基于飛行參數的直升機智能故障診斷系統研究

紀華東 胡雪明 劉照興

摘要

故障診斷技術可以極大地提高直升機的可靠性和安全性，降低維護成本。目前外場維護過程中故障診斷和維護手段落后，缺少自動化的技術分析飛行參數中隱含的故障信息支持故障診斷，且故障診斷的自學能力較差。而國內直升機故障診斷工作還未形成系統化的故障診斷系統來解決全機各類故障的診斷。針對直升機故障診斷存在的問題，論文通過分析各類故障診斷方法的優劣，提出了基于飛行參數的直升機智能故障診斷系統總體方案，并研究了綜合案例推理、故障樹和徑向基（RBF）神經網絡方法解決直升機各類故障的診斷流程該系統方案有助于提高國內直升機故障診斷水平，為直升機故障診斷系統的深入研究提供了有益的思路。

【關鍵詞】故障診斷 飛行參數 案例推理 故障樹 徑向基神經網絡

1 引言

直升機結構復雜，故障現象和工作環境復雜，故障頻率高，嚴重影響飛行安全。及早地發現故障并進行維護，在很大程度上提高了直升機安全性、可靠性和經濟效益。但通過調研發現，當前直升機外場維護主要依賴于維護人員的經驗，維護設備和技術手段落后，難以高效、準確地判斷故障原因以及確定維修方案;直升機飛行參數類型繁多，其中蘊含了大量的故障信息，目前主要依靠人工分析，缺少自動化的技術分析飛行參數;裝備更新換代日益頻繁，維護人員難以快速掌握設備狀態，迫切需要自學能力強和擴展性好的故障診斷系統。因此研究基于飛行參數的故障診斷系統對于直升機具有重要現實意義。

國外在故障診斷領域已經取得了許多成果，廣泛應用于軍用和民用航空領域。而國內直升機的故障診斷研究和應用還處于起步階段。當前的研究大都針對某個系統或者部件的故障診斷，缺少應用于直升機全機故障通用化的診斷方案。由于實際診斷對象復雜且各種診斷方法所固有的局限性，無法單獨應用一種診斷方法就完全解決實際對象的故障問題。目前故障診斷技術朝著綜合化的趨勢發展，如何有效集成多種診斷方法，發揮各自的優勢，從而提高整個診斷系統的綜合性能成為研究的重點。

本文在國內外研究的基礎上，結合用戶需求調研提出了基于飛行參數的直升機智能故障診斷系統方案，研究了智能故障診斷系統的實現方案和技術路線。該系統可以提高排故和維護效率，降低維護保障費用和人員負擔，有效改善直升機的維修保障。

2 故障診斷基本方法

現代故障診斷技術分為基于解析模型的方法、基于信號處理的方法和基于知識的智能診斷方法。本文通過廣泛的調研發現各類故障診斷方法在應用時各有優劣，總結如表1所示。

一方面由于當前直升機還存在大量需要依靠專家經驗和知識解決的問題，無法通過模型求解獲得，長期的使用也使得在直升機領域積累了完備的經驗和知識;另一方面由于系統故障的多樣，其故障和征兆之間不存在簡單的——對應關系，而基于知識的方法不需要系統的數學模型，引入了診斷對象的多種信息，可以充分利用經驗和知識進行故障診斷，因此基于知識的方法在直升機故障診斷領域具有廣泛的應用前景。但是也存在一定的不足，如專家系統缺乏自學習能力;神經網絡方法診斷推理過程不能夠解釋，缺乏透明度等等。

為了克服現有故障診斷方法的局限性，常常采用混合故障診斷技術，可以更加全面地分析直升機的故障問題，有效提高診斷效率?；谝陨系姆治?，本文通過案例推理和故障樹的方法構建知識庫進行故障診斷，既能充分吸收以往案例經驗，又能夠結合現有故障樹分析的成果，但是知識獲取存在較大難度，且自學能力差;與徑向基神經網絡結合，可有效解決專家系統的不足，以往的案例和故障樹也可以幫助獲得訓練樣本。

