基于故障樹的航天測控系統(tǒng)故障診斷方法

摘 要： 航天測控設備種類結(jié)構復雜，長期以來主要依賴人工維護，缺乏通用有效的故障診斷方法。針對這一情況，在分析了測控系統(tǒng)故障診斷特點的基礎之上，采用故障樹分析法構建了面向航天測控系統(tǒng)的故障樹模型，并闡述了建模方法和推理機設計原理及流程。最后，以航天測控系統(tǒng)故障診斷實例進行了方法驗證。驗證結(jié)果表明該方法效率高、可靠性好，可適用于目前大多數(shù)航天測控設備。

關鍵詞： 航天測控系統(tǒng)； 故障診斷； 故障樹； 混合推理

中圖分類號： TN95?34； TP391.4 文獻標識碼： A 文章編號： 1004?373X（2015）07?0103?04

0 引 言

隨著現(xiàn)代航天測控設備規(guī)模的擴大和設備復雜性增加，使得傳統(tǒng)基于人工的故障診斷方法難以滿足設備的使用維護要求，造成了設備的可靠性和可用性的降低，制約了航天測控任務的順利完成。另外，由于測控設備系統(tǒng)結(jié)構復雜、功能繁多，許多故障征兆不易測量和獲取，難以建立用于自動故障診斷的動態(tài)模型，使得基于信號和基于解析模型的診斷方法可用性下降。

針對上述問題，要進行切實有效的故障診斷，就需要對測控設備的故障診斷邏輯進行有效抽象，從而獲得合理的故障傳遞途徑，以降低故障知識的獲取難度。而故障樹作為有效的診斷方法，本文提出了一種基于故障樹的航天測控系統(tǒng)故障診斷模型。

1 故障樹診斷技術

故障樹分析法（Fault Tree Analysis，F(xiàn)TA）是指對可能造成產(chǎn)品故障的硬件、軟件、環(huán)境、人為因素進行分析，并將系統(tǒng)故障形成的原因由總體至部分按樹枝狀逐級細化，以圖形演繹的方法畫出故障樹，從而確定故障原因的各種可能組合方式和其發(fā)生概率，評價引發(fā)故障的各種因素的相關重要度的一種分析方式，具有下述優(yōu)勢：

（1） 可根據(jù)最小路集和最小割集，確定系統(tǒng)全部正常模式和故障模式；

（2） 可根據(jù)底事件發(fā)生概率，求出故障模式的發(fā)生概率，并可按概率大小排序，確定各個故障模式影響大小；

（3） 在每個故障模式中，底事件按關鍵重要性排序，確定造成故障的各底事件影響大小；

（4） 可據(jù)故障樹層次結(jié)構，診斷進行到要求的某一級別層次的故障原因。

正是由于故障樹圖形化的形式，可以清楚地表示出導致頂事件的故障原因，具有層次性強，因果關系明確等特點，因此故障樹分析法被廣泛應用于復雜系統(tǒng)的故障樹分析與診斷。

由于測控設備系統(tǒng)結(jié)構復雜、功能繁多，故障現(xiàn)象不計其數(shù)，因此，本文提出一種面向測控系統(tǒng)的故障樹模型，通過獲得合理的故障傳遞途徑，在很大程度上降低故障征兆獲取的難度，即通過提供定性、定量分析的算法規(guī)則，獲得較高的故障診斷識別率，提高故障診斷系統(tǒng)的魯棒性。

2 測控系統(tǒng)故障征兆

要使用以故障分析樹來表示的故障診斷邏輯能夠真正用于故障診斷，必須有相應的征兆來推動故障診斷過程。故障征兆就是故障診斷系統(tǒng)所從外部獲取的當前系統(tǒng)的狀態(tài)指示，最直觀的狀態(tài)指示是測控設備監(jiān)控分系統(tǒng)所采取到設備的當前狀態(tài)，但單純依靠監(jiān)控分系統(tǒng)實時采集到的狀態(tài)來進行故障診斷是很不完善的，主要體現(xiàn)在以下方面：測控設備有很多故障難以通過實時狀態(tài)進行表征；受限于成本和條件限制，某些征兆點并不能實時采集；受限于技術條件，某些故障征兆難以由系統(tǒng)自動提取。

