基于BAM和FTA在車長周視指揮鏡系統(tǒng)故障診斷專家系統(tǒng)的應(yīng)用研究

李英順，趙玉鑫，王占峰

（1.沈陽工業(yè)大學(xué) 化工過程自動(dòng)化學(xué)院，遼寧 遼陽111003；2.沈陽工業(yè)大學(xué) 信息科學(xué)與工程學(xué)院，遼寧 沈陽110870）

基于BAM和FTA在車長周視指揮鏡系統(tǒng)故障診斷專家系統(tǒng)的應(yīng)用研究

李英順1，趙玉鑫1，王占峰2

（1.沈陽工業(yè)大學(xué) 化工過程自動(dòng)化學(xué)院，遼寧 遼陽111003；2.沈陽工業(yè)大學(xué) 信息科學(xué)與工程學(xué)院，遼寧 沈陽110870）

文中對(duì)車長周視指揮鏡系統(tǒng)的故障進(jìn)行了深入了解與研究，提出了一種基于BAM神經(jīng)網(wǎng)絡(luò)和FTA相結(jié)合的診斷方法，利用故障樹分析法建立各個(gè)分系統(tǒng)的故障樹，使用最小割集對(duì)系統(tǒng)進(jìn)行分解，生成BAM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。設(shè)計(jì)出一種權(quán)值矩陣的方法，克服了BAM神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)樣本冗余的問題，提高了BAM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率以及收斂速度。應(yīng)用該方法對(duì)某型坦克的車長周視指揮鏡系統(tǒng)進(jìn)行故障診斷，結(jié)果表明：該系統(tǒng)能夠?qū)收线M(jìn)行準(zhǔn)確定位，提高了故障診斷效率。

車長周視指揮鏡系統(tǒng)；雙向聯(lián)想記憶神經(jīng)網(wǎng)路；故障樹分析法；故障診斷

車長周視指揮鏡作為坦克的重要組成部分，也是損壞率極高的部件和更換維修費(fèi)用最高部件之一。車長周視指揮鏡的組成部件比較多，構(gòu)造比較復(fù)雜，一但發(fā)生故障，不易快速找到故障的位置給出維修建議，將會(huì)導(dǎo)致整臺(tái)坦克停止運(yùn)行，造成巨大的損失。因此，對(duì)車長周視指揮鏡系統(tǒng)進(jìn)行監(jiān)測(cè)以及故障診斷，對(duì)降低部隊(duì)維修費(fèi)用，提高坦克性能具有重要意義。例如文獻(xiàn)［1］提出的基于BAM網(wǎng)絡(luò)的坦克火控系統(tǒng)在線診斷方法，以坦克的火控系統(tǒng)為研究對(duì)象，利用層次分析法建立系統(tǒng)故障模型，用最小割集對(duì)系統(tǒng)進(jìn)行分解，生成訓(xùn)練的BAM網(wǎng)絡(luò)，優(yōu)化了BAM網(wǎng)絡(luò)，收斂速度有所提高。故障樹分析法大部分應(yīng)用于機(jī)車發(fā)動(dòng)機(jī)故障診斷，應(yīng)用在坦克車長周視指揮鏡故障診斷時(shí)，由于車長周視指揮鏡系統(tǒng)的故障樹的知識(shí)庫比較大，故障樹最小割集的規(guī)則數(shù)目會(huì)較多，導(dǎo)致規(guī)則提取數(shù)據(jù)時(shí)速度變慢，無法及時(shí)給出診斷結(jié)果。BAM神經(jīng)網(wǎng)絡(luò)經(jīng)常用在多故障診斷系統(tǒng)中，但應(yīng)用在車長周視指揮鏡系統(tǒng)故障診斷是，由于需要大量的訓(xùn)練樣本，對(duì)樣本的遍歷性、相容性等要求較高，如果單純的人工工作實(shí)現(xiàn)較為困難。文中通過將FTA和BAM神經(jīng)網(wǎng)絡(luò)的結(jié)合，能夠?qū)收献龀稣_的判斷，并且診斷快速，效率高。故障樹分析法能夠處理系統(tǒng)出現(xiàn)的故障現(xiàn)象，除去榮譽(yù)的故障數(shù)據(jù)，為BAM神經(jīng)網(wǎng)絡(luò)提供獨(dú)立的正交性樣本。這樣既可以消除使用單一FTA方法時(shí)無法快速診斷的問題，也可以消除BAM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本整理困難的問題，實(shí)現(xiàn)故障的正確判斷，診斷快速，效率高。