3 基于飛行參數的直升機智能故障診斷系統

3.1 系統總體框架

基于飛行參數的直升機智能故障診斷系統可以實現飛行參數譯碼，可視化顯示飛行過程中飛參的各種變化，故障快速判讀可以全面地分析故障征兆信息，然后進行故障診斷分析出故障原因，并據此給出解決故障的建議，最后將故障分析的結果顯示給用戶。該系統主要包括數據解析、數據回放、數據庫管理、故障診斷和解釋處理等模塊，總體框架如圖1所示。

數據解析模塊接收來自機載系統采集和處理的數據進行譯碼，實現飛行參數的預處理。預處理后的數據通過系統數據庫管理模塊實現存儲、查找、刪除等操作，系統數據庫管理包括綜合數據庫和知識庫，用戶或者專家可以通過人機接口不斷擴充數據庫。數據回放模塊可以實現飛行參數的可視化，包括飛參曲線顯示、三維視景顯示、駕駛艙儀表顯示再現等，有助于識別故障信息。故障診斷模塊針對飛行參數中包括的故障信息進行深入分析，故障快速判讀模塊能夠快速發現故障征兆，在此基礎上進行故障診斷定位出故障原因，給出故障維護建議。解釋模塊在診斷結束后將診斷結果信息匯總后通過人機接口以診斷報告的形式顯示給用戶，報告中記錄每一步的推理過程，相關解釋和解決方案等，以維護人員容易理解的方式給出故障診斷的結果和解決故障的建議。用戶和專家也可以通過人機接口對數據庫和知識庫進行維護完善等操作。

3.2 關鍵模塊研究

3.2.1 數據庫管理模塊

系統數據庫管理主要存儲系統管理、飛行參數解析、故障診斷推理和解釋處理所需要的各類數據，主要包括綜合數據庫和知識庫2大部分。綜合數據庫主要存儲飛參工程值、超限報告以及存儲推理中間過程和結論等，解析獲得的飛行參數工程值需要存儲在以飛參命名的飛參工程值表中;經過故障快速判讀獲得的飛參超限信息存儲在超限報告中;存儲故障診斷推理的中間過程及結論，可以為用戶提供整個推理過程的解釋。

知識庫主要存儲故障診斷的經驗和知識，包括飛參閾值判斷表、故障案例庫、故障樹數據庫、神經網絡數據庫等。

（1）飛參閾值判斷表是故障快速判讀的主要依據規則，記錄了直升機各個系統飛參信息包括名稱、作用、類型、來源、故障判據、故障類型等。

（2）故障案例庫是案例推理CBR方法用到的歷史案例信息，主要包括案例基本信息表、故障征兆表、維修信息表等組成。其中案例基本信息表記錄了故障現象、故障原因分析、診斷結果、使用頻率等基本信息。故障征兆表記錄了征兆描述、征兆數據信息、征兆模糊關系值、權重等信息。維修信息表記錄了相關故障維修步驟信息。

（3）故障樹數據庫用于支持基于故障樹的推理，包括故障樹、規則表、最小割集表等信息。其中故障樹規則表描述了各個故障現象和故障樹最小割集表之間的邏輯關系，本文采用產生式規則描述規則表，基本形式是：IFPTHEN Q，規則的前件P對應于故障樹的最小割集，規則的后件Q對應于故障樹的頂事件。

（4）神經網絡數據庫存儲神經網絡訓練建立的知識庫，在此基礎上進行故障診斷。相較于傳統的知識表示，神經網絡知識的表示屬于隱性表示，通過神經網絡描述某個問題知識之間的關聯，通過訓練樣本進行訓練得到網絡單元的連接權值和穩定的數據中心，并存儲到知識庫中。