而監(jiān)控系統(tǒng)僅能對系統(tǒng)中設置了采樣點的狀態(tài)進行檢測，而實際上依據(jù)采樣數(shù)據(jù)的數(shù)學或邏輯運算獲得的新變量（即故障征兆）更有利于故障診斷邏輯的描述。若充分利用這些征兆，可顯著提高故障診斷的效率。測控系統(tǒng)的故障征兆可劃分為5類，見表1。

表1 測控系統(tǒng)的故障征兆類型

[征兆類型＼表征內(nèi)容＼基本征兆＼即在測控系統(tǒng)中監(jiān)控系統(tǒng)所能獲得的

基本監(jiān)視量，包括設備工作參數(shù)＼擴展征兆＼即基本征兆經(jīng)邏輯和數(shù)學運算組合

而生成新的征兆＼統(tǒng)計征兆＼是在一定時間間隔內(nèi)的基本征兆的統(tǒng)計特性＼過程征兆＼即無法通過實時監(jiān)測而獲取的征兆，必須

通過測控設備執(zhí)行某一過程才能獲得＼人工知識＼即無法通過測控設備本身的檢測系統(tǒng)

而獲得的一些故障征兆＼]

在航天測控系統(tǒng)中系統(tǒng)的工作模式，設備在線配置，各部件工作狀態(tài)等屬于基本征兆；設備在跟蹤過程中生成的單向測距值、根據(jù)變頻器輸出電平值獲得的增益值等屬于擴展征兆；功放輸出的階躍幅度，測距方差、小信號輸出幅度變化率、零值穩(wěn)定度、輸出功率的最大最小值、設備的可用度，設備的使用率等屬于統(tǒng)計征兆；通過距離標校可獲得的測距方差，通過自動測試系統(tǒng)而獲得的系統(tǒng)靈敏度數(shù)值等屬于過程征兆；電纜是否連接，其他站是否同樣無法接收到衛(wèi)星信號等則屬于人工知識。

3 面向?qū)ο蟮墓收显\斷模型

由于測控系統(tǒng)的復雜性，其故障診斷模型的建立要綜合考慮以下三個方面：

（1） 由于測控系統(tǒng)由多個分系統(tǒng)組成，而每個分系統(tǒng)又由多個單元組成，因此建立的故障診斷模型要便于理解和維護。

（2） 由于測控系統(tǒng)中存在多個相同的部件，如A/B機，它們的故障診斷模型是完全相同，不僅會導致系統(tǒng)重復建模，也容易造成模型的不一致性。

（3） 測控系統(tǒng)是向著模塊化、可復用的方向發(fā)展，部件甚至分系統(tǒng)可在不同的測控設備中使用，因此，建立的故障診斷模型也應該具備復用性。

因此，本文采用面向?qū)ο蟮姆椒▽y控系統(tǒng)的診斷模型進行了抽象，模型見圖1。

圖1 面向?qū)ο蟮墓收显\斷模型

如圖1所示，測控系統(tǒng)由測控部件構成，而部件又由底層測控子部件組成。此外，需要特別注意的是測控系統(tǒng)又是更高層復雜大型系統(tǒng)的組成部件。這種抽象方法能夠有效消除故障診斷中的邏輯錯誤，使系統(tǒng)中只有一種基本故障診斷邏輯模型，即部件故障診斷模型。部件診斷模型可由部件級診斷模型、子部件診斷模型和部件的輸出模型。

4 故障樹推理機設計

測控系統(tǒng)故障診斷包括2個目的：一是故障定位，即找出故障征兆對故障事件產(chǎn)生影響傳遞途徑，確定故障征兆對故障事件的影響；二是故障預測，即預測故障征兆可能導致故障，評估故障事件的發(fā)生可能性。

對于測控系統(tǒng)來講，采用正向推理和反向推理相結(jié)合的故障樹雙向混合推理機制能夠很好地達成上述目的。其中，正向推理用于實現(xiàn)故障的預測功能，而反向推理則用于實現(xiàn)故障定位功能。此外，由于絕大部分識別的故障征兆為故障現(xiàn)象描述，對應于故障樹的底事件。因此，推理機的工作方式應為先依據(jù)故障征兆正向推理預測故障事件，再根據(jù)預測的故障事件反向推理定位故障原因。這種方式首先利用基本征兆快速地對系統(tǒng)的故障進行正向推理，獲取系統(tǒng)的故障以及故障的診斷結(jié)果，在此過程中也可以生成系統(tǒng)的頂層故障列表。當系統(tǒng)的頂層故障診斷定位不充分時，再采用逆向推理方法，綜合利用過程知識和人工知識進一步推導系統(tǒng)故障原因。

