王毅恒，李俊麟，張 偉

(1.沈陽化工大學 信息工程學院，沈陽 110142；2.中國科學院 沈陽自動化研究所機器人學國家重點實驗室，沈陽 110016；3.中國科學院 機器人與智能制造創(chuàng)新研究院，沈陽 110169)

0 引言

在航天技術(shù)發(fā)展過程中，故障診斷逐漸成為航天器在軌道安全運行[1]的重要保障。由于航天器身造價高昂、系統(tǒng)結(jié)構(gòu)復雜[2]，在軌運行期間需要面對特別惡劣的空間環(huán)境，從而導致航天器在軌運行期間會持續(xù)地發(fā)生故障。在已知的衛(wèi)星系統(tǒng)故障中，衛(wèi)星電源系統(tǒng)出現(xiàn)的故障在所有衛(wèi)星分系統(tǒng)出現(xiàn)的故障中是最高的[3]，占比44%，并且衛(wèi)星電源系統(tǒng)的故障貫穿了整個衛(wèi)星壽命階段。如果衛(wèi)星發(fā)生故障時不能有效的處理，其所產(chǎn)生的后果是不堪設(shè)想的，所以就需要故障診斷系統(tǒng)能夠及時發(fā)現(xiàn)故障、隔離故障，并且為衛(wèi)星故障處理提供決策依據(jù)。從而保障衛(wèi)星在軌道安全運行，并延長衛(wèi)星在軌時長。這就對故障診斷方法的診斷效率提出比較高的要求，以此來保障衛(wèi)星診斷系統(tǒng)的時效性[4]。

故障診斷包含了對系統(tǒng)健康狀況的推理、異常行為的識別、故障組件的隔離[5]，以及正常和異常條件下的系統(tǒng)行為預(yù)測。隨著系統(tǒng)的規(guī)?；蛷碗s化，故障診斷變得更具有挑戰(zhàn)性?；诙ㄐ阅Ｐ偷脑\斷是一種人工智能的方法[6]，R.Davis[7]和Reiter[8]共同奠定了基于定性模型診斷的基本理論體系[9]，基于定性模型的診斷方法是通過系統(tǒng)的結(jié)構(gòu)、行為、功能對系統(tǒng)進行診斷推理，通常需要建立系統(tǒng)的結(jié)構(gòu)、行為、以及功能模型?；诮Y(jié)構(gòu)與行為知識的診斷推理由沖突識別和候選產(chǎn)生組成，當沖突存在時，表示系統(tǒng)中至少有一個元素是有故障的，候選就是為了解釋沖突，一個候選診斷可以解釋所有的沖突。基于定性模型診斷的思路是，通過系統(tǒng)的內(nèi)部結(jié)構(gòu)、行為或功能模型來預(yù)測系統(tǒng)行為，當觀測值與預(yù)測值不一致，表示存在差異，通過這些差異，來搜索到使預(yù)測模型與觀測值相一致的狀態(tài)假設(shè)?；跊_突的故障診斷一般需要解決兩個問題：第一個是計算最小沖突，可能的沖突數(shù)量會隨著系統(tǒng)組件的數(shù)量呈指數(shù)級增長，第二個問題是診斷的完整性，大多數(shù)基于沖突的故障診斷方法是無法發(fā)現(xiàn)所有的可能沖突。通用診斷引擎[10](GDE)在解決這種問題上是比較經(jīng)典的方法之一，GDE使用ATMS[11]來管理和優(yōu)化沖突的產(chǎn)生和最小化，但是在診斷復雜系統(tǒng)時，GDE產(chǎn)生的沖突和內(nèi)核診斷的數(shù)量成指數(shù)增長，這一情況限制了GDE的使用。而后Williams將GDE的工作擴展到對行為模式的推理，從而建立了結(jié)果系統(tǒng)Sherlock[12]，Sherlock利用故障模式知識更平等地查明故障并確定組件在何種模式下運行。Ragno[13]提出了子句導向A*(CIA)搜索診斷，它可以實現(xiàn)同時將搜索指向可行性和最優(yōu)的分配，從而實現(xiàn)故障的快速檢測。William和Ragno提出了沖突導向A*(CDA*)搜索診斷[14-15]，它結(jié)合了Reiter方法中的沖突集和最佳優(yōu)先搜索方法，CDA*根據(jù)先驗概率和沖突信息可以快速給出解決問題的最佳候選者。Stern[16]通過利用沖突和診斷之間關(guān)系的二元性來擴展Reiter的診斷理論，利用二元性較差診斷搜索，從而比沖突導向A*更快地找到最小基數(shù)診斷。

