王超，林濤，王蕾，孫曉娜，高心軍，宋立軍

（1. 北京無線電測量研究所，北京 100854；2. 國防科技大學 空天科學學院，湖南 長沙 410073）

0 引言

從目前國內雷達產(chǎn)品使用情況來看，為了適應新時期的需求，雷達產(chǎn)品不斷提高電子化、信息化水平，雷達產(chǎn)品出現(xiàn)種類多、技術難度越來越復雜的現(xiàn)象。雷達產(chǎn)品出現(xiàn)故障時，用戶進行故障排除主要參考的都是廠家交付的資料，這些資料信息不全面，能考慮到的故障原因有限，其排故過程基本上是以BIT 能報出來的故障現(xiàn)象為主，然后直接對應到某個LRU 的更換，主要偏重經(jīng)驗總結和表述。用戶對產(chǎn)品突然出現(xiàn)的故障，特別是復雜故障，不能快速對其定位和解決，降低了產(chǎn)品保障效率。

針對以上情況，廠家需要積極發(fā)揮自身的技術優(yōu)勢，利用產(chǎn)品使用過程中，積累的大量使用數(shù)據(jù)，特別是復雜故障數(shù)據(jù)，綜合設計、環(huán)境等數(shù)據(jù)，對這些產(chǎn)品使用過程中實際發(fā)生的數(shù)據(jù)進行挖掘和分析，利用故障現(xiàn)象和故障原因進行識別和診斷，提煉出故障排查的有效策略，形成故障排查指導手冊等形式的指導文件，以指導用戶快速定位故障，解決問題，提升用戶自身的排故能力。

1 基于數(shù)據(jù)的雷達產(chǎn)品快速排故技術

基于數(shù)據(jù)的雷達產(chǎn)品快速排故技術分為數(shù)據(jù)收集、模型研究、平臺搭建、實例驗證4 個部分。如圖1 所示。

圖1 基于數(shù)據(jù)的雷達產(chǎn)品快速排故技術Fig.1 Rapid troubleshooting technology for radar products based on data

其中數(shù)據(jù)收集主要是作為基于數(shù)據(jù)的雷達產(chǎn)品快速排故技術研究的數(shù)據(jù)輸入，收集雷達產(chǎn)品的設計數(shù)據(jù)、使用數(shù)據(jù)和環(huán)境數(shù)據(jù)，建立雷達產(chǎn)品綜合保障數(shù)據(jù)庫。

模型研究主要是對分層推理集合搜索技術模型的研究。該模型由多信號流分層推理模型和集合搜索推理機模型構成，前者主要用于故障現(xiàn)象和故障點之間的相關性矩陣生成，后者利用前者的相關性矩陣推導出有效排故策略。

平臺搭建主要是以分層推理集合搜索技術模型為核心算法，開發(fā)雷達產(chǎn)品快速排故手冊自動生成軟件，結合實際產(chǎn)品數(shù)據(jù)，對生成的排故策略進行權重排序和仿真驗證。

實例驗證是以雷達產(chǎn)品綜合保障數(shù)據(jù)庫中的某型產(chǎn)品數(shù)據(jù)為輸入，利用雷達產(chǎn)品快速排故手冊自動生成軟件生成排故手冊樣例。

1.1 雷達產(chǎn)品綜合保障數(shù)據(jù)庫

雷達產(chǎn)品綜合保障數(shù)據(jù)庫作為基于數(shù)據(jù)的雷達產(chǎn)品快速排故技術研究的數(shù)據(jù)基礎，是開展后續(xù)工作的首要條件和輸入。雷達產(chǎn)品綜合保障數(shù)據(jù)庫以使用數(shù)據(jù)（重點是故障數(shù)據(jù)）為主，還包括設計數(shù)據(jù)和環(huán)境數(shù)據(jù)等。數(shù)據(jù)的收集來源有2 個：①用戶記錄的大量產(chǎn)品使用信息；②作為廠家售后服務信息化平臺提供的產(chǎn)品售后信息，以及相關設計平臺提供的產(chǎn)品設計信息等。

