基于OSPF路由協議思想的虛擬維修誘導技術

孫志丹，王海濤，譚業發，錢坤

基于OSPF路由協議思想的虛擬維修誘導技術

孫志丹，王海濤，譚業發，錢坤

（陸軍工程大學，江蘇 南京 210007）

提出了一種基于OSPF路由協議思想的虛擬維修誘導技術方法VMIT。首先列出OSPF核心部分與VMIT的對應關系，然后闡述VMIT的基本內涵，包括編制零件或總成層級碼，通過零件發出故障信號以診斷故障零件，利用小波神經網絡預測維修時間，采取改進的Dijkstra算法求解和評價更換零件最優路徑。最后以更換離合器油封為例，闡述虛擬維修的四個階段，分別為給油封及周邊零件編制層級碼，根據故障信號查找故障零件，利用小波神經網絡預測拆裝油封及周邊零件的時間，獲取拆除油封的最優路徑。案例的四個階段與VMIT的四個基本內涵相呼應，同時也進一步證明了VMIT的可行性。

OSPF路由協議；虛擬維修誘導；小波神經網絡；Dijkstra算法

虛擬維修是以計算機技術、虛擬現實、增強現實等技術為依托，模擬維修人員在虛擬環境中對故障對象開展維修工作，包括故障診斷、虛擬拆裝、更換零件、考核評價等內容[1]。但是，虛擬場景不同于真實環境，需要解決碰撞檢測、拆卸順序、裝配配合、交互式控制等諸多關鍵技術[2]。

開放式最優路徑優先（Open Shortest Path First，OSPF）是一個計算機網絡內部的網關協議（Interior Gateway Protocol，IGP），用于在單一自治系統（Autonomous System，AS）內決策路由。OSPF協議主要包括如下幾個部分：確定各路由器ID（唯一性編號）、鏈路狀態、區域劃分、區域自治、鏈路狀態通告、最優路經優先（Shortest Path First，SPF）算法。

本文提出一種基于OSPF路由協議思想的虛擬維修誘導技術（Virtual Maintenance Induction Technology Based on OSPF Routing Protocol，VMIT），實現對虛擬維修過程的誘導，包括確保每個零件的唯一性；快速定位故障源；預測拆裝零件的時間，并能評價拆裝效率；獲取最佳拆裝路徑和效率，還可對路徑進行評價[3]。采用VMIT技術進行虛擬維修的過程中，預測結果既可以在維修時智能提示，也可以隱藏，并作為評價依據。OSPF的核心要素和VMIT的基本內涵關聯如表1所示。

表1 OSPF術語與VMIT對應關系

表1是OSPF思想與VMIT對應關系，第5項可以看成是整體與局部的關系，即待維修區域可大可小，類比到車輛中，該區域可以大到整臺汽車，也可以小到變速箱，或更小的摩擦離合器。因此，VMIT的核心要素在于前4項，本文主要對前4項展開論述。

1 VMIT基本內涵

1.1 編制層級碼

VMIT編制層級碼就是將目標機械以一個規范的順序進行編號，編號的規則為：

（1）每一級編號均為兩位數，不足兩位前面補0。

（2）唯一根節點為第一層，規定為00，其下一層為第二層，分別01、02開始，最大為09，即，第二層最多包括9個節點。

（3）第三層依然為2位數，具體為：01節點下編號從11到19；02節點下編號從21至29，依次類推。

（4）第四層為四位數，其中11節點下編號從1111到1199。

根據上述規則，第一層僅一個編號，第二層最多9個編號，第三層最多81個編號，且前三層均為兩位數。這樣，一方面減少了層級碼位數，同時也限制一級總成的大小，避免一開始就將待維修目標對象劃得過細。目標對象可表示為：

