統(tǒng)。專家系統(tǒng)故障診斷法指的是計算機系統(tǒng)利用人類專家處理問題的經(jīng)驗匯總成知識，再依據(jù)所采集到的信息來模擬人類處理問題的方法開展相應(yīng)的推理計算，最終判明故障原因。

在飛機火控系統(tǒng)開展故障診斷的過程中，專家系統(tǒng)得到了深入的應(yīng)用，但采用這種方法極易受到專家知識庫的影響，如果不具備全面、正確的專家知識，將會極大降低故障診斷的準確度，而且該系統(tǒng)在實際應(yīng)用的過程中，取得專家知識是一個最大的難點。

2.2 故障樹分析法

這種方法指的是通過對對象進行診斷來建立相關(guān)的模型，之后將系統(tǒng)產(chǎn)生的故障作為頂節(jié)點，故障現(xiàn)象屬于中間節(jié)點，然后根據(jù)故障信息的類型實施分解，直至得到以故障源作為葉子節(jié)點的診斷方法。故障樹的結(jié)構(gòu)見圖1。

故障樹依據(jù)系統(tǒng)出現(xiàn)故障時所形成的各種故障問題，持續(xù)向下進行細分，最后得到了處于葉子節(jié)點的故障源。當具備全面及精確的故障樹模型的時候，故障樹分析法取得了較好的診斷效果，但是通常情況下，對于一些系統(tǒng)過于復(fù)雜的故障樹，其具備較強的繁瑣性，很難創(chuàng)建起完善的故障樹模型，從而在某種程度上極大約束了這一方法的運用。

圖1 故障樹結(jié)構(gòu)

2.3 神經(jīng)網(wǎng)絡(luò)

在故障診斷的過程中，神經(jīng)網(wǎng)絡(luò)主要作為一種分類器來識別出系統(tǒng)的故障，也可以與其他方法相結(jié)合形成組合型的故障診斷法。該方法首先要針對現(xiàn)存的故障樣本開展學(xué)習(xí)，之后再針對故障樣本獲取相應(yīng)的特征，最后再經(jīng)過已結(jié)束訓(xùn)練的神經(jīng)網(wǎng)絡(luò)實施故障樣本分裂，最終取得相應(yīng)的結(jié)果。

神經(jīng)網(wǎng)絡(luò)有著較強的適應(yīng)能力，當具備充足及有效的樣本時，可以較好地解決復(fù)雜的分類問題，但這也是存在于神經(jīng)網(wǎng)絡(luò)的最大缺點，由于無法取得較多的訓(xùn)練樣本，而且這種方法常常會出現(xiàn)局部最優(yōu)，無法實現(xiàn)整體優(yōu)化。

2.4 多信號流圖的模型

該模型所針對被監(jiān)測對象的構(gòu)成板塊、測試及被監(jiān)測對象之間存在的特征進行分析，并基于此采取有向性方法對其進行表示，再依據(jù)系統(tǒng)中信號的檢測結(jié)果對故障實施診斷。該模型同時融入了以解析和以信號的兩種診斷方式，在復(fù)雜系統(tǒng)中有著較廣泛的運用。

3 航空火控系統(tǒng)故障檢測裝置功能板塊

航空火控系統(tǒng)故障檢測裝置構(gòu)成單元主要有主控處理單元、數(shù)據(jù)收集分析處理單元、接口轉(zhuǎn)換單元等。

3.1 主控處理單元

故障診斷設(shè)置選擇S3C2440A 來作為嵌入式控制器，它是某半導(dǎo)體企業(yè)推出的一種微處理器，其內(nèi)核是ARM920T。S3C2440A 的構(gòu)成主要有16/32 位的RISC 體系構(gòu)造與相應(yīng)的指令集，其MMU（Memory Management Unit，內(nèi)存管理單元）適用于WinCE，EPOC 32 和Linux。

3.2 數(shù)據(jù)收集分析處理板塊

故障檢測設(shè)置主要是利用USB 模塊來收集數(shù)據(jù)，其應(yīng)用于現(xiàn)階段的Unix 等多個類型的操作系統(tǒng)及相應(yīng)的軟件環(huán)境。該板塊所具有以下功能：

