楊 起，王竹林?，侯占恒

（1.陸軍工程大學(xué)石家莊校區(qū)導(dǎo)彈工程系，石家莊 050003；2.陸軍裝備部裝備采購管理辦公室，北京 100000）

0 引言

隨著武器裝備性能以及復(fù)雜程度的提升，傳統(tǒng)的測試診斷技術(shù)、思想暴露出大量問題?，F(xiàn)階段，武器裝備測試診斷系統(tǒng)大多是針對特定某一種或某一類裝備，普遍存在著缺乏通用性、擴展性以及可移植能力差、難以實現(xiàn)診斷知識與數(shù)據(jù)的共享和重用等缺陷，這不僅造成了資源的大量浪費，同時也阻礙了故障診斷技術(shù)的發(fā)展。IEEE Std 1232 標(biāo)準(zhǔn)，又稱AI-ESTATE（Artificial Intelligence Exchange and Service Tie to All Test Environments，全測試環(huán)境人工智能交換與服務(wù)）定義了診斷知識、數(shù)據(jù)以及推理機服務(wù)的標(biāo)準(zhǔn)化描述，支持基于組件診斷結(jié)構(gòu)與其他測試信息集之間的互操作，為上述問題提供了解決方案。AI-ESTATE 從制定至今，經(jīng)歷了多次修正，包 括IEEE Std 1232-1990、IEEE Std 1232-1995、IEEE Std 1232.1-1997、IEEE Std 1232.2-1998、IEEE Std 1232-2002 以及IEEE Std 1232-2010。

1 AI-ESTATE 的產(chǎn)生

20 世紀(jì)80 年代，以專家系統(tǒng)為主的人工智能方法逐步應(yīng)用于測試和診斷領(lǐng)域，這些人工智能方法雖然改善了美軍裝備的保障水平，但也帶來由于缺乏通用的接口標(biāo)準(zhǔn)而難以實現(xiàn)診斷知識與數(shù)據(jù)的共享和重用的問題。于是1990 年，電氣電子工程師協(xié)會（IEEE）同意授權(quán)電子系統(tǒng)測試與診斷標(biāo)準(zhǔn)化工作委員會（SCC20）和診斷與維護控制（D&MC）制定全新的測試診斷標(biāo)準(zhǔn)AI-ESTATE，但當(dāng)時的AI-ESTATE 主要是規(guī)范基于專家系統(tǒng)方法的故障診斷系統(tǒng)，標(biāo)準(zhǔn)并沒有正式頒布。

1995 年，IEEE 頒布了IEEE Std 1232-1995 標(biāo)準(zhǔn)人工智能——應(yīng)用于自動測試設(shè)備的專家系統(tǒng)（Artificial Intelligence and Expert System Tie to Automatic Test Equipment），該標(biāo)準(zhǔn)將診斷系統(tǒng)統(tǒng)稱為推理系統(tǒng)，推理系統(tǒng)代表了各種基于知識得出結(jié)論的診斷方法；定義了AI-ESTATE 的一致性結(jié)構(gòu)以及其中各組件之間關(guān)聯(lián)，同時要求所有的診斷信息規(guī)范和接口規(guī)范定義嚴(yán)謹(jǐn)，不可以有任何歧義，使得診斷信息、數(shù)據(jù)可移植，接口標(biāo)準(zhǔn)化、通用化，整個體系結(jié)構(gòu)可以擴展升級。IEEE Std 1232-1995 的頒布為后續(xù)AI-ESTATE 標(biāo)準(zhǔn)的修正奠定了良好的基礎(chǔ)。

IEEE Std 1232-1997，也稱作IEEE 1232.1-適用于所有測試環(huán)境的人工智能交換和服務(wù)：數(shù)據(jù)和知識規(guī)范適用標(biāo)準(zhǔn)。在IEEE Std 1232-1997 中，使用建模語言EXPRESS 對測試診斷中的數(shù)據(jù)以及知識信息的表述方式進(jìn)行了規(guī)范，使得實現(xiàn)診斷知識信息共享、一致性交互成為可能。該標(biāo)準(zhǔn)建立了公共元素模型（Common Element Model，CEM）。它對測試診斷領(lǐng)域中常見的元素進(jìn)行了規(guī)范的定義。而其他模型都是在公共元素模型基礎(chǔ)上，按照一定規(guī)則擴充而建立起來的。IEEE Std 1232-1997 中提供了故障樹模型（Fault Tree Model，F(xiàn)TM）、增強診斷推理模型（Enhanced Diagnostic Inference Model，EDIM）。