式中：為待維修目標對象；H為對象一級總成；1j為二級總成，還可以進一步細化。

任意一個待維修目標對象既可以看成是零件總成，也可以看成是層級碼的集合，即：

由于零件和層級碼具有對應關系，因此，任意零件或總成又可以表示為：

通過層級碼，不僅可以將每個零件或總成進行編碼，形成表1的唯一ID；同時，層級碼還暗含上下級層次關系，便于快速查找和定位各種零件屬性。

1.2 VMIT故障定位診斷法

OSPF以鏈路通告的方式對外發布狀態信息，VMIT采用類似方式對故障零件進行診斷。具體方法為：

（1）利用Unity 3D引擎構建桌面型虛擬維修訓練系統[4-5]，通過鼠標和瀏覽器模擬操作；或者建立與實物一致的1:1虛擬模型，然后利用HTC頭盔、Microsoft HoloLens頭顯進行模擬訓練操作[6]。

（2）用戶進入故障分析與判斷模塊后，運轉虛擬模型，起動故障并發出信號（相當于打開OSPF的鏈路通告）。

（3）用戶根據模型運轉情況，仔細觀察各零件和總成的工作狀況，一旦發現聲音、顏色、位置變化等異?，F象，就迅速定位到故障源。根據故障現象的不同，定位方法可以分為直接定位法和逐級定位法。直接定位法就是依賴于故障源準確模擬和用戶的豐富經驗；逐級定位法就是從大到小依次循環故障源，此種效率較為低下，故障定位的快慢也是評價訓練的一個重要依據。

1.3 WNN預測拆裝時間

1.3.1 神經網絡

圖1 典型的3層神經網絡結構

圖1包含輸入層、隱含層、輸出層，分別包含、、個節點。第個輸入節點與第個隱含節點的連接權值為w；第個隱含節點與第個輸出節點的連接權值為w；隱含節點和輸出節點閾值均為。神經網絡訓練的過程就是不斷修改權重值w和w，使得實際向量和期望輸出向量之間的值小于閾值。

虛擬維修的時間預測就是將前期維修的歷史數據放至輸入層，通過設定閾值，調整權重，預測即將開始的拆裝時間。雖然神經網絡得到很大的發展，但也存在如下不足：①激活函數不滿足框架條件；②神經網絡的隱含層數目難以確定；③容易陷入局部極小值[9]。這樣，會導致不能正確預測拆裝時間。張國印[10]、陳英[11]等人探索了在神經網絡中引入小波變換形成小波神經網絡的可行性。

1.3.2 小波變換

小波的概念是由法國工程師J.Morlet在1974年首先提出，經過Y.Meyer、S.Mallat、I.Daubechies等人的推動，已經得到迅速的發展，它同時具有理論深刻和應用十分廣泛的雙重意義[12]。

定義1 設()為一平方可積函數，即() ∈2()，若其傅里葉變換()滿足條件：

則()為一個基本小波，式（5）為小波函數的可容許性條件。將基本小波()進行伸縮或平移，設伸縮因子（尺度因子）為，平移因子為，伸縮平移后的函數為Ψ,b()，則：

式中：Ψ,b()為依賴于參數,的小波基函數，其中∈，∈且≠0。

1.3.3 小波神經網絡

按0.01 mm/min的位移速度施加軸向應力，直至相似試件充分破壞，如圖1所示，記錄應力-應變曲線和試驗力-變形曲線，對相似試件單軸壓縮曲線進行分析。

將小波變換與神經網絡相結合，充分發揮二者的優點，目前得到廣泛的研究。典型的小波神經網絡結構有三種[13]：

（1）利用小波函數來代替Sigmoid，類似于多層認知（Multilayer Perceptions，MLP），此種結構被稱為MLP-WNN，其公式為：

（2）利用尺度函數為神經元，類似于RBF（Radial Basis Function），此種結構被稱為RBF-WNN，其公式為：

式中：c為相應尺度函數對應的小波系數；φ,k()為某尺度對應的尺度函數。

（3）綜合運用小波和尺度函數，充分利用兩種函數的優點，具有分層、多分辨和局部學習的特點，此種結構稱為多分辨小波神經網絡（Multiresolution wave-net，MRA-WNN），其公式為：

