基于數字孿生和IETM的裝備常規故障診斷

摘" 要： 裝備在實際運行過程中出現的大部分常規故障都是由于人為操作、保養以及環境等因素引起的。常規故障在裝備的研制、試驗、鑒定以及維保過程中都進行了驗證，并有明確的定義，具有明確的故障樹分析結論，因而數字孿生可為裝備常規故障提供快速、交互性的診斷可能。為提高常規故障診斷的效率和診斷過程的交互式體驗感，提出一種基于數字孿生的裝備常規故障診斷模型。在此基礎上，鑒于交互式電子技術手冊（IETM）良好的交互性及用戶體驗感，設計一種基于孿生數據和IETM的裝備常規故障診斷方案。該方案將裝備故障樹轉換為IETM的故障數據模塊，存儲到IETM數據庫中形成故障庫。采用故障樹分析方法并將裝備實時孿生數據作為輸入，利用IETM的交互性，通過過程數據模塊結合故障數據模塊進行步進式故障診斷及隔離引導操作，同時提供維修操作指導。當裝備實時孿生數據與故障庫定義的故障信息不完全一致時，采用案例分析法計算裝備實時孿生數據提供的故障征兆信息與故障庫中明確定義的故障征兆信息的相似度，并設定相似度的閾值進行判定；再利用IETM推送對應故障數據模塊進行相應的故障診斷隔離引導。

關鍵詞： 裝備故障診斷； 數字孿生； IETM； 故障樹分析； 故障數據模塊； 實時孿生數據； 相似度； 隔離引導

中圖分類號： TN911.23?34； TP391" " " " " " " 文獻標識碼： A" " " " " " " " " " " "文章編號： 1004?373X（2024）24?0038?09

Equipment routine fault diagnosis based on digital twin and IETM

WU Jiaju1， 2， KONG Linggang1， KANG Shijia1， ZUO Hongfu2， YANG Yonghui1， ZHOU Xiaowei1

（1. Institute of Computer Application China Academy of Engineering Physics， Mianyang 621900， China;

2. College of Civil Aviation， Nanjing University of Aeronautics and Astronautics， Nanjing 211106， China）

Abstract： Most of the common malfunctions that occur during the actual operation of equipment are caused by human operation， maintenance， and environmental factors. The conventional faults are verified during equipment development， testing， identification， and maintenance processes， with clear definitions and fault tree analysis conclusions. The digital twins can provide fast and interactive diagnostic possibilities for routine equipment failures. In order to improve the efficiency and interactive experience of conventional fault diagnosis， a digital twin based equipment conventional fault diagnosis model is proposed. On this basis， considering the good interactivity and user experience of the IETM， a conventional equipment fault diagnosis scheme based on twin data and IETM is designed. This scheme can convert the equipment fault tree into an IETM fault data module， which is stored in the IETM database to form a fault database. By means of fault tree analysis method， real?time twin data of equipment is used as input. Utilizing the interactivity of IETM， step?by?step fault diagnosis and isolation guidance operations are carried out by means of the process data module combined with fault data module， while providing maintenance operation guidance. When the real?time twin data of the equipment is not completely consistent with the fault information defined in the fault database， the case analysis method is used to calculate the similarity between the fault symptom information provided by the real?time twin data of the equipment and the clearly defined fault symptom information in the fault database， and a threshold for similarity is set for judgment. IETM is used to push corresponding fault data modules for corresponding fault diagnosis， isolation， and guidance.