上述介紹的方法基本都是基于弱故障模型，弱故障模型只有一個正常模式和一個未知的故障模式。但現(xiàn)實世界常見的故障是已知的，比如水下機器人的傳感器故障有3種故障模式[17]，分別是傳感器輸出信息保持不變、發(fā)生跳變、在時間軸上振蕩，那么它的模型就是強故障模型。在診斷強故障模型中，雖然檢測模式與檢測弱故障一樣，但是在隔離故障組件和識別故障模式具有挑戰(zhàn)性。通過CDA*診斷強故障模型效率比較低下，是因為在弱故障模型中，n個變量具有2n個搜索空間，但是在強故障模型中，平均m個強故障模式，共計mn個搜索空間。基于上述分析本文提出了一種基于沖突A*算法的改進方法，該方法的優(yōu)勢在于增加了一個擴展節(jié)點消減模塊，此模塊可以隔離故障，并且縮小診斷對象的域的大小，減少搜索次數(shù)，提高搜索效率?；谏窠?jīng)網(wǎng)絡(luò)的衛(wèi)星電源系統(tǒng)故障診斷方法需要大量的故障數(shù)據(jù)進行訓練，而衛(wèi)星電源系統(tǒng)故障數(shù)據(jù)量較少，并且神經(jīng)網(wǎng)絡(luò)的故障診斷方法移植性較差，與神經(jīng)網(wǎng)絡(luò)的故障診斷方法相比，基于定性模型的改進的沖突A*算法不需要大量的歷史數(shù)據(jù)，并且在強故障模型診斷中，改進的沖突A*算法移植性較強，可以適用于不同的衛(wèi)星電源系統(tǒng)。所以改進的沖突A*算法故障診斷方法可以更好地應(yīng)用于衛(wèi)星電源系統(tǒng)故障診斷。

1 改進的沖突A*算法原理

1.1 CSP原理

解釋沖突A*算法，需要定義約束滿足問題constraint satisfied problem (CSP)，CSP由(xDxCx)三部分組成，系統(tǒng)變量problem由部件x組件成，Dx表示部件x的域，在Dx內(nèi)包含部件x可能發(fā)生的狀態(tài)，Cx是部間的約束，約束Cx由一組變量x組成，變量的行為狀態(tài)范圍是在Dx內(nèi)，對于約束Cx：x→[true，false]。診斷結(jié)果應(yīng)該需要滿足約束Cx內(nèi)的任何x的賦值，即Cx[x]=true。為CSP設(shè)定屬性成本g的方法是通過多屬性成本函數(shù)，它將屬性成本g(x)與多個變量賦值Xi的先驗概率相關(guān)聯(lián)從而建立全局成本。大多數(shù)實際的多屬性決策問題[18]滿足稱為相互優(yōu)先獨立性的原則，即已被賦值的變量對余下的決策變量的特定賦值無關(guān)。在本文中對相互優(yōu)先獨立性的使用方法是對每個變量的屬性成本最大化。CSP的示例就是布爾電路，如圖1所示，由或門OR和與門AND組成。

