基于圖像特征提取的飛行器故障診斷系統設計

,

(上海機電工程研究所，上海 200090)

0 引言

每發飛行器產品的試驗、驗收均需要進行大量的測試工作。通過測試檢測出來的故障產品，需要進行故障的診斷工作。然而目前的飛行器自動測試診斷技術，只是對故障進行定位，確定發生故障的部件[1]。后續則需要組織產品的總體設計師及分系統設計師專門進行測試數據的排故分析工作。這樣一來，必然將消耗大量時間及人力物力，且當時故障產品的測試數據，數據顯示的波形圖像形狀，診斷分析的結論等信息都不會特地分類保存。下次發生類似故障后，還得再次組織設計師進行排故分析工作，影響型號工作進度，造成資源損失浪費。該現狀是目前一個亟待解決的問題。

隨著飛行器批產數量的大量增加，出現故障彈的頻率也隨著基數增長。經年累月，測試人員獲取了大量的測試數據及數據顯示圖像。通常情況下，最終測試結果只是判定是否合格，打印最終生成的報表后，便失去效用。然而，在這些測試數據中，包含著非常豐富的故障現象信息，具有很大的利用價值。若兩次飛行器某部件故障的測試圖像具有較高的相似度，則可以判斷導致這兩次產品故障的原因也具有一定的相似性。那么，如果可以有效地利用這些歷史數據信息，當被測產品再次發生故障后，能夠方便地查找出歷史上某次或某幾次與當前相似的故障數據圖像。結合當時的診斷結論，可以很好地輔助測試人員完成故障診斷工作。

基于內容的圖像檢索技術是一個比較好的解決方式[2]，該技術利用特征提取方式獲取圖像的內容信息，如顏色、紋理、形狀等來描述圖像的內容，將大數據量的圖像內容壓縮到一組或幾組特征向量數值，通過比較各個圖像的特征向量的相似度，找出最為相似的一幅或幾幅圖像[3]。因此，本文主要研究該方法在飛行器診斷系統中的實現與應用。

1 系統結構及原理

1.1 基于內容的圖像檢索系統

基于內容的圖像檢索技術融合了信息檢索及數據庫處理等多項技術[4]。通常圖像檢索系統包括數據庫構建及數據庫查詢兩大模塊。數據庫的構建指的是通過特征提取的方法獲取數據庫中每幅數據圖像的特征向量表述值，將其作為圖像內容的描述，存儲在數據庫系統的圖像特征表中。數據庫的查詢檢索則是為用戶提供輸入接口，將用戶提交的待檢索圖像，同樣的進行特征提取。并將提取出來的特征向量值，通過匹配算法，與原數據庫中存儲的各圖像進行相似度匹配，最終輸出給用戶匹配度最高的一組或幾組圖像信息。

在圖像檢索系統中，還可以對數據庫中每幅圖像加以文字類描述信息，反映該幅圖像獲取日期、形成原因、以及其它詳細信息。并將其存入關聯的圖像信息表中，用戶可對上述信息進行查閱，輔助用戶進行判斷分析工作。

1.2 系統結構

基于數據圖像特征提取的飛行器故障診斷系統，與飛行器的測試系統同一硬件平臺。測試過程中出現的故障數據圖像可直接輸入至診斷系統中，獲取診斷結論。

本系統的工作原理是使用基于內容的圖像檢索技術，通過建立一個歷史測試數據庫，使用特征提取的方法，對各種測試項目的歷史數據波形提取特征值，并將其存儲在數據庫中，且將該數據當時測試對應的測試結果、出現的故障現象、設計師最終排故分析，獲取的故障診斷結論等均存儲在內。當下次再進行總裝綜測，某產品測試出現異常后，對此次輸入系統的產品故障測試項目波形同樣進行特征提取。對提取出來的特征值，將其與數據庫中的歷史數據利用相似性測度的方式比較，找出與其相似度最為接近的幾組歷史數據。同時調出當時的測試結果及相關診斷信息，并最終通過這些輔助診斷信息，幫助測試人員可以更快地判斷定位飛行器故障原因。系統數據流圖如圖1所示。

圖1 基于特征提取的飛行器故障診斷系統數據流圖

2 特征提取

本系統中，對于數據圖像的特征提取，是指對飛行器測試采集的數據波形圖像，對其固有特性進行提取并將其以數值的形式表示的過程。對測試數據波形圖像內部的信息提取并解析，將其中不會輕易被各種隨機情況影響的信息，作為該數據圖像的特征值，進行提取并以數值的形式表現。特征提取是一個剔除繁雜圖像信息中大量無用信息的過程，提取出來的特征值能夠很好地體現出數據波形曲線的變化和趨勢，為數據圖像相似性的分析比對，提供一個可靠的分析判據，具有提高匹配圖像的識別精度、提升系統圖像匹配的運行速度，降低計算復雜度等作用。

