基于大量故障实例的故障诊断系统设计

１ 故障诊断系统的总体架构
该故障诊断系统具有专家规则诊断、 可靠的故 障查询诊断和神经网络诊断 ３ 种方式 。 它由专家系 统单元 、 知识数据库和神经网络单元 ３ 部分组成 ， 如 ·４ ６·
《 · 数字技术与机械加工工艺装备 ２ 新技术新工艺 》 ０ １ １年 第１ ０期
定期训练模块和运 算 模 块 组 成 ， 主要用来实现整个 诊断系统的自学习功能 。
表 １ Ｌ ＲＵ 外场维修记录
ＲＵ 名 ： 飞机编号 ： Ｌ 编号 测量参数与测量方式 故障模块 记录日期
Байду номын сангаас
Ｅ Ｒ １ ａ １ １ Ｅ Ｒ Ｇ ａ Ｇ １ ＥＸ １ ｄ １ １ ＥＸ
５ ｄ ５ １
ＮＮ １ ＮＮ ｈ
ω １ １ ω ｈ １
微电子 、 现代机载火控系统广泛应用微计算机 、 自动控制 、 网络和光学等技术 ， 是一种复杂的光电系 统， 普遍具有多级组分结构 ， 不易建立用于故障诊断 的精确数学模 型 。 实 现 其 故 障 诊 断 的 一 般 方 法 是 ， 构建基于专家知识规则的故障诊断系统和基于故障 字典的故障诊断系统 。 前者难于获取较全面的专家 规则 ， 后者适用范围虽然较广 ， 但应用于复杂的大型 需要建立的故障 设备或系统隔离故 障 于 元 件 级 时 ，
Ｍ ａ ｒ ｋ ｏ Ｎ Ｓ １
表 ２ Ｌ ＲＵ 诊断知识库结构
… … … … … … …
Ｓ ｉ ａ １ ｉ ａ Ｇ ｉ ｄ １ ｉ ｄ ５ ｉ ω １ ｉ ω ｈ ｉ
… … … … … … …
Ｓ ｎ ａ １ ｎ ａ Ｇ ｎ ｄ １ ｎ ｄ ５ ｎ ω １ ｎ ω ｈ ｎ
Ｓ １Ｓ Ｔ １ … Ｓ ｉＳ Ｔ ｉ … １ １ Ｔ … ０ Ｅ … ２ ０ Ｔ … １ Ｅ … … … … … … … …
Ｔ Ｓ ｎ Ｓ １ …Ｆ ｍ ｊ …Ｆ ｎ Ｆ １ ２ ０ ０ ３年４月１ ５日 Ｅ １ … ０ … １ ０ Ｔ ０ … １ … ０ ２ ０ ０ ３年１ １月１ ２日
Ｆ １ ｂ １ １ ｂ Ｇ １ ｅ １ １ ｅ ５ １ ｃ １ １ ｃ １ ｈ
… … … … … … …
Ｆ ｊ ｂ １ ｊ ｂ Ｇ ｊ ｅ １ ｊ ｅ ５ ｊ ｃ １ ｊ ｃ ｈ ｊ
… Ｆｍ … ｂ １ ｍ … ｂ Ｇ ｍ … ｅ １ ｍ … ｅ ５ ｍ … ｃ ｍ １ … ｃ ｍ ｈ
基于大量故障实例的故障诊断系统设计
杨茂兴 ， 陈广才
（ ） 空军第一航空学院 ， 河南 信阳 ４ ６ ４ ０ ０ ０
摘 要： 一些具有组分结构的系统 （ 如 机 载 火 力 控 制 系 统） 相 当 复 杂， 要想获得全套系统精确的故障 采用神经网络和专 诊断数学模型是非常困难的 。 利用维修人员在基层级和中继级获得的大量故障实例 ， 则可以设计出一种基于 症 状 知 识 的 故 障 诊 断 系 统 。 