鄒　磊，王小強(qiáng)，李俊瑤，王　俊，臧全杰

（西安衛(wèi)星測控中心，渭南714000）

測控設(shè)備故障診斷專家系統(tǒng)知識(shí)獲取方法研究

鄒磊，王小強(qiáng)，李俊瑤，王俊，臧全杰

（西安衛(wèi)星測控中心，渭南714000）

在高密度的衛(wèi)星測控任務(wù)下，測控設(shè)備自動(dòng)化的程度越來越高，人力參與測控的依賴度逐步降低，但這卻對設(shè)備故障診斷定位的準(zhǔn)確性、高效性提出了更高要求。而要提高自動(dòng)化程度，減少設(shè)備停機(jī)維修時(shí)間，就必然需要增強(qiáng)測控設(shè)備故障診斷的水平，提升設(shè)備故障診斷專家系統(tǒng)的自動(dòng)診斷能力。在故障診斷專家系統(tǒng)中，專家知識(shí)庫完備程度決定著系統(tǒng)診斷水平，診斷知識(shí)獲取則是知識(shí)庫的瓶頸。通過重點(diǎn)研究專家知識(shí)的獲取方法，以豐富專家系統(tǒng)知識(shí)庫為目的，提高專家系統(tǒng)故障快速定位診斷能力，達(dá)到減員增效的效果，促進(jìn)衛(wèi)星測控任務(wù)的順利執(zhí)行，有效推動(dòng)提升設(shè)備自動(dòng)化水平。

高密度；測控；自動(dòng)化；故障診斷；專家知識(shí)庫；知識(shí)獲取

1　引　言

實(shí)施衛(wèi)星測控任務(wù)時(shí)，測控設(shè)備出現(xiàn)故障將嚴(yán)重影響任務(wù)執(zhí)行工作。能否快速定位故障，采取相應(yīng)處理手段和應(yīng)急方案，解決設(shè)備故障，是保障任務(wù)能否圓滿完成的前提。在此背景下，測控設(shè)備故障診斷專家系統(tǒng)應(yīng)運(yùn)而生，它可快速定位故障發(fā)生位置，解決測控設(shè)備故障，減少甚至取代人工故障排除。專家系統(tǒng)一般包括知識(shí)獲取、知識(shí)表示、推理診斷三大功能，而知識(shí)獲取能力決定著專家系統(tǒng)的診斷水平［1－2］。但是領(lǐng)域?qū)＜姨峁┑闹R(shí)往往并不能滿足設(shè)備故障診斷的覆蓋率和診斷可靠性要求，尤其是現(xiàn)有測控設(shè)備雖然故障診斷系統(tǒng)得到重視，也有所研究，但實(shí)際應(yīng)用效果卻達(dá)不到要求。主要是因?yàn)閷＜抑R(shí)不全面、不系統(tǒng)，再者由于系統(tǒng)知識(shí)不能動(dòng)態(tài)更新，因而導(dǎo)致故障診斷系統(tǒng)在測控領(lǐng)域?qū)嵱眯Ч⒉幻黠@［3］。

一般故障頻發(fā)部件、發(fā)生周期都會(huì)隨著設(shè)備使用的不同階段而發(fā)生變化。在設(shè)備研制成型初期，由于設(shè)計(jì)、制作工藝等過程中存在的問題，故障率往往較高，故障解決周期長，這主要是由于新研設(shè)備狀態(tài)不穩(wěn)定，測試還不夠完善等。在初期問題解決后，設(shè)備進(jìn)入相對穩(wěn)定期，這時(shí)故障發(fā)生率降低，且趨于常數(shù)，整體性能趨于穩(wěn)定。而在設(shè)備接近使用壽命終結(jié)階段，由于設(shè)備老化、損耗等原因，故障發(fā)生概率增高，造成設(shè)備維護(hù)困難。這種設(shè)備故障發(fā)生概率隨整個(gè)設(shè)備使用周期所呈現(xiàn)出的故障曲線，形態(tài)上與浴盆極為相似，所以該曲線又稱之為“浴盆曲線”［4］，如圖1所示。圖1中曲線I是早期故障期，II是偶然故障期，III是損耗故障期，對應(yīng)于設(shè)備使用期故障發(fā)生的三個(gè)階段。因而在測控設(shè)備故障診斷專家系統(tǒng)中，專家知識(shí)除通過領(lǐng)域?qū)＜?、?jīng)驗(yàn)、模型等渠道獲取外，還需隨著設(shè)備使用的不同階段動(dòng)態(tài)更新。