Keywords： equipment fault diagnosis; digital twin; IETM; fault tree analysis; fault data module; real time twin data; similarity; isolation guidance

隨著高新技術、信息技術以及人工智能技術的發展及其在裝備領域的廣泛應用，高精度、自動化、智能化、體系化成為了裝備新的發展趨勢。然而裝備結構及其功能越來越復雜，裝備系統的配置趨于多樣、運行環境惡劣且多變、內部環境更加極端、傳感器存在局限等，使得快速準確地診斷裝備的故障，采取預防性或視情維修策略確保裝備隨時有效，變成了裝備維修保障工作的一大挑戰[1]。裝備在實際運行和使用過程中出現的故障大部分都是由于人為操作、保養以及環境等因素引起的常規故障，這些常規故障在裝備的研制、試驗、鑒定過程中已開展驗證，有明確診斷及隔離處理程序，且有明確的故障樹定義及分析過程。如何應用已有的故障樹分析結論以及裝備實時運行及監測孿生數據進行裝備常規故障高效準確的診斷，根據故障診斷情況開展故障隔離處理、制定維修方案并進行維修保養和指導是需要解決的主要問題。IETM是結合專家知識、虛實交互、多媒體演示、數據庫檢索及導航、智能診斷分析等技術，將操作使用說明、培訓訓練規程、檢測要求、維修過程、結構圖紙、故障診斷分析等知識精煉組織，交互式運用與其他保障系統、測試系統等接口的一種重要保障裝備[2?3]。隨著裝備不斷向著智能化、自動化、復雜化發展，與裝備狀態監測、故障診斷、維修、維護及管理相結合是IETM新的發展方向[4]。美軍標MIL?PRF?87268/87269和歐標S1000D系列標準是IETM的兩大國際標準體系，目前S1000D已經成為國際主流標準[5?6]。國內IETM的實施主要依據2008年發布的GJB 6600標準，這項標準是結合國內實際情況對S1000D的一個裁剪[6?7]。2003年密歇根大學的Michael Grieves提出數字孿生概念， NASA在“阿波羅計劃”中首次應用數字孿生技術，目前數字孿生技術已經初步應用于航空航天和船舶等領域的設計、維修、評估以及故障診斷方面[8]。

本文將數字孿生技術思想引入裝備故障診斷中，把裝備研制試驗及鑒定過程中明確驗證并清晰定義的常規故障的故障樹轉換為IETM的故障數據模塊，構建IETM故障庫，結合IETM過程數據模塊、故障數據模塊以及裝備實時孿生數據實現交互式故障樹分析過程，實現大部分常規故障的快速準確診斷。將裝備實時孿生數據作為輸入，當在IETM故障庫中查詢不到匹配的故障數據模塊時，計算實時孿生數據與故障庫案例的相似性，推薦大于設定閾值的相似故障診斷程序數據模塊開展裝備故障診斷。

1" 基于數字孿生的裝備故障診斷

基于數字孿生的裝備故障診斷模型如圖1所示，包括裝備物理實體、裝備數字孿生體、孿生數據及故障診斷服務軟件。裝備物理實體由物理裝備實物、裝備配備的監/檢測設備（如傳感器）以及對應的安裝運行環境所構成。裝備數字孿生體是物理實體裝備在數字空間中的實時映射虛擬數字模型。孿生數據包含裝備物理實體的歷史出廠數據、履歷數據、性能數據、監/檢測數據、實時監/檢測數據以及虛擬數字模型數據[9]。故障診斷服務軟件是基于裝備歷史數據、實時信息、模型數據以及故障樹分析數據等孿生數據和專家知識、規則判定、故障分析、機器學習等故障診斷方法的故障診斷軟件。軟件以服務的方式提供使用，其將裝備實時孿生數據作為輸入，采用一定的故障診斷方法進行計算預測，找出裝備退化規律與裝備參數數據及特征的對應關系，確定裝備的實時狀態；再將狀態數據反饋到虛擬空間的數字孿生體。裝備數字孿生體需分析孿生數據及其技術狀態，更新虛擬數字模型的相關數據，以實時、高保真的方式展現裝備的實時狀態。當裝備技術狀態良好時，采集的實時孿生數據存儲到孿生數據中心，故障診斷服務根據相對簡單的基于知識的規則判定來反饋裝備正常運行狀態；當裝備監/檢測數據包含一定故障現象時，運行數據、環境數據、人為操作數據都會自動保存到孿生數據庫，故障診斷服務調用專家知識與機器學習診斷服務軟件進行預測性診斷計算。若計算結果存在誤差，則修正診斷模型的參數及計算方法并重新進行計算，比對計算結果和實際結果，直至達到要求的診斷精度及準確度。

