劉 涌，李海潮，弓喜忠，詹炳光

(西安衛(wèi)星測控中心，西安 710043)

基于案例推理的航天測控設(shè)備故障診斷*

劉 涌*，李海潮，弓喜忠，詹炳光

(西安衛(wèi)星測控中心，西安 710043)

針對航天測控設(shè)備故障診斷難度日益增大的問題，將基于案例推理方法應(yīng)用于設(shè)備故障診斷中。首先提出用故障信息規(guī)范描述、特征屬性集和屬性字典的三元組合結(jié)構(gòu)來表示案例的方法，利用數(shù)據(jù)庫管理系統(tǒng)建立故障案例庫；然后通過對目標(biāo)案例的特征屬性集元素進行刪補及位序調(diào)整，構(gòu)造出與源案例特征屬性集同構(gòu)的特征屬性陣列，以此計算案例的局部相似度；最后利用最近鄰搜索策略計算案例間的全局相似度，完成對目標(biāo)案例的搜索和問題的求解過程。應(yīng)用實例表明，該方法案例表示結(jié)構(gòu)清晰，易于建立案例庫，能快速獲得故障問題的解決方案，且診斷精度較高，有效提高了設(shè)備故障診斷效率。

航天測控設(shè)備；故障診斷；基于案例推理；特征屬性陣列；案例相似度

1 引 言

隨著航天測控設(shè)備的復(fù)雜度不斷提高[1]，其故障診斷的動態(tài)模型建立變得更加困難，這無疑增加了設(shè)備故障處理的難度。而在測控設(shè)備故障診斷研究中，采用基于規(guī)則的診斷專家系統(tǒng)[2]能有效處理故障問題，但因設(shè)備復(fù)雜的非線性結(jié)構(gòu)，使知識獲取成為系統(tǒng)瓶頸;采用基于故障樹的診斷法[3]對故障診斷提供了支持，但因故障樹結(jié)構(gòu)龐大，計算復(fù)雜，定量分析有困難。由經(jīng)驗知道，對設(shè)備故障的處理往往會借鑒以前成功的案例來求解當(dāng)前問題。因此，考慮將基于案例推理(Case-Based Reasoning,CBR)的技術(shù)[4]引入到航天測控設(shè)備故障診斷領(lǐng)域中，利用設(shè)備的歷史故障案例建立一種智能故障診斷方法，為測控設(shè)備故障診斷提供新的途徑。

目前國內(nèi)外對CBR技術(shù)的研究已取得了許多優(yōu)秀成果[5]，在各工程領(lǐng)域中CBR也得到了應(yīng)用。但由于采用了不同的案例表示法和搜索算法，使一些應(yīng)用在推理過程中存在檢索效率較低、相似度計算精度不夠高等問題。為此，本文給出一種組合結(jié)構(gòu)型案例表示法，研究了故障問題轉(zhuǎn)化為故障案例的表示過程，以此構(gòu)建航天測控設(shè)備故障案例庫；對當(dāng)前案例的特性屬性集元素采用刪補、對齊等調(diào)整策略，構(gòu)造了案例間的特征屬性同構(gòu)陣列，并利用此陣列和最近鄰搜索策略，完成目標(biāo)案例和源案例之間的相似度計算，實現(xiàn)案例檢索和問題求解過程；最后，結(jié)合實例分析驗證了方法的應(yīng)用效果。

2 基于案例推理技術(shù)

CBR借助以前求解類似問題的經(jīng)驗，采用類比推理方法來求解新問題。其主要過程如下：

(1) 案例表示——對新問題進行分析、描述，提取故障特征，表示為當(dāng)前案例；

(2) 案例檢索——利用特征屬性計算案例相似度，從案例庫中獲取最相似案例；

(3) 案例重用——將最相似案例的決策結(jié)果重用到當(dāng)前案例中，對問題求解；

(4) 案例調(diào)整——對案例給出的不滿意方案進行調(diào)整和修改；

(5) 案例保留——按照某種策略將新案例納入到案例庫中。

由此知，CBR的核心是案例庫，CBR的基礎(chǔ)是對故障案例的合理表示。

3 CBR案例庫的建立

3.1 故障案例的表示

航天測控設(shè)備，比如S頻段統(tǒng)一載波設(shè)備，結(jié)構(gòu)復(fù)雜，其可分為天伺饋、信道、基帶等分系統(tǒng)，各分系統(tǒng)再劃分為若干子系統(tǒng)，各子系統(tǒng)又包含多個功能模塊或部件。設(shè)備的這種結(jié)構(gòu)使其故障部位多變、形式多樣，而對這些歷史故障問題多數(shù)僅做了簡單記錄，未將其描述為故障案例的表示形式，無法為CBR所用。

