張經(jīng)偉　鞠建波

摘 要： 針對某型電臺的智能故障診斷，提出了故障樹與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的診斷系統(tǒng)模型。BP神經(jīng)網(wǎng)絡(luò)的參數(shù)由故障樹提取，具體診斷時，首先通過對發(fā)生的故障與故障實例庫進行匹配，如果匹配成功，找出已有故障的維修策略，如果不匹配，則進入BP神經(jīng)網(wǎng)絡(luò)模塊對新發(fā)生的故障進行診斷。結(jié)合這兩種方法的電臺故障診斷系統(tǒng)診斷速度快，準確率高，實用性強，在機載電子設(shè)備故障診斷中具有良好的應(yīng)用前景。

關(guān)鍵詞： 故障診斷； FTA； BP神經(jīng)網(wǎng)絡(luò)； 系統(tǒng)建模

中圖分類號： TN919.4?34 文獻標識碼： A 文章編號： 1004?373X（2015）01?0090?03

Abstract： A fault diagnosis system model combining with fault tree and BP neural network is put forward for intelligent fault diagnosis of a certain radio station. The parameters of BP neural network are extracted by fault tree. Before diagnosing， the occurred fault is matched with fault case library. If matching is successful， try to find out a maintenance policy of the fault. Otherwise， enter BP neural network module to diagnose the faults. The diagnosis system combining with the two methods has high diagnosis speed， high accuracy and good practicability. It has a perfect application prospect in the fault diagnosis of airborne electronic equipments.

Keywords： fault diagnosis； FTA； BP neural network； system modeling

0 引 言

機載自動檢測設(shè)備（Automatic Test Equipment， ATE）大大提高了部隊機務(wù)保障水平，但是ATE對設(shè)備故障的診斷能力較弱。部隊機載電子設(shè)備性能日益增強、完善，設(shè)備功能結(jié)構(gòu)更復(fù)雜、集成度更高。出現(xiàn)故障時，如果將故障定位到元器件級，其難度大、耗時長，將降低飛機的使用率和出勤率；如果將故障準確定位到板級（Ship Replace Unit，SRU），就能迅速更換插板，提高設(shè)備的維修效率。

某型電臺[1]是新一代飛機的新型抗干擾通信電臺，代表性較強。本文以該電臺為例，將故障樹分析法（Fault Tree Analysis，F(xiàn)TA）[2]與人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）[3]方法融合，設(shè)計機載電子設(shè)備的智能故障診斷系統(tǒng)模型，該系統(tǒng)能獲取ATE的測試數(shù)據(jù)并進行處理，將故障定位到板級，并能對診斷過程及其結(jié)果做出解釋。

1 FTA建立某型電臺故障模型

某型電臺有三種工作狀態(tài)：常規(guī)工作狀態(tài)，抗干擾工作狀態(tài)和救生工作狀態(tài)。常規(guī)工作狀態(tài)有AM（調(diào)幅）和FM（調(diào)頻）兩種工作方式；抗干擾工作狀態(tài)有DS（擴頻）和DS+FH（擴頻+調(diào)頻）兩種工作方式；救生工作狀態(tài)除頻率不同外，與常規(guī)工作狀態(tài)基本一致。

電臺采用模塊化設(shè)計，只有一個LRU（Line Replace Unit），由9個SRU構(gòu)成。該電臺可能出現(xiàn)的故障現(xiàn)象有八種[4]，如圖1所示。

該電臺的每種故障現(xiàn)象都是由某個或某幾個SRU模塊故障導致。各SRU模塊故障的征兆表現(xiàn)為其相關(guān)測試項目超差，即相關(guān)性能指標超出標稱值范圍。根據(jù)電臺的功能結(jié)構(gòu)利用FTA方法得出各故障的模型。

以“常規(guī)發(fā)正常，收不正常”為例，將該故障現(xiàn)象作為頂事件，導致頂事件發(fā)生的各SRU故障作為中間事件，各SRU故障的相關(guān)超差項目作為底事件，建立如圖2所示故障樹，即為該故障的故障模型。用同樣的分析方法可以得到另外七種故障的故障模型。