圖1 布爾電路圖

輸入和輸出由圖1所示，即每個組件都處于3種可能模式中的一種模式，正常的模式(G)滿足正常的布爾元件的功能，壞的模式1(U1)表現(xiàn)為輸出常為1、壞的模式2(U2)輸出常為0。該示例采用的是候選的先驗概率，并且假設(shè)組件的概率是相互獨立的，布爾電路的部件狀態(tài)全局成本g由公式(1)計算可得：

g(y)=-∏ipi(yi)

(1)

式中，P={p0，p1，…，pi}表示部件處于某種狀態(tài)的概率，Y={y0，y1，…，yi}表示部件當前所處的狀態(tài)，每個部件當前所處的狀態(tài)Y與部件概率P是對應(yīng)的。固定成本的代價由乘法組成，在該示例中OR門壞的時候且輸出常為1的概率是0.5%、輸出常為0的概率是0.5%，AND門的輸出常為1的概率是0.25%，與門輸出常為0的概率是0.25%，滿足圖1所示的布爾電路解決方案是或門O1的狀態(tài)應(yīng)該是處于故障U2輸出常為0，即{03=G，O2=G，O1=U2，A2=G，A1=G}，全局成本g為0.9*0.9*0.05*0.95*0.95，為0.036 551 25。

1.2 改進的沖突A*算法

在離散空間搜索問題的最佳方法首選就是A*算法，A*算法是通過啟發(fā)式的方法去搜索解決方法。但在搜索速度上，伴隨著節(jié)點數(shù)目的增多，A*算法效率會有所減低?；跊_突的A*算法可以實現(xiàn)A*的加速，它的原理是通過選擇滿足沖突條件的節(jié)點來實現(xiàn)節(jié)點的刪減，從而實現(xiàn)搜索進度的加速，通俗地說，沖突就是一組狀態(tài)，這些狀態(tài)被證明了不滿足模型的約束。改進的沖突A*算法首先生成一個候選，并通過約束函數(shù)去測試候選，當候選診斷方案不滿足約束時，生成兄弟節(jié)點函數(shù)會生成多個可擴展節(jié)點，并且沖突函數(shù)會標記出不滿足約束的沖突部件，以及對應(yīng)的沖突部件當前狀態(tài)，當被標記的沖突部件被確定為發(fā)生故障的部件，改進的沖突A*算法會隔離故障部件的狀態(tài)，減小發(fā)生故障部件的域，從而實現(xiàn)快速識別故障模式。

改進的沖突A*算法有五大模塊組成，分別是節(jié)點預(yù)估代價函數(shù)f(x)、最佳子節(jié)點函數(shù)best-child(x)、擴展兄弟節(jié)點函數(shù)best-sibling(x)、目標測試函數(shù)goal-test-state(x)、沖突節(jié)點選擇函數(shù)conflict-select-node(x)。改進的沖突A*算法搜索過程是以生成搜索樹的形式進行葉節(jié)點選取，改進的沖突A*算法的如圖2所示。

圖2 改進的沖突A*算法

搜索樹的生成從根節(jié)點開始，最開始的可擴展節(jié)點集合中只有根節(jié)點，節(jié)點預(yù)估代價函數(shù)從可擴展節(jié)點集合中選取全局成本g最大的節(jié)點，也就是根節(jié)點，并將根節(jié)點放入生成最佳子節(jié)點函數(shù)，然后最佳子節(jié)點函數(shù)從第一個部件狀態(tài)中選取概率最大的狀態(tài)，生成節(jié)點n2，其中根節(jié)點n1是節(jié)點n2的父節(jié)點，然后遞歸使用生成最佳子節(jié)點函數(shù)，依次選擇相應(yīng)的部件狀態(tài)，生成相應(yīng)的節(jié)點，直至選擇最后一個部件并生成葉節(jié)點，葉節(jié)點里面的信息包含了從根節(jié)點到葉節(jié)點的部件狀態(tài)，因此葉節(jié)點可以作為候選診斷方案。

