功能交聯條件下飛機混合增強故障診斷方法

郭文彬， 劉 東， 王宇健

航空工業沈陽飛機設計研究所,遼寧 沈陽 110035)

飛機集成了各類功能設備以滿足不同任務需求，其組成系統十分復雜，且系統間交聯程度高，因而會產生交聯故障難以診斷，且對其隔離存在困難，進而會延長飛機排故時間，影響飛機正常使用。因此，保障任務完好率需要重點提高飛機復雜系統的交聯故障診斷能力。

目前，飛機系統普遍采用基于測試性模型的故障診斷方法[1]，該方法基于故障傳遞關系，通過描述測試點與故障的相關性矩陣，可以診斷飛機系統是否存在故障，且將故障隔離到LRU級別，有利于維修時快速故障定位，在一定程度上節省了機務準備時間與保障資源。但由于可靠性、經濟性等因素的限制，無法在每一個設備中都設置測試點，因此無法做到將故障完全檢測與隔離。而且，由于飛機系統功能交聯情況復雜，某一分系統中的設備發生故障可能由另一分系統內部故障造成，需整合多個分系統測試性模型進行故障診斷，集成時接口定義困難，可能導致模型建立不準確。為準確找到故障源，需對交聯故障的故障傳遞路徑中的每部分進行狀態確認，排除正常狀態的設備。鑒于測試性模型只能對一部分設備進行狀態監測，在不增加測試點的前提下，需對現有飛機健康狀態數據進行合理利用，建立故障診斷模型，在數據層面表征系統健康/故障狀態，即基于數據驅動的故障診斷方法[2]。基于數據驅動的故障診斷方法摒棄了傳統方法中飛機健康狀態數據僅用于狀態監測、故障判讀等分系統內設備級故障診斷，而是有機結合用于表征飛機功能交聯故障中測試性模型無法診斷的故障部分，實現系統可診斷交聯故障數量的提升；飛機結構、系統復雜，難以使用普通的模型完整表達系統關系，基于數據驅動的方法不依賴于建立精準的模型，僅根據數據的情況即可表征系統狀態，實現對系統關系的精準把控，且可以根據數據量的增多而不斷更新，使模型更加準確。

測試性模型診斷信息、數據驅動診斷信息等信息中存在多種異構信息，以不同角度表征系統狀態，各有優劣，能診斷的故障種類也不盡相同。二者的SWOT分析[3]如圖1所示，基于模型與數據驅動既能相互促進，也能相互干擾。若可以將其中的冗余信息剔除，對互補信息保留加以利用，可進一步增加診斷準確性。因此，在基于數據驅動的故障診斷方法基礎上提出一種將測試性模型與數據驅動方法有機結合的故障診斷方法，其融合總體過程如圖2所示。

圖1 基于模型與數據驅動優劣分析(SWOT)

圖2 信息融合總體過程

混合增強故障診斷方法能將多種故障診斷信息合理利用，實現交聯故障診斷能力提升。國內外研究人員已將人工神經網絡、支持向量機、專家系統等方法廣泛應用于飛機系統、飛機發動機故障診斷中，并采用D-S證據理論、貝葉斯理論等方法進行融合診斷以提升診斷能力，取得了良好的效果，但尚未有針對測試性模型診斷信息融合方面的研究。本文提出了飛機系統功能交聯條件下混合增強故障診斷方法，依托現有智能診斷方法理論進行研究，依據分析梳理出的交聯故障特性和診斷方法的診斷能力設計了相應診斷策略，并使用作戰飛機實際飛行數據進行驗證。所提出的飛機系統功能交聯條件下混合增強故障診斷方法將在現有指標基礎上進一步提升故障檢測率、隔離率，降低虛警率，為后續支持維修決策、再次出動準備等活動提供可靠的決策依據，具有重要的軍事和經濟價值。

1 混合增強故障診斷方法

1.1 基于測試性模型的故障診斷方法

1.1.1 測試性模型

目前，飛機分系統中的故障診斷方法為基于測試性模型的方法。該方法主要通過描述故障與測試點間的相關性關系，根據模型中測試點反映的信息判斷分系統內設備故障發生情況。設備故障Fi與測試點Tj間僅有相關/不相關兩類關系，如果故障Fi發生后測試點Tj可檢測到并報故，則稱故障Fi與測試點Tj相關；如果故障Fi發生后測試點Tj無法檢測到，則故障Fi與測試點Tj不相關。依據故障與測試點的相關性關系，可建立系統相關性矩陣[4](又稱D矩陣)為