對于MRA-WAN，在最低分辨率下，沿輸入的每一維有兩個采樣點，對于一維函數，隱含層中有2個單元，經學習后所得權系數采用如下逼近形式：

其中＝2，1()是()對最粗逼近，若要提高逼近精度，可加入小波基函數，即加入細節，得到f-1()，如下所示：

上述三種小波神經網絡優化了傳統神經網絡，其目的在于訓練歷史拆裝數據，進而預測即將開始的拆裝所需時間，該時間既可以指導用戶拆裝過程，也可以作為考核用戶的依據。

1.4 VMIT最優路徑算法

如同OSPF一樣，VMIT也采用Dijkstra算法。但是經典的Dijkstra算法沒有考慮交叉點耗費時間情況，本文提出的VMIT算法采用如下方式尋找最優路徑：

（1）通過小波神經網絡訓練，預測拆卸各種零件（或總成）以及取還工具所需的時間；

（2）將拆卸各種零件類比為OSPF路由協議中傳播時延；

（3）將取還工具所需的時間類比為路由器的發送、排隊和處理時延；

（4）利用Dijkstra算法，并考慮取還工具所需的時間，尋找最優路徑；

（5）根據最優路徑，提醒或評價受訓者的虛擬維修過程。

通過計算最優路徑，不僅可以誘導用戶的訓練過程，也可以成為評價手段。

2 VMIT虛擬維修誘導實例

本節以某型車輛行駛無力為例，闡述基于VMIT的虛擬維修過程，過程分為4個階段，分別為給車輛編碼、車輛行駛無力故障判斷、預測拆裝時間、獲取更換零件的最優路徑。

2.1 利用VMIT為車輛編碼

通過本文的VMIT編碼規則，將車輛的主要部件進行編碼，編制結果如圖2所示。

圖2 變速箱模型分解示例圖

圖2中，將車輛本身編為00，其下一級主要構成從01、02開始，而后再逐級劃分。如油封的編碼為121313，第一組數字12表示其隸屬于變速機構，其中的1表示其隸屬于變速箱01；第二組數字13表示其隸屬于一檔摩擦離合器；第三組13表示油封。通過層級碼，可以為接下來的拆裝和更換零件打下基礎。

2.2 車輛行駛無力故障判斷

車輛行駛無力的原因較多，包括油品質量差、氣缸工作不良、離合器摩擦片磨損嚴重、離合器油封漏油、車輪阻力大等，其中油封損壞是較為常見的故障[14]。

用戶進入訓練后，啟動故障現象模擬，然后按照從易到難、從外到內的原則，迅速查看和判斷車輪、油品、離合器、氣缸活塞等周邊情況，當發現離合器油封的顏色、形狀異常時，進而判斷行駛無力的故障原因之一。

2.3 基于VMIT的拆裝時間預測

更換油封的前提是對其周邊零件進行拆裝，在虛擬環境中，需要對拆裝時間進行預測，以提示和評價拆裝效果。采用小波神經網絡學習，預測虛擬維修過程中各個零件（總成）拆裝和工具更換時間，主要分為如下幾個步驟：

（1）確定初始權值

初始權值根據神經網絡模型特點選為（0，0.6）間的均勻隨機數；學習步長為0.001，最大平均誤差均值長為0.02。當實際平方誤差均值小于時學習結束，這時可對維修時間進行預測。

（2）確定學習樣本

為了對虛擬維修的拆裝時間進行預測，采用如下樣本進行訓練，如表2所示。表2中，對殼體、單向離合器、一檔行星架總成等每一個部件都要進行學習和訓練，從而得到拆卸總成的時間，其中“歷史均值”指拆卸這些總成的歷史記錄均值，“前次占比”主要考慮的是本次受訓人在拆卸此總成的前一個總成所花時間與歷史記錄的比值，這兩個因素的權重較高。