圖1　浴盆曲線

2　專家知識(shí)分類

研究無差別、通用性知識(shí)的測控設(shè)備專家知識(shí)是重點(diǎn)，為方便維護(hù)和錄入，選擇與測控設(shè)備型號無關(guān)的通用性信息。鑒于測控設(shè)備用于接收遙外測信息，作為接收數(shù)據(jù)和控制衛(wèi)星通道的節(jié)點(diǎn)，結(jié)合專家系統(tǒng)中知識(shí)的一般性，將測控設(shè)備專家知識(shí)分類如下［5－6］：

經(jīng)驗(yàn)知識(shí)：領(lǐng)域?qū)＜议L期在測控領(lǐng)域研制設(shè)備的實(shí)踐中積累得到的知識(shí)，包括故障征兆、故障原因、解決方案等。這種知識(shí)對故障排除效率較高，應(yīng)用上較便捷。

狀態(tài)類知識(shí)：由設(shè)備傳感器、監(jiān)視板等上報(bào)的狀態(tài)類知識(shí)，包括枚舉類（如加去電狀態(tài)、通信狀態(tài)、鏈路狀態(tài)、電源狀態(tài)等）、數(shù)值類（如電壓值、電流值、信噪比、溫度、信號幅度等）。該類知識(shí)是由設(shè)備頂層設(shè)計(jì)時(shí)經(jīng)分析研討確定，可通過串口、網(wǎng)口等傳輸，實(shí)時(shí)監(jiān)視設(shè)備狀態(tài)，定位故障點(diǎn)，但未考慮到的故障點(diǎn)則無法排查。

控制類知識(shí)：用于協(xié)調(diào)測控設(shè)備各分系統(tǒng)運(yùn)作的策略性知識(shí)，提供咨詢意見、處理措施和維護(hù)解決策略等?？蓱?yīng)用于自動(dòng)化故障排查解決，提高設(shè)備的自動(dòng)化能力，降低人工干預(yù)程度。

邏輯分析類知識(shí)：基于測控設(shè)備的構(gòu)造、功能、信號流程等，通過建模、數(shù)學(xué)分析等手段獲得，涉及復(fù)雜的邏輯推理，具備強(qiáng)關(guān)聯(lián)性，并能對未知知識(shí)進(jìn)行預(yù)測。

3　專家知識(shí)獲取

3．1傳統(tǒng)方法

主要獲取途徑是通過領(lǐng)域?qū)＜议L期積累的經(jīng)驗(yàn)、領(lǐng)域知識(shí)，或長期積累的經(jīng)驗(yàn)公式、歸納總結(jié)以及數(shù)學(xué)反演等方法獲取的，再經(jīng)由知識(shí)工程師利用一些手段轉(zhuǎn)化為機(jī)器可以理解的專家知識(shí)，存入專家知識(shí)庫［7］，傳統(tǒng)獲取知識(shí)的方法如圖2所示。

圖2　傳統(tǒng)方法獲取專家知識(shí)

獲取后的知識(shí)規(guī)則表示形式一般為：If A then B，其中，A為故障征兆，B為故障結(jié)論。復(fù)雜形式（如故障可能由多個(gè)原因造成）則可表示為：If（A1 OR A2 OR A3…）then B或者If（A1 AND A2 AND A3…）then B，并由專門的語言解釋機(jī)制轉(zhuǎn)換為推理機(jī)可以識(shí)別的語言實(shí)現(xiàn)故障診斷。

（1）經(jīng)驗(yàn)積累

領(lǐng)域?qū)＜医?jīng)過長期故障診斷實(shí)踐和對設(shè)備認(rèn)知中不斷積累起來的經(jīng)驗(yàn)和知識(shí)，在設(shè)備故障排查中可直接給出故障原因，定位故障點(diǎn)，快速排除故障。由于是經(jīng)驗(yàn)知識(shí)，解決問題的效率較高。但設(shè)備維修經(jīng)驗(yàn)往往只有某幾個(gè)領(lǐng)域?qū)＜铱梢蕴峁?，隨著崗位調(diào)動(dòng)或其它原因，這類積累的經(jīng)驗(yàn)知識(shí)也就流失了。