案例表示是指將問題記錄轉(zhuǎn)化為故障案例的過程，它是構(gòu)建案例庫的基礎(chǔ)，對問題求解效率影響大。案例表示方法較多，采用故障“信息規(guī)范描述+特征屬性集+屬性字典”三元組合結(jié)構(gòu)表示法，能更好地滿足CBR技術(shù)要求。

3.1.1 故障信息規(guī)范描述

在設(shè)備問題的歷史記錄中，對故障的信息描述缺乏規(guī)范，使故障問題無法表述為案例。通過收集、整理歷史故障事件，對其產(chǎn)生機理、原因及規(guī)律進行分析后，將故障信息用表1中列出的10個規(guī)范子項結(jié)構(gòu)加以描述，能完整地表達出案例所包含的故障信息。

表1 故障信息的規(guī)范描述Tab.1 The normalized description of fault information

3.1.2 故障的特征屬性

僅對故障信息做規(guī)范化描述，還無法直接利用CBR進行檢索來求得問題的解，必須從故障問題的描述信息中進一步提取故障的特征屬性[6]，由特征屬性來做案例間的相似性比較。

故障特征屬性就是設(shè)備故障所表現(xiàn)出的征兆。對故障問題做深層分析，根據(jù)征兆提取故障的有效特征屬性，并監(jiān)測出設(shè)備異常狀態(tài)時的各屬性值。假設(shè)用面向框架模式對案例進行表示，得到案例集C={C1,C2,…,Ci,…,Cn}，其中Ci=表示案例集C中第i個案例,IDi是案例編號；Si={si1,…,sij,…,siq}表示案例特征屬性集，四元組sij是Si的第j個特征屬性：

sij=，0

(1)

式中:aij為屬性類型，fij為屬性名稱，vij為屬性值，wij為屬性權(quán)重。權(quán)重值是屬性對故障的影響程度和作用大小，可通過經(jīng)驗定權(quán)。

3.1.3 故障的特征屬性字典

一般地，故障特征屬性的名稱用文字描述，特征值也有不同的數(shù)據(jù)類型。因此，案例間的屬性會存在概念不規(guī)范、度量不統(tǒng)一等問題，導(dǎo)致當(dāng)前案例在搜索中難以找到與之匹配的源案例特征屬性，無法計算案例相似度。為避免此情況，建立了設(shè)備故障的特征屬性字典，利用字典對故障特征屬性進行規(guī)范化和標(biāo)準(zhǔn)化。

屬性字典是一種知識表示，由領(lǐng)域?qū)＜腋鶕?jù)相關(guān)規(guī)范性文件、資料等，對設(shè)備特征屬性、特征值類型進行搜集整理后建立的標(biāo)準(zhǔn)同義詞庫。字典詞庫中的詞條格式表示為

CD=。

(2)

式中：CD表示一個詞條；Su表示詞條所屬分系統(tǒng)；Ss為屬性名稱的標(biāo)準(zhǔn)描述；A是屬性值的變量類型，包括字符串、數(shù)值和布爾量3種；Sd為用戶描述的l個不同名稱。

比如：將某設(shè)備中基帶分系統(tǒng)的“基帶主機”作為屬性的標(biāo)準(zhǔn)名稱，其屬性值用字符串描述，而“基帶A機”“BBE主機”等也表達了同一概念，故在字典中，該詞條表示為