3.2.2 數據回放模塊

數據回放模塊以飛行數據為基礎，通過多種不同形式的回放模式形象地重現飛行數據的變化情況。該模塊主要提供飛行參數查詢、駕駛艙儀表再現、飛參變化曲線圖、三維視景仿真等功能，深入分析直升機各系統的運行情況，為提取故障信息提供支持。某些故障如偶發性的故障，機務人員無法通過單獨的某個飛參值來判斷故障與否，而飛參變化曲線圖完整地描述了飛行過程中相關設備的運行狀態變化，可為故障判斷提供更多有用信息。駕駛艙中儀表和告警數據最為豐富，駕駛艙儀表再現提供重要儀表告警數據的再現功能，便于地面維護人員準確地判斷可能故障及其原因和維修決策。三維視景仿真動態模擬起飛、降落等事故高發的飛行階段，結合提供的飛機姿態、位置、駕駛艙儀表等飛行參數信息，機務人員可以直觀地發現飛行過程中出現的各種飛行問題和故障現象。

3.2.3 故障診斷模塊

本文根據BIT、飛行故障字等信息和基于飛參閾值的故障判讀獲得準確完備的故障征兆，在此基礎上進行故障診斷定位故障原因，通過基于案例推理和故障樹的專家系統借鑒歷史經驗和知識進行故障診斷;若未能解決，則通過RBF神經網絡的方法通過一定的學習和訓練實現故障診斷，最后將故障診斷結果以案例的形式存儲在知識庫中進行完善。故障診斷總體流程如圖2所示。

（1）故障快速判讀。故障快速判讀可以快速發現直升機故障征兆信息，為進一步的故障診斷提供輸入。首先根據維護BIT數據、直升機飛行后的故障字信息以及空/地勤反饋的情況，可以得到部分系統部件故障信息。其次根據譯碼后的飛行參數數據，與不同類型飛行參數閾值進行比對得到飛參故障快速判讀結果，判斷是否有飛參超限和超限事件發生，將其存放到超限報告中。維護人員收集各個系統BIT、故障字等信息，結合飛行參數可視化顯示、超限報告分析出全面準確的故障征兆信息，并將其存儲到數據庫。

以旋翼轉速為例，定義旋翼轉速的飛參判據為“295

（2）基于案例推理和故障樹專家系統。通過對關鍵飛行參數的分析獲得故障征兆信息，首先進行案例庫的檢索，如果在案例庫中發現匹配案例，則對案例進行調整;如果沒有發現匹配的案例，則可結合故障征兆，執行基于故障樹故障診斷推理流程。實施流程如圖3所示。

1.基于案例推理的故障診斷。基于案例推理的專家系統可以通過對過去類似案例的檢索，來實現快速的故障診斷。通過對關鍵飛行參數的分析獲得故障征兆和故障現象，根據案例屬性進行加權計算獲得新故障問題與各個案例庫中的案例的匹配程度一即相似度，給出相似度D于規定閥值λ的相似案例集;如果在案例庫中發現匹配案例，則開始對案例進行調整，來實現快速的故障診斷，并直接給出完整的處理包括案例描述、詳細故障原因分析、故障征兆詳細描述、維修處理措施等。

2.基于故障樹的故障診斷。若調整后的案例不能夠解決當前的故障問題，則需要轉入基于故障樹推理過程?；诠收蠘涞墓收显\斷常常用于診斷直升機各個系統的偶發故障。通過故障征兆和故障信息確定出故障現象即頂事件，根據故障樹規則表找出頂事件所有的最小割集的集合，然后依據重要度對最小割集進行故障檢測，找出發生的故障并給出維修和處理措施，最后將診斷結果以案例的形式存儲到故障案例數據庫中完善知識庫。最小割集可以幫助人們發現系統的最薄弱環節，以便于有針對性、有目標的進行故障診斷，提高診斷的快捷性和準確性。