IEEE Std 1232.2-1998 也稱作IEEE 1232.2 標(biāo)準(zhǔn)，對診斷推理機所提供的服務(wù)進(jìn)行了統(tǒng)一規(guī)范，以實現(xiàn)系統(tǒng)對診斷功能的驅(qū)動，并應(yīng)用已封裝的服務(wù)建立了故障樹的診斷服務(wù)實例。另外，該版本提供了一個新的信息模型，即動態(tài)上下文模型（Dynamic Context Model，DCM），此模型的作用是對診斷過程的記錄進(jìn)行規(guī)范。

IEEE Std 1232-2002 在前幾個版本的基礎(chǔ)上，擴充并刪除了公共元素模型中的一些實體以及數(shù)據(jù)類型；采用居于組建的思想，擴展并且規(guī)范了推理機的診斷推理服務(wù)，以滿足不同的診斷需求。并且進(jìn)一步規(guī)范了DCM 記錄診斷過程方式，使得診斷推理機對可診斷性分析、診斷推理、結(jié)論生成等診斷過程進(jìn)行更有效的控制。

目前，IEEE 頒布的最新版本是IEEE Std 1232-2010。IEEE Std 1232-2010 繼續(xù)對公共元素模型下的一些實體、數(shù)據(jù)類型進(jìn)行增添和刪減。并且為了描述診斷對象的概率模型，對診斷中失效分布的描述進(jìn)行了進(jìn)一步的規(guī)范，使得診斷模型的創(chuàng)建、診斷過程等都得到標(biāo)準(zhǔn)化的描述。在推理機服務(wù)方面，2010 版本定義了推理機的5 個狀態(tài)包括模型已加載（Models Loaded）、無模型加載（No Models Loaded）、無診斷會話（No session）、有效會話（Valid Session）以及掛起診斷（Pending Assertions），并規(guī)定了在每種狀態(tài)下可以調(diào)用的診斷推理服務(wù)；進(jìn)一步對診斷過程中的各種服務(wù)和服務(wù)函數(shù)中應(yīng)用的數(shù)據(jù)類型進(jìn)行規(guī)范，使得推理機診斷過程每一個步驟更加清晰、明確。

IEEE Std 1232-2010 在之前多個版本的基礎(chǔ)上，完善了信息模型，對診斷過程中診斷知識的共享具有推進(jìn)作用；明確規(guī)范了推理機服務(wù)的各種功能以及推理機的狀態(tài)，使診斷操作可以明確地按照規(guī)范實施，便于用戶對于客戶程序的開發(fā)，進(jìn)而實現(xiàn)推理機可移植。

IEEE Std 1232-2010 對之前版本進(jìn)行全面補充，細(xì)化且明確診斷系統(tǒng)開發(fā)以及應(yīng)用過程中每一個環(huán)節(jié)，對于診斷技術(shù)的發(fā)展具有深遠(yuǎn)的影響。

2 AI-ESTATE 體系結(jié)構(gòu)

AI-ESTATE 標(biāo)準(zhǔn)提供如下內(nèi)容［1］：

1）AI-ESTATE 整個體系結(jié)構(gòu)的概述；

2）診斷信息模型的正規(guī)定義；

3）診斷模型之間交互格式的標(biāo)準(zhǔn)定義；

4）診斷推理機的軟件服務(wù)定義。

為了實現(xiàn)診斷系統(tǒng)中推理機組件與其他組件之間的交互，診斷知識的規(guī)范定義和可移植性以及可重用性等性能，AI-ESTATE 采用了定義服務(wù)的方式，如圖1 所示。

圖1 AI-ESTATE 體系結(jié)構(gòu)

由圖1 可見，在AI-ESTATE 概念體系中，整個系統(tǒng)中各個部分通過信息傳遞服務(wù)來實現(xiàn)信息的交換。因此，診斷推理機可以通過已經(jīng)實現(xiàn)的服務(wù)與其他部件進(jìn)行交互。