建立雷達產(chǎn)品綜合保障數(shù)據(jù)庫的工作流程包括：確定數(shù)據(jù)來源、分類收集數(shù)據(jù)、對數(shù)據(jù)進行預處理、形成正式數(shù)據(jù)進行存儲。工作流程圖如圖2所示。

圖2 數(shù)據(jù)收集工作流程Fig.2 Data collection workflow

（1）明確數(shù)據(jù)來源：根據(jù)雷達產(chǎn)品的生產(chǎn)和使用情況，用戶和廠家都積累了大量的相關數(shù)據(jù)，可以作為雷達產(chǎn)品綜合保障數(shù)據(jù)庫的有效來源。

（2）數(shù)據(jù)分類收集：根據(jù)數(shù)據(jù)來源角色的特點，記錄的數(shù)據(jù)各有偏重，用戶主要記錄產(chǎn)品使用數(shù)據(jù)，包括產(chǎn)品基本數(shù)據(jù)、故障數(shù)據(jù)和備件數(shù)據(jù)等。廠家作為產(chǎn)品的研制生產(chǎn)單位，側重于記錄產(chǎn)品設計數(shù)據(jù)和環(huán)境數(shù)據(jù)，也包括售后服務產(chǎn)生的產(chǎn)品故障數(shù)據(jù)等使用數(shù)據(jù)［1-2］。

（3）數(shù)據(jù)預處理：數(shù)據(jù)預處理主要包括清洗、篩選等。數(shù)據(jù)的清洗原則主要針對不完整的數(shù)據(jù)、重復的數(shù)據(jù)和無意義的數(shù)據(jù)，數(shù)據(jù)經(jīng)過預處理后作為正式數(shù)據(jù)進行存儲［3］。

（4）數(shù)據(jù)存儲：經(jīng)過預處理的數(shù)據(jù)按數(shù)據(jù)的大小和類別進行存儲，數(shù)據(jù)導入分為全量導入和增量導入，方便后續(xù)數(shù)據(jù)的積累更新［4-5］。

數(shù)據(jù)按產(chǎn)品階段分為：產(chǎn)品研制階段的設計數(shù)據(jù)、產(chǎn)品使用階段的使用數(shù)據(jù)和環(huán)境數(shù)據(jù)。

1.2 分層推理集合搜索技術模型

如圖3 所示，分層推理集合搜索技術模型由多信號流分層推理模型與集合搜索推理機模型組成，其中多信號流分層推理模型將故障點和故障現(xiàn)象轉化為各種信號，依據(jù)雷達產(chǎn)品的層次結構，分析功能故障與系統(tǒng)故障的關系，利用有向圖的傳播路徑，形成故障相關性矩陣。集合搜索推理機模型提供了一種診斷推理算法，該算法依據(jù)多信號流分層推理模型產(chǎn)生的故障相關性矩陣，通過故障現(xiàn)象等數(shù)據(jù)輸入，推理出有效的排故策略。

圖3 分層推理集合搜索技術模型Fig.3 Hierarchical reasoning set search technology model

1.2.1 多信號流分層推理模型

雷達系統(tǒng)一般有多個分系統(tǒng)組成，包括接收機系統(tǒng)、發(fā)射機系統(tǒng)、信號處理系統(tǒng)、伺服系統(tǒng)、指控系統(tǒng)等等，分系統(tǒng)下還包括多個組合，組合內包含多個插板和元器件。依據(jù)雷達產(chǎn)品的系統(tǒng)分層結構關系，多信號流分層推理模型可以結合雷達系統(tǒng)分層組成結構進行分層推理，完成系統(tǒng)故障到故障產(chǎn)品的推理連接。

故障產(chǎn)品作為模型節(jié)點即信號，不同的故障現(xiàn)象作為測試輸入，該模型從多維測試屬性為起點，判定雷達系統(tǒng)中二者之間的因果聯(lián)系。從模型表現(xiàn)形式上說，多信號模型以下列這些元素構成：