基于孿生數據的裝備故障診斷預測流程如圖2所示。通過建立裝備診斷模型，根據裝備指標參數的孿生數據推斷出該裝備在未來某段時間的健康狀況，及時發現潛在故障，提前采取維修措施，避免由于故障引起的事故。首先根據裝備系統的組成、特性及運行情況選取故障診斷目標，例如裝備系統、分系統或者關鍵部件；再根據故障目標的特征，將其運行性能及功能有重大影響的參數設定為診斷參數，根據維修策略設定預防性維修的故障報警閾值；然后選定故障診斷預測方法，例如統計分析方法、規則推理方法、信息融合方法、案例推理方法以及機器學習方法等，建立裝備故障診斷預測模型，用歷史數據或者試驗數據評價診斷預測模型是否達到效果，例如預測精度、泛化程度、魯棒性等。如果不滿足，則優化模型；如果滿足，則將該診斷模型部署到實體裝備的數字孿生體系統中，利用裝備實時孿生數據（性能監測數據、檢測數據）等進行裝備故障診斷預測計算。當計算結果在設定的故障報警閾值范圍內時，裝備處于正常運行狀態，繼續采集后面時刻的監/檢測數據，進行裝備故障診斷預測；當計算結果超出設定的報警閾值時，采取對應的預防性維修措施，根據預防性維修情況（維修時間、維修成本、修后質量等）優化故障報警閾值。

2" 基于孿生數據和IETM的裝備常規故障診斷

IETM的過程類數據模塊可以實現裝備復雜故障的交互式診斷過程的順序定義及診斷程序流轉控制，可與外部測試程序接口實現基于實時數據的故障診斷推理邏輯。故障類數據模塊可實現裝備故障定義，形成故障清單，并對故障樹知識的結構化定義、檢索、規則判定及交互式進行呈現，形成故障知識庫。故障隔離程序實現交互式故障隔離引導操作。針對原因、傳播方式、現象明確的常規故障，其故障隔離處理及維修方案由裝備研制方通過試驗驗證后形成故障手冊再隨裝交付，例如飛機故障隔離手冊（FIM）、飛機維修手冊（AMM）等。通過IETM故障數據模塊和過程數據模塊的元素及屬性定義，將已經驗證的裝備常規故障的故障產品、故障代碼、故障現象、故障模式、故障原因、發生條件、操作過程、診斷方法、診斷過程等結構化到故障庫，將正向和反向推理機制形成的推理規則作為交互式引導操作順序及判定規則，結合同類裝備或者相似裝備的歷史故障數據，實現對象領域和面向裝備孿生數據的交互式故障診斷。基于孿生數據和IETM的裝備常規故障診斷流程如圖3所示。

裝備故障樹的具體事件可轉換形成故障數據模塊和故障知識庫，包括發生故障的現象、判定規則、可能原因、裝備信息、處理措施以及隔離操作程序等[10]。過程數據模塊包含交互式的流程結構，相當于故障樹各個節點事件的流轉，用于描述一個故障隔離和診斷的完整流程，規定基于變量的不同數據模塊之間及同一數據模塊不同步驟信息之間的先后順序關系。過程數據模塊用于組織故障診斷及隔離程序的具體實現過程。裝備的孿生數據作為診斷的輸入，通過與裝備IETM故障知識庫進行匹配比對，找到對應故障模式或者相似案例的故障模式的故障診斷程序進行故障診斷，調用對應的故障隔離引導程序實現裝備的故障隔離操作；再將診斷結果或者隔離操作結論通過人機交互界面反饋給裝備使用人員，同時將故障診斷成功的案例存入IETM案例庫，供相似案例查詢使用。