(1)

式中：第i行矩陣為第i個設備故障在各個測試點的反饋信息，即

Fi=[di1di2…diN]

(2)

式中：第j列矩陣為第j個測試點可測得所有設備的健康/故障信息，即

Ti=[d1jd2j…dMj]T

(3)

其中，

(4)

其建立過程為：依據故障與測試點的相關性矩陣，采用多信號流模型，以飛機型號診斷能力要求、可靠性要求、故障模式與影響分析(Failure Mode and Effect Analysis,FMEA)、分系統方案等作為輸入，設計機內測試(Buit-In Test,BIT)方案，從而建立測試性模型。

1.1.2 貝葉斯網絡診斷

基于測試性模型構建貝葉斯診斷網絡，采用模糊求解方法進行計算。依據相關性矩陣在故障Fi與測試點Tj間添加連接關系，當dij=1時相連，如圖3所示。

圖3 診斷貝葉斯網絡構建示例

f*=argmaxP(Fi=f|Ti=t)

(5)

根據文獻[5]中先驗概率計算方法和貝葉斯條件概率公式，當測試點報故時，根據式(5)計算出最大后驗概率f*對應的單故障/多故障作為基于測試性模型的故障診斷結果[5-6]。

1.2 基于數據驅動的故障診斷方法

近年來，由于數據驅動方法在模式識別方面的優勢突顯，因此被研究者廣泛關注并用于故障診斷研究，常用方法有神經網絡、支持向量機等[7-8]。基于數據驅動的故障診斷方法相比于傳統故障診斷方法，無須建立診斷對象模型，因此在一定程度上避免了因模型建立不準確導致的誤診和漏檢問題。

基于數據驅動的故障診斷部分采用概率神經網絡[9](Probabilistic Neural Network,PNN),如圖4所示。其核心思想是將貝葉斯決策論與人工神經網絡相結合，通過Parzen窗估計法來估計樣本總體分布的概率密度函數，并采用貝葉斯最小風險決策進行分類，分類準確率高。與BP神經網絡相比，PNN無須計算反向誤差，也無須考慮局部最優問題，僅根據歷史飛機健康狀態參數中的故障數據作為訓練數據，即可得到貝葉斯最小風險決策下的最優分類結果。

圖4 PNN結構

1.3 基于D-S證據理論的混合增強故障診斷方法

D-S證據理論是由Dempster于1967年最先提出，后經過他的學生Shafer于1976年進一步擴展并發展起來的一種不確定性推理方法[10]。該方法不同于貝葉斯概率論，無須知道先驗概率，并能直接表達不確定性。 該方法根據不同診斷方法的診斷能力將多源信息分別輸入至相應診斷模型中，在決策層使用D-S證據理論融合后，能增強相應交聯故障診斷能力，如圖5所示。

圖5 基于D-S證據理論的混合增強故障診斷方法

該方法可增強的交聯故障診斷能力如下。

① 虛警抑制。對兩種方法產生的一致診斷結果進行故障確認，避免虛警產生。

② 模糊組隔離。對兩種方法診斷產生的模糊組進行模糊組隔離，提高故障隔離率。

③ 沖突消解。對兩種方法產生的不一致診斷結果進行最終診斷，得出確定診斷結果，提高診斷準確率。

1.3.1 基本原理

D-S證據理論基于非空集合θ，其中θ為識別框架，在飛機故障診斷中即為分系統中故障模式集合，所有可能產生的單故障、多故障均集合在冪集2θ中。當Fi屬于θ中的任意子集，且滿足映射2θ→(0,1)時，定義其基本概率賦值函數m(Fi)為

(6)

式中:?為空集；m(Fi)為對Fi發生的支持程度，數值越高，則支持程度越高；式(6)表示識別框架中的全部集合支持程度之和為1。其信度函數Bel(Fi)為

(7)

式中：Bel(Fi)為證據對Fi為真的信任程度。

其似然函數Pl(Fi)為

(8)

