改進型證據更新規則的動態故障診斷算法

王 卉，李英順

1.廣西科技大學 電氣與信息工程學院，廣西 柳州545000

2.大連理工大學 控制科學與工程學院，遼寧 大連116024

1 引言

傳統的故障診斷方法不僅嚴重地導致資源浪費并且故障確診率相對很低。近些年來，智能的故障診斷算法已經成為對復雜系統故障診斷的研究方向之一[1-3]。隨著人工智能故障診斷算法的廣泛應用，動態故障診斷技術作為逐步完善的先進診斷技術已經在國內外的許多領域廣泛應用。動態故障診斷問題已成為前沿故障診斷問題的關鍵之一。自動裝填系統是一個邏輯非常復雜的時序控制，在作戰過程中極其容易發生電氣故障和機械故障，從而很大程度上影響裝備的戰斗力。考慮故障診斷結果需給出元器件級維修建議進行精確定位，達到相對全面地實現了自動裝填系統的狀態監測與故障診斷。本文通過對已有的算法進行改進，在精確性、智能性和實時性方面對自動裝填系統故障診斷確診率進行有效的提高。

證據融合是只能夠實現對稱的和靜態的融合，也就是只能實現在同一個時刻所獲取的多個診斷證據，從而所得到的證據與除該時刻外的其他時刻的診斷證據無關。從生產實際考慮，自動裝填系統是一個動態時序控制系統，進而診斷證據也是隨時間變化的。再應用以往的證據理念無法獲取更加真實可信的故障決策結果。同時確診率是評價故障診斷的一個重要指標。近些年，一些學者已經對證據更新進行了研究，文獻[4]中Shafer提出Dempster條件規則和證據理論的基本概念。文獻[5]中Smets 提出的模型能夠實現在完全確知情況下的新到證據更新，但該文僅針對所述模型進行理論分析，未對實際工程應用進行分析。文獻[6]中Kulasekere 等提出了條件化的線性組合更新方法，該方法由現有證據和條件證據的線性組合組成，利用加權融合的方式實現證據更新。它使人們能夠通過適當選擇線性組合權重來解釋現有證據的“完整性”和“慣性”以及更新的“靈活性”，但也未論證其可行性與工程應用情況。文獻[7]提出了一種基于Dezert-Smarandache理論的新組合規則來處理由識別框架的非窮盡性引起的沖突證據。根據原始DSmT組合規則或新DSmT組合規則進行融合，雖給出了電機轉子故障診斷應用實例，但僅說明組合規則的有效性，未能實現真正意義上的證據更新和動態故障診斷。類Jeffery 更新的缺點在于過度依賴于當前證據的作用，而忽略了歷史證據的作用。通過對原始證據更新規則進行改進并將其在故障診斷的工程實際應用，對方法的可行性進行分析并與其他故障診斷方法進行對比。

本文提出了改進型證據更新規則的動態故障診斷算法，并將其應用到火炮自動裝填故障診斷系統中。結合自動裝填系統的控制時序和實際特點進行深入研究，確定火炮自動裝填故障的辨識框架并生成診斷證據，隨后對診斷證據進行動態更新，將更新融合后的證據進行故障決策，并與目前廣泛使用的原始證據理論和原始單獨模糊推理進行分析對比，探討改進型證據更新規則的動態故障診斷算法應用的優勢。

2 故障分析

自動裝填系統是由自動裝填系統程序控制盒完成控制。自動裝填系統的各個部件按照一定的順序進行控制。通過對自動裝填系統的基本組成和電路圖控制原理進入研究，從而為故障診斷打下扎實基礎。以火炮自動裝填系統旋轉輸彈機不旋轉發生為例，通過對電路和邏輯控制關系分析得到旋轉輸彈機不旋轉的8個已知故障和5 個故障特征參數進行故障特征參數和故障模式分析。火炮裝填系統故障特征參數及故障模式如表1所示。

故障診斷數據是采集自動裝彈機程序盒航空頭的實時電壓值，按照故障模式對自動裝填系統故障進行部分分析。通過對程控盒、裝彈操縱臺、記憶裝置共提取可檢測信號78項。根據提取的故障數據給出了元部件級的維修建議。

表1 故障特征參數及故障模式

3 故障診斷辨識框架生成

本文通過構建新型模糊推理生成火炮自動裝填故障診斷系統辨識框架，生成過程如下所述：

令辨識框架Θ={θ1,θ2,…,θn}，其中2Θ是Θ 的所有子集。火炮裝填系統的辨識框架定義為Θ={Y1,Y2,…,Yj,…,Yn}，辨識框架中Yj代表在故障集合Θ 中的第j個故障。火炮裝填系統的故障特征參數集合描述為E={e1,e2,…,en}，由于某一個故障特征參數會受到其他不同故障發生的影響，將發生第j 個故障時第i 個故障的特征參數的描述為eij，其取值區間為，其中為取值區間的左、右端點值，得到單個故障特征參數模糊區間為EI=，其中是所有的最大取值，其中是所有的最大取值。將該區間的取值范圍進行三角均分，得到下述的語言項集。

故障特征參數可以由模糊語言項來描述，用Ak,1,Ak,2,…,Ai,j,…,Ak,pm表示故障特征參數Pm(m=1,2,…,n)個語言項，定義故障特征參數的語言項集合為笛卡爾積空間U=U1×U2×…×Uk，其中第k 個故障特征參數語言集為Uk=(Ak,1,Ak,2,…,，每個模糊語言項。當發生第j 個故障時第i 個故障特征參數Eij與單個故障特征參數模糊區間IA 存在Eij∩IA ≠0 成立，則稱第j 個故障時第i 個故障的特征參數Eij落入單個故障特征參數模糊區間IA中，即火炮裝填系統出現故障辨識框架中Yj項故障。改進型模糊規則如式（1）所示：

