智能飛控故障診斷系統(tǒng)的研究與實現(xiàn)

［摘 要］智能飛控故障診斷系統(tǒng)作為一項基于人工智能系統(tǒng)的故障排查和診斷工具，具有十分重要的現(xiàn)實意義。文章闡述了智能飛控故障診斷現(xiàn)狀，分析了智能飛控故障診斷系統(tǒng)的研究與實現(xiàn)，旨在解決以往智能飛控故障診斷系統(tǒng)中存在的問題，提高故障診斷的準確性和高效性，實現(xiàn)其在多個領(lǐng)域的廣泛應用。

［關(guān)鍵詞］智能飛控；故障診斷系統(tǒng)；研究與實現(xiàn)

［中圖分類號］V267 ［文獻標志碼］A ［文章編號］2095–6487（2024）07–0145–03

1 智能飛控故障診斷現(xiàn)狀

智能飛控故障診斷是將人工智能和故障診斷相結(jié)合，通過程序模擬專家的思維模式，最終得出更加準確的故障診斷結(jié)果。智能飛控故障診斷可以實現(xiàn)故障的自動識別與精準定位，為后續(xù)的修復工作提供具有參考價值的意見。其應用的技術(shù)原理有知識庫與推理引擎、人工智能技術(shù)、數(shù)據(jù)采集與分析等，能夠在實現(xiàn)高效故障診斷的同時，降低故障的維護成本，并有效預防故障的二次發(fā)生。隨著科技的不斷發(fā)展，智能飛控故障診斷也會持續(xù)得到優(yōu)化，其性能和功能會得到最大程度的開發(fā)，足以滿足多樣化的故障診斷需求。

隨著人工智能技術(shù)和計算機技術(shù)的發(fā)展，也為智能飛控故障診斷的發(fā)展奠定了良好的理論基礎，這一方面的技術(shù)會具有更加穩(wěn)固的理論支撐，確保能夠通過智能飛控故障診斷解決多種復雜的問題，實現(xiàn)對專家知識的科學運用[1]。

2 智能飛控故障診斷系統(tǒng)的研究與實現(xiàn)

2.1 智能飛控故障診斷系統(tǒng)的研究

2.1.1 基于隨機森林的智能飛控故障診斷系統(tǒng)研究

隨機森林指通過多棵樹對樣本進行訓練和預測的一個分類器，既能用來解決分析與回歸的問題，又適合于降維問題。其對變異值和噪聲都有較好的容忍性，且相比于傳統(tǒng)決策樹具有更良好的預測與分析特性。基于隨機森林對智能飛控故障診斷系統(tǒng)進行研究，主要可以從綜合優(yōu)化算法入手，沿著隨機森林的構(gòu)建步驟，實現(xiàn)對系統(tǒng)的深入研究。隨機森林的構(gòu)建主要分為以下兩步。

（1）數(shù)據(jù)的隨機選取。從原始的數(shù)據(jù)集中采集有放回的抽樣，不同子數(shù)據(jù)集的元素可以重復，同一個子數(shù)據(jù)集中的元素也可以重復。之后利用子數(shù)據(jù)集來構(gòu)建子決策樹，將這些數(shù)據(jù)放到每個子決策樹中，每個子決策樹輸出一個結(jié)果。最后，如果有了新的數(shù)據(jù)需要通過隨機森林的分類結(jié)果對子決策樹的判斷結(jié)果進行投票，得到隨機森林的輸出結(jié)果。

（2）待選特征的隨機選擇。待選特征的隨機選擇和數(shù)據(jù)集的隨機選擇相似，在隨機森林中的種子樹的每一次分裂過程都不會使用所有的待選特征，而是先在所有的待選擇對象中隨機選擇相應的特征，再從所有隨機選擇的特征中選擇最好的特征。這使得隨機森林系統(tǒng)的決策樹均可以相互比較不同情況，增加系統(tǒng)的多樣性，進而提高分類效能。