圖2 AI-ESTATE 模型層次關(guān)系圖

在IEEE Std 1232-2010 中，為了實現(xiàn)診斷知識信息的共享，AI-ESTATE 又搭建了如圖2 所示的層次結(jié)構(gòu)。在此結(jié)構(gòu)中，處于最頂層的是CEM（公共元素模型），公共元素模型對測試診斷領(lǐng)域中用到的常用信息進(jìn)行了規(guī)范化的標(biāo)準(zhǔn)描述。比較典型的有Diagnosis（診斷）、Failure（失效）、Repair（維修）和Resource（資源）等實體，這些實體由屬性構(gòu)成，主要有costs（代價）、failure rates（失效率）等屬性。而位于下層的FTM（故障樹模型）、BNM（貝葉斯網(wǎng)絡(luò)模型）、DIM（D-矩陣推理模型）、DLM（診斷邏輯模型），都是以CEM 中元素為基礎(chǔ)，進(jìn)行一定的擴展或刪減而形成的，進(jìn)而可以滿足多種診斷推理需求。也可以根據(jù)實際需要，以CEM 為基礎(chǔ)，建立擴充更多方法的診斷模型。DCM（動態(tài)上下文模型）的作用就是記錄診斷過程中的歷史信息以及上下文環(huán)境，它是動態(tài)的，會伴隨著診斷過程的進(jìn)行而發(fā)展。

3 國外研究情況

對于AI-ESTATE 標(biāo)準(zhǔn)，國外一些公司、科研機構(gòu)已經(jīng)對其進(jìn)行深入研究探討，不僅對AI-ESTATE的制定做出了貢獻(xiàn)，在應(yīng)用、發(fā)展方面也取得了不錯的成果。

在AI-ESTATE 標(biāo)準(zhǔn)制定發(fā)展過程中，美國科學(xué)專家John W.Sheppard、Amanda、W.R.Simpson 等人居功至偉。IEEE Std 1232-1995 頒布后，John W.Sheppard 指出標(biāo)準(zhǔn)中存在知識約束關(guān)系沒有定義，不便于診斷過程實施的問題［2］。W.R.Simpson 在文中討論是否能將AI-ESTATE 應(yīng)用于廣域測試環(huán)境（A Broad Based Environment for test，ABBET），推動了AI-ESTATE 在手動測試、半自動測試領(lǐng)域應(yīng)用的發(fā)展［3］。John W.Sheppard 又對公共元素模型進(jìn)行修訂，強調(diào)其他信息模型必須在公共元素模型基礎(chǔ)之上進(jìn)行擴展，確立了公共元素模型的基礎(chǔ)地位［4］。Amanda Jane Giarla 在文中對符合AI-ESTATE 規(guī)范的信息模型的構(gòu)建方式進(jìn)行了概述［5］。Anthony L.Alwardt 在深入研究了AI-ESTATE 以及開放式ATS相關(guān)性能后，認(rèn)為AI-ESTATE 可以應(yīng)用于開放式診斷領(lǐng)域［6］。2005 年，John W.Sheppard 對貝葉斯網(wǎng)絡(luò)診斷方法進(jìn)行分析后，建立了貝葉斯診斷模型并通過XML（eXtensible Markup Language，可擴展標(biāo)記語言）進(jìn)行描述，確保診斷信息完整性，可移植性［7］。Michcllc Harris 等人在文中闡釋了如何建立符合AI-ESTATE 標(biāo)準(zhǔn)的故障樹模型，以及它在多種推理機之間傳遞信息的方式，并對多種模型進(jìn)行介紹分析［8］。John W.Sheppard 等人重點介紹了診斷推理中模型的語義互操作性問題，并通過故障樹模型和貝葉斯模型對其進(jìn)行驗證，結(jié)果充分體現(xiàn)了語義建模在信息交流中的有效性［9］。Liessman Sturlaugson 等人在文中首先描述了一個叫SAPPHURE 工具，它包括AI-ESTATE 在Java 下的實現(xiàn)和一個相應(yīng)的GUI（Graphical User Interface，圖形用戶界面）工具，這個GUI 工具支持貝葉斯網(wǎng)絡(luò)模型的模型建立以及診斷推理。其次，對貝葉斯模型推理機服務(wù)進(jìn)行擴展，使其可以表示一階的動態(tài)貝葉斯網(wǎng)絡(luò)［10］。Logan Perreault 等人為AI-ESTATE 標(biāo)準(zhǔn)的下一個版本提供了一個新的預(yù)測模型。另外，他們提出用連續(xù)時間貝葉斯網(wǎng)絡(luò)（Continuous-Time Bayesian Networks，CTBN）代替之前提出的貝葉斯網(wǎng)絡(luò)模型來為預(yù)測推理提供一個額外的模型，并且指定了一個語義模型用來表示動態(tài)貝葉斯網(wǎng)絡(luò)模型進(jìn)行預(yù)測，最后，證實了其有效性和必要性［11］。John W.Sheppard 等人論證了AI-ESTATE 中提出的服務(wù)規(guī)范對于實現(xiàn)ATS 的互操作性和可移植性的必要性，并通過故障樹診斷系統(tǒng)在診斷過程中分析了如何應(yīng)用AI-ESTATE 服務(wù)規(guī)范［16］。