（1）USB 數(shù)據(jù)采集板塊安裝了一個自動化通道/程控增益的掃描電路，該電路主要對采樣過程中的多路選通器進行控制，具備較高的效率。

（2）模擬輸入：單端和差分分別有48 和24 路。

（3）擁有4 路模擬輸出，其中可選擇的模式主要有電流及電壓兩種。

（4）提供可靠的編程計數(shù)器，其中主要包含了3 個16 位計數(shù)器。

（5）輸入及輸出分別為16 路。

（6）在對開機進行模擬后，可以利用跳線設(shè)置相關(guān)的輸出值，該數(shù)值應(yīng)保持量程值的1/2 或者最小值。用戶可以先后對這四個通道的輸出設(shè)定相對應(yīng)的范圍，分別為：0～5 V，0～10 V，+5 V，+10 V，0～20 mA。

（7）當系統(tǒng)開啟熱啟動時，USB 數(shù)據(jù)收集板塊可以維持上個循環(huán)的數(shù)字量輸出設(shè)置。

（8）模擬輸出：擁有4 路通道，12 位分辨率，其輸出范疇為0～5 V，0～10 V，-5～+5 V，-10～+10 V，0～20 mA。

（9）計數(shù)器：擁有3 路通道數(shù)，16 位分辨率，技術(shù)范疇≤65535，采取減數(shù)計算器和頻率測量法，電平形式為TTL 電平。

（10）數(shù)字量輸入/輸出：輸入及輸出通道均為16 路，電平形式則采取TTL 電平。

（11）供電電壓9～40 V。

3.3 位置角量信號形成板塊

該板塊主要為系統(tǒng)提供多渠道的位置模擬角量，其構(gòu)成部分主要有功率適配線路、電阻網(wǎng)絡(luò)等，該板塊形成的位置角量信號主要用于對姿態(tài)傳感器的角量進行模擬，并利用故障檢測設(shè)備進行輸出，并將結(jié)果呈現(xiàn)在便攜式終端上，進而對轉(zhuǎn)換控制板所具有的精準度及功能進行有效檢測。

3.4 通信測試板塊

該板塊主要對火控系統(tǒng)內(nèi)部各單體之間的通信指令進行模擬，以檢測火控系統(tǒng)內(nèi)部的CAN 接口，對其中存在的各CAN 節(jié)點所傳輸?shù)臋z測報文進行模擬，并接收各個檢測單體所反饋出的信息，通過對比分析，明確火控系統(tǒng)各CAN 節(jié)點是否具備完善的通信功能。

3.5 接口轉(zhuǎn)換板塊

該板塊主要是將檢測設(shè)備中各功能模塊的數(shù)據(jù)接口轉(zhuǎn)變?yōu)橄嚓P(guān)的USB 接口。

3.6 電源處理板塊

該板塊主要包含DC/DC 電源板塊及各相關(guān)處理電路，其功能是將內(nèi)部供電轉(zhuǎn)變?yōu)闄z測裝置中各板塊所需的工作電源。

4 航空火控系統(tǒng)故障檢測裝置組成設(shè)備

由于航空火控系統(tǒng)故障檢測裝置運用了串行的工作形式，無法提升運行速率及裝置隨時運行的要求。隨著系統(tǒng)控制質(zhì)量要求的不斷提升，人工智能專家系統(tǒng)中設(shè)置的規(guī)則庫持續(xù)擴大，沖突越來越顯著。因此，該故障檢測裝置通過運用神經(jīng)網(wǎng)絡(luò)及專家系統(tǒng)相互結(jié)合的形式，充分發(fā)揮神經(jīng)網(wǎng)絡(luò)的功能，即并行處理大批化的輸入信息、分布式儲存等優(yōu)點，以確保航空火控系統(tǒng)得到迅速、精確地檢測，提升被檢戰(zhàn)機的反應(yīng)水平。裝置原理見圖2。

圖2 航空火控系統(tǒng)故障檢測裝置工作原理

4.1 通用適配器

由于火控系統(tǒng)存在大量的接口種類，故障檢測設(shè)備必須與該系統(tǒng)形成較好的信號交錯；輸入及輸出信號實施阻抗匹配轉(zhuǎn)換；信號持續(xù)衰退、電平轉(zhuǎn)換等需要借助通用的適配器實現(xiàn)。適配器的輸入輸出端采用標準的接口元件及同軸電纜，使適配器具備較高的性能。此外，適配器內(nèi)部通過較好的措施進行隔離，使電磁具備較好的兼容性。