有限的系統(tǒng)構成元件集 C=｛c1，c2，…，cL｝；

n 維測試集 T=｛t1，t2，…，tn｝；

每個測試點TPp對應一組測試集SP（TPp）；

每個元件ci影響一組信號集SC(ci)；

每個測試tj檢測一組信號ST(tj)；

有向圖 DG=｛C，TP，E｝，其中，系統(tǒng)的物理連接由有向圖的邊E 表示。

多信號流分層推理模型更接近系統(tǒng)的物理結構，是由于其自身覆蓋了多個信息流模型。此外，“信號”可以用來對應構成系統(tǒng)功能的獨特屬性或者系統(tǒng)傳輸功能中的獨立單元。因而，可能的信號數(shù)量是一個比較小的可數(shù)集，并且通過定義不相關性，信號故障模式不會對其他的信號產(chǎn)生影響［6-8］。

（1）多信號分層建模

對復雜的雷達產(chǎn)品按照功能和結構進行適當?shù)貏澐郑梢詫崿F(xiàn)雷達產(chǎn)品由數(shù)量有限的多個可更換單元構成。例如，按功能劃分，系統(tǒng)可劃分為系統(tǒng)級、子系統(tǒng)級、LRU、SRU、器件等層次。產(chǎn)品進行功能層次劃分，有2 個主要益處：①系統(tǒng)故障定位更加方便；②有利于程序的定義。因此，正確的產(chǎn)品功能層次劃分，對于故障隔離的模糊度的降低有很大幫助。

在多信號流分層推理模型建立過程中，可以直接發(fā)現(xiàn)一種故障模式與其他相鄰模塊造成影響的傳播途徑。該模型與產(chǎn)品真實功能的分層模塊相對應，所以不需要與實際無關的單故障假設，達到在最短時間內產(chǎn)生診斷策略的可能。

分層多信號相關性框圖用來得到系統(tǒng)模塊和測試點間的一階因果相關性關系。系統(tǒng)模塊包含子模塊，甚至上一級系統(tǒng)子模塊。部件為最低層次模塊。通過此方式，將一個產(chǎn)品系統(tǒng)劃分為多個層次。模塊中包含故障來源或原因。測試節(jié)點表示監(jiān)測點，從中可觀測到故障的影響。例如，節(jié)點X 和Y 的連接表示X 會影響到Y 或Y 的狀態(tài)取決于X?？梢酝ㄟ^一階相關性推理獲得高階相關性。AND（與）節(jié)點在模型中作為故障容錯的冗余結構。通過開關模擬產(chǎn)品相關操作的各種模式。此外，為了在功能上隔離其他模塊，可以用SWITCH 節(jié)點來實現(xiàn)［9-10］。

（2）多信號流圖模型中節(jié)點類型

作為一種分層建模技術方法的多信號流分層推理建模，利用有向圖得到故障影響的傳播路徑。多信號模型的基本節(jié)點包括有向圖中的4 種，模塊節(jié)點與測試節(jié)點是必須包含的，SWITCH 節(jié)點與AND 節(jié)點是根據(jù)產(chǎn)品結構需求可以自行選擇。

模塊節(jié)點：以信號表示的具有某種功能硬件的集合。為了運用分層建模技術，模塊本身通過子模塊或者其他節(jié)點進行表示。可能故障的節(jié)點通過模塊表示，通過故障現(xiàn)象定位故障點就是診斷過程。每一模塊節(jié)點包含下列要素：名稱、輸入端子數(shù)量、輸出端子數(shù)量、影響到的信號集等。

測試節(jié)點：進行測量的物理位置或者邏輯位置。故障發(fā)生時，在故障監(jiān)測頁面或者具體的組合面板上都有相應的異常現(xiàn)象，這些異?，F(xiàn)象隸屬于測試節(jié)點的信息內容。

開關節(jié)點（SWITCH node）：系統(tǒng)的不同狀態(tài)可以用不同的開關模式來表示。這使得產(chǎn)品多種工作模式的建模成為可行。SWITCH 節(jié)點用來建立模型的交互式系統(tǒng)和動態(tài)特性。

與節(jié)點（AND node）：用來捕獲系統(tǒng)冗余信息。如果 Z 被影響，那么 X 和 Y 必須是故障，使用 AND 節(jié)點連接X、Y 和Z 節(jié)點。AND 節(jié)點的使用可以對故障容錯系統(tǒng)實現(xiàn)建模，并進行故障過程診斷。