4 國內(nèi)研究情況

自從AI-ESTATE 頒布之后，國內(nèi)多家院校科研機構(gòu)的專家學(xué)者也對其進(jìn)行了相應(yīng)的探索與研究，但主要以跟蹤美軍的研究動態(tài)為主，與以美軍為首的西方國家還存在一定差距。蔡亮在其論文中首先介紹了AI-ESTATE 體系結(jié)構(gòu)，完成了3 種信息模型（公共元素模型、診斷推理模型、故障樹模型）的接口設(shè)計，并采用COM 組件技術(shù)建立了符合AI-ESTATE 標(biāo)準(zhǔn)的診斷模塊和數(shù)據(jù)挖掘模塊［14］。李慧在其論文中首先對AI-ESTATE 的層次結(jié)構(gòu)進(jìn)行了分析，提出了用XML Schema 來實現(xiàn)診斷模型的標(biāo)準(zhǔn)化信息描述，并對公共元素模型以及故障樹模型進(jìn)行標(biāo)準(zhǔn)化描述［12］。楊占才等人在對AI-ESTATE 標(biāo)準(zhǔn)進(jìn)行深入分析后，提出了用XML 語言來實現(xiàn)符合AI-ESTATE 標(biāo)準(zhǔn)的診斷推理機，并將其應(yīng)用于圖形化測試軟件GTest，實現(xiàn)了飛機系統(tǒng)壽命期內(nèi)診斷信息模型的共享［13］。趙鞭等人在文章中采用XML 語言描述診斷信息，DCOM 組件實現(xiàn)推理機，實現(xiàn)了診斷知識信息的共享以及推理機的可移植，并在此基礎(chǔ)上，建立了一個符合AI-ESTATE 標(biāo)準(zhǔn)的遠(yuǎn)程故障診斷系統(tǒng)［15］。王雪錦在其論文中首先應(yīng)用Visio 控件實現(xiàn)了故障樹圖繪制功能，依據(jù)AI-ESTATE 標(biāo)準(zhǔn)建立了故障樹模型轉(zhuǎn)換模塊并生成了可交互的故障樹模型文件，在此基礎(chǔ)上，開發(fā)了基于IEEE1232 協(xié)議的電路診斷軟件［17］。孫小進(jìn)等人在分析了AI-ESTATE 標(biāo)準(zhǔn)后，結(jié)合貝葉斯網(wǎng)絡(luò)技術(shù)，建立了貝葉斯網(wǎng)絡(luò)診斷信息模型，設(shè)計了基于貝葉斯網(wǎng)絡(luò)故障診斷的軟件架構(gòu)，并給出相應(yīng)的驗證［18］。劉春霞等人對AI-ESTATE 標(biāo)準(zhǔn)所采用的EXPRESS 語言中的各種數(shù)據(jù)類型到XML 語言中的映射機制進(jìn)行深入研究，并用XML Schema 來描述診斷信息［19］。劉春霞等人在對公共元素模型研究的基礎(chǔ)上，簡要介紹了故障字典診斷方法以及貝葉斯網(wǎng)絡(luò)技術(shù)，并在AI-ESTATE 標(biāo)準(zhǔn)基礎(chǔ)上分別建立了故障字典診斷模型和貝葉斯網(wǎng)絡(luò)診斷模型［20-21］。姜會霞等人在其文中對ATS 中診斷知識的標(biāo)準(zhǔn)化問題簡要進(jìn)行了分析，將CEM 中的所有實體劃分為5 個族，再依據(jù)STEP28 對實體進(jìn)行標(biāo)準(zhǔn)化描述，簡化了由EXPRESS 到XML 的轉(zhuǎn)換過程［22］。