基于以上兩步，可以實現(xiàn)對智能飛控故障診斷系統(tǒng)分類精度的研究，確保系統(tǒng)的性能達到標準需求。

2.1.2 基于機器學習的智能飛控故障診斷系統(tǒng)研究

機器學習是一種涉及概率論、統(tǒng)計學、逼近論、凸分析、算法復雜度理論的技術(shù)，能夠?qū)崿F(xiàn)對人類學習行為的模擬，從而獲取新的技能和知識。機器學習可以使得智能飛控故障診斷系統(tǒng)的知識結(jié)構(gòu)不斷完善，實現(xiàn)性能提升。基于機器學習的智能飛控故障診斷系統(tǒng)研究需要結(jié)合系統(tǒng)的歷史數(shù)據(jù)特性，以此保證研究的實效性。這需要做好以下幾方面的準備工作。

（1）做好飛機故障數(shù)據(jù)集預處理工作。在智能飛控故障診斷系統(tǒng)中，主要包括PB/PL 表、故障樹和相關(guān)性表3 種數(shù)據(jù)格式，需要提前將其轉(zhuǎn)換為可以使用的格式，因為直接獲取的數(shù)據(jù)源無法直接用于訓練中。這需要對其進行樣本化處理，以便于機器學習能夠?qū)?shù)據(jù)進行讀取[2]。

（2）做好飛控數(shù)據(jù)源樣本的提取工作。由于在飛控數(shù)據(jù)源中存在3 種不同的數(shù)據(jù)格式，在提取時需要采取不同的方式，從而提高后續(xù)研究的準確性。在提取PB/PL 表樣本時，會涉及故障描述和測試步驟等方面，還需不同情況進行相應的轉(zhuǎn)換，并將其中的故障描述作為標簽。在提取故障樹時，應理清頂事件、底事件之間的邏輯關(guān)系，實現(xiàn)特征處理，以此獲取可靠的研究數(shù)據(jù)。在提取相關(guān)性表樣本時，還需將所有的飛機成品部位和底事件標注出來，以此判斷實際的故障位置。之后可以進行HMC 碼的提取，以便于實現(xiàn)數(shù)據(jù)的轉(zhuǎn)換。

2.1.3 基于向量機算法的智能飛控故障診斷系統(tǒng)研究

向量機算法是一種監(jiān)督學習模型，其通過尋找一個超平面來將數(shù)據(jù)分成兩類，并確保兩類之間的間隔最大。SVM 可以執(zhí)行線性和非線性分類、回歸及異常值檢測任務，特別適用于中小型復雜數(shù)據(jù)集的分類。基于向量機算法主要能夠?qū)崿F(xiàn)對智能飛控故障診斷系統(tǒng)參數(shù)的分析，通過研究最終測試結(jié)果的準確率，研究智能飛控故障診斷系統(tǒng)的數(shù)據(jù)準確性。向量機算法在數(shù)學原理方面，通過線性支持向量機的方式解決系統(tǒng)中存在的數(shù)據(jù)處理問題。想要基于向量機算法對智能飛控故障診斷系統(tǒng)進行研究，就要通過二分類邏輯回歸算法，其中包括讀取數(shù)據(jù)、數(shù)據(jù)歸一化、構(gòu)造問題的約束二次規(guī)劃、構(gòu)建拉格朗日函數(shù)、將問題對偶化、利用SMO 算法進行求解及根據(jù)預測模型對預測集樣本的類別進行預測等步驟。在研究過程中，應確保不會使用浮點數(shù)進行研究，因為向量機算法中不支持浮點數(shù)類型，需要使用相應的工具，讓數(shù)據(jù)轉(zhuǎn)換成libsvm 等支持的格式。同時也要在數(shù)據(jù)轉(zhuǎn)換后，使其特征長度保持一致，以便于進行精準地測試。為了確保獲得最優(yōu)的診斷研究參數(shù)，需要將向量機算法中的訓練集和測試集比例調(diào)整為3 ∶ 1，并最終對測試樣本進行分類的準確率測試。

2.2 智能飛控故障診斷系統(tǒng)的實現(xiàn)