（2）歸納總結(jié)

操作人員設(shè)備維護(hù)、檢修中歸納總結(jié)的故障診斷專家知識(shí)，經(jīng)過處理，以特定的方式進(jìn)行存儲(chǔ)。故障針對性強(qiáng)，出現(xiàn)相似的故障可快速排查解決，對未知的問題則無法診斷。而且這種專家知識(shí)故障征兆和診斷結(jié)論之間可能并沒有較強(qiáng)的因果關(guān)系，邏輯上不一定具備相關(guān)性。

（3）數(shù)學(xué)分析

通過數(shù)學(xué)分析，如數(shù)據(jù)樣本的差分、均值、方差等獲得數(shù)據(jù)樣本的特點(diǎn)，從數(shù)據(jù)中挖掘存在的價(jià)值信息，以對故障現(xiàn)象進(jìn)行定位。相比于經(jīng)驗(yàn)知識(shí)，這種知識(shí)具有嚴(yán)謹(jǐn)?shù)倪壿嬐评?，從原理上分析故障產(chǎn)生機(jī)理，準(zhǔn)確指導(dǎo)故障解決方案的制定。

通過上述方法獲取的專家知識(shí)表示如表1所示，之后按一定的規(guī)則存入知識(shí)庫。傳統(tǒng)方法獲取專家知識(shí)雖然方便、快捷，但還不能滿足測控設(shè)備自動(dòng)化故障診斷的要求。隨著設(shè)備的使用時(shí)間推移，設(shè)備老化等問題造成故障發(fā)生部位、發(fā)生期產(chǎn)生變化，相應(yīng)的專家知識(shí)也應(yīng)隨之動(dòng)態(tài)改變，因此需要研究深度挖掘、動(dòng)態(tài)更新專家知識(shí)的方法，即數(shù)據(jù)挖掘方法。

表1　故障診斷專家知識(shí)

3．2數(shù)據(jù)挖掘方法

數(shù)據(jù)挖掘方法主要通過領(lǐng)域?qū)＜一蛑R(shí)工程師利用某些手段，經(jīng)過數(shù)據(jù)挖掘方法將知識(shí)存入專家知識(shí)庫，如圖3所示。一般專家知識(shí)數(shù)據(jù)挖掘方法主要有主分量提取、人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、粗集理論、信息融合、模糊邏輯等。下面重點(diǎn)討論前兩種方法。

圖3　數(shù)據(jù)挖掘方法獲取專家知識(shí)

3．2．1主分量方法獲取

主成分分析法（Principal Component Analysis，PCA）的本質(zhì)是對樣本數(shù)據(jù)的降維處理，將樣本空間數(shù)據(jù)投影到新的空間中［8］，實(shí)際上是對樣本數(shù)據(jù)進(jìn)行坐標(biāo)變換，并不降低原始樣本數(shù)據(jù)的信息量，但卻可以有效分析樣本數(shù)據(jù)各指標(biāo)的貢獻(xiàn)率，在故障診斷中該貢獻(xiàn)率越高，則該指標(biāo)造成的故障可信度越高，診斷時(shí)應(yīng)優(yōu)先考慮。

主要算法如下所示：

（1）以某一時(shí)刻為起點(diǎn)，取得一組長度為N的樣本指標(biāo)X＝［x1，x2，xi，．．．xn］，隨后按固定頻率取同樣長度的一組指標(biāo)，共取得M組樣本指標(biāo)后構(gòu)成M×N維樣本空間。