擴展兄弟節(jié)點函數(shù)使用葉節(jié)點，采用遞歸的方式，依次生成葉節(jié)點的兄弟節(jié)點，以及葉節(jié)點的父節(jié)點的兄弟節(jié)點，直到根節(jié)點為止結(jié)束遞歸，其中葉節(jié)點的兄弟節(jié)點表示的是和葉節(jié)點同樣的部件，但是是不同的部件狀態(tài)，葉節(jié)點的兄弟節(jié)點部件狀態(tài)概率僅小于葉節(jié)點的部件狀態(tài)概率。

目標測試函數(shù)是用于判斷候選診斷方案是否滿足部件輸出約束，當滿足部件輸出約束時，候選診斷方案添加到解決方案集solution，搜索結(jié)束，并輸出解決方案。當不滿足輸出約束時，相應(yīng)的函數(shù)會生成沖突集，沖突集包含了不滿足約束的部件狀態(tài)，以及確定的故障部件及其部件狀態(tài)。

沖突節(jié)點選擇函數(shù)包含了擴展節(jié)點消減模塊，沖突節(jié)點選擇函數(shù)在生成的擴展兄弟節(jié)點中選擇包含沖突集的節(jié)點，然后將這些節(jié)點放入可擴展節(jié)點集合中，用于下一次的搜索樹節(jié)點擴展。擴展節(jié)點消減模塊主要作用就是隔離故障，并消減故障部件的域，從而減少搜索空間。沖突節(jié)點選擇函數(shù)首先會標記出沖突部件，以及沖突部件的當前狀態(tài)，當沖突部件被判斷出是發(fā)生故障的部件時，選出用于擴展的沖突節(jié)點會移除含有發(fā)生故障部件狀態(tài)的節(jié)點，故障部件的狀態(tài)集會移除被標記出的故障部件狀態(tài)，這些可以縮小搜索空間，從而加快搜索進度，沖突節(jié)點選擇函數(shù)如下所示：

function conflict-select-node (sibling-nodes,

leaf-node, problem)

conflict-component←generate-conflict(

leaf-node, problem)

conflict-component-region←generate

-conflict-region (leaf-node, problem)

conflict-nodes←choose-conflict-node(

sibling-nodes, problem)

if true-conflict-component (

conflict-componet)

conflict-component-nodes←select

-conflict-component-node(conflict-nodes,

conflict-component-region)

else return conflict-nodes

return conflict-nodes

2 衛(wèi)星電源系統(tǒng)模型

2.1 模型基礎(chǔ)

定性模型建模的變量一般選取有限數(shù)目的定性值[19]，例如一些數(shù)值變量名稱：littlelow，low，middle，high，組件狀態(tài)也是有限數(shù)目的，比如：stuckhigh，stuckmiddle，stuckon，on，off等等。每個組件狀態(tài)表示了其輸入與輸出的約束關(guān)系。

定性模型的建模過程可分為四步。第一步是知識獲取，通過對系統(tǒng)的工作原理進行深入研究，明確工作部件之間的關(guān)系，并給出部件是否正常的判斷依據(jù)；第二步是范圍定義，通過系統(tǒng)的工作原理和故障判斷依據(jù)，合理的設(shè)置部件的特征變量和特征信息；第三部是模型創(chuàng)建，大多數(shù)系統(tǒng)表現(xiàn)的都是連續(xù)行為，由于建立的電源系統(tǒng)的模型是離散的，所以就需要建立有用的系統(tǒng)的離散描述；第四步就是模型測試，確?？梢詫ο到y(tǒng)模型的故障場景進行測試。

2.2 電源系統(tǒng)模型

在文獻[20]中，給出了典型的航天器電源系統(tǒng)結(jié)構(gòu)圖，該系統(tǒng)包含太陽能電池板(solarArray)，并聯(lián)調(diào)節(jié)器(S3R)，母線(BusBar)，充電調(diào)節(jié)器(BCR)，放電調(diào)節(jié)器(BDR)，電池組(accumulator)，其中方框內(nèi)表示的是電源系統(tǒng)組件，圓圈內(nèi)表示的是各個測點的傳感器，衛(wèi)星電源系統(tǒng)模型[21]如圖3所示。