連接線路：傳播途徑的表示方式，表示不同節(jié)點之間故障信息傳播。在TEAMS 中，包含2 種模式：可斷開或不可斷開。

對于一個給定的模型和產(chǎn)品系統(tǒng)狀態(tài)，采用上述節(jié)點和連線表示，可以利用傳播算法把此圖轉化為單個全局故障相關性矩陣。此相關性矩陣已經(jīng)包含了產(chǎn)品的相關信息，通過此方式實現(xiàn)故障診斷的目的。

（3）多信號流分層推理相關性矩陣

使用多信號流分層推理模型得到產(chǎn)品一階因果相關性，例如，X 影響到Y，Y 影響到Z。通過可達性分析算法，推斷出全局相關性即X 影響到Z。與此同時，為了實現(xiàn)計算相關性或者故障字典矩陣，需要明確其中的故障現(xiàn)象可以觀測到對應的故障產(chǎn)品。

最小的功能明確的實體是多信號流分層推理建模的關鍵是部件。以雷達產(chǎn)品為例，將最小的功能部件定義到LRU 級別產(chǎn)品，當某一部件出現(xiàn)故障時，與之有關聯(lián)的所有信號都會收到影響。與此相反，部件正常則表面與該部件有關聯(lián)的任何信號都是準確無誤的?；谝陨戏治?，每一部件故障模式歸類為2 方面就足夠了，即系統(tǒng)故障和功能故障。

比如，假設存在L 個部件，其中有Lf（Lf是L 的子集）部件出現(xiàn)功能故障，出現(xiàn)功能故障的部件個數(shù)為Lf，與之對應的測試有n 個，相關性矩陣D 大小為（Lf+L）×n。假設測試tj與部件ci存在故障傳播途徑，而且部件ci具有系統(tǒng)故障相關性，那么故障相關性矩陣DiGj=1；

若DiGj=1 且SC（ci）∩ST（tj）≠?，那么集合搜索推理矩陣Difj=1。搜索推理矩陣包含了系統(tǒng)的故障診斷信息，并且可以利用該矩陣實現(xiàn)所有測試性的相關分析。

通過有向圖邊傳播令牌的方法來從故障源找出其他受到影響的節(jié)點，即實現(xiàn)給定故障源si∈S 可達的測試tj∈T。當一個令牌到達一個故障點時，其副本傳遞到該節(jié)點適合的連接邊或輸出端。如果節(jié)點已通過其他令牌到達，則使此令牌既不傳播也不復制。算法中止的條件是所有令牌無法傳播到任何新的節(jié)點。

此可達算法通過從故障點到故障現(xiàn)象的前向模式或從故障現(xiàn)象到故障點的反向模式實現(xiàn)，此算法最差的復雜性是 min｛O（|S||E|），O（|T||E|）｝，其中|S|，|T|，|E|分別是故障點集 S、測試集 T 以及有向圖邊集 E 的元素個數(shù)［3］。

（4）建立模型及應用示例

以某型雷達產(chǎn)品故障數(shù)據(jù)為示例，首先建立產(chǎn)品的系統(tǒng)結構組成，從系統(tǒng)→組合→組件級別，作為產(chǎn)品分層模型關系基礎；其次，建立各層次故障發(fā)生現(xiàn)象及故障部位的具體配備關系，作為產(chǎn)品分層模型的分析節(jié)點元素；最后，按照模型結構關系及層次匹配邏輯作為集合搜索推理機推理輸入。

1.2.2 集合搜索推理機模型

由于造成同一故障現(xiàn)象的故障原因有多個，同一個故障原因本身又會引起多個故障現(xiàn)象，所以故障原因推理的數(shù)據(jù)關系基本是一對多的映射關系，集合搜索推理機以故障數(shù)據(jù)為輸入，結合多信號流分層推理模型生成的相關性矩陣，對故障現(xiàn)象進行故障原因推理［11-13］。