（2）樣本空間中同一指標(biāo)的均值為：

協(xié)方差矩陣R＝［rij］為：

（3）計(jì)算協(xié)方差矩陣的特征值λ1，λ2，．．．λj，．．．λN。

（4）對（3）求取的特征值按大小排序，計(jì)算各指標(biāo)貢獻(xiàn)率Dj。

某一指標(biāo)的貢獻(xiàn)率為：

式中貢獻(xiàn)率Dj值所占比重越大，則其對樣本空間的影響比越高，所含信息量也就較多。在故障診斷時(shí)，以貢獻(xiàn)率作為故障可信度進(jìn)行參考分析，該比值越重，則說明該項(xiàng)影響造成設(shè)備故障的概率越高，可信度越高，故障排查時(shí)可優(yōu)先排查是否是此項(xiàng)造成的設(shè)備問題。

設(shè)備信道某模塊有兩種狀態(tài)：正常，故障。兩種狀態(tài)各取2組監(jiān)測值，每組取5個(gè)指標(biāo)數(shù)據(jù)（溫度、雜波抑制度、信噪比、信號幅度、信號增益），得到4×5樣本矩陣。首先利用式（5）對數(shù)據(jù)樣本實(shí)現(xiàn)歸一化，得到無量綱樣本數(shù)據(jù)。

對歸一化得到的無量綱樣本數(shù)據(jù)進(jìn)行主分量分析，得到特征值如表2所示。

表2　PCA得到的樣本特征值

表2中可看到第五個(gè)特征值的貢獻(xiàn)率最高，對應(yīng)于信號增益，說明信號增益的影響對該模塊的影響最大，實(shí)際上也是信號增益對該模塊狀態(tài)影響最大，這與實(shí)際情況相對應(yīng)，進(jìn)而也驗(yàn)證了主分量分析法應(yīng)用于測控設(shè)備故障診斷專家知識(shí)的提取是可行的。

3．2．2基于BP神經(jīng)網(wǎng)絡(luò)的知識(shí)獲取

神經(jīng)網(wǎng)絡(luò)是源于人工智能神經(jīng)元的思想，而BP神經(jīng)網(wǎng)絡(luò)具備信息正向傳播和誤差反向傳播的特點(diǎn)［9］，結(jié)構(gòu)如圖4所示。學(xué)習(xí)過程是通過比較實(shí)際輸出值和期望輸出值之間的差值，當(dāng)差值大于門限值，則通過原來的路徑返回，按照誤差調(diào)整原來路徑中神經(jīng)元的權(quán)值和閾值。經(jīng)過調(diào)整后，信息再次在路徑中正向傳輸，如此反復(fù)直至所有神經(jīng)元節(jié)點(diǎn)誤差達(dá)到期望值，或訓(xùn)練次數(shù)達(dá)到預(yù)定值則學(xué)習(xí)過程結(jié)束［10］。

圖4　神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

對學(xué)習(xí)樣本S＝｛X1，X2，．．．，Xn｝，各樣本節(jié)點(diǎn)權(quán)重W＝｛W1，W2，．．．，Wm｝，對節(jié)點(diǎn)Xi，利用S函數(shù)計(jì)算實(shí)際輸出O1和誤差Err1，對權(quán)重修改得到W′＝｛W′1，W′2，．．．，W′m｝。以此方法對所有樣本節(jié)點(diǎn)進(jìn)行循環(huán)求解，直到所有誤差達(dá)到目標(biāo)值，滿足系統(tǒng)要求為止［11］。

選取數(shù)據(jù)樣本為信道艙某模塊的電壓指標(biāo)值、電流值指標(biāo)值、信噪比指標(biāo)值、溫度指標(biāo)值以及AGC指標(biāo)值。

利用神經(jīng)網(wǎng)絡(luò)模型對歸一化數(shù)據(jù)訓(xùn)練，樣本數(shù)據(jù)為20×5矩陣，取前19×5的數(shù)據(jù)為訓(xùn)練樣本，1×5數(shù)據(jù)矩陣作為測試矩陣。學(xué)習(xí)速率0．05，訓(xùn)練次數(shù)5000，訓(xùn)練目標(biāo)1×10－3，隱含層神經(jīng)元6個(gè)，輸出層神經(jīng)元1個(gè)，隱層傳遞函數(shù)tansig，輸出層傳遞函數(shù)purelin，梯度下降學(xué)習(xí)函數(shù)traingdm，性能函數(shù)mse。通過仿真，得到訓(xùn)練誤差曲線如圖5所示，測試矩陣真實(shí)值與預(yù)測值比較圖如圖6，其中得到訓(xùn)練后的MSE誤差為0．099%，準(zhǔn)確率接近100%。