<基帶,基帶主機,字符串,{基帶A機,BBE主機}>。

使用屬性字典能標(biāo)準(zhǔn)化故障的各個特征屬性，方便了故障案例的入庫保存，簡化了對案例相似度的計算。

通過上述分析知，利用故障問題的“信息規(guī)范描述+特征屬性集+屬性字典”組合結(jié)構(gòu)可以完整地表示出一個故障案例。

3.2 故障案例庫的創(chuàng)建

案例表示完成后，需要入庫存儲。案例庫由關(guān)系數(shù)據(jù)庫來創(chuàng)建和管理，共有3個數(shù)據(jù)表。

(1)故障規(guī)范描述表：有10個字段，對應(yīng)故障規(guī)范化描述的10個子項。表結(jié)構(gòu)如表2所示。

表2 Tab_Case表的設(shè)計Tab.2 The design of Tab_Case

(2)故障特征屬性表：有3個字段，屬性集包含故障的多個特征屬性，每個屬性的結(jié)構(gòu)如式(1)所示。表結(jié)構(gòu)如表3所示。

表3 Tab_CFA表的設(shè)計Tab.3 The design of Tab_CFA

(3)屬性字典表：有4個字段，對應(yīng)詞條結(jié)構(gòu)，屬性描述詞集可含多條詞句，詞條結(jié)構(gòu)如式(2)所示。表結(jié)構(gòu)如表4所示。

表4 Tab_CD表的設(shè)計Tab.4 The design of Tab_CD

為提高檢索效率，故障規(guī)范描述和特征屬性分表存儲。數(shù)據(jù)表創(chuàng)建以后，將歷史案例按表記錄形式整理后入庫。在入庫過程中，特征屬性將通過屬性字典表標(biāo)準(zhǔn)化以后存入特征屬性表。各表間的關(guān)系結(jié)構(gòu)如圖1所示。

圖1 數(shù)據(jù)表的關(guān)系結(jié)構(gòu)Fig.1 The relational structure of data table

4 CBR案例的檢索和匹配

對測控設(shè)備故障案例的推理機制，就是采用最近鄰搜索策略，完成新問題與案例庫的匹配及最相似案例的檢索過程[7]。

4.1 案例的初步檢索

最近鄰檢索算法的時間復(fù)雜度隨案例庫中案例數(shù)量的增加而線性增長，故需對案例庫進行初步檢索，構(gòu)造初選案例集來縮小檢索范圍。

先對當(dāng)前故障問題做初步分析，提取出關(guān)鍵特征，比如故障類型、設(shè)備屬性等，用SQL查詢語句由關(guān)鍵詞等條件來索搜Tab_Case表。通過篩選，對案例做了分類，生成由m個案例組成的初選案例集CS。

4.2 案例局部相似度的計算

檢索相似故障案例就是求出當(dāng)前案例與初選案例集CS中m個案例的相似度最大者，這就需要先計算出兩案例各特征屬性間的相似度，即案例局部相似度。

4.2.1 目標(biāo)案例特征屬性的提取

設(shè)目標(biāo)案例為T，對T進行分析，從中提取故障的特征屬性和特征值。假設(shè)目標(biāo)案例的特征屬性集為T={t1,…,tj,…,tp}，其共有p個特征屬性t，且第j個屬性為三元組：

tj= 。

(3)

式中：aj為屬性類型，fj為屬性名，vj為屬性值。然后通過故障屬性字典對目標(biāo)案例T的各特征屬性進行標(biāo)準(zhǔn)化，由分系統(tǒng)類型及式(3)中的fj來查閱字典，用式(2)中的Ss替換fj，同時比較式(3)中的aj與式(2)中的A，如不同，則進一步分析目標(biāo)案例，按A進行同類化。這樣，目標(biāo)案例特征屬性標(biāo)準(zhǔn)化后，其與案例庫中源案例特征屬性間的名稱和類型取得一致。

初選案例集CS中的m個案例都是案例庫中的源案例。設(shè)第i個源案例S的特征屬性集為Si={si1,si2,…,sik,…,sin}，其共有n個特征屬性，且第k個屬性為四元組：

sik=。

(4)

