基于模糊方法的艦炮故障診斷*

余勃彪

(海軍工程大學兵器工程系 武漢 430033)

1 引言

艦炮武器系統發生故障的直接反映是表征系統或設備工作狀態的參數發生變化。這些參數很多,相互間的關系錯綜復雜,又往往是艦炮工作狀態的間接反映,因此,使用通常的故障機理分析方法建立征兆與故障成因間的物理模型極為困難[1～2]。但是有豐富經驗的技師在診斷艦炮故障時,往往從觀測到的征兆群的整體出發,依據以往的多次經驗就能較準確地診斷出某一故障成因。這種用自然語文來描述征兆和根據經驗作出診斷的方法具有強烈的模糊性。這就使得利用模糊數學理論和計算機工具,模擬人的思維過程,建立模糊識別模型,從而組成艦炮故障診斷系統成為可能[3～4]。本文基于模糊數學理論,建立征兆的模糊隸屬函數,對故障征兆進行識別,進行艦炮故障診斷。

2 艦炮武器系統故障診斷的模糊性

2.1 模糊數學理論

為了將議題局限在與問題相關的某一范圍內,定義了“論域”,數學中用大寫字母U、V、W 等表示。論域中的各個事物,亦即要考慮的各個對象,稱為論域中的元素,用小寫字母x,y,z等表示。

所謂論域U上的一個模糊子集(簡稱模糊集)A是指:對于任意 x、任意U,指定了一個數 μA(x)∈[0,1],叫做x對A的隸屬程度。

上述定義表明,一個模糊集 A完全由其隸屬函數μA來刻畫。μA(x)的值接近于1,表示 x隸屬于A的程度很高;μA(x)的值接近于0,表示 x隸屬于 A 的程度很低[5～6]。

2.2 征兆及征兆與成因間關系的模糊性

由于艦炮武器系統在正常工作時,協調過程中的振蕩、超調量、隨動系統的跟蹤誤差是客觀存在的,在一些工況下較小,在另一些工況時較大,不同的環境下存在不小的差異,故征兆具有模糊性。

征兆本身具有一定的模糊性,用有或無來表征征兆是否存在不利于對征兆的描述。它們不是簡單的“有”、“無”這兩個值,而往往是“亦有亦無”的中間狀態。若1代表“有該征兆”,0代表“無該征兆”,則其取值除0,1外,理論上還可取0,1之間的任何值,該值是對該征兆的隸屬度。一般隸屬度取值為有限值,則在相應坐標軸上[0,1]區間內取有限個點,構成一個較復雜的n維歐氏空間,成為用隸屬度函數來刻劃的模糊集合。該空間是有限個點,則征兆群是一個有限的模糊集。

由于故障機理研究的不充分和系統的復雜性,所獲得的征兆多是故障狀態的間接反映,故障成因與征兆間的關系也不是簡單的“有”、“無”這兩個值。如前所述,故障診斷要從征兆群整體區別上對故障成因作出判斷。所謂整體區別是指每個征兆群診斷為各個成因的關聯程度是不相同的。這種關聯程度具有強烈的模糊性。

3 模糊隸屬度的確定

3.1 征兆的隸屬函數

征兆的隸屬函數,可由模糊統計法、專家調查法、二元對比排序法及基本概念擴充法等求得。下面引入艦炮高低瞄準速度進行模糊性描述。可將艦炮高低瞄準速度分為三類語義值:慢、正常、快。其征兆輸入量的可能值落于區間[min,max]。請若干位本行業內專業人員各自提出速度慢與速度正常、速度正常與速度快的分界點C與D的值。分別在論域U上得到觀察值(C1,C2,…,Cn)與(D1,D2,…,Dn),它們服從正態分布。

則在模糊子集A=(速度慢,速度正常,速度快)的隸屬度函數為

通過以上模糊處理,可將定性的知識轉化為定量表示,為以后的推理作好準備。

將上述方法確定的征兆的隸屬度函數存入計算機中,當把測量到的征兆和人們感覺到的征兆輸入計算機后即得隸屬度,以便利用診斷模型進行診斷。

3.2 征兆群對故障成因隸屬度的確定

由統計資料可以確定系統故障的成因的總數為m,例如:“系統絕緣電阻降低”、“隨動系統剛性差”、“自整角機損壞”、“速度環元件損壞”、“活塞卡阻”、“電器零位與機械零位不一致”、“線路漏電”等等。每一種成因都占有一定的征兆群。而這種占有是不確定的,即每個征兆群與成因的關聯程度是不相同的,一個征兆群只能以一定的隸屬度診斷為某一種成因。故障成因是征兆群空間上的模糊子集。