集合搜索推理機是基于輸入的故障現(xiàn)象和預先導入的故障相關性矩陣推理得出故障原因。為了對大規(guī)模集成雷達系統(tǒng)進行故障診斷時能快速準確地得出診斷結果，采用集合搜索運算的方式實現(xiàn)推理機。主要計算過程如下：

輸入：用0 表示的正常，用1 表示異常，此故障相關性矩陣二值測試結果作為測試性模型接口文件。

輸出：各產(chǎn)品模塊所屬集合，即正常、故障、可疑、未知。

算法流程：

Step 1：所有模塊均作為可疑對象進行設定。

Step 2：先將正常的測試進行處理。更新各集合的前提是，將與通過測試相關的模塊狀態(tài)全部設為正常。

Step 3：最后處理異常測試。從與異常的測試相關模塊中剔除掉正常的模塊，故障模塊設置的前提是剩余的模塊數(shù)量為1，否則保持初始狀態(tài)不變。

假定相關性矩陣如表1 所示。

表1 相關性矩陣樣例Table 1 Examples of correlation matrix

相關性矩陣中包括異常測試1～異常測試5 共5個測試（即5 種故障現(xiàn)象，與表1 中表頭“異常測試”含義相同），節(jié)點 1～節(jié)點 5 共 5 個故障產(chǎn)品（與表 2 中表頭“實際故障產(chǎn)品”對應），為了表述簡潔，下文中直接用標號表示對應的測試和故障產(chǎn)品。系統(tǒng)模擬推理結果如表2 所示。

以表2 中序號5 信息為例，當“實際故障產(chǎn)品”5發(fā)生故障時，其“異常測試”結果為測試4，“測試4”對應的故障產(chǎn)品有序號3、4、5。其“正常測試”為測試 1、測試 2、測試 3、測試 5（如表 1 中數(shù)值為非 1 的情況），由于故障產(chǎn)品 3（對應表 4 中的“節(jié)點 3”）發(fā)生故障時，測試3 和測試5 都應該為異常測試，所以故障產(chǎn)品可以排除序號3 產(chǎn)品，結合上述結果，可以懷疑故障產(chǎn)品是序號4 和序號5，但是不能確定具體是序號4 產(chǎn)品故障還是序號5 產(chǎn)品故障。

表2 集合搜索推理機測試舉例Table 2 Examples of set search inference engine tests

在進行集合搜索推理時，主要利用在分層模型內部的故障現(xiàn)象、故障位置對應的矩陣元素數(shù)據(jù)，在進行產(chǎn)品實際故障發(fā)生時利用“復雜現(xiàn)象→故障位置”形成“一對一”或“多對一”的具體映射關系，實現(xiàn)故障的快速定位及故障的準確判別［14-15］。

1.3 平臺搭建

利用分層推理集合搜索技術模型為核心算法，開發(fā)雷達產(chǎn)品快速排故手冊自動生成軟件平臺，該軟件平臺通過讀取雷達產(chǎn)品綜合保障數(shù)據(jù)庫數(shù)據(jù)，按照雷達產(chǎn)品的結構組成生成排故策略，即可以通過目錄查看故障發(fā)生的產(chǎn)品部位，并具備對排故策略的權重排序和仿真驗證功能，最終生成雷達產(chǎn)品快速排故手冊電子文檔，以Word 文檔的形式保存，可以直接打印為紙質文檔，方便使用人員在排故現(xiàn)場查閱。

軟件可以提供2 種方式自動生成排故手冊文檔。方式1：逐條生成，即一條排故策略生成一個文檔。方式2：合并生成，即多條排故策略生成一個文檔。這2 種方式的自由組合可以生成雷達產(chǎn)品總的故障排查手冊，也可以單獨生成某個分系統(tǒng)的故障排查手冊。

軟件業(yè)務功能框圖如圖4 所示。

圖4 軟件業(yè)務功能框圖Fig.4 Software business function block diagram

（1）權重排序

在實際的工程實踐中，同一個雷達故障現(xiàn)象會由多個故障點引起，而不同的故障點引起該故障現(xiàn)象的概率是不同的，雷達產(chǎn)品快速排故手冊自動生成軟件根據(jù)雷達產(chǎn)品綜合保障數(shù)據(jù)庫故障數(shù)據(jù)的實際重復頻率，進行權重排序，即該故障點引起此故障現(xiàn)象次數(shù)越多，權重占比越大。當生成排故策略時，按照權重由大到小的順序排列，指導用戶優(yōu)先排查最有可能的故障產(chǎn)品。