式中：aik為屬性類型,fik為屬性名,vik為屬性值,wik為屬性的權(quán)重。

由式(3)和式(4)知，提取的目標(biāo)案例特征屬性為三元組，而源案例的特征屬性則為四元組，其含屬性權(quán)重。在計算案例相似度時，只需取源案例的屬性權(quán)重。

4.2.2 目標(biāo)案例屬性集的元素對齊

多數(shù)文獻在計算案例相似度時，要求目標(biāo)案例T和源案例S的特征屬性集是同型屬性陣列，即元素總數(shù)一致，且各元素位序一一對應(yīng)。但在實際中，多數(shù)情況下無法形成這樣的同型矩陣，案例相似度計算變得比較困難。為此，需對T的屬性集元素做處理，其原則就是保持S中屬性集元素總數(shù)和元素位序不變，對T中元素按S中元素情況做相應(yīng)的刪補和位序調(diào)整，使T中元素與S中元素對齊。具體方法如下：

若T中有該屬性元素，但S中無，則表示該元素?zé)o可比性，在T中直接刪除該元素；若S中有該屬性元素，而T中無，則表示該元素處于一種未知狀態(tài)，需按照該元素在S中的位序情況，在T中相應(yīng)位置補上0元素；其他情況則按S的屬性元素位序，對T中的屬性元素進行對齊處理。這樣，兩者形成了同構(gòu)屬性陣列。

比如:在遍歷了第i個源案例屬性集Si的元素，并對目標(biāo)案例屬性集T的元素做對齊處理后，兩者的同構(gòu)屬性陣列如下：

(5)

式中:Si有p個元素，且總數(shù)和位序一直不變，按照該位序?qū)中元素進行了處理，刪除了T中與Si無法找到對應(yīng)關(guān)系的元素，而對Si中存在但T中并無此對應(yīng)的元素項進行補0，構(gòu)成一種虛對應(yīng)。通過調(diào)整，T和Si的元素有了同構(gòu)關(guān)系。同構(gòu)屬性陣列給案例間的特征相似度計算帶來方便，也解決了案例間因?qū)傩詿o對應(yīng)關(guān)系而需要做復(fù)雜的模糊相似度計算[8]問題。

4.2.3 案例的特征相似度計算

由式(3)得目標(biāo)案例T的特征屬性集T的元素tj，取出tj的特征值vj，使vt=vj；由式(4)得源案例S的特征屬性集Si的元素sik，取出sik的特征值vik，使vs=vik。針對vt和vs的變量類型，特征相似度的計算有3種方法。

(1)數(shù)值型

對數(shù)值型變量vt和vs，計算特征屬性tj和sik的相似度可用公式：

(6)

由于各特征屬性經(jīng)過屬性字典標(biāo)準(zhǔn)化后，案例間特征屬性值的量綱相同，各特征變量不必再做歸一化處理。

(2)字符串型

對字符串變量，慣性導(dǎo)航故障診斷專家系統(tǒng)[9]給出一種相似度算法，但其精度不高。這里采用的基于最短編輯距離相似度算法有較高精度。字符串vt和vs的最短編輯距離dt,s就是指通過插入、刪除和替換操作，計算出將vt轉(zhuǎn)換成vs所需最少操作次數(shù)。該算法使用了動態(tài)規(guī)劃算法策略，具體算法如下：

假設(shè)vt=t1t2…tm,vs=s1s2…sn,構(gòu)建(m+1)×(n+1)階矩陣LD：

LD(m+1)×(n+1)={dij},0≤i≤m,0≤j≤n。

式中:dij是t1t2…ti和s1s2…sj的編輯距離，其計算公式為

通過上式，最后得到的矩陣元素dmn即為最小編輯距離dt,s。然后利用以下求解公式[10]可計算出兩個字符串的相似度：

(7)

(3)布爾型

布爾型較簡單，值僅取0和1。對布爾型變量vt和vs，通過直接比較vt和vs的大小可得到tj和sik的相似度：

(8)

另外，對T中增補的特征屬性0元素，其并無變量類型，無法計算T與Si中虛對應(yīng)的屬性元素間的相似度。對案例間的這種未知狀態(tài)屬性，可將其局部相似度折中，取值為0.5。