该 故 障 诊 断 系 统 主 要 由 知 识 库 、 专家规 家系统技术 ， 则诊断单元和神经网络诊断单元组 成 ， 其神经网络诊断单元随着故障实例训练的增加而不断成熟， 专家 规则诊断单元则可以通过神经网络对故障实例的训练与仿真来完善和扩充 ， 具有很强的自学习功能和专 家规则不能包容的新故障诊断能力 。 关键词 ： 组分结构系统 ； 症状知识 ； 故障诊断 ； 神经网络 ； 专家系统 中图分类号 ： ＴＨ １ ６ ５． ３； Ｔ Ｐ １ ８ ３ 文献标志码 ： Ａ Ｄ ｅ ｓ ｉ ｎ ｏ ｆ Ｆ ａ ｕ ｌ ｔ Ｄ ｉ ａ ｎ ｏ ｓ ｉ ｓ Ｓ ｓ ｔ ｅ ｍ Ｂ ａ ｓ ｅ ｄ ｏ ｎ Ｍ ａ ｎ Ｃ ａ ｓ ｅ ｓ ｇ ｇ ｙ ｙ
标识为 Ｅ Ｒ 的１行记录对应了专家系 表 ２ 中 ， 统知识库中的 １ 条 专 家 诊 断 规 则 ， 代表了各种故障 现象的某种组合 ， 描述了这组故障现象与各个故障 …ｔ 原因的关系 ， 并且可以方便地与“ 型故 Ｉ ｆ ｈ ｅ ｎ… ” 障诊断规则相互转 化 ； 标 识 为 ＥＸ 的 １ 行 记 录 对 应 了 １ 条可靠的故障 实 例 ， 也可以作为专家系统的临 时故障诊断规则 ； 标识为 ＮＮ 的 １ 行 记 录 则 对 应 了 输出层的权值 。 １ 个隐含层神经元到输入层 、 上述记录数据的定义如下 。 …， …， ａ ｉ ＝１， ２， ｎ； ２， Ｇ。ｙ 表 示 已 有 ｙ＝１， ｉ。 ｙ 专家诊断规则序号 ， 随诊断系统的成熟而 Ｇ 为总数 ， 表示专家诊断规 则 中 故 障 现 象 Ｓ 扩大 。 ａ ｉ ｉ取 １ 时 ， ｙ 在本组故障 现 象 中 发 生 ； 取 ０ 时， 表示故障现象Ｓ ｉ 未发生 。 …， …， ｂ ２， ｍ； ２， Ｇ。ｙ 表示已有 ｊ＝１， ｙ＝１， ｙ ｊ。 专家诊断规则序号 ， 随诊 Ｇ 为专家诊断规则的总数 ， 反映专家诊断规 断系统的成熟而 扩 大 。 ｂ ｙ ｊ取 １ 时， 则中故障原因 Ｆ 取 ０ 时， 表 ｊ 与 本 组 故 障 现 象 有 关； 示与本组故障现象无关 。 此外 ， 随着故障诊断知识的逐步积累 ， 借助于神 经网络 ＡＮＮ 学 习 训 练 ， 可 将ｂ ｙ ｊ 进 行 模 糊 化 处 理， 调整为 ［ 内 的 数 值， 以描述在当前故障现象下 ０， １］
图 １ 故障诊断系统原理框图
知识 数 据 库 存 储 和 管 理 大 量 的 故 障 知 识 ， 每个 组件 （ 构建 １ 个 知 识 数 据 库 。１ 个 Ｌ Ｌ ＲＵ） ＲＵ 知 识 数据库存储的每个记 录 描 述 该 Ｌ ＲＵ 的 １ 条 专 家 规 则， 或 １ 个可靠的故障实例 ， 或 １ 套神经网络结构参 数。 专家系统单元由专家规则添加与修改模块和专 家规则推理模块组成 ， 实现机载火力控制系统 Ｌ ＲＵ 基于规则的故障诊断 。 神经 网 络 单 元 由 神 经 网 络 构 造 模 块 、 神经网络
１］ 。它们都有知 树字典极其 庞 大 ， 难 于 管 理 与 使 用［
图 １ 所示 。