圖6中可以看出，通過BP神經(jīng)網(wǎng)絡(luò)仿真得到的數(shù)據(jù)值與樣本真實(shí)值基本一致，可見通過該方法獲得的值可以用來進(jìn)行故障診斷專家知識(shí)的提前預(yù)知，并能以此為依據(jù)，提前發(fā)現(xiàn)設(shè)備可能出現(xiàn)的故障，有助于幫助設(shè)備人員在執(zhí)行任務(wù)之前發(fā)現(xiàn)問題，排除設(shè)備隱患，為任務(wù)完成提供保障。

圖5　訓(xùn)練誤差曲線圖

圖6　預(yù)測值與真實(shí)值比較圖

由BP神經(jīng)網(wǎng)絡(luò)方法獲取的專家知識(shí)具有統(tǒng)一的內(nèi)部表示形式，任何形式的知識(shí)都可以通過對范例的學(xué)習(xí)存儲(chǔ)在網(wǎng)絡(luò)的連接權(quán)值中，信息量大。而且BP神經(jīng)網(wǎng)絡(luò)具有預(yù)測作用，通過對現(xiàn)有數(shù)據(jù)分析，運(yùn)用網(wǎng)絡(luò)模型，對可能出現(xiàn)的情況進(jìn)行推理，提前預(yù)知知識(shí)，拓展了專家系統(tǒng)獲取知識(shí)的方法。

4　結(jié)束語

通過對測控設(shè)備專家知識(shí)分類，研究獲取測控設(shè)備故障診斷專家知識(shí)的傳統(tǒng)方法和數(shù)據(jù)挖掘方法，著重分析基于主分量分析法和基于神經(jīng)網(wǎng)絡(luò)的提取方法。對基于主分量分析法的研究可用于提取診斷主要特征量，獲取導(dǎo)致故障的主要因素。對基于神經(jīng)網(wǎng)絡(luò)的專家知識(shí)提取方法進(jìn)行分析，可在測控設(shè)備的長期使用中動(dòng)態(tài)更新故障知識(shí)權(quán)重，依據(jù)設(shè)備性能更新專家知識(shí)。研究結(jié)果對基于測控設(shè)備的專家知識(shí)提取奠定了基礎(chǔ)，有助于提高故障診斷專家知識(shí)的提取效率，增強(qiáng)故障診斷專家系統(tǒng)的實(shí)用性。

［1］Lianxiang Jiang，Huawang Li，Genqing Yang，et al．Knowledge Acquisition Model for Satellite Fault Diagnosis Expert System［C］．2009 International Conference on Computational Intelligence and Software Engineering，2009．

［2］陳瑋，胡光銳，汪亞平．飛行器故障診斷專家系統(tǒng)中的知識(shí)獲取機(jī)制［J］．上海交通大學(xué)學(xué)報(bào)，2000，34（6）：845－847．Chen Wei，Hu Guang－rui，Wang Ya－ping．Knowledge Acquisition in an Expert System for Fault Diagnosis of Certain Spacecraft［J］．Journal of Shang Hai Jiao Tong University，2000，34（6）：845－847．

［3］倪維斗，蔣東翔，于文虎．大型電站診斷系統(tǒng)中知識(shí)處理方法［J］．清華大學(xué)學(xué)報(bào)（自然科學(xué)版），1996（7）：36－40．Ni Wei－dou，Jiang Dong－xiang，Yu Wen－h(huán)u．Study on the methods of knowledge processing in an intelligent diagnostic system for large scale power plants［J］．Journal of Tsinghua University（Sci＆Tech），1996（7）：36－40．

［4］馬紀(jì)明，萬蔚，曾聲奎．基于浴盆曲線故障率函數(shù)的FFOP預(yù)計(jì)方法［J］．航空學(xué)報(bào)，2012，33（9）：1664－1670．Ma Ji－ming，Wan Wei，Zeng Sheng－kui．FFOP Prediction on Method Based on Bathtub－Shaped Failure Rate Function［J］．Acta Aeronautica et Astronautica Sinica，2012，33（9）：1664－1670．