式中：Pl(Fi)和Bel(Fi)分別為信度函數的上下限；其信度區間[Bel(Fi),Pl(Fi)]用于表示診斷結果的不確定區間。

1.3.2 融合規則

D-S證據理論融合規則為多證據兩兩融合。在同一識別框架θ中給定基于不同證據的信度函數，在證據互相獨立的前提下，則可根據融合規則計算獲得針對某一故障Fi發生的信度函數。

設Bel1和Bel2分別為同一識別框架θ上的兩個基本概率賦值，基本元素為A1，A2，…和B1，B2，…則按融合規則進行融合后的基本概率賦值為

(9)

式中：k為沖突因子，代表不同證據間的沖突程度。

(10)

2 基于某型號飛機的故障診斷實例

混合增強故障診斷方法用于某型號飛機交聯系統故障診斷分析過程如圖6所示，根據飛機結構、系統功能及分系統間功能交聯情況進行功能交聯條件下故障傳播影響分析，并依據不同診斷方法的診斷能力設計診斷策略；研究選取基于機器學習的數據驅動方法，輸入歷史故障數據進行基于數據驅動的故障診斷模型訓練；選取交聯系統故障信息進行模型故障診斷能力驗證，當系統報故時，測試性模型方法根據測試點報故情況輸出故障信息，數據驅動方法根據飛機飛行參數輸出故障信息，后二者進行決策層融合，輸出最終故障診斷信息。

圖6 某型號飛機混合增強故障診斷方法分析過程

2.1 故障交聯影響分析

在飛機運行過程中，系統故障可能由多種因素造成，例如剎車系統內部，伺服閥輸出壓力不準確、主機輪剎車盤磨損、輪胎磨損等均可造成剎車能力下降；同時，外部系統異常輸入，例如液壓系統輸出壓力低、飛管系統輸出剎車指令錯誤等也均可造成剎車能力下降甚至喪失剎車能力的嚴重后果。因此，對飛機交聯系統進行故障診斷技術研究前，為表征故障傳遞影響，應先建立交聯系統故障傳播模型。

本部分以飛機剎車系統能力降級為例，應用基于模糊Petri網的故障傳播分析法研究可能使剎車系統能力降級的故障源。

2.1.1 模糊Petri網

Petri網[11]由德國當代數學家C.A.Petri定義的一種通用數學模型，用于描述存在于條件和事件間的關系。模糊Petri網為Petri網與知識表達的結合，最早被用于描述模糊生成規則。在復雜系統故障診斷中，模糊Petri網采用圖形化的表示方法，展現功能交聯條件下跨系統間與系統內部的故障傳播過程，從而利于后續故障診斷過程分析和診斷策略分配等工作進行。

2.1.2 基于模糊Petri網的故障傳播分析

以某型號飛機為例，系統剎車過程一般由指令系統發出指令、飛管系統控制輸出、液壓系統提供壓力、剎車系統執行剎車等交聯系統工作過程組成。其中，控制輸出部分包括飛管計算機、遠程接口單元等；提供壓力部分包括油箱、液壓泵、油濾和蓄壓器等；執行剎車部分包括伺服閥、主機輪等。為準確表達交聯系統故障傳播流程，定義系統故障傳播模糊Petri網為

M=(P,t)

(11)

式中：P為交聯系統各部件故障狀態；t為各個故障狀態演變。需要注意的是，因本文僅利用Petri網進行交聯故障傳播模型建立，故僅需定義P、t兩元素。

根據交聯系統結構間相互關系及失效模式影響分析，建立基于模糊Petri網的交聯系統故障傳播網絡模型，如圖7所示。

圖7 交聯系統故障傳播模糊Petri網模型

圖7中交聯系統故障傳播模型參數含義如表1所示。

表1 交聯系統故障傳播模型參數含義

2.2 診斷策略設計

在2.1節所列故障中，部分設備已設置測試點，可被BIT檢測；部分設備可根據不同傳感器信息變化情況表征其健康/故障狀態，因而可用數據驅動方法檢測。根據飛機故障發生情況選取典型故障模式進行診斷策略設計，如表2所示。

表2 診斷策略設計

2.3 融合診斷過程

2.3.1 識別框架

以表2中的故障為輸入,則識別框架θ=(F0正常,F1輪胎狀態異常,F2主機輪剎車盤磨損,F3飛管計算機解算故障,F4指令傳感器故障,F5控制電路輸出故障,F6剎車伺服閥線圈故障,F7液壓系統內漏)。