由于機載電子設(shè)備絕大多數(shù)是單故障，故在此只研究單故障情況，不考慮多故障。該模型中，底事件即各相關(guān)測試項目超差用“1”表示，正常用“0”表示；SRU模塊故障用“1”表示，正常用“0”表示。由此得出常規(guī)發(fā)正常、收不正常的推理規(guī)則：[1 1 1 0 1 1 0 1 0 ]，[1 1 0 1 1 1 1 0 1]。如第一條規(guī)則表示：UUT收信端電流超差，UUT收信端功耗超差，發(fā)射功率超差，側(cè)音特性正常，主接收機靈敏度超差，主接收機靜噪超差，主接收機音頻正常；前面板模塊發(fā)生故障，主接收機模塊正常。用同樣的方法可以得到另外七種故障模型的推理規(guī)則。出現(xiàn)故障時，每一種故障的相關(guān)測試項目超差情況和故障模式之間的對應(yīng)關(guān)系只有一種，它們之間的對應(yīng)關(guān)系即為推理規(guī)則。例如，當電臺出現(xiàn)常規(guī)發(fā)正常、收不正常故障現(xiàn)象時，如果是主接收機模塊出現(xiàn)故障，則推理規(guī)則必然是[1 1 0 1 1 1 1 0 1]。這八種故障現(xiàn)象的推理規(guī)則將作為神經(jīng)網(wǎng)絡(luò)的輸入和輸出對其進行訓練。

ANN處理問題的關(guān)鍵在于參數(shù)和算法，而故障樹包含了所有頂事件的信息，可以利用故障樹來提取ANN所需要的參數(shù)。ANN與FTA相結(jié)合既解決了ANN的參數(shù)提取問題，又避免了FTA方法無法快速有效地分析復(fù)雜問題的弊端。因此，基于FTA與ANN相融合的故障診斷系統(tǒng)在故障診斷中有很大的優(yōu)勢。

BP神經(jīng)網(wǎng)絡(luò)是應(yīng)用最廣的神經(jīng)網(wǎng)絡(luò)之一，在此選擇BP神經(jīng)網(wǎng)絡(luò)作為故障診斷系統(tǒng)的ANN模塊。電臺的各個測試點數(shù)據(jù)由ATE可以全面測出，由故障樹提取BP神經(jīng)網(wǎng)絡(luò)運算所需參數(shù)，故障診斷系統(tǒng)將所提取的參數(shù)對應(yīng)的數(shù)據(jù)進行一系列的推理計算從而將故障定位到具體SRU模塊。

故障模型的推理規(guī)則將作為故障診斷系統(tǒng)中神經(jīng)網(wǎng)絡(luò)的輸入和輸出對神經(jīng)網(wǎng)絡(luò)進行訓練。

2 智能故障診斷系統(tǒng)建模

故障樹分析法（FTA）與人工神經(jīng)網(wǎng)絡(luò)（ANN）相融合是故障診斷技術(shù)的一個重要方向[5]。ANN是一種有自適應(yīng)能力的神經(jīng)單元構(gòu)成的并行互聯(lián)網(wǎng)絡(luò)，能模擬人腦神經(jīng)的行為，是能進行分布式信息并行處理的數(shù)學模型。其并行計算和自組織學習能力在故障診斷中得到廣泛應(yīng)用。其實質(zhì)是對人腦結(jié)構(gòu)和思維能力的雙重模擬，ANN的自組織學習能力能夠考慮到基于故障樹的專家系統(tǒng)無法考慮到的工作狀態(tài)，并且具有并行運算與快速診斷的特點，在對復(fù)雜系統(tǒng)實時監(jiān)控與故障診斷中有很大優(yōu)勢。

建立的智能故障診斷系統(tǒng)模型如圖3所示[6]。

此電臺故障診斷系統(tǒng)具有以下特點：

（1）知識規(guī)則通過BP神經(jīng)網(wǎng)絡(luò)的訓練存儲于各神經(jīng)元連接權(quán)重中，存儲容量大，且便于知識庫的組織與管理。推理過程為神經(jīng)網(wǎng)絡(luò)的并行數(shù)值計算，推理速度快。該系統(tǒng)將知識表示、存儲與推理融為一體。

（2）由故障樹歸納出所有電臺故障模式，除去了冗余的故障數(shù)據(jù)，得到BP神經(jīng)網(wǎng)絡(luò)所需的訓練樣本。二者結(jié)合既解決了故障樹診斷速度慢的問題，也解決了神經(jīng)網(wǎng)絡(luò)存在的訓練樣本整理困難的問題。