2.2.1 實現(xiàn)智能飛控故障診斷系統(tǒng)總體框架的設計

在設計智能飛控故障診斷系統(tǒng)總體框架時，應包括以下幾個層面。

（1）界面層。其功能是實現(xiàn)數(shù)據(jù)的提取和診斷，將診斷的最終結(jié)果以直觀的形式呈現(xiàn)給用戶，即實現(xiàn)系統(tǒng)和用戶的交互，讓用戶可以直接通過該層面了解系統(tǒng)的具體操作。在對該層面進行設計時，需要確保設計的人性化，使其足夠清晰，易理解。

（2）模型層。其屬于智能飛控故障診斷系統(tǒng)的核心，具有以機器學習算法為基礎的系統(tǒng)算法。在設計該層面時，需要為智能飛控故障診斷系統(tǒng)中存在的故障進行識別做好準備，分析智能飛控故障診斷系統(tǒng)的具體情況[3]。

（3）應用層。其功能是對數(shù)據(jù)進行最終處理，并通過多種模型進行故障識別，實現(xiàn)數(shù)據(jù)、模型和系統(tǒng)的維護。該應用層在設計時應將不同功能進行明確的劃分，避免結(jié)果存在混亂的情況。

（4）數(shù)據(jù)層。其功能是為智能飛控故障診斷系統(tǒng)提供可靠的數(shù)據(jù)支撐，并實現(xiàn)其他數(shù)據(jù)的輸入。針對該層面，應將其需要的輸入數(shù)據(jù)、規(guī)則樹數(shù)據(jù)等數(shù)據(jù)準確齊全，以便于實現(xiàn)數(shù)據(jù)的全面分析。

（5）支持層。其是為以上各個層面提供基礎的技術(shù)支撐，發(fā)揮層面的真正作用。在對該層面進行設計時，需要提前做好數(shù)據(jù)預處理和清理等工作，避免存在不必要的技術(shù)浪費。

2.2.2 實現(xiàn)智能飛控故障診斷交互界面模塊的設計

為讓飛控系統(tǒng)的工作人員能夠更好地使用智能飛控故障診斷系統(tǒng)軟件，通過搭建人機對話的平臺，降低工作人員使用系統(tǒng)的難度，保證系統(tǒng)操作的便捷性與流暢性。由于智能飛控故障診斷系統(tǒng)由多個軟件構(gòu)成，交互界面模塊的設計會對這個系統(tǒng)的使用產(chǎn)生決定性的影響，關(guān)系著診斷工作能否準確快速地開展，以及最終能否進行高效的故障排除。在對智能飛控故障診斷交互界面模塊進行設計時，需要對以下幾個部分進行設計。

（1）系統(tǒng)主窗口。在交互界面的模塊設計中，主窗口的設計包括拓展功能區(qū)、主工作區(qū)和菜單功能區(qū)的設計，以及之后能否具有診斷結(jié)果記錄功能。這一方面的設計需要確保滿足不同區(qū)域的實際功能，以此滿足工作人員多樣化的使用需求。如在線學習功能區(qū)中，應具有模型在線的訓練功能。此外，需要結(jié)合不同的飛控系統(tǒng)對界面模塊進行再一次的劃分，讓智能飛控故障診斷功能可以充分發(fā)揮出來。

（2）登錄窗口。該模塊屬于交互界面模塊設計的核心部分，因為其關(guān)系著具體的登錄權(quán)限等。此時還需結(jié)合不同工作人員的工作崗位為其賦予不同的用戶權(quán)限。如根據(jù)登錄人員所登錄的賬號，使其進入到不同的界面當中。同時不同界面的功能性也存在差異，具體需要結(jié)合實際需求進行設計。如部分用戶在登錄后可以進行機器學習模型訓練，部分用戶登錄后則只能進行故障診斷。

（3）診斷結(jié)果窗口。該界面模塊的設計關(guān)系著工作人員能否通過這一界面獲取準確的算法結(jié)果，需要確保診斷結(jié)果能夠以通俗易懂的方式展現(xiàn)出來。針對這一模塊，可以優(yōu)先采用柱狀圖的方式呈現(xiàn)最終的診斷結(jié)果，方便工作人員進行理解分析[4]。