2.1" 故障樹分析

故障樹是一種倒立的樹狀結構失效原因的邏輯框圖[11]，描述了裝備故障與軟硬件、材料、工藝、操作方法、人員等失效原因之間的邏輯關系。故障樹分析法是一種從樹的根節點（頂事件）逐級向中間節點（中間事件）、葉子節點（基本事件）細化的一種分析方法，直至找到引起根節點事件發生的全部葉子節點。故障樹分析的具體做法是：將裝備故障細分為可能導致故障的子故障，再將子故障分解為更小的子子故障，逐層分解、圈定范圍，自頂向下逐級細化[12]。本文分析各個零組件的具體故障的原因及發生關系，通過軟件繪制出故障樹，再將各個故障根據故障之間以及故障與系統之間的聯系連接起來，構建故障樹模型，如圖4所示。當裝備系統發生故障時，故障樹模型就作為一種行為預測推理模型，根據故障樹結構逐級排查，找到裝備系統故障的原因，定位到故障邏輯可更換單元（Logic Replaceable Unit， LRU），實時響應故障隔離處理程序。

故障樹分析一般采用定性分析和定量分析相結合的方法，過程如圖5所示。

一般采用定性分析找出導致頂事件的基本事件組合，形成最少基本事件的集合，即最小割集。最小割集常用關聯矩陣、上行法、下行法及布爾運算等方法求解。定量分析可計算出頂事件在該故障樹模型中的發生概率，定位故障發生部位，采取相應的故障隔離處理措施，同時更新故障案例庫。

故障樹基本事件的狀態定義為故障和正常兩種狀態，表示為：

[Bi=1，" 故障狀態0，" 正常狀態]

設基本事件[Bi]的概率為[PBi]，基本事件的先驗概率由歷史運行數據或者試驗數據統計得出，根據條件概率公式，中間事件Mi對應或門基本事件（B1，B2，…，Bi）的概率為：

[PMi=1-（1-PBi）]

式中[1-PBi]為基本事件Bi不發生的概率。

中間事件Mi對應與門基本事件（B1，B2，…，Bi）的概率為：

[PMi=PBi]

中間事件Mi對應異或門基本事件（B1，B2，…，Bi）的概率為：

[PMi=（1-PBi）]

中間事件Mi對應非門基本事件Bi的概率為：

[PMi=1-PBi]

基本事件Bi對頂事件的概率重要度為：

[PBi/T=PBiPT]

式中[PT]為頂事件的發生概率。

中間事件Mi對頂事件的概率重要度為：

[PMi/T=PMiPT]

概率重要度的大小反映了對故障的影響程度。為實現故障的快速診斷定位，根據中間事件對頂事件的概率重要度影響大小的順序，設計故障診斷子流程的診斷順序，重要度大的中間事件先進行故障診斷，重要度小的中間事件后進行故障診斷，基本事件的診斷順序也是依據其對頂事件的概率重要度影響的大小順序進行。故障診斷過程就是采用反向推理策略，根據故障來搜索其來源，搜索的順序是首先搜索較大概率的下一級事件，判斷該事件是否為葉子節點，若是葉子節點則從數據采集端確認是否為故障發生原因及位置；若不是葉子節點則搜索其下一級事件，直到確認故障發生的原因及位置，實現故障定位及隔離，同時更新相應的節點概率。

