郭文彬， 劉 東， 王宇健

航空工業(yè)沈陽飛機設(shè)計研究所,遼寧 沈陽 110035)

飛機集成了各類功能設(shè)備以滿足不同任務(wù)需求，其組成系統(tǒng)十分復雜，且系統(tǒng)間交聯(lián)程度高，因而會產(chǎn)生交聯(lián)故障難以診斷，且對其隔離存在困難，進而會延長飛機排故時間，影響飛機正常使用。因此，保障任務(wù)完好率需要重點提高飛機復雜系統(tǒng)的交聯(lián)故障診斷能力。

目前，飛機系統(tǒng)普遍采用基于測試性模型的故障診斷方法[1]，該方法基于故障傳遞關(guān)系，通過描述測試點與故障的相關(guān)性矩陣，可以診斷飛機系統(tǒng)是否存在故障，且將故障隔離到LRU級別，有利于維修時快速故障定位，在一定程度上節(jié)省了機務(wù)準備時間與保障資源。但由于可靠性、經(jīng)濟性等因素的限制，無法在每一個設(shè)備中都設(shè)置測試點，因此無法做到將故障完全檢測與隔離。而且，由于飛機系統(tǒng)功能交聯(lián)情況復雜，某一分系統(tǒng)中的設(shè)備發(fā)生故障可能由另一分系統(tǒng)內(nèi)部故障造成，需整合多個分系統(tǒng)測試性模型進行故障診斷，集成時接口定義困難，可能導致模型建立不準確。為準確找到故障源，需對交聯(lián)故障的故障傳遞路徑中的每部分進行狀態(tài)確認，排除正常狀態(tài)的設(shè)備。鑒于測試性模型只能對一部分設(shè)備進行狀態(tài)監(jiān)測，在不增加測試點的前提下，需對現(xiàn)有飛機健康狀態(tài)數(shù)據(jù)進行合理利用，建立故障診斷模型，在數(shù)據(jù)層面表征系統(tǒng)健康/故障狀態(tài)，即基于數(shù)據(jù)驅(qū)動的故障診斷方法[2]?；跀?shù)據(jù)驅(qū)動的故障診斷方法摒棄了傳統(tǒng)方法中飛機健康狀態(tài)數(shù)據(jù)僅用于狀態(tài)監(jiān)測、故障判讀等分系統(tǒng)內(nèi)設(shè)備級故障診斷，而是有機結(jié)合用于表征飛機功能交聯(lián)故障中測試性模型無法診斷的故障部分，實現(xiàn)系統(tǒng)可診斷交聯(lián)故障數(shù)量的提升；飛機結(jié)構(gòu)、系統(tǒng)復雜，難以使用普通的模型完整表達系統(tǒng)關(guān)系，基于數(shù)據(jù)驅(qū)動的方法不依賴于建立精準的模型，僅根據(jù)數(shù)據(jù)的情況即可表征系統(tǒng)狀態(tài)，實現(xiàn)對系統(tǒng)關(guān)系的精準把控，且可以根據(jù)數(shù)據(jù)量的增多而不斷更新，使模型更加準確。

測試性模型診斷信息、數(shù)據(jù)驅(qū)動診斷信息等信息中存在多種異構(gòu)信息，以不同角度表征系統(tǒng)狀態(tài)，各有優(yōu)劣，能診斷的故障種類也不盡相同。二者的SWOT分析[3]如圖1所示，基于模型與數(shù)據(jù)驅(qū)動既能相互促進，也能相互干擾。若可以將其中的冗余信息剔除，對互補信息保留加以利用，可進一步增加診斷準確性。因此，在基于數(shù)據(jù)驅(qū)動的故障診斷方法基礎(chǔ)上提出一種將測試性模型與數(shù)據(jù)驅(qū)動方法有機結(jié)合的故障診斷方法，其融合總體過程如圖2所示。

圖1 基于模型與數(shù)據(jù)驅(qū)動優(yōu)劣分析(SWOT)