目前，對圖像信息進行特征提取方法包括對圖像顏色、紋理、形狀特征的提取三類方法。由于實際使用過程中，飛行器測試采集的信號數據圖像并不具備顏色特征，且形狀特征也并不突出，因此本系統選擇使用圖像的紋理特征提取法作為測試數據圖像的特征提取方法。目前，對于數據圖像紋理的特征提取方法主要包括: 頻譜方法，有傅里葉功率譜、小波變換、Gabor變換等[5];統計類方法，主要包括紋理譜法[6]等；以及馬爾可夫隨機場模型(MRF)等方法。本系統采用小波變換法作為測試數據圖像的特征提取方法。

2.1 小波變換

小波變換(continuous wavelet transform)是一種能夠將輸入信號從某一頻段分層到多個 各異頻段的技術[7]。在對信號的時頻分析上，小波變換法有著較好表現。通過合理選取小波基，可以在頻域與時域內同步獲得明晰的數據局部信息特征。因此，小波變換技術在實際工程應用中，對工程信號的處理與分析上得到了非常廣泛的運用[8]。

小波變換的原理見圖2，輸入信號S首先進入低通濾波器L與高通濾波器H，經過濾波選通后，獲得低頻與高頻小波系數cL與cH。然后將獲得的系數cH，繼續經L和H濾波選通后，得到下一層級系數cL1與cH1，依照此模式一直進行n次，即對輸入信號S進行了n層分解。通過將輸入信號執行n層小波變換分解，可一共獲得n+1組的小波系數。最后，再將獲得的每組小波系數使用信號回構的方法，就能使原信號分解到各個頻率段下。

圖2 小波分解原理示意圖

其中:f(t)為原信號，a、b分別為尺度和位移參數。由于a,b,t都是連續變量，所以上式被稱作連續小波變化。式中ψa,b(t)又叫做小波基，是由基本函數ψ(t) (母小波)經過位移及縮放后變化，公式表示為：

離散小波變換(discrete wavelet transform，DWT)是在連續小波變換(CWT)基礎上發展而來，對尺度a和位移b同時進行冪級數離散化變換，令a=a0j，b=k2jb0，如此，對a、b進行冪級數離散化變換可得：

ψj,k(t) =a0-j/2ψ(a0-j(t-ka0jb0)) =a0-j/2ψ(a0-jt-kb0)

2.2 特征值獲取

原始信號經小波變換后得到的各頻段的信號，若對其進行特征提取，首先需要選定表征特征的指標。

熵通常作為衡量對象混亂層次的指標，其數值高低反映對象的混亂程度的大小。在工程應用中，熵最早使用在熱力學領域，叫作熱力學熵。后面逐漸提出了信息熵[9]的概念。信息熵即熵的概念在信息學科的應用。Blanco等將信息熵概念與小波變換結合[10]，得出小波能譜熵的概念。小波能譜熵可以對非平穩信號在時域和頻域內的復雜度較好地進行度量，在信號分類、信號檢測、圖像處理中均得到了很好的應用效果。因此，本系統選用小波能譜熵，作為故障數據圖像的特征值表征，來進行圖像的特征提取工作。

輸入信號S經過小波分析后，獲取各頻段信號的小波譜能量為E1,E2,...Em，小波譜能量用公式表示為：

由上述可知，小波能譜熵反映了在m層小波分解下，各頻段能量分布情況。各頻段譜能量大小相同時，小波能量熵值最大。若其中一頻段譜能量遠遠高于其它頻段時，小波能譜熵值最小。小波能譜熵能夠較好地反映被測信號圖像的空間能量信息，在時頻分析上較為精確的對飛行器測試的故障數據圖像進行描述。

3 相似性度量

在對圖像特征提取的實際應用過程中，除非進行匹配的兩幅圖像完全一樣，否則極少有可能出現提取的特征向量，完全一致的情況。在飛行器的實際測試中，由于測試廠房環境、外部供電電源及測試設備、配套工裝的工況不同，及被測產品個體之間的差異性，幾乎不會存在測試數據波形完全相同的情況。因此，在本故障診斷系統，圖像的特征值匹配比較模塊，需要采用相似性匹配的方法找出最為接近的歷史數據圖像。

相似性匹配法其原理是選取一個閾值，當進行匹配的兩幅圖像之間的相似度比閾值小時，說明匹配成功。該方法也可不用事先選取比較的閾值，而是將輸入圖像與全部待匹配圖像進行相似性度量，并將獲得的每個相似度從高到低進行排序。并按照使用方的設置需求輸出相應數目最為接近的相似圖像。

使用較為精準的圖像相似度的度量方法，得出結論與人的視覺判斷結論應該是一致或相近的。系統的相似性匹配模塊有未選用最為適宜的相似性度量法，將直接決定整個飛行器故障診斷系統的檢索效果的優劣。

結合實際使用情況，使用小波變換及小波能譜熵表征的測試數據圖像的特征值，比較容易進行計算處理。選取歐式距離法可以很好地對獲取的特征值相似程度進行比較。歐式距離法也是目前大多系統常用的比較度量法。本系統采用歐式距離法，對兩幅待比較對象的特征值進行比較。