2.2" 案例相似度分析

針對部分故障現象征兆，檢索數據庫沒有精確匹配的故障模式及隔離程序，則采用案例分析方法。通過案例分析方法得出裝備故障現象、運行數據與已有故障庫的案例相似度，根據設定的相似度閾值匹配故障知識庫的已有故障診斷報告及隔離程序，實現裝備常規故障的診斷及隔離處理。案例分析一般采用相似度匹配算法，例如：K近鄰算法（K Nearest Neighbor， KNN）或者神經網絡分類算法進行故障現象匹配，計算出故障庫中已有案例與當前故障征兆現象的相似度[13?14]。設置相似度閾值（例如90%），當故障征兆與已有故障案例的相似度大于閾值時，進行故障發生條件及環境匹配；當故障案例與當前故障征兆現象的故障發生條件及環境相似度大于或等于設定閾值時，則認為故障庫的已有故障案例可以作為當前的故障進行隔離診斷，調用已有故障案例的隔離診斷程序進行診斷。當診斷結果與預期一致時，完成診斷；當診斷結果與預期結果不一致時，根據診斷結果和過程將當前故障的診斷過程加入故障案例庫，形成歷史故障案例。基于KNN算法[15?16]的相似度計算公式為：

[SimilarityT，S=Simi=1nf（Ti，Si）wi]

式中：T表示當前故障案例；S表示故障庫中已有歷史案例；n為描述故障案例所需的參數數量或者文本分詞數量；i表示第i個參數或者文本分詞；f是目標案例與歷史案例在第i項參數或者文本分詞上的相似度函數，一般通過文本分詞技術進行分詞，再采用歐氏距離進行計算；wi表示第i項屬性的權重。

2.3" 基于IETM裝備故障診斷

IETM中，S1000D以及GJB 6600標準都定義了故障數據模塊和過程數據模塊，結合這兩類數據模塊可實現裝備常規故障的交互式故障診斷及隔離引導操作[17]。過程數據模塊主要實現類似故障樹分析的交互及順序控制。故障數據模塊包括故障報告和隔離程序，其結構如圖6所示。

故障報告相當于裝備故障清單列表，屬性包括故障名稱、故障描述（功能、性能、質量、控制、在線情況、電路開關情況等）、通用信息（部組件、故障圖、故障視頻多媒體、警告、注意、注釋、數據表、數據分組、熱點等）、可能原因、發生條件、工作時間、發生時間、環境條件、機內監測指示、發現人員、維修程序索引等內容。從發現及診斷方式角度，將故障分為隔離、檢測、觀察和相關4類進行詳細定義。隔離故障指故障簡單、可直接定位、立即隔離或修復，根據實時檢測數據、監測數據及判定規則進行隔離處理的故障，可以直接調用維修程序開展修復工作；檢測故障是指故障發生原因多，需要針對每個可能因素引用故障隔離程序或者檢測程序，根據實時檢測數據、監測數據及判定規則進行故障排查分析，最終確定故障件位置，調用相應維修程序開展維修工作；觀察故障是由裝備的運維使用人員觀察發現的故障，例如腐蝕、鼓包、銹蝕、變形、凹坑等；關聯故障是指某部組件故障可能引起其他部組件或者分系統連鎖故障[18]。隔離程序包括通用描述信息（部組件、故障圖、故障視頻多媒體、警告、注意、注釋、數據表、數據分組、熱點等）、前置條件（產品主數據（間隔閾值、儲存區域、數據訪問控制、工作區域、任務持續時間等）、運行環境、人員、技術、保障設備、供應、備件、安全性等）、隔離主程序（操作步驟、操作過程、操作注意警告、隔離活動、檢測數據（圖、多媒體、數據表）、隔離判定結果、維修程序引用、更換程序引用等）、結束程序等內容。

2.4" 融合故障樹及案例分析IETM常規故障診斷

根據故障樹的構成，將故障征兆的原因作為條件，故障征兆作為結論，那么故障診斷流程轉化成“IF A THEN B”的推理規則，將基于規則的故障樹跳轉遍歷過程轉換成推理邏輯，采用XML語言進行描述，將“IF 條件 THEN 結論”規則內置于IETM的數據模塊[18]。故障樹模型與XML語言及IETM元素的對應關系如表1所示。