（2）仿真驗證

軟件提供仿真驗證功能，包括故障模擬診斷和故障注入仿真，用戶可以校核和驗證故障相關性矩陣文件信息，檢驗其正確性。故障模擬診斷可在測試列表中人為選擇測試項或者注入自動仿真得到的測試項結果來模擬診斷得到發(fā)生的故障項；故障注入仿真是人為注入發(fā)生的故障項，利用故障推理來仿真得到相關的測試項結果。

1）故障模擬診斷（故障現(xiàn)象到故障點）

軟件為故障模擬診斷的測試列表提供2 種輸入方式。方式1：測試列表中直接選擇相關性矩陣的測試項；方式2：通過故障注入仿真，加入仿真得到的測試項結果。軟件提供將測試列表中的正常測試項和異常測試項進行互換的操作。用戶可以選擇單個或多個測試項，模擬診斷得到發(fā)生的故障項，可通過該功能校核測試數(shù)據(jù)的有效性。

2）故障注入仿真（故障點到故障現(xiàn)象）

軟件提供故障注入仿真功能，用戶可以從相關性矩陣的故障項中選擇單個或多個故障項，并將其注入到故障仿真列表中。軟件提供可將仿真列表中發(fā)生的故障項和未發(fā)生的故障項進行互換的操作。通過模擬仿真，用戶可以得到正常測試項和異常測試項結果。該仿真的測試結果可以作為輸入被加入到故障模擬診斷的測試列表中，可通過該功能驗證故障信息的正確性。

（3）數(shù)據(jù)更新

雷達產(chǎn)品綜合保障數(shù)據(jù)庫中的數(shù)據(jù)會隨著產(chǎn)品服役時間的延長而不斷積累，雷達產(chǎn)品快速排故手冊自動生成軟件可以根據(jù)更新的產(chǎn)品數(shù)據(jù)，自動更新故障排查策略，生成新版雷達產(chǎn)品快速排故手冊。

1.4 實例驗證

利用收集的某型雷達產(chǎn)品的設計數(shù)據(jù)、使用數(shù)據(jù)和環(huán)境數(shù)據(jù)，對其中的使用數(shù)據(jù)，特別是故障數(shù)據(jù)進行清洗，建立雷達產(chǎn)品綜合保障數(shù)據(jù)庫。

將清洗后的數(shù)據(jù)輸入雷達產(chǎn)品快速排故手冊自動生成軟件，生成相應的排故策略，經(jīng)過仿真驗證后，形成某型雷達產(chǎn)品快速排故手冊樣例。

該手冊以雷達產(chǎn)品的產(chǎn)品組成層次為目錄，可以根據(jù)故障現(xiàn)象的部位直接查閱，每條排故策略由故障現(xiàn)象、故障原因、故障維修、恢復檢查和注意事項組成，其中為了便于使用者直觀了解故障現(xiàn)象，手冊中的“故障現(xiàn)象”部分，包含了故障現(xiàn)象圖片，用戶可以直接與實際故障現(xiàn)象進行核對，快速確認故障。

2 結束語

基于數(shù)據(jù)的雷達產(chǎn)品快速排故技術可以利用雷達產(chǎn)品的故障數(shù)據(jù)，得出故障排除方法，可以有效指導用戶的故障排除工作，提高用戶自主排故能力。該技術中的分層推理集合搜索模型不僅適用于雷達產(chǎn)品，也適用于其他電子產(chǎn)品，雷達產(chǎn)品綜合保障數(shù)據(jù)庫可以擴展為其他電子產(chǎn)品的綜合保障數(shù)據(jù)庫，從而可以方便快速地推廣到其他電子產(chǎn)品中，可以有效支撐其他電子產(chǎn)品用戶的快速排故需求。