圖2 信息融合總體過程

混合增強故障診斷方法能將多種故障診斷信息合理利用，實現(xiàn)交聯(lián)故障診斷能力提升。國內(nèi)外研究人員已將人工神經(jīng)網(wǎng)絡(luò)、支持向量機、專家系統(tǒng)等方法廣泛應(yīng)用于飛機系統(tǒng)、飛機發(fā)動機故障診斷中，并采用D-S證據(jù)理論、貝葉斯理論等方法進行融合診斷以提升診斷能力，取得了良好的效果，但尚未有針對測試性模型診斷信息融合方面的研究。本文提出了飛機系統(tǒng)功能交聯(lián)條件下混合增強故障診斷方法，依托現(xiàn)有智能診斷方法理論進行研究，依據(jù)分析梳理出的交聯(lián)故障特性和診斷方法的診斷能力設(shè)計了相應(yīng)診斷策略，并使用作戰(zhàn)飛機實際飛行數(shù)據(jù)進行驗證。所提出的飛機系統(tǒng)功能交聯(lián)條件下混合增強故障診斷方法將在現(xiàn)有指標基礎(chǔ)上進一步提升故障檢測率、隔離率，降低虛警率，為后續(xù)支持維修決策、再次出動準備等活動提供可靠的決策依據(jù)，具有重要的軍事和經(jīng)濟價值。

1 混合增強故障診斷方法

1.1 基于測試性模型的故障診斷方法

1.1.1 測試性模型

目前，飛機分系統(tǒng)中的故障診斷方法為基于測試性模型的方法。該方法主要通過描述故障與測試點間的相關(guān)性關(guān)系，根據(jù)模型中測試點反映的信息判斷分系統(tǒng)內(nèi)設(shè)備故障發(fā)生情況。設(shè)備故障Fi與測試點Tj間僅有相關(guān)/不相關(guān)兩類關(guān)系，如果故障Fi發(fā)生后測試點Tj可檢測到并報故，則稱故障Fi與測試點Tj相關(guān)；如果故障Fi發(fā)生后測試點Tj無法檢測到，則故障Fi與測試點Tj不相關(guān)。依據(jù)故障與測試點的相關(guān)性關(guān)系，可建立系統(tǒng)相關(guān)性矩陣[4](又稱D矩陣)為

(1)

式中：第i行矩陣為第i個設(shè)備故障在各個測試點的反饋信息，即

Fi=[di1di2…diN]

(2)

式中：第j列矩陣為第j個測試點可測得所有設(shè)備的健康/故障信息，即

Ti=[d1jd2j…dMj]T

(3)

其中，

(4)

其建立過程為：依據(jù)故障與測試點的相關(guān)性矩陣，采用多信號流模型，以飛機型號診斷能力要求、可靠性要求、故障模式與影響分析(Failure Mode and Effect Analysis,FMEA)、分系統(tǒng)方案等作為輸入，設(shè)計機內(nèi)測試(Buit-In Test,BIT)方案，從而建立測試性模型。

1.1.2 貝葉斯網(wǎng)絡(luò)診斷

基于測試性模型構(gòu)建貝葉斯診斷網(wǎng)絡(luò)，采用模糊求解方法進行計算。依據(jù)相關(guān)性矩陣在故障Fi與測試點Tj間添加連接關(guān)系，當dij=1時相連，如圖3所示。

圖3 診斷貝葉斯網(wǎng)絡(luò)構(gòu)建示例

f*=argmaxP(Fi=f|Ti=t)

(5)

根據(jù)文獻[5]中先驗概率計算方法和貝葉斯條件概率公式，當測試點報故時，根據(jù)式(5)計算出最大后驗概率f*對應(yīng)的單故障/多故障作為基于測試性模型的故障診斷結(jié)果[5-6]。

1.2 基于數(shù)據(jù)驅(qū)動的故障診斷方法

近年來，由于數(shù)據(jù)驅(qū)動方法在模式識別方面的優(yōu)勢突顯，因此被研究者廣泛關(guān)注并用于故障診斷研究，常用方法有神經(jīng)網(wǎng)絡(luò)、支持向量機等[7-8]?；跀?shù)據(jù)驅(qū)動的故障診斷方法相比于傳統(tǒng)故障診斷方法，無須建立診斷對象模型，因此在一定程度上避免了因模型建立不準確導致的誤診和漏檢問題。

基于數(shù)據(jù)驅(qū)動的故障診斷部分采用概率神經(jīng)網(wǎng)絡(luò)[9](Probabilistic Neural Network,PNN),如圖4所示。其核心思想是將貝葉斯決策論與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合，通過Parzen窗估計法來估計樣本總體分布的概率密度函數(shù)，并采用貝葉斯最小風險決策進行分類，分類準確率高。與BP神經(jīng)網(wǎng)絡(luò)相比，PNN無須計算反向誤差，也無須考慮局部最優(yōu)問題，僅根據(jù)歷史飛機健康狀態(tài)參數(shù)中的故障數(shù)據(jù)作為訓練數(shù)據(jù)，即可得到貝葉斯最小風險決策下的最優(yōu)分類結(jié)果。

圖4 PNN結(jié)構(gòu)