轉換過程中，故障樹內容對應IETM中的故障數據模塊，復雜故障樹分析過程對應過程數據模塊的lt;dmRefgt;、lt;dmNodegt;元素。門關系對應于過程數據模塊的lt;dmIfgt;、lt;dmThenSeqgt;、lt;dmElseSeqgt;元素。將故障樹推理過程對應過程數據模塊的lt;dmSeqgt;，用于確定步驟、對話交互、外部程序請求及條件順序。推理的條件及參數對應過程數據模塊的lt;variableDeclarationsgt;元素記錄。人機交互采用lt;dialoggt;元素實現。人與邏輯引擎之間的人機交互操作有菜單、按鈕、消息框和對話框等多種方式。

lt;externalApplicationgt;元素用于引入外部檢測或監測程序，將故障樹分析過程轉換為IETM的故障診斷過程及故障數據模塊，實現交互式故障診斷[19]。

3" 基于孿生數據的常規故障診斷IETM實現

融合故障樹及案例分析的裝備常規故障診斷IETM實現過程如圖7所示。裝備實時孿生數據（傳感器的實時檢測數據、監測數據、運行數據、環境數據等）作為常規故障診斷的輸入。裝備常規故障的故障樹都制作成故障數據模塊，存儲在IETM故障知識庫。裝備實時孿生數據作為輸入，通過IETM人機交互界面進入到IETM故障診斷軟件系統。

IETM軟件內置特征提取方法，針對實時孿生數據進行故障現象或者特征提取，同時查詢故障庫是否有包含該故障特征或者故障現象的故障報告lt;faultReportinggt;。如果查詢無果，則裝備處于正常狀態，性能良好；如果lt;faultReportinggt;的lt;faultDescrgt;描述中能夠查到相同或者相似的故障現象或者故障征兆，那么這個故障征兆或者故障現象數據作為故障樹根節點，即頂事件。再根據頂事件對應的故障模式或者故障代碼查到故障庫中對應的故障診斷隔離程序lt;faultIsolationgt;，以及內置于IETM的故障庫知識或者案例相似度算法計算的相似度，判斷故障樹節點的重要度，確定故障樹各事件的優先級；然后按照優先級進行正向推理，得到對應的故障發生葉子事件（底事件），實現裝備常規故障的排查及診斷[20]。

當裝備實時孿生數據包含部分故障征兆現象時，IETM軟件查詢自身故障庫，匹配故障。將故障征兆現象描述作為IETM的輸入，IETM提取故障征兆現象的關鍵詞或故障代碼，搜索故障庫的故障案例，查詢故障案例的通用描述lt;commInfogt;下面的lt;commIfoDescrParagt;元素的故障描述是否匹配監/檢測到的現象或者人機交互界面輸入內容，如果完全匹配，則繼續通過

lt;preliminaryRqmtsgt;元素查看故障發生的初步要求是否一致，包括環境、操作、區域等信息，確認實時故障征兆現象與故障庫中案例是否一致，如果一致，按照4類故障的具體描述依次比對，找到具體的故障類型，依據具體的類型故障現象、征兆、發生條件等內容，調用對應的lt;dianosticProcessgt;故障診斷過程進行故障診斷隔離，可觀察故障，根據觀察實時隔離。其他故障根據lt;detctionInfogt;描述故障件信息，lt;isolationInfogt;描述診斷隔離信息，并通過故障隔離信息中提供的診斷隔離過程lt;isolateDetectedFaultgt;實施基于檢/監測數據的故障診斷隔離。如果不一致，計算孿生數據包含的故障現象、發生條件與故障庫案例的相似度。當故障現象相似度大于或等于設定閾值λ時（例如90%），計算發生條件相似度；當發生條件相似度大于或等于設定條件w時（例如90%），則認為當前裝備發生故障與故障庫中案例一致，IETM軟件自動推送故障案例庫中案例的診斷隔離處理程序lt;isolationInfoElemTypegt;，實施故障診斷隔離工作。