（3）基于RBF神經網絡故障診斷。針對基于案例推理和故障樹的專家系統無法識別的故障，采用徑向基神經網絡的故障診斷方法。實施流程如圖4所示。

RBF神經網絡方法包括輸入層、隱層和輸出層，各層之間的連接賦予其不同的權值，通過一定的學習和訓練，確定出網絡單元的連接權值和穩定的數據中心，然后接受外部輸入并通過隱層處理便可獲得期望的輸出。該方法首先需要通過已知的訓練樣本進行訓練，選取合適的方法如采用梯度下降法、自適應學習速率法等修正各單元的權值，并確定穩定的數據中心，直到達到設定的訓練次數或者結果的準確率。訓練樣本也可以通過故障樹中故障與最小割集的邏輯關系來構建;然后利用訓練好的神經網絡對給定的征兆集進行處理，找出征兆集和故障集之間非線性映射關系實現故障診斷。當輸入信號靠近徑向基函數的數據中心時，經過加權將有較大的輸出;若遠離則取0或者較小值;如果期望結果誤差較大，則返回隱層處理調整數據中心和權值，直至滿足要求。

4 總結

本文根據國內直升機外場維護調研，提出了基于飛行參數的直升機智能故障診斷系統方案，通過挖掘飛行參數中的信息準確全面地識別故障征兆，然后通過基于案例推理和故障樹的專家系統以及RBF神經網絡的綜合故障診斷方法對各類故障進行智能診斷和處理。針對外場維護過程中故障診斷和維護效率低、故障分析自學能力差、飛行參數利用率不高的問題，該方案提供了有益的思路，通過綜合多種故障診斷方法實現各個方法之間的優勢互補，相較于單個方法可以更加有效地進行故障診斷。該系統的研究將有助于直升機的故障診斷系統的設計，為在直升機故障診斷的深入研究和應用奠定基礎。但是直升機故障的快速診斷依賴于知識庫，未來還需要不斷的收集完善;當前故障診斷技術越來越多地朝著綜合化的方向發展，還需要根據直升機的特點深入研究故障診斷技術如何更好地結合。

參考文獻

[1]姚曜，周新力，宋斌斌.直升機飛行參數綜合處理軟件設計研究[J].煙臺：海軍航空工程學院學報，2006.

[2]韓兵，賈會琰，陳宇.美軍旋轉冀飛機預測性維修中的狀態監測和數據分析技術[J].航空維修與工程，2016（04）.

[3]Felix T.S.Chan.Application of ahybrid Case-based reasoning approachin electroplating industry.ExpertSystem，2005.

[4]吳娉娉，惠曉濱.直升機旋翼狀態監測與智能故障診斷系統設計[J].西安：火力與指揮控制，2012（09）.

[5]徐英帥，王細洋，孫偉，胡貴鋒.直升機動力傳動系統故障診斷方法[J].南昌：失效分析與預防，2012（04）.

[6]張鵬，黃金泉.基于雙重卡爾曼濾波器的發動機故障診斷[J].南京：航空動力學報，2008（05）.

[7]金小強，李新民，陳煥等.基于神經網絡的直升機自動傾斜器軸承故障診斷方法[J].南京航空航天大學學報，2016.

[8]J.J.Gill.Lessons Learned from Rotaryand Fixed-wing HUMS Applications.2000 IEEE Aerospace conferenceProceeding，2000.

[9]朱大奇，于盛林.基于知識的故障診斷方法綜述[J].馬鞍山：安徽工業大學學報，2002（07）.

[10]李洪寧.基于CBR與PTA的飛機故障診斷專家系統的研究與設計[J].青島：青島科技大學，2012.

[11]楊興.通用性故障診斷專家系統平臺的研制—人工神經網絡信息融合方法[J].鎮江：江蘇大學，2007.

[12]卿立勇.基于飛行數據的飛機故障預測與故障診斷系統研究[J].南京：南京航空航天大學，2007.