基于多信號流圖的亞跨超聲速風洞故障診斷方法

楊 敬，賈召會，龔夢彤，蔡 偉，劉佳豪，王 軒，樊艷春

(1.北京航天測控技術有限公司，北京 100041; 2.北京航空航天大學 自動化科學與電氣工程學院，北京 100191;3.航空工業吉林航空維修有限責任公司，吉林 132102)

0 引言

近年來隨著我國航空航天領域相關技術的快速發展，風洞在飛行器研制中的重要作用日益凸顯。在風洞的長期運行過程中，設備疲勞、老化和不及時的故障檢測導致的維護時間消耗和經濟損失逐年增加[1]。為了增強風洞各測試段的性能監測和診斷能力，提高風洞設備的可靠性和穩定性，有必要對其進行可測試性分析，并對故障診斷方法進行研究，從而實現快速而精確的故障檢測與隔離，提升風洞試驗的成功率，為飛行器設計提供可靠的測試支撐[2-4]。

基于多信號模型[5]的故障診斷方法最初由美國康涅狄格大學的Pattipati和Deb等人提出，目前已廣泛應用于測試性工程與系統維修領域[6-12]。該方法以有向圖的形式描述了系統組件與故障傳播路徑之間的關聯關系，能夠清晰地體現實際組件與測點之間的對應關系。基于多信號流圖的故障診斷具有故障建模難度低、故障診斷速度快、使用便捷等優點，能夠識別出已知的正常、故障和被懷疑的組件，是一種通用的基于規則的診斷算法[13]。

本文結合亞跨超聲速風洞系統的特點，提出了基于多信號流圖的風洞系統故障知識描述方法，并采用Teams-RT算法實現了對該型風洞的故障診斷，驗證結果表明該方法能夠保證較高的故障檢測率與隔離率，進而為風洞故障維修決策提供相應參考。為實現多信號流圖的快速建立，開發了多信號流圖建模工具，提高測試開發過程的靈活性。

1 風洞系統組成及測試性分析

1.1 風洞系統組成及關鍵部件

典型風洞通常由氣源系統、真空及閥門系統、試驗段、測量及控制系統和勤務系統組成，根據流場模擬要求的不同，具體風洞的尺寸、結構和功能有所差異[14]。風洞正常運行依賴于各系統的協同工作，影響風洞性能的因素包括氣源系統的氣源壓力、真空及閥門系統的流量控制、試驗段的壓力控制、測量及控制系統性能等。上述因素可能受到多部件的交聯耦合影響，考慮到故障檢測、隔離及維修保障要求，將風洞劃分為整體、子系統(LRU)、部件(SRU)、各部件的故障模式4個層級，結構如圖1所示，圖中僅列出子系統中關鍵部件的常見故障模式，其余部分省略。

圖1 風洞結構層次劃分

1.2 風洞關鍵部件測試性研究

亞跨超聲速風洞中的SRU主要包含儲罐、主管路總閥、主管路調壓閥、引射器蝶閥、引射器調壓閥、噴管段、攻角彎刀機構、總壓測量系統、液壓站等。根據FD-12風洞實際運行中出現的故障情況，通過系統分析，能夠確定系統的各個部件在設計和制造過程中所有可能的故障模式以及每一故障模式的原因及影響[15]，最終建立的風洞關鍵部件可測試性分析報告如表1所示。其中，故障模式定義為對象部件能觀測到的故障現象的客觀描述[16]，故障原因由故障機理和間接原因兩部分決定[17]，故障等級體現了不同失效模式最終影響的嚴重程度[18]。以主管路調壓閥為例，其故障模式主要包括密封不嚴、振動異常與動作異常，對應的故障原因分別為密封圈破損、受力不均與結構損壞，其中密封不嚴的故障嚴重程度最高。為了實現故障識別與定位，需針對每種故障模式歸納其故障檢測方法，診斷結果可通過傳感器監測信號分析得出。根據FD-12風洞系統中的傳感器布局與可測試性分析報告中總結的檢測方法構建故障模式集F與測試集T，如表2所示。考慮到診斷過程的復雜程度，文中僅涵蓋了實際運行中經常出現的12種故障類型，分別對應16個測點，故障類型與測點的對應關系能夠為后續多信號流圖建模提供依據。