4.2 數(shù)據(jù)庫

數(shù)據(jù)庫的功能是儲存與故障檢測相關(guān)的數(shù)據(jù)信息，主要包含靜態(tài)與動態(tài)兩種數(shù)據(jù)。其構(gòu)造應(yīng)有助于系統(tǒng)的處理及推理，在管理軟件的背景下，數(shù)據(jù)庫的作用是接收及儲備火控系統(tǒng)的各個信息，并由此推理出相應(yīng)的結(jié)論結(jié)果，并將其作為一種裝置來開展故障檢測工作。由于數(shù)據(jù)庫不僅可以儲存大量的信息，而且也有助于查找，應(yīng)盡可能降低數(shù)據(jù)庫的規(guī)模，因此設(shè)計數(shù)據(jù)庫時必須采取有助于查找及升級信息的措施。

4.3 知識庫

知識庫中儲存了大量與故障診斷相關(guān)的專家經(jīng)驗及知識，其中經(jīng)驗是指該領(lǐng)域?qū)＜以陂L期工作中積累的經(jīng)驗；理論知識主要從相關(guān)描述及研究火控系統(tǒng)方面的書中獲取。設(shè)計知識庫時應(yīng)依據(jù)以上經(jīng)驗及知識，將其轉(zhuǎn)換為控制規(guī)則及參數(shù)調(diào)整規(guī)則，并儲存在知識庫內(nèi)部。

4.4 規(guī)則庫和推理機

4.4.1 推理機

該裝置指的是在專家系統(tǒng)中完成的基于知識推理的元件，是系統(tǒng)中存在的某個控制程序，在控制策略下基于中間數(shù)據(jù)庫內(nèi)的信息來收集及選擇知識庫內(nèi)對處理問題有用的知識，并將其運用到診斷推理中。推理機是依據(jù)檢測裝置當前的運行及之前的故障信息，即數(shù)據(jù)庫內(nèi)的信息，在規(guī)則庫內(nèi)檢索控制手段及參數(shù)調(diào)整的方法。推理機所有的輸入及輸出都基于事實進行，但輸出則是輸入事實處于推理機的控制下，依靠規(guī)則推測的事實。為了使檢測設(shè)備具備較好的推理技術(shù)及實現(xiàn)實時推算，推理機的結(jié)構(gòu)采取了確定性與概率性兩種推理機制，對各個形式的事實規(guī)則及各類事件之間的因果關(guān)系展開推理，通過將正向及反向推理及規(guī)則評價推理進行較好的結(jié)合，以增強裝置的置信度。

首先，系統(tǒng)選擇故障征兆為關(guān)鍵詞，在規(guī)則庫中通過運用匹配原則取得與此征兆相對應(yīng)的行為分支，在故障樹中所存在的各種行為有著不同的分支，當用戶明確行為之后，系統(tǒng)再將行為與事實進行合并，并以此為關(guān)鍵詞進行搜索，得到一個全新的事實，至此完成了一個推理周期，等待用戶明確全新的行為分支。當規(guī)則庫內(nèi)不再存在行為分支時，表示完成推理，這就是故障點。

由于神經(jīng)網(wǎng)絡(luò)面對的各個征兆都來自于相同的故障輸出，但是輸入方式并不唯一，因此就必須依據(jù)數(shù)據(jù)開展正向推理。

推理步驟：①將網(wǎng)絡(luò)的結(jié)構(gòu)知識、火控系統(tǒng)的故障知識及權(quán)值矩陣從知識庫中調(diào)出；②借助導(dǎo)入規(guī)則轉(zhuǎn)換已收集到的故障征兆模式，使其成為神經(jīng)網(wǎng)絡(luò)的輸入；③對隱含層的神經(jīng)元輸出進行計算；④對網(wǎng)絡(luò)開展前向計算，取得輸出層的神經(jīng)元輸出；⑤依據(jù)規(guī)則對神經(jīng)元的輸出進行檢驗，明確結(jié)果。

4.4.2 規(guī)則庫

規(guī)則庫是依據(jù)專家知識庫內(nèi)的知識來獲取控制的作用及策略，它主要體現(xiàn)在控制知識，并基于數(shù)據(jù)庫所提供的故障信息來采取有效的控制策略及參數(shù)調(diào)整措施。

4.5 專家系統(tǒng)訓(xùn)練樣本

選擇專家系統(tǒng)所開展檢測及控制工作的結(jié)果作為訓(xùn)練樣本，對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，完成訓(xùn)練后將其運用到故障診斷系統(tǒng)中。

4.6 故障樹-規(guī)則轉(zhuǎn)換單元

該單元指的是某個圖形轉(zhuǎn)化為Access 格式的數(shù)據(jù)庫的板塊，通過這個單元可以將手工創(chuàng)建規(guī)則庫的過程轉(zhuǎn)變?yōu)楣收蠘涞脑O(shè)計過程。首先將故障樹的樹形圖轉(zhuǎn)變?yōu)樵嫉膶傩员?，再將該表轉(zhuǎn)變?yōu)橐?guī)則表[4]。