姜會霞等人針對診斷信息描述的一致性問題，研究了Schematron 的約束表示原理，提出了基于Schematron 的AI-ESTATE 約束描述方法并完成標(biāo)準(zhǔn)化描述［23］。2013 年，姜會霞等人又借鑒Kruchten 提出的“4+1”視角模型方法，并結(jié)合AI-ESTATE，建立了診斷系統(tǒng)組織、功能、信息和過程4 個視圖的結(jié)構(gòu)圖，研究其構(gòu)成和運行方式，搭建了可重用、可交換的故障診斷系統(tǒng)體系結(jié)構(gòu)［24］。在2017 年，姜會霞等人對面向服務(wù)的AI-ESTATE 故障診斷系統(tǒng)的構(gòu)架以及信息傳遞模式進(jìn)行探索研究，采用靜態(tài)診斷模型服務(wù)關(guān)系圖以及UML 時序圖分析了互操作服務(wù)在推理機與其他組件進(jìn)行交互的過程和模型管理服務(wù)在模型索引、編輯時的交換流程，為診斷系統(tǒng)的開發(fā)奠定了良好的基礎(chǔ)［25］。王月海等人對AI-ESTATE 中診斷模型進(jìn)行擴充，提出一種包含多種人工智能診斷方法的知識庫生成協(xié)議，設(shè)計TPS（Test Program Set）自動生成系統(tǒng)，并通過仿真驗證了其有效性［26］。徐夢寒在實現(xiàn)了TPS 自動生成的基礎(chǔ)上，通過對標(biāo)準(zhǔn)的大量研究，對診斷信息模型進(jìn)行擴充，增加了神經(jīng)網(wǎng)絡(luò)模型，支持向量機模型和人工免疫系統(tǒng)模型，并將支持向量機算法與AI-ESTATE給出的標(biāo)準(zhǔn)故障樹進(jìn)行融合，實現(xiàn)了故障樹的自動生成，通過實驗證明，該方法具有很強的通用性，提高了故障樹自動生成的準(zhǔn)確性［27］。李嬌嬌在研究了AI-ESTATE 標(biāo)準(zhǔn)和BP 神經(jīng)網(wǎng)絡(luò)算法后，建立了BP神經(jīng)網(wǎng)絡(luò)診斷模型和BP 模型文件轉(zhuǎn)換模塊和相應(yīng)的診斷推理機，在此基礎(chǔ)上實現(xiàn)了模擬電路仿真和數(shù)據(jù)管理軟件的原型系統(tǒng)，并通過實測電路板進(jìn)行故障診斷實驗，驗證了該系統(tǒng)的可行性［28］。

5 結(jié)論

AI-ESTATE 標(biāo)準(zhǔn)是新一代診斷系統(tǒng)平臺的重要組成部分，它能夠?qū)崿F(xiàn)診斷系統(tǒng)中數(shù)據(jù)和信息的共享，診斷模型、診斷推理機的可移植性，可以有效利用測試診斷資源、節(jié)約故障診斷成本。隨著AI-ESTATE 標(biāo)準(zhǔn)不斷地更新升級，它的研究方向也越來越廣泛，不僅僅局限于靜態(tài)診斷模型的構(gòu)建，而是更注重于對整個測試診斷過程的管理以及對各種資源的評估，這為構(gòu)建開放式、互操作、標(biāo)準(zhǔn)化的遠(yuǎn)程故障診斷系統(tǒng)奠定了基礎(chǔ)。而基于此標(biāo)準(zhǔn)提高設(shè)備故障覆蓋率、檢測率、隔離率以及進(jìn)一步優(yōu)化推理過程是目前的盲區(qū)，也是未來研究的重點，是整個測試診斷領(lǐng)域發(fā)展的一個重要方向。