圖3 衛(wèi)星電源系統(tǒng)模型

本文通過組件化的方法對衛(wèi)星電源系統(tǒng)進行建模，通過建立起各個組件的模型，然后按照電源系統(tǒng)的工作結(jié)構(gòu)，將各個模型連接起來，形成整個電源系統(tǒng)的工作模型。如表1所示，太陽能電池陣故障模式包含控制命令失效與電池陣短路，總共5種故障狀態(tài)，并聯(lián)調(diào)節(jié)器的故障模式有4種，母線、充電調(diào)節(jié)器、蓄電池、放電調(diào)節(jié)器的故障模式只有一種，因此衛(wèi)星電源系統(tǒng)在光照區(qū)會有狀態(tài)共計480種。

表1 光照區(qū)衛(wèi)星電源系統(tǒng)故障

本文通過組件化的方法對衛(wèi)星電源系統(tǒng)進行建模，通過建立起各個組件的模型，然后按照衛(wèi)星電源系統(tǒng)的工作結(jié)構(gòu)，將各個模型連接起來，形成整個衛(wèi)星電源系統(tǒng)的模型。以太陽能電池陣為例，在光照區(qū)內(nèi)太陽電池陣有3種狀態(tài)，分別是正常模式、控制命令失效和電池陣短路，其中控制命令失效有4種，包括一直輸出微弱電流、一直輸出小電流、一直輸出中電流及一直輸出大電流，太陽電池陣這6個狀態(tài)的程序設(shè)計為{solar-goodmode，solar-stuckhigh，solar-stuckmiddle，solar-stucklow，solar-stucklittle，solar-shortcircuit}，并且每個狀態(tài)對應(yīng)不同的概率。

本文采用lisp語言來建立衛(wèi)星電源系統(tǒng)模型，衛(wèi)星電源系統(tǒng)太陽電池陣部件狀態(tài)模型如圖5所示，圖(a)為太陽電池陣短路狀態(tài)，圖(b)為太陽電池陣處于一直輸出大電流的故障狀態(tài)。其中：position表示的是部件當前的狀態(tài)，用于解釋部件的故障狀態(tài)，：current表示的是部件當前狀態(tài)輸出電流值的大小，：biaoshi用于標識部件的名稱，在搜索樹中區(qū)分部件，：probability表示當前部件狀態(tài)發(fā)生的先驗概率，本文的太陽電池陣發(fā)生短路的概率是0.002。

太陽電池陣短路:

(defparameter solar-shortcircuit

(make-instance

'zhong

:position 'shortcircuit

:current 'zero

:biaoshi 'solar

:probability 0.002 ) )

太陽電池陣一直輸出大電流:

(defparameter solar-stuckhigh

(make-instance

'zhong

:position 'stuckhigh

:current 'big

:biaoshi 'solar

:probability 0.002 ) )

太陽電池陣輸出約束函數(shù)的輸入為太陽電池陣所處的狀態(tài)以及太陽電池陣的輸出命令，當太陽電池陣處于正常模式時，太陽電池陣按照輸出命令CmdIn輸出需要的電流，當太陽電池陣處于發(fā)生故障的情況下，太陽電池陣輸出當前狀態(tài)的電流，并聯(lián)調(diào)節(jié)器輸出約束函數(shù)的輸入為并聯(lián)調(diào)節(jié)器的當前狀態(tài)、太陽電池陣的輸出、并聯(lián)調(diào)節(jié)器的控制命令vmeanin，當并聯(lián)調(diào)節(jié)器處于正常狀態(tài)，并且太陽電池陣輸出不為零時，并聯(lián)調(diào)節(jié)器按照控制命令輸出相應(yīng)電流，當不滿足以上條件時，并聯(lián)調(diào)節(jié)器按照故障模式輸出相應(yīng)狀態(tài)的電流。

太陽電池陣輸出約束:

(defun solar-yueshu (solar cmdin)