故障診斷詳細過程用lt;dianosticProcessgt;描述，首先將輸入的孿生數據與內置的故障判定規則進行計算比對，也可引入領域專家判定觀測故障。當故障明確，LRU故障部位確定且修復簡單，直接查看LRU故障原因，調用該LRU的lt;repairgt;維修程序LRU單元維修。如果根據孿生數據以及診斷判定規則直接可以判定是由單個SRU或者LRU引起裝備系統故障，不需要進一步的檢測及監測數據來輔助定位故障時，通過lt;locateAndRepairgt;直接定位到故障LRU單元，進一步通過lt;locateAndRepairSruIetmgt;定位到故障車間可更換單元（Shop Replaceable Unit， SRU），直接采用對應的SRU單元或者LRU單元的lt;repairgt;維修程序開展SRU維修。當導致故障的因素復雜時，可能會有多個LRU故障單元或者多個SRU故障單元，一般執行進一步隔離檢測故障lt;isolateDetectedFaultgt;程序的lt;faultIsolationTestgt;測試程序進行更深入的診斷檢測。首先對LRU單元進行lt;faultIsolationTestgt;故障診斷檢測，根據檢測數據定位到故障LRU，再對LRU的所有SRU進行lt;faultIsolationTestgt;故障診斷檢測，定位到具體的故障SRU，根據故障單元調用相應的修理程序進行維修。lt;faultIsolationTestgt;測試程序通過lt;testDescrgt;定義測試名稱、測試要求以及可引用的外部測試程序，通過lt;testParametersgt;設置LRU以及SRU的測試參數、測試條件、測試設備等信息，lt;testProceduregt;實現測試程序執行過程，對可能的故障件進行詳細檢測，根據檢測數據及判定規則判定是否為故障件[10]。成功完成裝備故障診斷及隔離定位后，將孿生數據中的故障現象、環境數據等更新到故障庫的故障案例中，供以后相似案例推薦使用。完成故障診斷定位后，根據隔離程序lt;FaultIsolationProceduregt;執行故障件的隔離操作，一般通過lt;isolationStepgt;下面的lt;actiongt;實現隔離操作過程引導，通過問答lt;yesNoAnswergt;、選擇lt;listOfChoicegt;實現隔離操作過程人機交互。

基于孿生數據的裝備常規故障診斷采用軟件方式內置于IETM閱讀器中，其實現效果如圖8所示。融合故障樹及案例分析的故障診斷推理過程內置于軟件中，為提升交互時診斷效果，軟件采用Java語言實現，通過mxGragh插件繪制故障診斷過程圖及故障樹，虛擬數字模型展示采用WebGL技術實現[6]。故障診斷的結果可及時反饋到裝備的虛擬數字孿生模型，在虛擬數字模型上展示裝備的故障情況，并發送故障告警提醒，同時調用IETM中存儲的修理程序來指導維修工作開展。

4" 結" 論

針對明確定義的裝備常規故障，為提高故障診斷的效率及診斷過程的交互式體驗感，本文提出了一種基于數字孿生的裝備常規故障診斷模型。在此基礎上，鑒于IETM良好的交互性及用戶體驗感，設計了基于孿生數據和IETM的裝備常規故障診斷方案。

該方案利用故障樹分析方法，將裝備實時孿生數據作為輸入，將故障樹轉換為IETM的故障數據模塊，存儲到IETM數據庫中形成故障庫，利用IETM的交互性，通過過程數據模塊結合故障數據模塊進行步進式故障診斷及隔離引導操作，同時提供維修操作指導。針對故障征兆與IETM中故障數據模塊不完全一致的情況，采用案例分析法計算裝備實時孿生數據提供的故障征兆信息與故障庫中明確定義的故障征兆信息的相似度，通過設定相似度的閾值進行判定，若大于等于相似度閾值，則認為裝備實時數據表征的故障與故障庫已有故障一致，IETM推送對應故障數據模塊進行相應的故障診斷隔離引導。下一步將在故障樹分析以及案例相似度計算精度方面開展研究工作。

注：本文通訊作者為孔令剛、康時嘉、左洪福。

參考文獻

[1] 宋太亮，黃金娥，王巖磊，等.裝備保障使能技術[M].北京：國防工業出版社，2013.