歐式距離的公式如下式所示:

歐式距離法作為常用的圖像間的相似性度量，具有計算相對簡單、度量相對精準的特點。但是該方法并沒有考慮圖像不同特征的差別，各特征的重要程度沒有得到體現，因此本系統采用加權歐式距離公式法實現圖像比對。加權歐式距離公式如下式所示:

相較傳統歐式距離法，加權歐式距離法可通過對不同的特征向量，依照其重要程度賦予不同的權重值，可以更好地體現不同特征的差別，具有更好地匹配效果。

4 數據庫設計

本系統采用SQL SERVER數據庫來存儲飛行器歷史測試的數據圖像信息，使用LabVIEW作為前臺程序，進行數據庫中的數據信息的調用工作。對于數據庫存儲數據表設計，由于將測試波形圖數據直接保存到數據庫中，將導致數據庫規模過大，浪費空間，而且存儲時間過長。因此，本系統直接把每幅歷史圖像的保存路徑存儲至數據庫，即將歷史測試數據與數據庫系統看作一個整體，將其一并存儲于同一個文件夾中。本數據庫內僅保存歷史各次測試數據的相對路徑。如此可節省大量空間，提升數據庫中讀取圖像、計算處理的效率。系統使用SQL SERVER數據表來管理歷史測試數據圖像的保存路徑及其對應的特征值。各歷史數據圖像的路徑及對應的測試情況說明表的結構如表2所示，各歷史測試數據圖像特征值表的結構如表3所示。

表2 數據路徑存儲表結構

表3 特征值存儲表結構

歷史數據圖像的特征值存儲表與圖像的數據路徑存儲表通過圖像的編號一一對應，數據庫系統通過讀取數據路徑存儲表中圖像的存儲路徑，調取相應的測試數據圖像,對其進行特征值提取后，將獲得的特征值存入特征值存儲表。

5 系統實現

本飛行器故障診斷系統軟件安裝于飛行器測試設備中，并使用與飛行器綜合測試軟件相同的計算機語言LabVIEW編寫。故障診斷軟件與綜合測試軟件融合對接，以實現測試—診斷一體化平臺的搭建。測試人員使用測試設備對飛行器進行綜合測試時，若檢測出故障，故障數據圖像會自動進行保存，其存儲路徑會自動寫入測試診斷數據庫中，以供隨后測試人員進行故障診斷時調用。本系統最終實現的軟件界面如圖3所示。

圖3 系統軟件界面圖

如圖3所示，讀取當前故障測試項數據圖像路徑后，故障圖像顯示在界面左邊欄，數據庫中對應對的該測試故障信息也顯示在屏幕上，以供測試人員參照。點擊特征值提取按鈕，程序自動對當前測試故障圖像進行特征提取操作。

使用小波變換法對故障圖像進行特征提取，選取DB6(Daubechies六階)正交小波作為母小波，對故障圖像進行7層小波分解。使用2.2節的特征值獲取方法，對分解下各頻段的故障圖像信息計算小波能譜熵作為圖像的特征值。

點擊檢索歷史相似故障圖像，程序自動在歷史測試故障數據庫中，調用特征值存儲表，獲取相同測試項目歷次存儲的特征值。對當前測試圖像與歷史數據圖像，使用第3節所述的加權歐式距離相似性測度法，分別計算其之間的相似度，并按相似度從高到底進行排序，從中搜索出最為接近的4幅歷史數據圖像。并通過調用數據路徑存儲表，讀取其測試數據說明列，將4幅圖像當時的具體處理信息包括：測試日期、故障描述、故障診斷、處理意見等，連同檢索圖像一起，均顯示在界面上。

以某次飛行器總裝測試某部件發生的故障圖像(如圖4所示)為例，將其與數據庫中存儲的歷史圖像進行比對檢索，獲取的4幅相似度最為接近的歷史圖像軟件界面如圖5所示。

圖4 某部件發生的故障圖像

圖5 檢索出最接近的歷史測試故障圖形及信息

本系統中各測試項目數據圖像樣式共24項，數據庫中每項含樣本數各426個(隨測試次數更新增加)，選用測試用例故障圖每項各10幅，即240幅測試故障圖，使用本系統進行相似圖像檢索并按相似性測度進行排序，由專業設計師對檢索出來的相似圖像進行判別評價，本系統判別準確度達86.7%。且軟件具備自動輔助診斷功能。對檢索出來的圖像特征值相似度進行比對排序，最終給出輔助診斷結論如圖6所示。

圖6 軟件輔助診斷結論

6 結論

本文設計并實現了一種基于圖像特征提取的飛行器故

障診斷系統。該系統與飛行器綜合測試軟件都安裝在導彈綜合測試設備中，形成測試—診斷 一體化平臺。本系統具有診斷速度快、準確率高，只需專職測試人員而非專業設計師即可完成故障診斷的優點。已被應用在某型號飛行器的總裝綜測中，并在實際工作中，輔助測試人員自主完成了多次故障診斷工作，取得了較好的應用效果。