多方法聯(lián)合的航電系統(tǒng)故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及航電系統(tǒng)故障診斷方法領(lǐng)域，具體為一種基于FTA、BAM、BP三種方法 聯(lián)合的航電系統(tǒng)故障診斷方法。
【背景技術(shù)】
[0002] 隨著飛機(jī)裝備的智能化和信息化程度越來越高，需要借助電子系統(tǒng)協(xié)助處理的任 務(wù)也將越來越多，這也將導(dǎo)致由電子系統(tǒng)引起的故障不斷增多。另外，隨著電子系統(tǒng)不斷融 入武器系統(tǒng)的核心任務(wù)系統(tǒng)，信息化、智能化程度越高的武器裝備需要電子系統(tǒng)輔助完成 的任務(wù)將會(huì)越多，電子系統(tǒng)故障也將大大增加其維修保障問題。目前國(guó)內(nèi)針對(duì)航電系統(tǒng)故 障診斷問題，基本根據(jù)故障手冊(cè)并結(jié)合專業(yè)維修人員的維修經(jīng)驗(yàn)來對(duì)航空電子設(shè)備經(jīng)常出 現(xiàn)的故障進(jìn)行檢查和維修，這必將導(dǎo)致人的因素成為診斷和維修成功與否的關(guān)鍵因素。此 外，由于航電系統(tǒng)中的很多故障是維修人員難以發(fā)現(xiàn)的隱蔽性故障或潛在故障，而這些隱 蔽性故障或潛在故障的存在，嚴(yán)重威脅到整個(gè)飛機(jī)的安全性與可靠性，很可能導(dǎo)致嚴(yán)重的 飛行事故。
[0003] 通過對(duì)目前航電系統(tǒng)故障診斷與維修現(xiàn)狀進(jìn)行調(diào)查與研宄，雖然智能故障診斷技 術(shù)在電子設(shè)備的應(yīng)用方面有了長(zhǎng)足的發(fā)展，但是應(yīng)用于航電系統(tǒng)故障診斷時(shí)，仍存在一些 問題，如基于FTA的故障診斷方法，由于知識(shí)庫(kù)的大小會(huì)隨著故障樹數(shù)據(jù)的增加而變大，同 時(shí)系統(tǒng)規(guī)模越大，由最小割集得到的規(guī)則數(shù)量也會(huì)越大，這將導(dǎo)致根據(jù)規(guī)則推理時(shí)，速度會(huì) 越來越慢，不能及時(shí)有效地得出正確的診斷結(jié)果。而基于人工神經(jīng)網(wǎng)絡(luò)的方法具有分布式 存儲(chǔ)能力、并行處理性、自學(xué)習(xí)能力等特點(diǎn)，所以受到歡迎，但是也存在一定的局限性，如BP 神經(jīng)網(wǎng)絡(luò)的收斂速度會(huì)隨著訓(xùn)練樣本的數(shù)量的遞增而遞減，而且有時(shí)多種故障會(huì)一同發(fā) 生，診斷準(zhǔn)確度也會(huì)下降。又如BAM網(wǎng)絡(luò)故障診斷方法，當(dāng)其應(yīng)用于航電系統(tǒng)時(shí)，在選取樣 本方面有著諸多要求，如數(shù)量足夠大、樣本的相容性和遍歷性等，純?nèi)斯ふ砗茈y實(shí)現(xiàn)。

【發(fā)明內(nèi)容】

[0004] 針對(duì)航電系統(tǒng)故障診斷存在的故障定位困難、準(zhǔn)確性和效率性低的問題以及單 一故障診斷方法存在的局限性，本發(fā)明提供一種多方法聯(lián)合的航電系統(tǒng)故障診斷方法，利 用 FTA (Fault Tree Analysis，故障樹分析）、BAM 神經(jīng)網(wǎng)絡(luò)（Bidirectional Associative Memory，雙向聯(lián)想記憶）、BP神經(jīng)網(wǎng)絡(luò)（Back-Propagation，反向傳播）三種方法聯(lián)合。分 別建立了 FTA與BAM神經(jīng)網(wǎng)絡(luò)融合的故障診斷模型、聯(lián)合BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型。