（3）該BP神經(jīng)網(wǎng)絡(luò)的訓練只需少量的測試數(shù)據(jù)，而且數(shù)據(jù)的處理很簡單，即只需進行超差判斷，得到“0”和“1”兩種情況，不需要對測試數(shù)據(jù)進行歸一化，從而節(jié)省了工作量，提高了診斷效率。

3 智能故障診斷流程

（1） FTA診斷

電臺出現(xiàn)故障后，首先在故障樹基礎(chǔ)上進行初步排查，得出初步診斷結(jié)論，如果故障已經(jīng)被定位到具體SRU模塊，則給出故障處理建議，如果未能定位故障，則進入BP神經(jīng)網(wǎng)絡(luò)故障診斷模塊進行推理。

（2） BP神經(jīng)網(wǎng)絡(luò)診斷

在BP神經(jīng)網(wǎng)絡(luò)診斷模塊中，首先從ATE測得的所有數(shù)據(jù)中讀入故障樹提取的神經(jīng)網(wǎng)絡(luò)所需參數(shù)，并進行超差判斷。

電源模塊診斷。由于電源模塊出現(xiàn)故障會導致設(shè)備各項性能指標超差，出現(xiàn)很多故障，所以首先診斷電源模塊，調(diào)用電壓超差判斷結(jié)果，電壓超差值為1則說明電源模塊故障，為0則說明電源模塊正常；若電源模塊正常，則診斷其他模塊。

其他模塊診斷。每種故障現(xiàn)象對應(yīng)一個神經(jīng)網(wǎng)絡(luò)診斷子模塊，診斷前預(yù)先利用診斷推理規(guī)則將各子神經(jīng)網(wǎng)絡(luò)訓練好。在實際診斷中，先根據(jù)明顯的故障現(xiàn)象選擇對應(yīng)的子模塊，該子模塊自動調(diào)用與之相關(guān)的項目超差判斷結(jié)果作為子神經(jīng)網(wǎng)絡(luò)的輸入，輸出即為定位到SRU模塊的診斷結(jié)果；如果故障現(xiàn)象不明顯，則利用各子模塊依次進行故障診斷，將故障定位到各SRU模塊。

電臺故障診斷具體流程如圖4所示。

4 結(jié) 語

在建立的電臺故障診斷模型中，結(jié)合了FTA與BP神經(jīng)網(wǎng)絡(luò)兩種方法。在BP神經(jīng)網(wǎng)絡(luò)診斷模塊，故障現(xiàn)象明顯時只需選擇相應(yīng)的子神經(jīng)網(wǎng)絡(luò)進行診斷，而不需進行整機級全面的診斷；故障現(xiàn)象模糊不定時，由各子神經(jīng)網(wǎng)絡(luò)依次進行診斷。這樣加強了故障的診斷性，減少了工作量，提高了診斷效率。

該電臺故障診斷系統(tǒng)具有診斷速度快、診斷結(jié)果準確率高的特點，具有較好的實用性，在機載電子設(shè)備故障診斷中具有良好的應(yīng)用前景。

參考文獻

[1] 信息產(chǎn)業(yè)部電子第十研究所.K/TKR125電臺測試維修手冊[M].成都：信息產(chǎn)業(yè)部電子第十研究所，2001.

[2] 黎奇志，胡國平.基于故障樹和模糊推理的故障診斷研究[J].微計算機信息，2011，27（8）：186?189.

[3] WANG M H， HUNG C P. Extension neural network and its applications [J]. Neural Networks， 2003， 16（5）： 779?784.

[4] 王秋彥.機載電子設(shè)備智能故障診斷系統(tǒng)研究與實現(xiàn)[D].煙臺：海軍航空工程學院，2009.

[5] 胡嚴思.基于FTA和BAM神經(jīng)網(wǎng)絡(luò)的飛機故障診斷系統(tǒng)研究[D].長沙：湖南大學，2012.

[6] 敖志剛.人工智能及專家系統(tǒng)[M].北京：機械工業(yè)出版社，2010.

[7] 孫即祥.現(xiàn)代模式識別[M].長沙：國防科技大學出版社，2002.