(let (( output (slot-value solar 'output)))

(if (eql output 'G)

(slot-value solar cmdin)

(let (( nq (slot-value solar'position)))

(if (not (eql nq cmdin))

(slot-value solar 'current)

nil)))))

S3R輸出約束:

(defun s3r-yueshu ( s3r solary vmeain)

(let ((output (slot-value s3r 'output)))

(if (eql output 'G)

(if (eql solary 'zero)

solary

(s3r-good-yueshu solary vmeain))

(if (eql solary 'zero)

nil

(s3r-ungood-yueshu s3r solary vmeain)))))

3 算法測試

為了驗證本算法的有效性，進行了衛(wèi)星電源系統(tǒng)故障診斷測試，在測試中驗證了多種故障模式的診斷，如表2所示，給出了其中的3種測試診斷結(jié)果，以故障2為例，太陽電池陣的輸出命令CmdIn是middle，并聯(lián)調(diào)節(jié)器的輸出命令VmeaIn是middle，根據(jù)太陽電池陣的輸出約束函數(shù)和并聯(lián)調(diào)節(jié)器的輸出約束函數(shù)、以及其他部件的約束輸出函數(shù)，可以得到太陽電池陣、并聯(lián)調(diào)節(jié)器、充電調(diào)節(jié)器、放電調(diào)節(jié)器的預(yù)測輸出，當預(yù)測輸出與傳感器S1、S2、S3、S4觀測的數(shù)不一致，從而去判斷測試模式中存在故障部件以及部件發(fā)生的故障狀態(tài)。

表2 測試模式

圖4是故障模式2的搜索樹展開，節(jié)點n7代表的是候選1。

圖4 衛(wèi)星電源系統(tǒng)搜索樹展開

{Solar=G，S3R=G，BusBar=G，BCR=G，

Accumu=G，BDR=G}

候選1中部件為G表示部件處于正常狀態(tài)，電源系統(tǒng)部件輸出函數(shù)根據(jù)候選1可以得到S1至S4的預(yù)測傳感器數(shù)據(jù)值{S1=middle，S2=middle，S3=middle，S4=zero}，與傳感器數(shù)據(jù){S1=big，S2=big，S3=big，S4=zero}不相同，表示候選1不滿足部件輸出約束，得到?jīng)_突部件{Solar，S3R}和沖突集{Solar=G，S3R=G}，沖突部件集{Solar，S3R}被判斷為故障部件，沖突節(jié)點選擇函數(shù)在擴展的兄弟節(jié)點中提取出不包含沖突集{Solar=G，S3R=G}中這兩個部件狀態(tài)的節(jié)點，為節(jié)點n12和節(jié)點n13，因為節(jié)點n12的父節(jié)點中包含了故障部件solar的狀態(tài)solar=G，所以節(jié)點n12也被移除，只有節(jié)點n13被添加到擴展節(jié)點集中。沖突節(jié)點選擇函數(shù)中的擴展節(jié)點消減模塊將故障部件solar的狀態(tài)集{G，U1，U2，U3，U4，U5}移除不滿足輸出約束的狀態(tài)solar=G，縮小為{U1，U2，U3，U4，U5}，同樣故障部件S3R的狀態(tài)集也移除不滿足輸出約束的狀態(tài)S3R=G，縮小為{U1，U2，U3，U4}。通過節(jié)點預(yù)估代價函數(shù)，在擴展節(jié)點集中選擇了預(yù)估代價最大的節(jié)點n13，然后通過遞歸使用生成最佳子節(jié)點函數(shù)，生成了葉節(jié)點n18，同時葉節(jié)點n18代表候選2。