4.3 案例的匹配

由式(6)～(8)計算出T和Si的各特征相似度后，通過對特征相似度做加權(quán)計算可求得T和Si的相似度，即全局相似度。采用最鄰近匹配算法計算全局相似度公式為

(9)

利用式(9)依次計算出案例T與初選案例集中m個源案例S間的全局相似度后，按相似度大小對案例集降序重排，再根據(jù)相似度最大案例者的編碼，從故障規(guī)范描述表中找到該案例解決方案，從而為目標(biāo)案例提供診斷思路。

4.4 案例的調(diào)整和學(xué)習(xí)

通過案例的檢索和匹配得到一個相似度最高的案例，但該案例與待求解目標(biāo)案例的表述上可能會不一致。這時，需要對案例做適當(dāng)調(diào)整，調(diào)整過程包括對目標(biāo)案例的規(guī)范化描述、目標(biāo)案例屬性集的完善(即標(biāo)準(zhǔn)化特征屬性的名稱及值類型、增加特征屬性等)，對源案例屬性集的進一步完善(即對屬性權(quán)值的重新修正)和對案例描述的修改。最后，根據(jù)對故障的實際解決情況確定是否將該目標(biāo)案例作為新案例添加到案例庫中，完成案例的學(xué)習(xí)過程。

為避免案例庫中案例的無限膨脹，需要采用一定的策略對案例庫進行維護，科學(xué)合理地對案例進行增刪，以提高檢索效率。

上述的CBR故障診斷流程如圖2所示。

圖2 CBR故障診斷流程Fig.2 The fault diagnosis process of CBR

5 應(yīng)用實例

基于CBR的故障診斷模塊用VC開發(fā)，并用SQL Server數(shù)據(jù)庫管理故障案例庫，系統(tǒng)診斷界面如圖3所示?，F(xiàn)以航天測控設(shè)備案例庫為例，對設(shè)備出現(xiàn)的某故障進行處理。

圖3 案例推理主界面Fig.3 The main interface of CBR

故障問題:天線對標(biāo)校塔跟蹤時，發(fā)射10 dBW功率，數(shù)傳接收機S/Ф較平時低了9 dBHz。

對該故障診斷處理的具體過程如下：

(1)初選案例集

分析故障現(xiàn)象，可初步判斷故障發(fā)生在信道，則以“信道”為關(guān)鍵詞，通過“Select * from Tab_Case where Fplace =‘信道’”語句進行查詢，從案例庫中篩選出具有16個案例構(gòu)成初選案例集。

(2)特征提取

檢查設(shè)備當(dāng)前狀態(tài)，在深入分析當(dāng)前故障征兆后，提取到5個特征屬性，建立目標(biāo)案例的屬性集如下：

T={t1=<2,天線位置,天線對標(biāo)校塔>,t2=<1,發(fā)功率,10>,t3=<3,跟蹤狀態(tài),1>,t4=<1,數(shù)傳接收機,-9>，t5=<2,故障指示燈,無紅燈亮> }。

(3)特征屬性標(biāo)準(zhǔn)化

在用戶界面的“特征向量”欄輸入目標(biāo)案例屬性集，點擊“案例匹配>>”按鈕，系統(tǒng)自動查閱屬性字典，對案例特征屬性進行標(biāo)準(zhǔn)化處理。

(4)案例相似度計算

“案例匹配>>”按鈕完成案例特征屬性標(biāo)準(zhǔn)化后，將從初選案例集中依次取出源案例，用特征值直接計算出案例間的相似度，并進行排序。以案例“XD0007”為例，計算相似度的過程如下：

在初選案例集中，由數(shù)據(jù)庫中的特征表查詢到“XD0007”案例的特征屬性集為

S={s1=<2,天線位置,天線對塔,0.2>,s2=<3,跟蹤狀態(tài),1,0.2>,s3=<1,發(fā)射功率,10,0.25>,s4=<1,主接收機,-10,0.25>，s5=<2,故障指示燈,無紅燈亮,0.1> }。