另外，測控系統(tǒng)的故障樹正、反向推理均采用了帶閾值和權值的可信度推理方法，由于篇幅有限，詳細內(nèi)容見參考文獻[1]。下面僅給出這兩種方法的推理流程。

正向推理是從已知事實出發(fā)，按照底事件→中間事件→頂事件的方向逐層進行推理，直到故障樹根節(jié)點或推理終點為止。推理流程如圖2所示。

圖2 正向推理流程

反向推理是從正向推理的故障結(jié)果出發(fā)，按照底事件→中間事件→頂事件的方向逐層進行推理，并結(jié)合故障節(jié)點的重要度和反向關系來確定故障發(fā)生的主因。推理流程如圖3所示。

圖3 反向推理流程

5 方法驗證

航天測控系統(tǒng)一般包括天線、伺服、信道、基帶（接收機）、監(jiān)控、時頻、數(shù)傳、記錄等分系統(tǒng)組成，如圖4所示。

圖4 航天測控系統(tǒng)組成框圖

下面以信道分系統(tǒng)常見的上變頻器模塊故障為例，用正反向混合故障推理機進行故障診斷：

圖5中，底事件X1表示事件“變頻模塊故障”其權值W1為0.4；底事件X2表示事件“一本振信號故障”，其權值W2為0.2；底事件X3表示事件“二本振信號故障”其權值W3為0.2；底事件X4表示事件“15 V電源故障”其權值W4為0.2；底事件X5表示事件“運算放大器故障”其權值W5為0.7；底事件X6表示事件“5 V電源故障”其權值W6為0.3；底事件X7表示事件“基帶輸出故障”其權值W7為0.6；底事件X8表示事件“線纜接頭故障”其權值W7為0.4；中間事件A表示“變頻單元故障”，其可信度因子及推理閾值為（CF（A，E），λ）=（0.6，0.5）；中間事件B表示“上變頻器增益下降”，其可信度因子及推理閾值為（CF（B，E），λ）=（0.8，0.5）；中間事件C表示“上變頻器無輸入信號”，其可信度因子及推理閾值為（CF（C，E），λ）=（0.6，0.5）；頂事件T表示事件“上變頻器輸出信號過小”，其可信度因子及推理閾值為（CF（T1，A），CF（T2，B），CF（T3，C），λ）=（0.8，0.9，0.7，0.5）。

圖5 上變頻器故障樹

已知當前時刻底事件X1～X8的可信度分別為1，0.7，0.7，0.8，1，0.7，0.8，0.7，推理過程如下：

（1） 正向推理

① 由底事件X1～X4推理中間事件A

證據(jù)可行度

CF（EA）=W1×CF（X1）+W2CF（X2）+W3CF（X3）+W4×CF（X4）=0.4×1+0.2×0.7+0.2×0.7+0.3×0.8=0.92

∵CF（EA）>λ，匹配成功

∴中間事件A的可行度CF（A）=CF（E）×CF（A，E）=0.92×0.6=0.552

同理可得CF（EB）=0.91、CF（EC）=0.76中間事件B、C的可信度CF（B）=0.728，CF（C）=0.532

② 由中間事件A、B、C推理頂事件T

∵證據(jù)可信度CF（A）= 0.552>λ

∴CF（T1）= CF（A）×CF（T1，A）=0.552×0.8=0.441 6

同理可得CF（T2）=CF（B）×CF（T2，B）=0.655 2，CF（T3）=CF（B）×CF（T3，B）=0.372 4

[CF（T）=CF（T1）+CF（T2）+CF（T3）CF（T1，A）+CF（T2，B）+CF（T3，C）≈0.616 3]