為了對虛擬維修的切換工具時間進行預測，本文采用如下樣本進行訓練，如表3所示。

表2 拆裝時間預測樣本

表3 取工具和放回工具箱時間預測樣本

表3中，“歷史均值”和“前次占比”依然權重較高，“工具組裝次數”可以為0，表示該工具直接使用。

3 仿真結果與分析

通過Matlab進行仿真計算，可以得到學習訓練的收斂情況，如圖3所示。

圖3 采用小波神經網絡訓練100次和10000次后目標序列和實際輸出序列

圖3（a）是在訓練100次后目標序列和實際輸出結果，可以看出，MLP-WAN和RBF-WAN訓練效果較差；達到10000次后，如圖3（b），三者基本能達到目標。經過圖中分析和對比，可以得到如下結論：

（1）MLP-WAN與BP訓練算法并無太大差異，容易陷入局部最優狀態，所以訓練次數可能達到萬次。

（2）RBF-WAN在事先確定的尺度因子不合適時，要重復訓練整個過程，對于劇烈變化情況時，網絡逼近效果較差。尤其是維修結束時，歸還工具時間較長，導致目標數據變化較大，從而使得該算法精確度較差。

（3）MRA-WAN結構清晰和嚴格，具有良好的自適應性，它先從較大尺度上逼近總體趨勢，然后根據系統的波動程度逐步細化，提高了預測速度。同時，經過對比，可以發現此算法比前兩者的精度稍高。

4 基于VMIT的最優路徑選擇

虛擬環境下，拆裝和更換零件時，必須要考慮到虛擬物體之間的碰撞、拆裝先后順序、配合度是否合理等多種因素，因此，選擇合適的路徑顯得尤為重要。更換一檔摩擦離合器油封的拆裝順序可能有多條路徑，VMIT思想在于獲取其中的最優路徑。

為便于繪圖和描述，將圖2的層級碼和名稱均以編號表示，編號結果如表4所示。

表4 更換油封的部分零件（總成）涉及的編號及名稱

根據表4的編號和名稱，假設更換油封可以采用多個路徑，路徑方向以箭頭表示，各路徑關系如圖4（a）所示。

圖4（a）中，從拆卸殼體1到一檔摩擦離合器油封9可以包括1－2－4－3－5－8－9、1－6－7－5－8－9等多條路徑。為了尋找最優路徑，需要得到各點之間的拆裝所需時間（OSPF的鏈路狀態），為了說明方便，對上述小波神經網絡的數據適當修改，設定更換工具時間均為4（OSPF路由器綜合時延均為4），其余時間如圖4（b）所示。本文的算法如圖5所示。

首先獲取各零件拆卸的歷史時間均值（各節點之間傳播時延），如表5所示，然后找出離1點（起始點）最近的點2，再由2點為起始點找出最近點3。此時需要進行循環判斷，判斷1點經過2點到3點之間的總距離是否小于直接由1點到3點的距離，如果小于，就以1－2－3為最佳路徑；否則舍棄2點，以1－3為最佳路徑，此處1－2－3的時間再加上經過節點2的時間，總時間為12，正好與1到3的距離相等，所以應該以1－3為最佳路徑。后面繼續循環直至完成所有點的驗證。因此，本實例的最佳路徑為1－3－7－5－8－9。

圖4 更換油封路徑圖

圖5 VMIT最優路徑流程圖

表5 VMIT各節點起始時間傳播時延

5 結語

OSPF是計算機網絡中廣泛應用的路由選擇協議，其思想可以被借鑒和應用。本文以此協議算法為參考，提出建立虛擬維修路由方法，主要通過建立虛擬零件的層級碼、故障判斷與定位、小波神經網絡預測拆卸時間、獲取最佳路徑等手段實現。此外，OSPF的區域劃分可以看成是某個子零件總成（如離合器）二次劃分，自治系統可以類比于在總成內部實現神經網絡自適應學習功能。借鑒和使用計算機網絡中成熟的協議思想，可以為多種領域的應用和發展提供思路和幫助。

[1]趙鴻飛，張琦，王海濤，等. 桌面式工程機械虛擬維修訓練系統技術研究[J]. 中國工程機械學報，2013，11（5）：457-462.