表1 風洞關鍵部件測試性分析

表2 風洞關鍵部件屬性集描述

2 基于多信號流圖的建模方法

多信號流圖模型描述了系統各層次之間故障模式交聯耦合關系和測點與故障模式依賴性關系，是一種層次化故障測試有向傳播網絡模型。該建模方法的優勢在于能夠融合診斷知識、維修知識與預測知識，構建診斷、預測和維修一體化模型，同時降低建模難度，適用于復雜大型系統的模型構建。

多信號流圖模型組成元素包括[19]：

1)在有限的系統中構造部件集合C；

2)構建與系統相關的獨立信號集合S；

3)構造n維有限測試集合T；

4)有限的測試點集合P；

5)每個測試點pi對應的一組測試集TP(pi)；

6)每個部件ci影響的一組信號集SC(ci)；

7)每個測試tj檢測到的一組信號子集ST(tj)；

多信號流圖模型可通過有向圖DG={C,TP,E}表示，邊E代表了系統中的故障傳播關系。有向圖中的基本元素包括子系統節點、故障節點、輸出節點、輸入節點和測試節點等，此外，與節點和開關節點等邏輯性節點也可加入到模型中。其中故障節點與部件的故障模式對應；子系統節點由多個故障節點封裝組成，使故障源可以隔離到不同的層次[20]；測試節點表征一個故障節點的可測試性，只有輸入端口屬性；開關節點可用于表示系統的多模式特性；與節點則用于表示系統的冗余特性，連接線表示了信號的流向[21]。

多信號流圖建模過程的具體步驟如下：

1)輸入結構模型、原理圖或概念方框圖；

2)將信號加入模塊或測試中，根據系統的結構和功能，確定每個模塊或測點應該包含的信號集。

3)對一些特殊的情形進行模型修正：

(1)如果系統含有冗余，通過與節點構建冗余組件；

(2)如果系統包含不同的運行模式，采用開關節點對其建模；

在多信號流圖模型中，故障源與測試之間的依賴關系是通過對模塊和測試定義關聯信號來實現的，以此為基礎生成故障-測試相關矩陣(D矩陣)對模型進行故障診斷。故障-測試相關矩陣是不同測試節點與部件故障模式集合之間的數學表示。

D矩陣中，行代表測試節點，列代表某個部件的某種故障類型。系統故障(第j個部件)如果無法測出(第i個測試)，則有dij=0；如果能夠測出，則有dij=1；數據(源于傳感器實時采集)處理結束條件下所獲得的檢測結果為實時監測向量T=[ti]，且ti=1、0分別表示測試沒有通過或測試通過。

D矩陣生成是進行可達性分析和相關性分析的過程。本文的D矩陣假設故障元件與其可達的測試之間均有信號交聯(對應完全故障)，各矩陣行的具體生成步驟如下：

1)將D-矩陣行所對應故障模式節點F作為中心，建立空節點集合T、O、N；

2)清空集合N，將各中心的后繼節點放到集合N和集合O中，如果后繼節點為test節點，則將該節點添加到集合T中；如果生長中心為switch節點則根據switch的狀態決定其后繼節點；如果后繼節點為and節點，且其前驅節點被遍歷的個數未達到設定閾值，則該and節點不并入N，否則and節點并入N；如果后繼節點在集合O中，則該節點不并入N中；

3)如果N為空集結束生長，集合T中的節點即為故障模式F所影響的測試，否則將N中的節點作為節點，進行步驟2)；

4)對D-矩陣各行對應的故障模式依次進行上述操作，即可得到多信號流圖模型完整的D-矩陣；若故障模式F是功能故障節點，那么在步驟3)中刪除集合T里所有與節點F沒有信號交聯的測試，剩下的就是故障模式F所影響的測試。

為簡化多信號流圖模型的建模過程，本文開發了一套多信號流圖建模可視化軟件，如圖2所示。建模過程中用戶可自定義節點的屬性，并實現復雜系統的分層次建模。

圖2 多信號流圖建模可視化軟件框圖

3 基于多信號流圖模型的故障診斷方法

基于風洞系統的多信號流圖模型，本文采用TEAMS-RT算法[22-24]實現風洞系統的故障診斷。TEAMS-RT算法以監測系統健康狀態的智能傳感器處理結果(實時監測向量T)作為輸入，根據系統多信號流圖模型生成的D矩陣進行實時故障診斷。系統各部件的健康狀態定義為健康、故障、懷疑以及未知共4種。TEAMS-RT算法的特點包括：