识库或者字典库不 易 获 取 与 扩 展 ， 难于实现自学习 功能的缺点 。 当前， 神经网络 技 术 日 趋 成 熟， 在故障诊断领 域得到了广泛的应用。本文所述 的 故 障 诊 断 系 统 采用基于 规 则 的 专 家 系 统 与 神 经 网 络 的 方 法， 充 分利用在外场获得的大量故障实例和 神 经 网 络 的 更好地实现故障诊断规则 的 获 取、 扩 自学习功能， 充和更新。
２ 采用的故障样本
目前， 机载火力控制系统携带的机内自检测 ， 由于受其自身功能、 质量和体积等客观 试 （ Ｂ Ｉ Ｔ） 条件的限 制， 一般只能较准确地完成子系统级和 其故障诊断的目标是故障的 Ｌ ＲＵ 级 的 故 障 诊 断 ， 子系统 和 Ｌ 定位到 Ｌ ＲＵ， ＲＵ 内 故 障 板 块 或 Ｓ ＲＵ 能力差， 在外场、 中 继 基 地 和 基 地， Ｌ ＲＵ 内 故 障 板 块或Ｓ ＲＵ 的 故 障 定 位 要 依 赖 于 地 面 检 测 设 备 和 维 修人 员 的 经 验 知 识。 随 着 实 战 与 训 练 任 务 的 遂 行， 在基层 级 和 中 继 级 可 以 逐 渐 积 累 大 量 的 故 障 样本， 如表１所示。
， ＹＡＮＧ Ｍ ａ ｏ ｘ ｉ ｎ ＣＨＥ Ｎ Ｇ ｕ ａ ｎ ｃ ａ ｉ ｇ ｇ （ ， ） Ｔ ｈ ｅ Ｆ ｉ ｒ ｓ ｔ Ａ ｅ ｒ ｏ ｎ ａ ｕ ｔ ｉ ｃ Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ｏ ｆ ｔ ｈ ｅ Ａ ｉ ｒ Ｆ ｏ ｒ ｃ ｅ Ｘ ｉ ｎ ａ ｎ ４ ６ ４ ０ ０ ０， Ｃ ｈ ｉ ｎ ａ ｙ ｇ ： ， （ ） ， ， Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔＳ ｏ ｍ ｅ ｈ ｉ ｅ ｒ ａ ｒ ｃ ｈ ｓ ｓ ｔ ｅ ｍ ｓｓ ｕ ｃ ｈ ａ ｓ ａ ｉ ｒ ｂ ｏ ｒ ｎ ｅ ｆ ｉ ｒ ｅ ｃ ｏ ｎ ｔ ｒ ｏ ｌ ｓ ｓ ｔ ｅ ｍ Ａ Ｆ Ｃ Ｓ ａ ｒ ｅ ｖ ｅ ｒ ｃ ｏ ｍ ｌ ｅ ｘ ａ ｎ ｄ ｉ ｔ ｉ ｓ ｈ ａ ｒ ｄ ｔ ｏ ｏ ｂ － ｙ ｙ ｙ ｙ ｐ ｔ ａ ｉ ｎ ｔ ｈ ｅ ｉ ｒ ａ ｎ ａ ｌ ｔ ｉ ｃ ｍ ｏ ｄ ｅ ｌ ｓ ｆ ｏ ｒ ｄ ｉ ａ ｎ ｏ ｓ ｉ ｓ ． Ｂ ｕ ｔ ｏ ｎ ｅ ｆ ａ ｕ ｌ ｔ ｄ ｉ ａ ｎ ｏ ｓ ｉ ｓ ｓ ｓ ｔ ｅ ｍ， ｗ ｈ ｉ ｃ ｈ ｉ ｓ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｓ ｍ ｔ ｏ ｍ ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ ｆ ｒ ｏ ｍ ｒ ｅ ｃ ｉ ｓ ｅ ｙ ｇ ｇ ｙ ｙ ｐ ｐ ， ａ ｌ ａ ｒ ｅ ｎ ｕ ｍ ｂ ｅ ｒ ｏ ｆ ｆ ａ ｕ ｌ ｔ ｃ ａ ｓ ｅ ｓ ｃ ｏ ｌ ｌ ｅ ｃ ｔ ｅ ｄ ｂ ｍ ａ ｉ ｎ ｔ ｅ ｎ ａ ｎ ｃ ｅ ａ ｔ ａ ｉ ｒ ｆ ｉ ｅ ｌ ｄ ｏ ｒ ｒ ｅ ｌ ａ ｓ ｔ ａ ｔ ｉ ｏ ｎ ｃ ａ ｎ ｂ ｅ ｄ ｅ ｓ ｉ ｎ ｅ ｄ ． Ｔ ｈ ｅ ｄ ｉ ａ ｎ ｏ ｓ ｉ ｓ ｅ ｒ ｓ ｏ ｎ ｎ ｅ ｌ ｇ ｙ ｙ ｇ ｇ ｐ ， ） ｃ ｏ ｎ ｓ ｉ ｓ ｔ ｅ ｄ ｏ ｆ ｔ ｈ ｅ ｋ ｎ ｏ ｗ ｌ ｅ ｄ ｅ ｄ ａ ｔ ａ ｂ ａ ｓ ｅ ｓ ｔ ｈ ｅ Ｅ Ｓ（ Ｅ ｘ ｅ ｒ ｔ Ｓ ｓ ｔ ｅ ｍ） ｕ ｎ ｉ ｔ ａ ｎ ｄ ｔ ｈ ｅ ＡＮＮ （ Ａ ｒ ｔ ｉ ｆ ｉ ｃ ｉ ａ ｌ Ｎ ｅ ｕ ｒ ａ ｌ Ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｕ ｎ ｉ ｔ ． ｓ ｓ ｔ ｅ ｍ ｇ ｐ ｙ ｙ ， Ｔ ｈ ｅ ｒ ｏ ｗ ＡＮＮ ｕ ｎ ｉ ｔ ｓ ｈ ａ ｌ ｌ ｕ ａ ｓ ｍ ｏ ｒ ｅ ａ ｎ ｄ ｍ ｏ ｒ ｅ ｆ ａ ｕ ｌ ｔ ｃ ａ ｓ ｅ ｓ ａ ｒ ｅ ａ ｄ ｄ ｅ ｄ ｉ ｎ ａ ｎ ｄ ｔ ｈ ｅ Ｅ Ｓ ｕ ｎ ｉ ｔ ｓ ｈ ａ ｌ ｌ ｂ ｅ ｉ ｍ ｒ ｏ ｖ ｅ ｄ ａ ｎ ｄ ｅ ｘ ａ ｎ ｄ ｅ ｄ ｂ ｇ ｐ ｐ ｐ ｙ ｏ ｏ ｄ ｔ ｈ ｅ Ａ Ｆ Ｃ Ｓ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｓ ｗ ｉ ｔ ｈ ｍ ａ ｎ ｆ ａ ｕ ｌ ｔ ｃ ａ ｓ ｅ ｓ ａ ｎ ｄ ｃ ａ ｒ ｒ ｉ ｎ ｏ ｕ ｔ ｓ ｉ ｍ ｕ ｌ ａ ｔ ｉ ｎ ｏ ｅ ｒ ａ ｔ ｉ ｏ ｎ ． Ｉ ｔ ｈ ａ ｄ ａ ｓ ｅ ｌ ｆ ｓ ｔ ｕ ｄ ｔ ｒ ａ ｉ ｎ ｉ ｎ － ｇ ｙ ｙ ｇ ｇ ｐ ｙ ｇ ， ａ ｎ ｄ ｃ ｏ ｕ ｌ ｄ ｄ ｉ ａ ｎ ｏ ｓ ｅ ｎ ｅ ｗ ｔ ｅ ｆ ａ ｕ ｌ ｔ ｓ ｗ ｈ ｉ ｃ ｈ ｔ ｈ ｅ Ｅ Ｓ ｒ ｕ ｌ ｅ ｓ ｄ ｉ ｄ ｎ ｏ ｔ ｍ ａ ｔ ｃ ｈ ｗ ｉ ｔ ｈ． ｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎ － ｇ ｙ ｐ ： ， ，Ａ ， Ｋ ｅ ｗ ｏ ｒ ｄ ｓ Ｈ ｉ ｅ ｒ ａ ｒ ｃ ｈ ｓ ｓ ｔ ｅ ｍ， Ｓ ｍ ｔ ｏ ｍ ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ Ｆ ａ ｕ ｌ ｔ ｄ ｉ ａ ｎ ｏ ｓ ｉ ｓ ｒ ｔ ｉ ｆ ｉ ｃ ｉ ａ ｌ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ Ｅ ｘ ｅ ｒ ｔ ｓ ｓ ｔ ｅ ｍ ｙ ｙ ｙ ｐ ｇ ｐ ｙ ｙ