功能交联条件下飞机混合增强故障诊断方法

　　摘要: 由于飞机系统结构复杂，功能交联程度高，传统以机内测试( BIT) 方法为基础的机载综合诊断方法受到机载测试点设置限制，故障检测、隔离能力无法完全满足部队使用维护需求。近年来，数据驱动方法发展迅速，并被广泛运用到故障诊断中，其中概率神经网络( PNN) 凭借其结构简单、计算速度快、运算精度高和分类结果好等优势，非常适合故障诊断与分类问题。但同时，数据驱动方法由于样本不足，工程应用存在困难，不能完全替代传统方法。为提升系统故障检测率、隔离率，降低虚警率，通过应用 PNN 处理飞机健康状态数据进行故障诊断，并结合 BIT 中的诊断信息，利用二者间的互补性提出了一种混合增强飞机系统故障诊断方法。详细介绍了该融合方法的基本原理、融合层次、融合规则等。最后，通过某型号飞机分系统诊断实例表明，检测、隔离能力有显著提升，能够满足功能交联条件下飞机故障诊断需求。

　　关键词: 信息融合; 神经网络; 故障诊断; 飞机系统

　　飞机集成了各类功能设备以满足不同任务需求，其组成系统十分复杂，且系统间交联程度高，因而会产生交联故障难以诊断，尤其是隔离存在困难，进而延长飞机排故时间，影响飞机正常使用。因此，保障任务完好率需要重点提高飞机复杂系统的交联故障诊断能力。

　　目前，飞机系统普遍采用基于测试性模型的故障诊断方法[1]，该方法基于故障传递关系，通过描述测试点与故障的相关性矩阵，可以诊断飞机系统是否存在故障，且将故障隔离 LRU 级别，利于维修时快速故障定位，一定程度上节省机务准备时间与保障资源。但由于可靠性、经济性等因素的限制，无法在每一设备中都设置测试点，因此无法做到将故障完全检测与隔离。

　　而且，由于飞机系统功能交联情况复杂，某一分系统中的设备发生故障可能由另一分系统内部故障造成，需整合多个分系统测试性模型进行故障诊断，集成时接口定义困难，可能导致模型建立不准确。为准确找到故障源，需对交联故障的故障传递路径中的每部分进行状态确认，排除正常状态的设备。鉴于测试性模型只能对一部分设备进行状态监测，在不增加测试点的前提下，需对现有飞机健康状态数据进行合理利用，建立故障诊断模型，在数据层面表征系统健康/故障状态，即基于数据驱动的故障诊断方法[2]。

　　基于数据驱动的故障诊断方法摒弃了传统中飞机健康状态数据仅用于状态监测、故障判读等分系统内设备级故障诊断，而是有机结合用于表征飞机功能交联故障中测试性模型无法诊断的故障部分，实现系统可诊断交联故障数量的提升; 飞机结构、系统复杂，难以使用普通的模型完整表达系统关系，基于数据驱动的方法不依赖于建立精准的模型，仅根据数据的情况即可表征系统状态，实现对系统关系的精准把控，且可以根据数据量的增多而不断更新，使模型更加准确。测试性模型诊断信息、数据驱动诊断信息等信息中存在多种异构信息，以不同角度表征系统状态，各有优劣，能诊断的故障种类也不尽相同。

　　二者的 SWOT分析[3]，基于模型与数据驱动既能相互促进，也能相互干扰。若可以将其中冗余信息剔除，互补信息保留加以利用，可进一步增加诊断准确性。因此，在基于数据驱动的故障诊断方法基础上提出一种有机结合测试性模型与数据驱动方法的故障诊断方法，其融合总体过程如图 2 所示。混合增强故障诊断方法能将多种故障诊断信息合理利用，实现交联故障诊断能力提升。国内外研究人员已将人工神经网络、支持向量机、专家系统等方法广泛应用于飞机系统、飞机发动机故障诊断中，并采用D-S 证据理论、贝叶斯理论等方法进行融合诊断以提升诊断能力，取得了良好的效果，但尚未针对测试性模型诊断信息进行融合相关研究。

　　本文提出了飞机系统功能交联条件下混合增强故障诊断方法依托现有智能诊断方法理论进行研究，依据分析梳理出的交联故障特性及诊断方法的诊断能力设计相应诊断策略，并使用作战飞机实际飞行数据进行验证。本研究的飞机系统功能交联条件下混合增强故障诊断方法，将在现有指标基础上进一步提升故障检测率、隔离率，降低虚警率，为后续支持维修决策、再次出动准备等活动提供可靠的决策依据，具有重要的军事和经济价值。

　　1 混合增强故障诊断方法

　　1. 1 基于测试性模型的故障诊断方法

　　1. 1. 1 测试性模型

　　目前，飞机分系统中的故障诊断方法为基于测试性模型的方法。该方法主要通过描述故障与测试点间的相关性关系，根据模型中测试点反映的信息判断分系统内设备故障发生情况。

　　1. 2 基于数据驱动的故障诊断方法

　　近年来由于数据驱动方法在模式识别的能力突出，因此被研究者广泛关注并用于故障诊断研究，常用方法如神经网络、支持向量机等[7 - 8]。基于数据驱动的故障诊断方法相比于传统故障诊断方法，不需建立诊断对象模型，因此一定程度上避免了因模型建立不准确导致的误诊和漏检问题。