2.3.2 診斷結果

基于PNN的故障診斷方法、基于測試性模型的故障診斷方法和二者融合的基于D-S證據理論的融合診斷在MATLAB 2014a環境下實現，數據來源為某型號作戰飛機的飛行相關數據。為使診斷結果可靠，本文在使用訓練數據構建診斷模型后，將多組驗證數據代入該模型后取平均值，作為最終診斷結果。

(1) 測試性模型診斷結果。

首先構建相關性矩陣如表3所示，依據相關性矩陣構建診斷貝葉斯網如圖8所示。

表3 交聯系統相關性矩陣

圖8 診斷貝葉斯網絡模型

其中，測試點Ti(i=1,2,3,4,5)為某型號飛機交聯系統中所設測試點；Fj(j=3,4,5,6,7)為測試點對應相關故障。

根據貝葉斯方法，將所需先驗故障概率、測試點報故情況代入后，可求得故障概率排序。舉例如表4所示，此時認為故障發生最大可能性為F1、F2同時發生，其次為F2單獨發生。

表4 基于測試性模型的診斷結果示例

(2) PNN診斷結果。

將表2中PNN可診斷的4種故障代入PNN網絡訓練故障診斷模型并驗證。其診斷準確率約為92%(24組驗證值中，有22組正確識別)，因此可認為PNN故障診斷方法準確率高，結果可信。

(3) 融合診斷結果。

將PNN診斷結果及測試性模型診斷結果在決策層進行混合增強故障診斷后，其單故障診斷基本概率分配函數如表5所示，多故障診斷基本概率分配函數如表6所示，單故障診斷結果顯示如表7所示，多故障診斷結果顯示如表8所示。

表5 單故障診斷基本概率分配函數

表6 多故障診斷基本概率分配函數

表7 單故障診斷結果

表8 多故障診斷結果

在故障診斷序號1～5中，依據診斷策略設計進行相應故障模式診斷，當交聯系統出現F1、F2故障時，僅能通過PNN檢測，因此融合結果為PNN診斷結果；當交聯系統分別出現F3、F4、F5故障時，依據使用的測試性模型診斷結果，給出其故障發生概率為100%，因此融合結果為測試性模型方法診斷結果。本部分實現不同診斷方法的單獨診斷融合，并將傳統測試性模型無法診斷的故障模式實現數據驅動診斷及融合診斷。

在故障診斷序號6、7中，分別為測試點T1、T2單獨報故，傳統測試性模型方法診斷分別為F6、F7故障，但需考慮虛警可能性。提出的測試性模型方法診斷分別為F6、F7故障發生概率100%，PNN方法識別診斷分別為F6、F7故障，融合診斷結果分別為F6、F7故障，通過故障確認降低了傳統測試性模型診斷虛警可能性。

在故障診斷序號8中，測試點T2、T3、T4、T5同時報故，若不考慮虛警情況，則確定發生故障為F4，模糊組為{F3,F5,F6}，無法進一步隔離。將此時飛機健康狀態數據代入PNN診斷后，PNN針對自身可診斷故障，診斷結果為健康；測試性模型診斷結果中，F6故障概率為0，融合診斷共同部分故障為健康。此時模糊組僅剩下{F3,F5}，PNN診斷方法無法診斷，測試性模型方法診斷結果為F3、F4(43.48%);F4、F5(36.23%);F4(15.22%)。融合診斷為F3、F4共同發生，實現了模糊組隔離。

在故障診斷序號9中，測試點T1、T2同時報故，依據傳統測試性模型診斷結果，F7為確定發生故障，故障無法隔離至F6。PNN方法識別診斷為F6、F7故障，融合診斷結果為F6、F7故障，實現了模糊組隔離。

3 結束語

針對飛機功能交聯條件下故障診斷需求，提出了一種基于測試性模型和基于數據驅動的初步診斷和基于D-S證據理論的融合診斷方法，并以某型號飛機故障數據為例進行方法驗證。結果表明，本方法在現有方法故障診斷能力基礎上，能在一定程度上增加系統交聯功能故障可檢測故障數量，提升故障檢測率；可對傳統基于測試性模型方法存在的交聯功能故障模糊組現象進行故障定位，從而提升故障隔離率；將兩種方法形成的一致初步診斷結果進行融合，進行故障確認，可減少傳統測試性模型可能導致虛警的情況發生。