［5］張躍，李德英，黃文虎．飛船系統(tǒng)故障診斷的知識(shí)模型［J］．系統(tǒng)工程理論與實(shí)踐，1996，16（9）：51－57．Zhang Yue，Li De－ying，Huang Wen－Hu．Knowledge Model of Failure Diagnosis for Spacecraft System［J］．Journal of Systems Science and Information，1996，16（9）：51－57．

［6］徐江濤．航天器故障專家知識(shí)模型的建立方法研究［J］．西安工業(yè)大學(xué)學(xué)報(bào)，2013（5）：363－367． XU Jiang－tao．A Method for Establishing A Spacecraft Fault Diagnosis Expert Knowledge Model［J］．Journal of Xi'an Technological University，2013（5）：363－367．

［7］黃考利，連光耀，楊葉舟，等．裝備故障診斷專家系統(tǒng)知識(shí)獲取方法［J］．計(jì)算機(jī)工程，2004，30（23）：162－164．Huang Kao－li，Lian Guang－yao，Yang Ye－zhou，et al．Method of Knowledge Acquisition in the Fault Diagnosis Expert System of Equipment［J］．Computer Engineering，2004，30（23）：162－164．

［8］柴敏，楊悅，徐小輝，等．面向故障診斷的航天器遙測數(shù)據(jù)降維分析技術(shù)［J］．彈箭與制導(dǎo)學(xué)報(bào)，2014，34（1）：150－153．Chai Ming，Yang Yue，Xu Xiao－Hui，et al．The Dimension Reduction Analysis of Spacecraft's Telemetry Data for Fault Diagnosis［J］．Journal of Projectiles，Rockets，Missiles and Guidance，2014，34（1）：150－153．

［9］Azcarraga A，Hsieh M，Shan－Ling Pan，et al．Knowledge acquisition and revision via neural networks［C］．2004 IEEE International Joint Conference on Neural Networks，2004，2（2）：1365－1370．

［10］陳果，宋蘭琪，陳立波．基于神經(jīng)網(wǎng)絡(luò)規(guī)則提取的航空發(fā)動(dòng)機(jī)磨損故障診斷知識(shí)獲?。跩］．航空動(dòng)力學(xué)報(bào)，2008（12）：2170－2176．Chen Guo，Song Lan－qi，Chen Li－bo．Knowledge acquisition for aero－engine wear fault diagnosis based on rule extraction from neural networks［J］．Journal of Aerospace Power，2008（12）：2170－2176．

［11］Li－Min Su，Hong Zhang，Chao－Zhen Hou，et al．Research on an improved genetic algorithm based knowledge acquisition［C］．2002 International Conference on Machine Learning and Cybernetics，2002（1）：455－ 458．

Research on Knowledge Acquisition Method of Fault Diagnosis Expert System for Measurement and Control Equipment

Zou Lei，Wang Xiaoqiang，Li Junyao，Wang Jun，Zang Quanjie
（Xi＇an Satellite Measurement and Control Center，Weinan 714000，China）

In the task of high density satellite tracking，the dependence degree from human＇s involvement and control decreases with the higher automation degree of measurement and control equipment，but requirements of the equipment fault diagnosis and location accuracy and efficiency increase accordingly．In order to improve the degree of automation and reduce the time of the equipment downtime and maintenance，it is necessary to strengthen fault diagnosis level of the measurement and control equipment and enhance the automatic diagnosis ability of equipment fault diagnosis expert system．In the system，expert knowledge base affects the degree of diagnosis and knowledge acquisition is the bottleneck of the base．The acquisition method for the expert knowledge is researched to enrich knowledge base of expert system，improve the fault rapid positioning diagnosis ability，achieve downsizing effect，promote the smooth implementation of the satellite TT＆C missions and improve the level of equipment automation effectively．

High－density；Measurement and control；Automation；Fault diagnosis；Expert knowledge base；Knowledge acquisition

10．3969／j．issn．1002－2279．2016．05．022

TP277

A

1002－2279（2016）05－0092－05

鄒磊（1987－），男，陜西省漢中市人，工程師。主研方向：航天測控。

2016－01－28