2.2.3 實現(xiàn)智能飛控故障診斷功能診斷驗證的設計

通過實現(xiàn)智能飛控故障診斷功能診斷驗證的設計，能夠進一步提高智能飛控故障診斷系統(tǒng)的準確度，實現(xiàn)對飛控系統(tǒng)故障的精準識別。為了確保能夠?qū)崿F(xiàn)這一方面的設計，還需做好相應的測試工作，保證多種功能能夠正常使用，發(fā)揮系統(tǒng)的優(yōu)勢。具體需做好以下幾方面功能的測試。

（1）故障數(shù)據(jù)載入功能測試。通過將故障數(shù)據(jù)載入智能飛控故障診斷系統(tǒng)中，確保能夠作為之后故障診斷的基礎理論依據(jù)。這需要結(jié)合不同飛控系統(tǒng)中存在的故障問題和診斷記錄進行錄入，以此來避免故障的再次發(fā)生。

（2）模型載入功能測試。將訓練好的模型載入智能飛控故障診斷系統(tǒng)中，能夠使得機器學習模型等模型在系統(tǒng)中發(fā)揮真正的作用，讓系統(tǒng)更具智能性。這一過程中還需為模型預留合適的存儲位置，讓模型能夠加載完成，并投入使用。

（3）規(guī)則重用功能測試。其是通過對樣本的在線學習，導入知識庫中，提高功能診斷的準確率。這一功能測試主要是為了針對飛機中存在的復雜情況，當無法通過人工智能技術(shù)進行診斷時，需要迅速將其判定為特殊故障。之后由專業(yè)人員進行解決，再將最終的診斷過程與結(jié)果導入智能飛控故障診斷系統(tǒng)的知識庫中，方便后續(xù)通過機器學習算法等方法進行在線學習，后續(xù)再面對這種類型的案例時，能夠直接通過系統(tǒng)作出相應診斷。

（4）系統(tǒng)診斷功能測試。該測試主要是為了驗證智能飛控故障診斷系統(tǒng)是否具備足夠充分的故障診斷能力，能否得出準確的診斷結(jié)果。可以將飛機中存在的故障清單導入診斷系統(tǒng)中，通過分析診斷結(jié)果概率值，確保系統(tǒng)診斷功能的正常[5]。

3 結(jié)束語

通過對智能飛控故障診斷系統(tǒng)的研究與實現(xiàn)，能夠有效實現(xiàn)智能飛控故障診斷系統(tǒng)的優(yōu)化，使得自身的功能更加多元化。并且隨著我國科技的不斷發(fā)展，系統(tǒng)能夠有效提高自身的經(jīng)濟價值和應用優(yōu)勢。航空企業(yè)在應用這種系統(tǒng)后，不僅能夠?qū)崿F(xiàn)對飛機更加智能化的服務，也能夠讓自身的性能得到優(yōu)化，將智能飛控故障診斷系統(tǒng)的價值發(fā)揮到最大，促進自身的高質(zhì)量發(fā)展。

參考文獻

[1] 韓建輝，江飛鴻，劉鑫. 電傳飛控計算機子系統(tǒng)BIT 設計研究[J]. 民用飛機設計與研究，2023（4）：70-81.

[2] 安雪，李少波，張儀宗，等. 無人機飛控系統(tǒng)故障診斷技術(shù)研究綜述[J]. 計算機工程與應用，2023，59（24）：1-15.

[3] 左力. 基于Raft 算法的飛行控制系統(tǒng)余度管理應用[J]. 計算機應用，2023，43（S1）：340-345.

[4] 曾志威，苗強. 飛控液壓系統(tǒng)故障診斷方法研究[J]. 國外電子測量技術(shù)，2023，42（6）：122-128.

[5] 鄧澤勇，曹東，邵海龍.ARINC659 總線多余度飛控計算機故障檢測策略研究[J]. 計算機工程與科學，2022，44（8）：1349-1356.