1　基于BAM和FTA的故障診斷專家系統(tǒng)

在車長周視指揮鏡故障診斷系統(tǒng)中，是以BAM神經(jīng)網(wǎng)絡(luò)作為系統(tǒng)的核心，F(xiàn)TA為BAM神經(jīng)網(wǎng)絡(luò)提供數(shù)據(jù)的預(yù)處理，以及整理提供給神經(jīng)網(wǎng)絡(luò)的樣本數(shù)據(jù)。故障診斷的結(jié)構(gòu)，首先，F(xiàn)TA模塊，F(xiàn)TA對(duì)故障事件進(jìn)行編碼，為BAM神經(jīng)網(wǎng)絡(luò)提供訓(xùn)練樣本并儲(chǔ)存在樣本庫中；然后建立故障知識(shí)庫儲(chǔ)存故障診斷中的關(guān)聯(lián)數(shù)據(jù)，利用聯(lián)想記憶得出診斷結(jié)果；最后通過解釋器給出用推理的結(jié)論，即診斷結(jié)果。

1.1車長周視指揮鏡系統(tǒng)故障樹的建立與分析

1.1.1故障樹分析法

故障樹分析法（Fault Tree Analysis，F(xiàn)TA）是沃森和默恩在開發(fā)民兵式導(dǎo)彈發(fā)射控制系統(tǒng)時(shí)創(chuàng)建的，是一種依據(jù)圖表將系統(tǒng)的故障形式按照樹的結(jié)構(gòu)逐級(jí)表示出來，把所有所研究系統(tǒng)中的最不希望發(fā)生的故障狀態(tài)作為頂事件，將其一步步的分解，直至不能分解，將其作為底事件，故障樹建立完成。由于其結(jié)構(gòu)的特點(diǎn)，故障樹可以有效的可靠的對(duì)系統(tǒng)進(jìn)行故障的檢測(cè)以及診斷。

1.2.2車長周視指揮鏡系統(tǒng)故障樹的建立

通過查找使用規(guī)則手冊(cè)、專家經(jīng)驗(yàn)以及對(duì)車長周視指揮鏡系統(tǒng)的分析和故障的特點(diǎn)。確定車長周視鏡指揮鏡系統(tǒng)的主要故障部件有車長操縱臺(tái)故障、車長專用電源盒故障、車長控制盒故障、穩(wěn)像系統(tǒng)故障以及激光器故障。車長周視指揮鏡的所有故障樹的頂事件如圖1所示。其中車長周視指揮鏡系統(tǒng)的車長操縱臺(tái)故障樹結(jié)構(gòu)框圖如圖2所示。

圖1　車長周視鏡系統(tǒng)頂事件故障樹

圖2　車長操縱臺(tái)故障樹模型

表1　圖2的符號(hào)意義

圖2中的符號(hào)意義如表1所示。

故障樹建立完成后，對(duì)故障樹進(jìn)行分析，確定結(jié)構(gòu)函數(shù)，求最小割集。最小割集的計(jì)算方法可以分為上行法和下行法。文章中運(yùn)用下行法，從故障樹的頂事件觸發(fā)，自上而下，將上一級(jí)的事件置換為下一級(jí)事件，如果是與門，就將上級(jí)事件橫向并列寫出，如果是或門，就將上級(jí)事件豎向串列寫出，將所有邏輯門全部置換為底事件為止。

圖3的結(jié)構(gòu)函數(shù)為：

得出圖2的最小割集：

根據(jù)結(jié)構(gòu)函數(shù)和最小割集，將圖2車長操縱臺(tái)故障樹轉(zhuǎn)化為如圖3所示的結(jié)構(gòu)。

圖3　改進(jìn)后的故障樹

圖3中，G1=A∪B∪G，G2=B∪F，G3=C∪D∪I∪J∪K，G4= D∪H，G5=E∪L，G6=E∪M∪N，G7=E∪O∪P，G8=E∪O∪Q，G9=E∪O∪R，G10=E∪O∪S.