通過監測的特征參數狀態值xi來計算故障特征參數語言集為Uk=(Ak,1,Ak,2,…,Ak,pm) 的模糊語言項的隸屬度取值如式（2）所示，對模糊語言項進行歸一化處理得到Aij和Aij+1置信度取值如式（3）所示。

其中，i=1,2,…,M,j ∈1,2,…,Ji-1。

根據式（3）的語言項的置信度計算方法得出當t 條規則被選中模糊推理規則后項的置信度取值如式（4）所示：

4 改進證據更新規則

4.1 建立規則

改進證據更新規則是由類Jeffery 證據更新規則改進的更新方法，是具有時間標簽的并考慮前后時刻的證據關聯性的證據更新規則方法[8-11]。類Jeffery證據更新規則定義為：辨識框架Θ 上的兩條獨立的證據(D1,m1)和(D2,m2),C ∈D1∩D2,m1和m2分別代表歷史證據和當前證據的置信度。

不難看出這種更新方法僅與當前故障診斷證據有關，而與歷史故障診斷證據無關，缺乏全局性不適用于動態故障診斷。進而提出改進證據更新規則如下所述：

改進證據更新規則的更新過程如圖1所示。

其中：

改進證據更新規則的故障診斷方法確保了故障診斷的實時性，證據的可信性，利用當前故障診斷所獲取的證據對先前獲取的故障診斷證據進行更新，完善了普通的模糊理論的缺陷問題，使得故障診斷結果準確可信。

4.2 故障決策

故障決策是故障診斷中關鍵的步驟[12-18]。本文采用將更新后診斷證據的基本置信度轉換成Pignistic 概率進行故障決策。采集故障診斷對象的特征參數在線監測X={x1,x2,…,xn}，通過新型模糊規則獲取到故障診斷對象的準確故障診斷證據，應用改進證據更新規則對獲取到的證據進行更新，根據下述方法對故障更新證據進行決策得到最終故障原因，從而給出針對該故障的維修建議。故障決策如式（7）所示：

5 應用實例分析

火炮裝填系統是時序變化的復雜控制系統，影響其工作狀態的因素較多，固定時刻的故障診斷證據又不足以具有說服力。根據火炮裝填系統的控制工況，采集火炮裝填系統在線故障特征參數的監測值，計算得出該故障特征參數對應的實時監測值在新型模糊推理規則中所屬于該種模糊語言項的置信度取值，進而通過證據更新規則對證據進行更新，得出不同時刻的證據進行故障診斷決策，該算法能夠與火炮裝填系統控制實際相吻合，具有較強可行性。動態故障診斷分析以旋轉輸彈機不旋轉為例，可構造的模糊規則總數有1 247個，旋轉輸彈機不旋轉的故障特征參數模糊語言集如下：

圖1 證據更新規則過程

故障特征參數在已知故障下的取值范圍如圖2所示。

圖2 故障特征參數在已知故障下的取值范圍

通過采集火炮裝填系統在線故障特征參數的監測值，分析計算得出該故障特征參數對應的實時監測值在新型模糊推理規則中所屬于該種模糊語言項的置信度取值。

故障特征參數在0時刻的在線監測值，從而確定被監測值選中的模糊規則，經過新型模糊推理模型得到0時刻的故障診斷證據。故障特征參數的監測值及模糊語言項的歸一化置信度如表2所示，共有32條組合規則被選中，32條模糊規則被選中。

表2 監測值及模糊語言項的歸一化置信度

從而得到特征參數監測值在模糊規則中所選中的故障診斷模糊推理前項為表3所示。

特征參數監測值在模糊規則中所選中故障診斷模糊推理后項為表4所示。

根據本文提出的證據更新規則獲取k=1 時刻更新后的診斷證據和Pignistic概率如表5和表6所示。

最后根據故障決策準則做出故障判斷，在k=1 時刻故障Y7發生，實例診斷結果與先前實際設定的故障模式一致。下面所述診斷結果的對比分析，根據火炮自動裝填狀態值采樣給出1 600 個采樣數據點，通過每個故障有200個采樣點進行模糊神經網絡的訓練，根據火炮裝填系統的已知在線診斷獲得265個采樣數據，加入部分擾動的測試數據。利用模糊神經網絡、原始的證據診斷方法和本文提到的故障診斷方法進行測試并分析對比。診斷結果對比分析結果如圖3所示。

表3 故障診斷模糊推理前項及其置信度

表4 故障診斷模糊推理后項及其置信度

從故障診斷結果的對比分析不難看出改進型類Jeffery 證據更新規則的動態故障診斷方法優勢明顯。在解決動態故障診斷問題中發揮了作用。

圖3 本文方法診斷結果對比分析

表6 k=1 時刻更新后診斷證據Pignistic概率

6 結束語

本文提出的改進型證據更新規則的動態故障診斷算法解決了動態故障診斷的問題。新型的模糊推理較原始模糊推理的推理結果更加真實可信，對證據規則的更新保障了證據的實時性，從而保證了故障診斷結果的實時性。該系統通過實車狀態下的原位檢測，能夠全面真實地反映實際工況，給出元部件級的維修建議，相對全面地實現了裝甲裝備自動裝填系統故障診斷，體現了人工智能故障診斷在軍事作戰中的重要作用。

該火炮自動裝填故障診斷系統的推廣為提高部隊作戰能力，為準確把握裝備質量提供了科學依據，為提高裝備維修效益提供了有效保障。該系統對火炮進行全方位狀態監測和故障診斷，具有重大的軍事效益和經濟效益。