將S與T同構(gòu)屬性陣列后，計算出局部相似度如表5所示。

表5 相似度計算表Tab.5 The calculation tab of similarity

根據(jù)特征權(quán)重由式(9)計算出兩者之間的相似度為SIM(T,S)=0.819。同理,可計算出其與“XD0001”案例的相似度為0.675，與“XD0010”案例的相似度為0.580。

(5) 故障解決方案

雙擊相似度最大的案例“XD0007”，顯示其“案例描述”欄信息：故障名稱為“TT&C主接收機高頻電纜裂口”，故障部位在“天線卷繞電纜”處，案例結(jié)論指出“類似征兆優(yōu)先考慮電纜情況或接頭連接情況”。這些信息為排除當(dāng)前故障問題給出了思路，即信道中的數(shù)傳信號電纜可能存在問題。經(jīng)檢查發(fā)現(xiàn)，該電纜使用時間較長，其裸露在電纜溝口的部分已經(jīng)曬裂。因此，信號傳輸效果變差，有較大衰減，導(dǎo)致S/Ф降低。采用與“XD0007”案例相似的解決方法，解決了該故障問題。

(6) 案例學(xué)習(xí)

分析知道，問題求解過程中的相關(guān)知識不必入庫，但需對“XD0007”案例作適當(dāng)調(diào)整，即在“故障部位”處添加上“裸露在電纜溝外的電纜”。

由上述的診斷過程可知,CBR方法能夠充分利用歷史案例類比推理出當(dāng)前故障問題的解決方案，故障診斷精度高，并具備學(xué)習(xí)能力。

6 結(jié)束語

將基于案例推理技術(shù)引入到航天測控設(shè)備的故障診斷中，提出的“故障信息規(guī)范化描述、特征屬性、屬性字典”三元組合結(jié)構(gòu)案例表示法極大地方便了案例庫的建立；在檢索推理過程中，采用對目標(biāo)案例特征屬性集元素進行刪補和位序調(diào)整，從而構(gòu)造出同構(gòu)屬性陣列，解決了案例間相似度計算過程繁雜的問題，實現(xiàn)了對案例的快速檢索。通過在設(shè)備上的實際應(yīng)用，驗證了該方法的高可靠性和有效性，提高了設(shè)備故障診斷的效率，滿足了日益繁重的航天測控任務(wù)需求。

然而，故障特征屬性字典的建立是一項比較繁雜的工作，如何完善字典并將其與實際故障特征屬性的提取過程更好地融合，是后續(xù)需要進一步研究的內(nèi)容。

[1] 于志堅.航天測控系統(tǒng)工程[M].北京:國防工業(yè)出版社,2008.

[2] 王萬玉,陶孫杰,馮旭祥. 遙感衛(wèi)星接收系統(tǒng)故障診斷專家系統(tǒng)設(shè)計[J].電訊技術(shù),2015,55(5):491-496. WANG Wanyu,TAO Sunjie,FENG Xuxiang. Design of fault diagnosis expert system for remote sensing satellite receiving system[J].Telecommunication Engineering,2015,55(5):491-496.(in Chinese)

[3] 周琦鈞,趙秋穎,朱明明.基于故障樹的航天測控系統(tǒng)故障診斷方法[J].現(xiàn)代電子技術(shù),2015,38(7):103-106.ZHOU Qijun,ZHAO Qiuying,ZHU Mingming. TT&C system fault diagnosis method based on fault tree[J].Modern Electronics Technique,2015,38(7):103-106.(in Chinese)

[4] 史忠植.高級人工智能[M].3版.北京：科學(xué)出版社,2011.

[5] 楊建,趙秦怡.基于案例的推理技術(shù)研究進展與應(yīng)用[J].計算機工程與設(shè)計,2008,29(3):710-712. YANG Jian,ZHAO Qinyi. Research and application of CBR’s progression[J].Computer Engineering and Design,2008,29(3):710-712.(in Chinese)

[6] 王浩,高金吉,江志農(nóng),等.基于案例推理的旋轉(zhuǎn)機械故障診斷系統(tǒng)研究[J].科學(xué)技術(shù)與工程,2012,12(29):9585-9591.