1.3 基于D-S證據(jù)理論的混合增強故障診斷方法

D-S證據(jù)理論是由Dempster于1967年最先提出，后經(jīng)過他的學生Shafer于1976年進一步擴展并發(fā)展起來的一種不確定性推理方法[10]。該方法不同于貝葉斯概率論，無須知道先驗概率，并能直接表達不確定性。 該方法根據(jù)不同診斷方法的診斷能力將多源信息分別輸入至相應(yīng)診斷模型中，在決策層使用D-S證據(jù)理論融合后，能增強相應(yīng)交聯(lián)故障診斷能力，如圖5所示。

圖5 基于D-S證據(jù)理論的混合增強故障診斷方法

該方法可增強的交聯(lián)故障診斷能力如下。

① 虛警抑制。對兩種方法產(chǎn)生的一致診斷結(jié)果進行故障確認，避免虛警產(chǎn)生。

② 模糊組隔離。對兩種方法診斷產(chǎn)生的模糊組進行模糊組隔離，提高故障隔離率。

③ 沖突消解。對兩種方法產(chǎn)生的不一致診斷結(jié)果進行最終診斷，得出確定診斷結(jié)果，提高診斷準確率。

1.3.1 基本原理

D-S證據(jù)理論基于非空集合θ，其中θ為識別框架，在飛機故障診斷中即為分系統(tǒng)中故障模式集合，所有可能產(chǎn)生的單故障、多故障均集合在冪集2θ中。當Fi屬于θ中的任意子集，且滿足映射2θ→(0,1)時，定義其基本概率賦值函數(shù)m(Fi)為

(6)

式中:?為空集；m(Fi)為對Fi發(fā)生的支持程度，數(shù)值越高，則支持程度越高；式(6)表示識別框架中的全部集合支持程度之和為1。其信度函數(shù)Bel(Fi)為

(7)

式中：Bel(Fi)為證據(jù)對Fi為真的信任程度。

其似然函數(shù)Pl(Fi)為

(8)

式中：Pl(Fi)和Bel(Fi)分別為信度函數(shù)的上下限；其信度區(qū)間[Bel(Fi),Pl(Fi)]用于表示診斷結(jié)果的不確定區(qū)間。

1.3.2 融合規(guī)則

D-S證據(jù)理論融合規(guī)則為多證據(jù)兩兩融合。在同一識別框架θ中給定基于不同證據(jù)的信度函數(shù)，在證據(jù)互相獨立的前提下，則可根據(jù)融合規(guī)則計算獲得針對某一故障Fi發(fā)生的信度函數(shù)。

設(shè)Bel1和Bel2分別為同一識別框架θ上的兩個基本概率賦值，基本元素為A1，A2，…和B1，B2，…則按融合規(guī)則進行融合后的基本概率賦值為

(9)

式中：k為沖突因子，代表不同證據(jù)間的沖突程度。

(10)

2 基于某型號飛機的故障診斷實例

混合增強故障診斷方法用于某型號飛機交聯(lián)系統(tǒng)故障診斷分析過程如圖6所示，根據(jù)飛機結(jié)構(gòu)、系統(tǒng)功能及分系統(tǒng)間功能交聯(lián)情況進行功能交聯(lián)條件下故障傳播影響分析，并依據(jù)不同診斷方法的診斷能力設(shè)計診斷策略；研究選取基于機器學習的數(shù)據(jù)驅(qū)動方法，輸入歷史故障數(shù)據(jù)進行基于數(shù)據(jù)驅(qū)動的故障診斷模型訓練；選取交聯(lián)系統(tǒng)故障信息進行模型故障診斷能力驗證，當系統(tǒng)報故時，測試性模型方法根據(jù)測試點報故情況輸出故障信息，數(shù)據(jù)驅(qū)動方法根據(jù)飛機飛行參數(shù)輸出故障信息，后二者進行決策層融合，輸出最終故障診斷信息。

圖6 某型號飛機混合增強故障診斷方法分析過程

2.1 故障交聯(lián)影響分析

在飛機運行過程中，系統(tǒng)故障可能由多種因素造成，例如剎車系統(tǒng)內(nèi)部，伺服閥輸出壓力不準確、主機輪剎車盤磨損、輪胎磨損等均可造成剎車能力下降；同時，外部系統(tǒng)異常輸入，例如液壓系統(tǒng)輸出壓力低、飛管系統(tǒng)輸出剎車指令錯誤等也均可造成剎車能力下降甚至喪失剎車能力的嚴重后果。因此，對飛機交聯(lián)系統(tǒng)進行故障診斷技術(shù)研究前，為表征故障傳遞影響，應(yīng)先建立交聯(lián)系統(tǒng)故障傳播模型。