正向推理結(jié)束。

（2） 反向推理

① 從頂事件T出發(fā)，查找故障主因

[IA=CF（T1，A）×CF（A）CF（T）×（CF（T1，A）+CF（T2，B）+CF（T3，C））=0.44161.479≈0.299] [IB=CF（T2，B）×CF（B）CF（T）×（CF（T1，A）+CF（T2，B）+CF（T3，C））=0.655 21.479≈0.443][IC=CF（T3，C）×CF（C）CF（T）×（CF（T1，A）+CF（T2，B）+CF（T3，C））=0.372 41.479≈0.252]

可見中間事件B為頂事件T發(fā)生的主因。

② 從中間事件A出發(fā)，查找故障次因

[IX1=IA×ω1CF（X1）CF（EA）=0.299×0.4×10.92≈0.13][IX2=IA×ω2CF（X2）CF（EA）=0.299×0.2×0.70.92≈0.045][IX3=IA×ω3CF（X3）CF（EA）=0.299×0.2×0.70.92≈0.045][IX4=IA×ω4CF（X4）CF（EA）=0.299×0.2×0.80.92≈0.046]

③ 從中間事件B出發(fā)，查找故障次因

[IX5=IB×ω5CF（X5）CF（EB）=0.443×0.7×10.91≈0.341]

[IX6=IB×ω6CF（X6）CF（EB）=0.443×0.3×0.70.91≈0.102]

④ 從中間事件C出發(fā)，查找故障次因

[IX7=IC×ω7CF（X7）CF（EC）=0.252×0.6×0.80.76≈0.159]

[IX8=IC×ω2CF（X2）CF（EC）=0.252×0.4×0.70.76≈0.092]

可見底事件X5為頂事件T發(fā)生的次因，底事件X2、X3對頂事件T的影響最小。

（3） 輸出解釋信息

推理結(jié)論為上變頻器輸出信號過小，可信度為0.616 3。故障原因從大到小依次為：

運算放大器故障，重要度為：0.341；

基帶輸出故障，重要度為：0.159；

變頻模塊故障，重要度為：0.13；

運算放大器故障，重要度為：0.341；

8 V電源故障，重要度為：0.159；

線纜連接故障，重要度為：0.13；

15 V電源故障，重要度為：0.046；

一本振信號故障，重要度為：0.045；

二本振信號故障，重要度為：0.045。

（4） 診斷效果

在同等條件下，對測控系統(tǒng)中出現(xiàn)的相同故障分別采用人工方法和故障樹方法進行故障診斷測試，測試的結(jié)果如圖6所示。

圖6 人工診斷和故障樹診斷效果比較

可以看出人工故障診斷的誤診率為10%～12%，故障原因的漏診率為8%～9%；而故障樹診斷法的誤診率不到4%，漏診率為2%～3%，在誤診率和漏診率2個方面皆有較為明顯的提升。且由于人工的故障診斷嚴重依賴于人工經(jīng)驗，而推理流程和診斷方法因人而已，效率不高，可靠性差。

6 結(jié) 語

本文通過研究航天測控系統(tǒng)故障診斷的原因和特點，提出一種面向航天測控設備應用的故障樹診斷模型，并設計了正反向混合推理機。通過實驗驗證表明，該方法能有效地對測控系統(tǒng)進行故障診斷，診斷效果優(yōu)于人工方法。

參考文獻

[1] 李艷，羅鈞文.航天器遙測數(shù)據(jù)可信度分析與研究[J].國外電子測量技術，2008，27（6）：7?8.

[2] 蔡宗平，湯正平，閔海波.故障樹分析法的專家系統(tǒng)在故障診斷中的應用[J].微計算機信息，2006，22（8）：135?138.

[3] 葉伯生，黃增雙，李斌.故障樹分析在數(shù)控機床故障診斷系統(tǒng)中的應用[J].機械設計與制造，2006（8）：135?137.

[4] COOK Stephen， DUMBACHER Dianel. NASA′s integrated space transportation plan [J]. Acta Astronautica， 2001， 48： 5?12.

[5] 柯銘銘，路平.故障樹在無人機發(fā)射機故障診斷中的應用[J].現(xiàn)代電子技術，2011，34（19）：18?20.

[6] 田洪偉，黃開達.遙測裝備基于故障樹的診斷分析方法[J].現(xiàn)代電子技術，2012，35（7）：120?121.