WANG Hao,GAO Jinji,JIANG Zhinong,et al.Research of rotating machinery fault diagnosis system based on case-based reasoning[J].Science Technology and Engineering,2012,12(29):9585-9591.(in Chinese)

[7] 楊奕飛,周江,周承斌. 航天測控設(shè)備智能故障診斷系統(tǒng)設(shè)計[J].電訊技術(shù),2009,49(8):54-58. YANG Yifei,ZHOU Jiang,ZHOU Chengbin.Design of an intelligent fault diagnosis system for space TT&C equipment[J].Telecommunication Engineering,2009,49(8):54-58.(in Chinese)

[8] 張金玉,張煒.裝備智能故障診斷與預(yù)測[M].北京:國防工業(yè)出版社,2013.

[9] 王華,劉煥敏,段慧芬.基于案例推理方法在慣性導(dǎo)航故障診斷專家系統(tǒng)的應(yīng)用[J].中國慣性技術(shù)學(xué)報,2009,17(5):614-617. WANG Hua,LIU Huanmin,DUAN Huifen.Case-based reasoning method in fault diagnosis expert system of inertial navigation system[J].Journal of Chinese Inertial Technology,2009,17(5):614-617.(in Chinese)

[10] 王衛(wèi)紅,李君.基于局部變化性的改進編輯距離算法[J].計算機工程,2015,41(7):294-298. WANG Weihong,LI Jun.Improved edit distance algorithm base on local variability[J].Computer Engineering,2015,41(7):294-298.(in Chinese)

Emai:baqin888@sina.com

李海潮(1975—)，男，陜西西安人，1996年獲工學(xué)學(xué)士學(xué)位，現(xiàn)為高級工程師，主要從事飛行器測控工作;

弓喜忠(1973—)，男，陜西武功人，1996年獲工學(xué)學(xué)士學(xué)位，現(xiàn)為高級工程師，主要從事飛行器測控工作;

詹炳光(1986—)，男，河南商丘人，2008年獲工學(xué)學(xué)士學(xué)位，現(xiàn)為工程師，主要從事飛行器測控工作。

Fault Diagnosis of Space TT&C Equipment Based on Case-based Reasoning

LIU Yong,LI Haichao,GONG Xizhong,ZHAN Bingguang
(Xi′an Satellite Control Center，Xi′an 710043，China)

With the ever-increasing difficulty of the fault diagnosis on space tracking,telemetry and command(TT&C) equipment,case-based reasoning(CBR) methodology is applied to the fault diagnosis of equipment. Firstly,a method to express fault cases is proposed by using a three-element composite structure,which consists of the normalized description of fault,the set of feature properties and the attribute dictionary of faults,and a database of fault cases is built by using database management system. Secondly,a feature attribute array is constructed as the set of feature properties of the target fault case,which is rebuilt to be isomorphic to the set of feature property of the source fault case by deleting or adding and sorting its elements. The array is used to calculate the partial similarity. Finally,the nearest neighbor search method is adopted to calculate the overall similarity between two fault cases,which is used for the completion of the target fault case search and the process of troubleshooting. The application shows that the expressing structure of fault case is clear in this method，and this method can easily establish the database of fault cases and rapidly find solution to the equipment fault with high accuracy,and it can effectively improve the efficiency of fault diagnosis.

space TT&C equipment;fault diagnosis;case-based reasoning;feature attribute array;similarity of cases

2016-06-22；

2016-08-31 Received date:2016-06-22；Revised date：2016-08-31

10.3969/j.issn.1001-893x.2017.02.019

劉涌，李海潮，弓喜忠，等.基于案例推理的航天測控設(shè)備故障診斷[J].電訊技術(shù)，2017,57(2):236-242.[LIU Yong,LI Haichao,GONG Xizhong,et al.Fault diagnosis of space TT&C equipment based on case-based reasoning[J].Telecommunication Engineering,2017,57(2):236-242.]

V55;TP182

A

1001-893X(2017)02-0236-07

劉 涌(1968—)，男，四川鄰水人，1992年獲工學(xué)學(xué)士學(xué)位，現(xiàn)為高級工程師，主要從事測控軟件開發(fā)工作;

*通信作者：baqin888@sina.com Corresponding author：baqin888@sina.com