本部分以飛機剎車系統(tǒng)能力降級為例，應(yīng)用基于模糊Petri網(wǎng)的故障傳播分析法研究可能使剎車系統(tǒng)能力降級的故障源。

2.1.1 模糊Petri網(wǎng)

Petri網(wǎng)[11]由德國當代數(shù)學家C.A.Petri定義的一種通用數(shù)學模型，用于描述存在于條件和事件間的關(guān)系。模糊Petri網(wǎng)為Petri網(wǎng)與知識表達的結(jié)合，最早被用于描述模糊生成規(guī)則。在復雜系統(tǒng)故障診斷中，模糊Petri網(wǎng)采用圖形化的表示方法，展現(xiàn)功能交聯(lián)條件下跨系統(tǒng)間與系統(tǒng)內(nèi)部的故障傳播過程，從而利于后續(xù)故障診斷過程分析和診斷策略分配等工作進行。

2.1.2 基于模糊Petri網(wǎng)的故障傳播分析

以某型號飛機為例，系統(tǒng)剎車過程一般由指令系統(tǒng)發(fā)出指令、飛管系統(tǒng)控制輸出、液壓系統(tǒng)提供壓力、剎車系統(tǒng)執(zhí)行剎車等交聯(lián)系統(tǒng)工作過程組成。其中，控制輸出部分包括飛管計算機、遠程接口單元等；提供壓力部分包括油箱、液壓泵、油濾和蓄壓器等；執(zhí)行剎車部分包括伺服閥、主機輪等。為準確表達交聯(lián)系統(tǒng)故障傳播流程，定義系統(tǒng)故障傳播模糊Petri網(wǎng)為

M=(P,t)

(11)

式中：P為交聯(lián)系統(tǒng)各部件故障狀態(tài)；t為各個故障狀態(tài)演變。需要注意的是，因本文僅利用Petri網(wǎng)進行交聯(lián)故障傳播模型建立，故僅需定義P、t兩元素。

根據(jù)交聯(lián)系統(tǒng)結(jié)構(gòu)間相互關(guān)系及失效模式影響分析，建立基于模糊Petri網(wǎng)的交聯(lián)系統(tǒng)故障傳播網(wǎng)絡(luò)模型，如圖7所示。

圖7 交聯(lián)系統(tǒng)故障傳播模糊Petri網(wǎng)模型

圖7中交聯(lián)系統(tǒng)故障傳播模型參數(shù)含義如表1所示。

表1 交聯(lián)系統(tǒng)故障傳播模型參數(shù)含義

2.2 診斷策略設(shè)計

在2.1節(jié)所列故障中，部分設(shè)備已設(shè)置測試點，可被BIT檢測；部分設(shè)備可根據(jù)不同傳感器信息變化情況表征其健康/故障狀態(tài)，因而可用數(shù)據(jù)驅(qū)動方法檢測。根據(jù)飛機故障發(fā)生情況選取典型故障模式進行診斷策略設(shè)計，如表2所示。

表2 診斷策略設(shè)計

2.3 融合診斷過程

2.3.1 識別框架

以表2中的故障為輸入,則識別框架θ=(F0正常,F1輪胎狀態(tài)異常,F2主機輪剎車盤磨損,F3飛管計算機解算故障,F4指令傳感器故障,F5控制電路輸出故障,F6剎車伺服閥線圈故障,F7液壓系統(tǒng)內(nèi)漏)。

2.3.2 診斷結(jié)果

基于PNN的故障診斷方法、基于測試性模型的故障診斷方法和二者融合的基于D-S證據(jù)理論的融合診斷在MATLAB 2014a環(huán)境下實現(xiàn)，數(shù)據(jù)來源為某型號作戰(zhàn)飛機的飛行相關(guān)數(shù)據(jù)。為使診斷結(jié)果可靠，本文在使用訓練數(shù)據(jù)構(gòu)建診斷模型后，將多組驗證數(shù)據(jù)代入該模型后取平均值，作為最終診斷結(jié)果。

(1) 測試性模型診斷結(jié)果。

首先構(gòu)建相關(guān)性矩陣如表3所示，依據(jù)相關(guān)性矩陣構(gòu)建診斷貝葉斯網(wǎng)如圖8所示。

表3 交聯(lián)系統(tǒng)相關(guān)性矩陣

圖8 診斷貝葉斯網(wǎng)絡(luò)模型

其中，測試點Ti(i=1,2,3,4,5)為某型號飛機交聯(lián)系統(tǒng)中所設(shè)測試點；Fj(j=3,4,5,6,7)為測試點對應(yīng)相關(guān)故障。