[2] 吳家菊，李龔亮，朱行林，等.基于型號裝備?角色的IETM訪問控制研究[J].現代電子技術，2018，41（1）：147?151.

[3] 程遠斌，王斌，王滿林.IETM技術在武器裝備維修領域的應用研究[J].四川兵工學報，2007，28（1）：11?13.

[4] 高志龍.基于狀態智能預警驅動的IETM關鍵技術研究[D].北京：北京工業大學，2020.

[5] 吳家菊，左洪福，楊永輝，等.基于IETM的裝備電子訓練系統設計[J].現代電子技術，2022，45（19）：152?160.

[6] 吳家菊，李龔亮，蒙立榮，等.基于GJB6600的自主可控IETM瀏覽平臺研究[J].現代電子技術，2017，40（20）：37?41.

[7] International specification for technical publications using a common source database [EB/OL].[2022?12?11]. http：//www.s1000D.org.

[8] 楊正琦.基于數字孿生的故障診斷技術研究[D].沈陽：沈陽理工大學，2022.

[9] 陸劍峰，徐煜昊，夏路遙，等.數字孿生支持下的設備故障預測與健康管理方法綜述[J].自動化儀表，2022，43（6）：1?7.

[10] 郭德興，杜曉明，朱寧.基于S1000D故障報告的故障隔離技術[J].兵工自動化，2019，38（7）：34?36.

[11] 李冬.故障樹分析法在飛機排故中的應用[J].科學技術創新，2022（8）：169?172.

[12] 李洪川，王旭東，王東明，等.基于故障樹的風電機組變槳系統故障診斷研究[J].設備管理與維修，2022，10（15）：168?169.

[13] 周欽強，李建勇，王明輝，等.基于相似度排名的天氣雷達故障案例檢索[J].廣東氣象，2021，43（2）：73?77.

[14] 王峻洲，王華偉，侯召國.基于相似體系的民機結構超手冊維修案例分析[J].系統工程與電子技術，2022，44（9）：2978?2985.

[15] 許佩迪.基于聚類與區域劃分的改進KNN算法[D].四平：吉林師范大學，2020.

[16] 竇小凡.KNN算法綜述[J].通訊世界，2018（10）：273?274.

[17] 劉英乾，王兆豐.基于IETM的渦輪故障診斷方法研究[J].應用科技，2013，40（4）：58?62.

[18] 張耀輝，徐宗昌，周健.面向IETM的智能故障診斷技術研究[C]//裝備維修保障新技術新方法及應用研討會論文集.北京：國防工業出版社，2010：994?999.

[19] 郭楊翹楚，歐陽成.基于IETM的航空裝備故障診斷[J].測控技術，2020，39（3）：58?64.

[20] 閆涵.基于結構化手冊的智能故障診斷技術研究[D].西安：西安電子科技大學，2021.

作者簡介：吳家菊（1978—），女，四川資陽人，博士研究生，正高級工程師，碩士生導師，IEEE會員，研究方向為裝備保障，航空器監測、診斷及健康管理，軟件工程等。

孔令剛（1998—），男，四川綿陽人，碩士研究生，研究方向為裝備保障，故障監測、診斷及健康管理。

康時嘉（1999—），男，四川綿陽人，碩士研究生，研究方向為裝備保障，故障監測、診斷及健康管理。

左洪福（1959—），男，江蘇南京人，教授，博士生導師，研究方向為航空器監測、診斷及健康管理，可靠性工程。

楊永輝（1973—），男，江西九江人，研究員，博士生導師，研究方向為可信軟件，故障監測、診斷及健康管理，數據安全。

周小偉（1978—），男，四川綿陽人，高級工程師，研究方向為裝備保障，故障監測、診斷及健康管理。