5 神經(jīng)網(wǎng)絡(luò)的特征及構(gòu)造

神經(jīng)網(wǎng)絡(luò)因其可以有效處理復(fù)雜的多模式，且具備較強的想象、推理及記憶功能，已廣泛運用于慢變的復(fù)雜系統(tǒng)或者不存在模型的故障檢測工作中。神經(jīng)網(wǎng)絡(luò)的構(gòu)成包含了多個神經(jīng)元，而神經(jīng)元則采取簡單的方式對信息實施處理，當神經(jīng)元輸入超出某個閾值時，它就可以被激活。神經(jīng)元根據(jù)層級排列，輸入信息則利用網(wǎng)絡(luò)進行傳播。每個神經(jīng)元所具有的傳播函數(shù)均對神經(jīng)網(wǎng)絡(luò)的非線性產(chǎn)生直接影響。在訓(xùn)練過程中，通過調(diào)整網(wǎng)絡(luò)權(quán)值，促使網(wǎng)絡(luò)輸出可以借助最佳形式接近預(yù)期值。目前，應(yīng)用最廣泛的是具備一個隱層的BP 網(wǎng)絡(luò)，在訓(xùn)練信息不完善的條件下，可以對故障進行準確的分類及識別。由于神經(jīng)網(wǎng)絡(luò)在該裝置中主要用于故障檢測，因此，可以將故障的測量值或故障樹當做相應(yīng)的樣本，以完成網(wǎng)絡(luò)的訓(xùn)練。

在航空火控系統(tǒng)故障檢測中，為了使神經(jīng)網(wǎng)絡(luò)更加接近專家檢測的結(jié)果，且具備較強的記憶及容錯能力，神經(jīng)網(wǎng)絡(luò)需要設(shè)計為3 層BP 網(wǎng)絡(luò)，分別為輸入層、輸出層和隱含層。依據(jù)專家系統(tǒng)的設(shè)計原理，BP 網(wǎng)絡(luò)的輸入則表現(xiàn)為導(dǎo)彈指揮儀所有工作狀態(tài)下的原始參數(shù)和平顯狀態(tài)下工作畫面的原始參數(shù)。隱含層則選擇40 個節(jié)點，這是依據(jù)選擇的樣本點及測控的質(zhì)量要求選擇的。輸出層則包含了相應(yīng)的結(jié)果。

6 BP 網(wǎng)絡(luò)模型及算法

目前，BP 網(wǎng)絡(luò)是應(yīng)用最普遍的一種神經(jīng)元網(wǎng)絡(luò)，主要包含三點內(nèi)容：第一，模式鑒別分類，主要對文字、語言等進行有效識別和故障診斷等；第二，函數(shù)逼近，主要針對非線性控制建立模型；第三，數(shù)據(jù)壓縮，其功能是實現(xiàn)通信過程中的編碼壓縮及恢復(fù)，圖像信息的壓縮、儲存及其特征的抽取等。對于一個具備T個訓(xùn)練樣本的問題、K 個輸入、J 個輸出及H 個隱藏神經(jīng)元的網(wǎng)絡(luò)構(gòu)造，其相關(guān)的數(shù)據(jù)模型為：

式中：Tij表示第i 個目標矢量的第j 個分量，Oij表示第i 個輸出矢量的第j 個分量。

從實質(zhì)上講，BP 算法作為一種梯度降低靜態(tài)尋優(yōu)的算法，在對權(quán)值進行修正時，僅依據(jù)時刻所具有的負梯度方向來修正，并對以往的經(jīng)驗加以考慮，從而導(dǎo)致學(xué)習(xí)階段產(chǎn)生了一定的震蕩，且收斂過于緩慢。為有效處理以上問題，人們通過研究提出了相應(yīng)的模型：

式中：η 和α 分別表示搜索步長和動量項因子。

7 結(jié)束語

本文所設(shè)計的檢測系統(tǒng)經(jīng)過長期使用后，驗證了其具備較強的穩(wěn)定性，操作簡單且維護方便，不僅可以滿足某型飛機火控系統(tǒng)的故障檢測需求，而且稍加改善就可以滿足其他型號火控系統(tǒng)的故障檢測需求，該設(shè)備的運用提升了部隊的反應(yīng)水平，深受好評。本文針對該故障診斷系統(tǒng)進行深入研究，以推動該系統(tǒng)的穩(wěn)定運行。