1)傳感器結果的高效實時處理；

2)故障測試點依賴性的更新響應于系統狀態的改變；

3)依賴關系的更新取決于冗余組件的故障。

TEAMS-RT算法計算復雜度低，能夠勝任大規模系統的快速故障診斷[25]。但這種算法的缺點是得到的推理結果會將所有的可能性列出，即除了故障部件外還會找出所有可疑部件。當故障源的個數未知時會造成較高的虛警率，給維修人員帶來不便。算法流程如下：

1)初始化將所有潛在的系統故障置于Unknow集合中：系統故障對應于D矩陣的每一行，可通過遍歷得到；

2)處理通過的測試遍歷通過的測試：將影響這些測試的故障移動到Good集合中；

3)處理失敗的測試遍歷失敗的測試：如果在Unknow集合中影響某一失敗測試的故障源只有一個，則將該故障添加到Bad集合中,遍歷結束后將Bad集合中的故障從Unknow集合中刪去；

4)添加可疑故障遍歷失敗的測試：如果在Unknow集合中仍存在導致測試失敗的故障源，則將所有影響該測試的故障移動到Suspected集合中。

TEAMS-RT推理用于實時診斷系統的故障，輸入為系統健康狀態的實時監測向量和系統當前工作模式下的D矩陣，輸出為部件狀態(未知、正常、懷疑、故障全部包括在內)的集合，算法流程如圖3所示。

圖3 TEAMS-RT算法流程

4 亞跨超聲速風洞的故障診斷過程及結果分析

4.1 亞跨超聲速風洞的多信號流圖模型

基于1.2節中風洞關鍵部件測試性分析的相關結論，采用多信號流圖建模方法對亞跨超聲速風洞進行測試性建模。根據實際應用中風洞氣流的流向與故障傳播關系，將故障模式集F中對應的部件依次連接，并根據故障模式與測試集中的對應關系引出測試節點，建立的多信號流圖模型如圖4所示。模型中故障被隔離到SRU層，除噴口外各部件均對應1個或以上測試節點，體現了測點選擇的合理性。基于該多信號流圖模型生成的相關性矩陣如表3所示，根據結果可知共有4個故障模式與測點一一對應，分別為F2、F6、F9與F11，以上故障模式在診斷中應不存在漏檢與虛警。而F1與F8所對應的測點存在能夠檢測多個故障的特點，因此其虛警率可能較高。

表3 風洞測試性模型相關性矩陣

圖4 FD-12風洞多信號流圖模型

4.2 故障診斷結果

在風洞系統實際運行過程中，將表3所示的相關性矩陣與實時觀測向量作為輸入，可通過第3節給出的TEAMS-RT診斷算法實現故障診斷。系統中各部件的健康狀態分為正常和故障2種，假設不存在狀態未知的測試，通過仿真對系統注入數種或單一故障組合，應用上述方法對風洞系統關鍵設備進行故障診斷，驗證結果如表4所示。其中，故障注入與風洞系統設備的多信號流圖中的故障模式編號相對應，故障部件代表可確定的故障模式，可疑部件為不能確定但有故障可能的故障模式，未列出的部件為正常部件。由測試結果可知，針對本文搭建的風洞系統多信號流圖模型，無論是注入單故障還是多故障，TEAMS-RT算法均能將故障元件和可疑元件全部列出，不存在漏檢，但存在一定虛警率。特別的，該模型對于單故障的檢測效果較好，如表4所示當單獨注入故障F3與F6時算法能夠進行準確識別故障部件，無其他部件被列為可疑部件。此外，注入故障中涉及F1與F8時易產生虛警，這與4.1節中的分析相符合。

表4 TEAMS-RT算法診斷結果

5 結束語

本文根據故障檢測、隔離及維修保障要求對亞跨超聲速風洞進行了層次劃分，并依據實際運行中出現的故障情況對風洞關鍵設備進行了測試性分析，采用多信號流圖模型建立了風洞的測試性模型，根據生成的相關矩陣實現了基于TEAMS-RT算法的風洞故障診斷。結果表明本文建立的多信號流圖模型能夠實現風洞故障診斷需求，但由與建模過程中對風洞結構進行了簡化，導致故障模式與測點數量相較于實際情況有所欠缺，后續將對風洞多信號流圖模型進行優化，并基于模型構建風洞的診斷策略。