　　基于数据驱动的故障诊断部分采用概率神经网络[9]( Probability Neural Network，PNN) 。其核心思想是将贝叶斯决策论与人工神经网络相结合，通过 Parzen 窗估计法来估计样本总体分布的概率密度函数，并采用贝叶斯最小风险决策进行分类，分类准确率高。与 BP 神经网络相比，PNN 不需计算反向误差，也不需考虑局部最优问题，仅根据历史飞机健康状态参数中的故障数据作为训练数据，即可得到贝叶斯最小风险决策下的最优分类结果。

　　1. 3 基于 D-S 证据理论的混合增强故障诊断方法

　　D-S 证据理论是由 Dempster 于 1967 年最先提出，后经过他的学生 Shafer 于 1976 年进一步扩展并发展起来的一种不确定性推理方法[10]。该方法不同于贝叶斯概率论，无需知道先验概率，并能直接表达不确定性。根据不同诊断方法的诊断能力将多源信息分别输入至相应诊断模型中，在决策层使用 D-S 证据理论融合后，能增强相应交联故障诊断能力。

　　2 基于某型号飞机的故障诊断实例

　　混合增强故障诊断方法用于某型号飞机交联系统故障诊断分析过程，根据飞机结构、系统功能及分系统间功能交联情况进行功能交联条件下故障传播影响分析，并依据不同诊断方法的诊断能力设计诊断策略; 研究选取基于机器学习的数据驱动方法，输入历史故障数据进行基于数据驱动的故障诊断模型训练; 选取交联系统故障信息进行模型故障诊断能力验证，当系统报故时，测试性模型方法根据测试点报故情况输出故障信息，数据驱动方法根据飞机飞行参数输出故障信息，后二者进行决策层融合，输出最终故障诊断信息。

　　2. 1 故障交联影响分析

　　在飞机运行过程中，系统故障可能由多种因素造成，如刹车系统内部，伺服阀输出压力不准确、主机轮刹车盘磨损、轮胎磨损等均可造成刹车能力下降; 同时，外部系统异常输入，如液压系统输出压力低、飞管系统输出刹车指令错误等也均可造成刹车能力下降甚至丧失刹车能力的严重后果。因此，对飞机交联系统进行故障诊断技术研究前，为表征故障传递影响，应先建立交联系统故障传播模型。本部分以飞机刹车系统能力降级为例，应用基于模糊 Petri 网的故障传播分析法研究可能使刹车系统能力降级的故障源。

　　2. 1. 1 模糊 Petri 网Petri 网[11]由德国当代数学家 C. A. Petri 定义的一种通用数学模型，用于描述存在于条件和事件间的关系。模糊 Petri 网为 Petri 网与知识表达的结合，最早被用于描述模糊生成规则。在复杂系统故障诊断中，模糊 Petri 网采用图形化的表示方法，展现功能交联条件下跨系统间与系统内部的故障传播过程，从而利于后续故障诊断过程分析及诊断策略分配等工作进行。

　　2. 1. 2 基于模糊 Petri 网的故障传播分析以某型号飞机为例，系统刹车过程一般由指令系统发出指令、飞管系统控制输出、液压系统提供压力、刹车系统执行刹车等交联系统工作过程组成。其中控制输出部分包括飞管计算机、远程接口单元等; 提供压力部分包括油箱、液压泵、油滤及蓄压器等; 执行刹车部分包括伺服阀、主机轮等。

　　3 结束语

　　针对飞机功能交联条件下故障诊断需求，提出了一种基于测试性模型和基于数据驱动的初步诊断及基于 D-S 证据理论的融合诊断方法，并以某型号飞机故障数据为例进行方法验证。结果表明，本方法在现有方法故障诊断能力基础上，能一定程度上增加系统交联功能故障可检测故障数量，提升故障检测率; 对传统基于测试性模型方法存在的交流功能故障模糊组现象进行故障定位，从而提升故障隔离率; 将两种方法形成的一致初步诊断结果融合，进行故障确认，减少传统测试性模型可能导致虚警的情况发生。

　　参考文献:

　　[1] 石君友. 测试性设计分析与验证[M]. 北京: 国防工业出版社，2011.SHI J Y. Testability design analysis and verification[M].Beijing: National Defense Industry Press，2011 ( in Chinese).

　　[2] 李小林，屈卫东. 基于 D-S 证据理论的航空发动机气路故障融合诊断[C]/ / 中国控制会议. 2018.LI X L，QU W D. Fusion diagnosis of aeroengine gas pathfault based on D-S evidence theory[C]/ /China ControlConference. 2018( in Chinese) .

　　[3] EZHILARASU C M，SKAF Z，JENNIONS I K. The applicationof reasoning to aerospace integrated vehicle healthmanagement ( IVHM) : challenges and opportunities[J].Progress in Aerospace Sciences，2019，105: 60 - 73.

　　[4] 叶文，吕鑫燚，吕晓峰，等. 某型导弹发控通道层次化测试性建模方法[J]. 现代防御技术，2019，47 ( 2) : 122 -129.YE W，LYU X Y，LYU X F，et al. Hierarchical testabilitymodeling method of a certain missile-launch channel[J].Modern Defence Technology，2019，47 ( 2) : 122 - 129 ( inChinese) .

　　[5] 张士刚. 基于多信号模型的诊断策略优化与生成技术研究[D]. 长沙: 国防科学技术大学，2008.ZHANG S G. Research on the optimization and generationtechniques for diagnostic strategy based on multi-signalmodel[D]. Changsha: National University of Defense Technology，2008(in Chinese) .

　　[6] 马德仲. 基于贝叶斯网络和多源信息构建可靠性分析模型方法研究[D]. 哈尔滨: 哈尔滨理工大学，2015.

　　作者：郭文彬，刘 东，王宇健