μij的確定要綜合考慮多種因素:首先考慮現有的統計資料(L1);其次為了彌補資料的不足還要考慮機理分析因素(L2);征兆出現的強烈程度(L3);獲得該征兆的難易程度(L4)。針對這四種因素評分。

按機理分析,當成因 Aj出現時,征兆群 μij有必然出現,非常可能出現,…至不可能出現幾種情況,則其評分可為1,0.9,…至0。

而根據成因Aj出現時,征兆群出現的強烈程度可分為很強烈,比較強烈,…直至沒變化,則可按1,0.9,…至0評分。

在確定隸屬度時,對上述四個因素考慮的側重點有所區別,則對四個因素給出對應的權系數。(L1,L2,L3,L4)組成權系數集合。

假若在進行診斷時,比較側重于故障的實際統計強烈程度,可以有如下的權系數:

由每個征兆群的評分集合和權系數集合按下式算出相應的隸屬度:

以上用加數統計法確定征兆群對成因的隸屬度,既考慮了各種實際因素,又有所側重。又由于評分是通過大量專業人員用模糊統計方法確定的,就有效地總結了各專業人員的經驗,從而保證了所確定的隸屬度比較符合實際。

3.3 故障征兆的模式識別

模糊性故障知識是用模糊子集的形式描述的。以隨動系統不平穩故障為例,由于模糊子集的特殊形式,可將該類知識的獲取設計成表1所示。

表1 隨動系統跟蹤不平穩模糊集

按照這張表格進行故障診斷時,先由征兆產生一個模糊集B(x)(b1,b2,b3,b4,b5}(bi為各個故障因素的征兆函數隸屬度歸一化值)。

由模糊識別理論取格貼近度:

由模糊擇近原則,則認為B與Ai0最貼近,應把B歸入Ai0類。對于格貼近度出現的誤差再由專家依據實際情況進行修正[9]。如果出于穩妥需要可以將其它貼近度計算出來做參考。

獲得貼近度最大值的那個成因即認為是該故障的成因。這就是計算機的診斷結果,可用中文輸出,提供給系統的使用、維修人員以指導排故處理。也可按N(A,B)的大小,由大到小排列輸出幾個備查成因。這個診斷結果,具有一定的精度。統計資料越豐富,機理分析越透徹,則精度越高。它給人們提供了排故決策和處理的依據,隨排故經驗的增多,診斷精度將不斷提高。

假若計算機輸出的貼近度最大的成因的貼近度很小,或者兩種及多種以上成因間貼近度的差值很小,使得很難作出診斷結論。此時可以建立問診模型,計算機向系統操作維護人員提問,補充輸入信息量大的征兆,可提高診斷結果的準確性。其過程如圖1所示。

圖1 模糊診斷過程模型

4 結語

基于模糊數學的艦炮故障診斷方法充分利用了故障檢測數據和專家的經驗知識,對故障征兆進行模式識別,實現故障的自動診斷。需要注意的是,在沒出現故障時,實時監測系統也會向計算機輸入征兆,計算機根據這些征兆也會輸出結果,這個結果不是故障的成因,而是表明這幾個成因是應該注意的問題,它們有可能發展而引發故障,從而提示有關人員采取必要措施以預防故障的發生。

[1]左憲章,康健,李浩,等.故障預測技術綜述[J].火力與指揮控制,2010(1):1～5

[2]王芳,周曉波.某型艦炮控制系統故障診斷專家系統[J].艦船電子工程,2008,28(2):145～146

[3]薛子云,楊江天,朱衡君.機械故障預測模型綜述[J].機械強度,2006,28(S):60～65

[4]秦海勤,徐可君,隋育松,等.基于圖像奇異值分解的滾動軸承故障模式識別[J].軸承,2010(6):55～58

[5]孫寧.多目標決策問題的最大隸屬度方法研究[J].電腦知識與技術,2010,6(15):4305～4306

[6]邱晞,劉平,魏生民.基于隸屬函數的裝配協調順序優化方法[J].航空制造技術,2010,13:68～70

[7]崔湘軍.模糊模式識別中隸屬函數選取的探討[J].邵陽學院學報(自然科學版),2010,7(2):5～8

[8]李鴻吉.模糊數學基礎及實用算法[M].北京:京華科技出版社,2005

[9]陽寧光,韓維維.修正的正態模糊集下的格貼近度[J].汕頭大學學報(自然科學版),2010,25(1):7～11