1.2BAM神經(jīng)網(wǎng)絡(luò)

聯(lián)想記憶模型是一種具有信息存儲(chǔ)和聯(lián)系的能力，常用在神經(jīng)網(wǎng)絡(luò)模型中。1987年 Kosko提出了雙向聯(lián)想記憶（BAM）的概念，是通過單層的Cohen-Grossberg模型進(jìn)行概括的，是兩層的非線性的而神經(jīng)網(wǎng)絡(luò)。BAM神經(jīng)網(wǎng)絡(luò)的拓?fù)鋱D如圖4所示，其中，F(xiàn)a表示輸入的神經(jīng)元域，有n個(gè)神經(jīng)元節(jié)點(diǎn)，W是輸入神經(jīng)元到輸出神經(jīng)元的權(quán)值矩陣；Fb輸出神經(jīng)元域，有m個(gè)神經(jīng)元節(jié)點(diǎn)，WT是輸出神經(jīng)元到輸入神經(jīng)元的權(quán)值矩陣。

圖4　BAM神經(jīng)網(wǎng)絡(luò)的拓?fù)鋱D

BAM神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟如下：其中，假設(shè)P是輸入，Q是輸出，則

第一步：輸入信號(hào)Pt-1，權(quán)重W，其的輸出結(jié)果存入Q；

第二步：輸出向量Q的傳遞函數(shù)為fq，經(jīng)過變換后得到qt-1：qt-1=fp（qt-1W）；

第三步：輸出qt-1加權(quán)重 WT，反饋給輸入向量Pt；pt=fp（qt-1WT）

第四步：以此類推，直到足夠多次的訓(xùn)練后，p（t）和q（t）保持穩(wěn)定狀態(tài)。

對(duì)于含有N個(gè)輸入樣本的BAM神經(jīng)網(wǎng)絡(luò)，其權(quán)值矩陣W為：

由于在實(shí)際的應(yīng)用中，輸入樣本均為二值向量（0，1）表示，那么對(duì)于樣本經(jīng)權(quán)值矩陣W以及傳遞函數(shù)fq轉(zhuǎn)換后，取值始終為1，W矩陣沒有起到作用，難以達(dá)到穩(wěn)定狀態(tài)。因此引入雙極化向量（-1，+1）取代二值向量，使系統(tǒng)較快的達(dá)到穩(wěn)定狀態(tài)。

2　BAM和FTA故障診斷的實(shí)現(xiàn)

故障診斷的效率取決于權(quán)值矩陣W，若樣本維數(shù)較多，W抑制的效果就會(huì)較差，BAM神經(jīng)網(wǎng)絡(luò)很難到達(dá)穩(wěn)定狀態(tài)，即無法快速診斷故障的位置，因此取值矩陣以及樣本維數(shù)最小化成為關(guān)鍵問題。對(duì)于兩兩正交的輸入樣本Ri，權(quán)值矩陣W、WT由式（2）（3）得到，對(duì)于輸入樣本而言，只需輸入Ri時(shí)，能夠正確的對(duì)應(yīng)Si即可。因此，

由圖3車長操縱臺(tái)故障樹，根據(jù)下行法，求出最小割集｛p1｝，｛p2｝，｛p3｝，｛p4｝，｛p5｝，｛p6｝，｛p7｝，｛p8｝，｛p9｝，｛p10｝，轉(zhuǎn)換后的故障樹如圖4所示，根據(jù)最小割集建立故障表，如表2所示。

表2　故障表

其中，q1表示車長專用電源盒的穩(wěn)像電源電路板故障；q2表示車長操作臺(tái)的編碼電路故障；q3表示車長控制盒的混合放大電路板故障；q4表示車長操縱臺(tái)損壞或是YG組件故障；q5表示激光計(jì)數(shù)器故障；q6表示車長專用電源盒的激光電源電路板故障；q7表示氙燈不放電，檢查氙燈；q8表示氙燈放電但是無激光；q9表示放大器故障；q10表示計(jì)數(shù)器故障。