[2]劉躍進，公丕平，馮柯. 工程裝備虛擬訓練系統關鍵技術研究[J]. 機械，2012，39（12）：15-17.

[3]劉佳，劉毅. 虛擬維修誘導技術發展綜述[J]. 計算機輔助設計與圖形學學報，2009，21（11）：1520-1534.

[4]何俊，公丕平，申金星. 某型火箭布雷車虛擬維修訓練系統的設計[J]. 機械管理開發，2020，35（4）：166-169.

[5]魏士松，周正東，章栩苓，等. 基于桌面虛擬現實技術的航天器虛擬維修訓練系統[J/OL]. 系統仿真學報：1-7[2020-08-06].http：//kns.cnki.net/kcms/detail/11.3092.V.20200803.1715.002.html.

[6]林藍，姜良奎，付建林，等. 基于OSG虛擬現實的轉向架車間布局規劃[J]. 機械，2020，47(1):9-14.

[7]張亮，王端民，周友運. 基于BP神經網絡的裝備使用維修費用預測[J]. 裝備指揮技術學院學報，2005(04):46-48.

[8] Shaoping Xu, Zhenyu Lin, Guizhen Zhang, et al. A fast yet reliable noise level estimation algorithm using shallow CNN-based noise separator and BP network[J]. Signal Image and Video Processing. 2019(14):1-8.

[9]徐營利，王展，胡曉兵，等. 基于徑向基神經網絡的刀具壽命預測模型研究[J]. 機械，2019，46（2）：13-16，29.

[10]張國印，王志章，林承焰，等. 基于小波變換和卷積神經網絡的地震儲層預測方法及應用[J]. 中國石油大學學報（自然科學版），2020，44（4）：83-93.

[11]陳英，董思羽. 基于可信度小波神經網絡的多傳感器數據融合方法[J]. 吉林大學學報（理學版），2020，58（4）：953-959.

[12]Lu Shuping. The Research on Wavelet Network Prediction Model and its Application in Stock Market Forecasting[D]. Harbin：Harbin Engineering University. 2004.

[13]Bakshi R B，Stephanopoulos G. Wave-net: A multiresolusion， hierarchical neural network with localized learning[J]. AichE Journal，1993(1)：57-81

[14]喬磊. 油封在實際應用中的幾點注意事項[J]. 機械，2008，35（S1）：34.

Virtual Maintenance Guidance Technology Based on the Idea of OSPF Routing Protocol

SUN Zhidan，WANG Haitao，TAN Yefa，QIAN Kun

(Army Engineering University, Nanjing 210007, China)

A virtual maintenance guidance technology method VMIT based on the idea of OSPF routing protocol is proposed. First, the corresponding relationship between OSPF core parts and VMIT is listed, and then the basic connotation of VMIT is stated, including programming parts or assembly level codes, sending fault signals through parts to diagnose faulty parts, using wavelet neural network to predict repair time, and adopting improved Dijkstra algorithm to solve and evaluate the optimal path of replacement parts. Finally, taking the replacement of the clutch oil seal as an example, the four stages of virtual maintenance are explained. They are to compile hierarchical codes for the oil seal and surrounding parts, find the faulty parts according to the fault source, and use wavelet neural network to predict the removal time to install the oil seal and surrounding parts, therefore to get the best solution to remove the oil seal. The four stages of the case correspond to the four basic connotations of VMIT, which proves the feasibility of VMIT.

OSPF routing protocol；virtual maintenance guidance；wavelet neural network；Dijkstra algorithm

TP183

A

10.3969/j.issn.1006-0316.2021.01.004

1006－0316 (2021) 01－0022－08

2020－07－31

孫志丹（1978－），男，江蘇洪澤人，碩士研究生，講師，主要研究方向為工程機械運用、保障和虛擬仿真等，E-mail：952160378@qq.com。