{Solar=U1，S3R=U1，BusBar=G，

BCR=G，Accumu=G，BDR=G}

候選2中的太陽電池陣的狀態(tài)為U1，U1為stuckhigh的故障狀態(tài)，即太陽電池陣一直輸出大電流，并聯(lián)調(diào)節(jié)器的狀態(tài)為U1，U1為bigbroken的故障狀態(tài)，即不能輸出大電流，與傳感器S2的觀測值big發(fā)生沖突，所以候選2不滿足輸出約束，得到?jīng)_突集{S3R=U1}，將候選2的沖突集與候選1的沖突集合并得到{Solar=G，S3R=G，S3R=U1}。沖突節(jié)點選擇函數(shù)在擴展的兄弟節(jié)點中根據(jù)沖突集提取出節(jié)點n23和節(jié)點n24，因為候選診2中{Solar=U1}滿足傳感器S1的輸出，所以節(jié)點n24被剔除，將節(jié)點n23添加到擴展節(jié)點集中。節(jié)點預(yù)估代價函數(shù)在擴展節(jié)點集中選擇了預(yù)估代價最大的節(jié)點n23，然后生成葉節(jié)點n28，也就是候選3。

{Solar=U1，S3R=U2，BusBar=G，BCR=G，Accumu=G，BDR=G}

系統(tǒng)部件輸出根據(jù)候選3得到預(yù)測傳感器數(shù)據(jù){S1=big，S2=big，S3=big，S4=zero}，與傳感器測量值相同。所以候選3滿足輸出約束，所以診斷結(jié)果為{Solar=stuckhigh，S3R=middlebroken}，也就是太陽能電池處于一直輸出大電流的故障狀態(tài)，并聯(lián)調(diào)節(jié)器處于不能輸出中電流的故障狀態(tài)。

表3表示的是在相同故障部件個數(shù)條件下，衛(wèi)星電源系統(tǒng)模型故障診斷測試的平均次數(shù)。在單重故障診斷測試中，因為改進的沖突A*算法相較于沖突A*算法是增加了一個擴展節(jié)點消減模塊，該模塊的主要作用是隔離故障部件以及減小搜索空間，當發(fā)生故障的部件個數(shù)為一個時，擴展節(jié)點消減模塊無法起到作用，所以改進的沖突A*算法和沖突A*算法的搜索次數(shù)是相同的，在多重故障診斷測試中，擴展節(jié)點消減模塊通過隔離故障部件并縮小故障部件的狀態(tài)空間，因此改進的沖突A*算法的搜索次數(shù)總是少于沖突A*算法的搜索次數(shù)，改進的沖突A*算法搜索效率相比沖突A*算法提升50%，與子句導向A*算法相比，在多重故障診斷中，改進的沖突A*算法的搜索次數(shù)也是少于子句導向的A*算法。

表3 衛(wèi)星電源故障測試次數(shù)

在衛(wèi)星電源系統(tǒng)模型故障診斷測試中，改進的沖突A*算法的故障診斷準確率為96%，當注入的故障部件處有傳感器時，改進的沖突A*算法可以準確并快速的定位故障部件狀態(tài)，若注入的故障部件處沒有傳感器，故障部件的輸出會影響下一級部件的輸出，改進的沖突A*算法無法準確定位故障部件，因此降低了改進的沖突A*算法的故障診斷準確率。

4 結(jié)束語

在對強故障模型的診斷中，針對強故障模型的搜索樹節(jié)點過多、診斷效率低下的缺點，提出一種改進的沖突A*算法診斷方法。在衛(wèi)星電源系統(tǒng)模型故障診斷測試中，因為有較多的傳感器檢測部件輸出，當發(fā)生故障時，改進的沖突A*算法可以快速地確定出發(fā)生故障的部件，并且與沖突A*算法相比，在發(fā)生多重故障的情況下，搜索效率提升了50%，有些部件處沒有傳感器進行檢測，當這些部件發(fā)生故障時，改進的沖突A*算法無法準確地定位故障部件，本文中部件故障模式均采用程序語言描述，部件故障狀態(tài)無法可視化，后續(xù)可以增加傳感器的數(shù)量，提高故障診斷效率，設(shè)計部件狀態(tài)圖像窗口實現(xiàn)部件故障狀態(tài)可視化。