按照式（4）使用雙極化向量得到（RN，SN），權(quán)值矩陣W為：

經(jīng)過計(jì)算，該方法所得到的診斷結(jié)果與系統(tǒng)故障的位置相匹配，因此其可以滿足檢查系統(tǒng)故障的要求，并且診斷的速度快，系統(tǒng)比較穩(wěn)定。

3　結(jié)　論

文章中提出了一種基于BAM神經(jīng)網(wǎng)絡(luò)和故障樹分析法相互融合的車長周視指揮鏡的故障診斷方法。是運(yùn)用故障樹分析法對(duì)樣本進(jìn)行獲取，通過BAM神經(jīng)網(wǎng)絡(luò)對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練，使訓(xùn)練數(shù)據(jù)消除冗余性。使用兩種方法的結(jié)合，不僅避免了訓(xùn)練數(shù)據(jù)的盲目性，也提高了診斷的速度和準(zhǔn)確性，解決了專家系統(tǒng)中知識(shí)獲取難的問題。利用BAM-FTA導(dǎo)出診斷規(guī)則的結(jié)論，對(duì)應(yīng)故障樹的頂事件，確保選擇的故障樹是需要進(jìn)行診斷的故障樹，求出故障發(fā)生的所有最小割集，亦即導(dǎo)致故障發(fā)生的所有原因。應(yīng)用結(jié)果表明，此方法能夠有效診斷出故障的位置，方法是可行的。

［1］公丕平，楊小強(qiáng)，崔忠清，等.基于BP神經(jīng)網(wǎng)絡(luò)的某型裝備故障診斷專家系統(tǒng)［J］.信息技術(shù)，2012，41（5）:125-126.

［2］Kok Yeng Chen，Chee Peng Lim，Weng Kin Lai.Application of a neural fuzzy system with rule extraction to fault detection and diagnosis［J］.Journal of Intelligent Manu-facturing，2005，16，679-691.

［3］李英順，姜雙雙，佟維妍，等.基于RETE及FTA的故障診斷專家系統(tǒng)在綜合傳動(dòng)裝置中的應(yīng)用研究 ［J］.制造業(yè)自動(dòng)化，2013，38（8）：146-150.

［4］FA Bo，YIN Yi-xin，F(xiàn)U Cun-fa.The bidirectional associative memory neural network based on fault tree and its application to inverter's fault diagnosis［C］.IEEE，2009:209-213.

［5］Jaddi Najmeh Sadat，Abdullah Salwani.Nonlinear great deluge algorithm for rough set attribute reduction［J］.Journal of Information Science and Engineering，2013（29）:49-62.

［6］LIU Yang，LAN Cong-Hua，TANG Zhan-Hong.Value reduction algorithm based on attribute union［J］.Advanced Materials Research，2014（926）:3718-3721.

Research and application of fault diagnosis expert system for tank commander panoramic based on BAM and FTA

LI Ying-shun1，ZHAO Yu-xin1，WANG Zhan-feng2
（1.School of Chemical Process and Automation，Shenyang University of Technology，Liaoyang 111003，China；2.School of Chemical Process and Automation，Shenyang University of Technology，Shenyang 110870，China）

Failures for tank commander panoramic system was understood and studied on this article，a new fault diagnosis technology based on BAM neural network theory and FTA，established fault tree by using fault tree analysis theory.Then the minimal cut set method was used to decompose the system and obtain learning sample.A method of generating the weighted matrix was proposed，it can reduce learning sample of redundancy，improve the training efficiency and speed up convergency. At last the issue presented an example to illustrate the application，the result showed that the new method could carry on the accurate positioning of the fault and it was effective to solve these issues.

tank commander panoramic system；bidirectional associative memory neural network；fault tree analysis；fault diagnosis

TN2

A

1674-6236（2016）16-0022-03

2015-08-11稿件編號(hào)：201508048

遼寧省自然科學(xué)基金項(xiàng)目（2014020115）

李英順（1971—），女，遼寧遼陽人，博士，教授。研究方向：模式識(shí)別與智能系統(tǒng)、故障診斷與專家系統(tǒng)。