根據(jù)貝葉斯方法，將所需先驗故障概率、測試點報故情況代入后，可求得故障概率排序。舉例如表4所示，此時認為故障發(fā)生最大可能性為F1、F2同時發(fā)生，其次為F2單獨發(fā)生。

表4 基于測試性模型的診斷結(jié)果示例

(2) PNN診斷結(jié)果。

將表2中PNN可診斷的4種故障代入PNN網(wǎng)絡(luò)訓練故障診斷模型并驗證。其診斷準確率約為92%(24組驗證值中，有22組正確識別)，因此可認為PNN故障診斷方法準確率高，結(jié)果可信。

(3) 融合診斷結(jié)果。

將PNN診斷結(jié)果及測試性模型診斷結(jié)果在決策層進行混合增強故障診斷后，其單故障診斷基本概率分配函數(shù)如表5所示，多故障診斷基本概率分配函數(shù)如表6所示，單故障診斷結(jié)果顯示如表7所示，多故障診斷結(jié)果顯示如表8所示。

表5 單故障診斷基本概率分配函數(shù)

表6 多故障診斷基本概率分配函數(shù)

表7 單故障診斷結(jié)果

表8 多故障診斷結(jié)果

在故障診斷序號1～5中，依據(jù)診斷策略設(shè)計進行相應(yīng)故障模式診斷，當交聯(lián)系統(tǒng)出現(xiàn)F1、F2故障時，僅能通過PNN檢測，因此融合結(jié)果為PNN診斷結(jié)果；當交聯(lián)系統(tǒng)分別出現(xiàn)F3、F4、F5故障時，依據(jù)使用的測試性模型診斷結(jié)果，給出其故障發(fā)生概率為100%，因此融合結(jié)果為測試性模型方法診斷結(jié)果。本部分實現(xiàn)不同診斷方法的單獨診斷融合，并將傳統(tǒng)測試性模型無法診斷的故障模式實現(xiàn)數(shù)據(jù)驅(qū)動診斷及融合診斷。

在故障診斷序號6、7中，分別為測試點T1、T2單獨報故，傳統(tǒng)測試性模型方法診斷分別為F6、F7故障，但需考慮虛警可能性。提出的測試性模型方法診斷分別為F6、F7故障發(fā)生概率100%，PNN方法識別診斷分別為F6、F7故障，融合診斷結(jié)果分別為F6、F7故障，通過故障確認降低了傳統(tǒng)測試性模型診斷虛警可能性。

在故障診斷序號8中，測試點T2、T3、T4、T5同時報故，若不考慮虛警情況，則確定發(fā)生故障為F4，模糊組為{F3,F5,F6}，無法進一步隔離。將此時飛機健康狀態(tài)數(shù)據(jù)代入PNN診斷后，PNN針對自身可診斷故障，診斷結(jié)果為健康；測試性模型診斷結(jié)果中，F(xiàn)6故障概率為0，融合診斷共同部分故障為健康。此時模糊組僅剩下{F3,F5}，PNN診斷方法無法診斷，測試性模型方法診斷結(jié)果為F3、F4(43.48%);F4、F5(36.23%);F4(15.22%)。融合診斷為F3、F4共同發(fā)生，實現(xiàn)了模糊組隔離。

在故障診斷序號9中，測試點T1、T2同時報故，依據(jù)傳統(tǒng)測試性模型診斷結(jié)果，F(xiàn)7為確定發(fā)生故障，故障無法隔離至F6。PNN方法識別診斷為F6、F7故障，融合診斷結(jié)果為F6、F7故障，實現(xiàn)了模糊組隔離。

3 結(jié)束語

針對飛機功能交聯(lián)條件下故障診斷需求，提出了一種基于測試性模型和基于數(shù)據(jù)驅(qū)動的初步診斷和基于D-S證據(jù)理論的融合診斷方法，并以某型號飛機故障數(shù)據(jù)為例進行方法驗證。結(jié)果表明，本方法在現(xiàn)有方法故障診斷能力基礎(chǔ)上，能在一定程度上增加系統(tǒng)交聯(lián)功能故障可檢測故障數(shù)量，提升故障檢測率；可對傳統(tǒng)基于測試性模型方法存在的交聯(lián)功能故障模糊組現(xiàn)象進行故障定位，從而提升故障隔離率；將兩種方法形成的一致初步診斷結(jié)果進行融合，進行故障確認，可減少傳統(tǒng)測試性模型可能導致虛警的情況發(fā)生。