當(dāng) 故障現(xiàn)象明顯時(shí)，采用FTA與BAM神經(jīng)網(wǎng)絡(luò)融合的故障診斷模型，首先利用FTA得到系統(tǒng)的 故障模式，分析歸納出BAM的訓(xùn)練樣本，最后BAM通過聯(lián)想記憶矩陣并行聯(lián)想，得到診斷結(jié) 果，此模型保留了 FTA對(duì)各種故障事件優(yōu)秀的分析處理能力，而且發(fā)揮了 BAM網(wǎng)絡(luò)對(duì)單一 或多源故障的快速定位的優(yōu)勢(shì)；當(dāng)故障現(xiàn)象不明顯或者故障實(shí)例庫(kù)沒有此故障時(shí)，采用聯(lián) 合BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型，對(duì)BP神經(jīng)網(wǎng)絡(luò)采集到訓(xùn)練樣本即電壓、溫度等數(shù)據(jù)進(jìn)行學(xué) 習(xí)，最后利用訓(xùn)練后的網(wǎng)絡(luò)進(jìn)行故障診斷。兩種故障診斷模型優(yōu)勢(shì)互補(bǔ)，彌補(bǔ)各自的不足之 處，能夠快速而有效地診斷出航電系統(tǒng)的各種故障，解決了航電系統(tǒng)故障診斷存在的問題， 提高了故障診斷的準(zhǔn)確性和效率性。
[0005] 本發(fā)明為解決上述技術(shù)問題，本發(fā)明采用以下技術(shù)方案：
[0006] 多方法聯(lián)合的航電系統(tǒng)故障診斷方法，當(dāng)故障現(xiàn)象明顯時(shí)，采用FTA與BAM神經(jīng)網(wǎng) 絡(luò)融合的故障診斷模型，首先利用FTA得到系統(tǒng)的故障模式，分析歸納出BAM的訓(xùn)練樣本， 最后BAM通過聯(lián)想記憶矩陣并行聯(lián)想，得到診斷結(jié)果；當(dāng)故障現(xiàn)象不明顯或者故障實(shí)例庫(kù) 沒有此故障時(shí)，采用聯(lián)合BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型，對(duì)BP神經(jīng)網(wǎng)絡(luò)采集到的訓(xùn)練樣本進(jìn) 行學(xué)習(xí)，最后利用訓(xùn)練后的網(wǎng)絡(luò)進(jìn)行故障診斷。
[0007] 進(jìn)一步的，明顯的故障現(xiàn)象包括著火、煙、霧、異味、火花、器件損壞、接口松動(dòng)、零 件老化、零件震動(dòng)或抖動(dòng)。
[0008] 進(jìn)一步的，不明顯的故障現(xiàn)象包括由電源接觸不良或內(nèi)部損壞、短路或斷路造成 的肉眼無法感知的現(xiàn)象。
[0009] 進(jìn)一步的，所述當(dāng)故障現(xiàn)象明顯時(shí)，采用FTA與BAM神經(jīng)網(wǎng)絡(luò)融合的故障診斷模 型，具體步驟如下：
[0010] 1-1、建立故障樹；
[0011] 1-2、求出最小割集；
[0012] 1-3、FTA整理出訓(xùn)練樣本：根據(jù)步驟1-2中得到的最小割集建立改進(jìn)的故障樹模 型，從而得到正交的樣本輸入向量所述改進(jìn)的故障樹模型，是指在結(jié)構(gòu)上，利用最小割集對(duì) 故障樹進(jìn)行優(yōu)化處理而得到的簡(jiǎn)化故障樹；這樣可以使原故障樹的深度得到降低，即層數(shù) 減少，使BAM的聯(lián)想記憶更加方便，而網(wǎng)絡(luò)的訓(xùn)練樣本則是通過對(duì)最小割集編碼獲得的。此 外，如果輸入向量是正交的，則可以使向量集的維數(shù)得到降低，否則，維數(shù)很多的話，不但使 M陣抑制作用減少，也會(huì)讓BAM網(wǎng)絡(luò)達(dá)到穩(wěn)定狀態(tài)需要更長(zhǎng)的時(shí)間，導(dǎo)致診斷速度降低。但 是FTA得出的向量集有著良好的正交性，所以無需進(jìn)行正交化。
[0013] 1-4、雙極化處理：對(duì)樣本輸入向量采用雙極化處理，所述雙極化處理通過如下公 式計(jì)算出來：
[0014] X, = IXi -1 (1-1)
[0015] 式中！Xi為樣本輸入向量，^為雙極化處理后的樣本輸入向量；其中雙極化的原 因在于：如果\和Y i使用（0, 1)，其中，X 樣本輸入向量，即故障征兆；Y i為樣本輸出向 量，即故障原因，那么\經(jīng)過加權(quán)，使用轉(zhuǎn)移函數(shù)Sng后，結(jié)果都為1，這樣使抑制作用變低， 同時(shí)也降低了收斂性。所以采用雙極化后的向量（_1，+1)，使M的抑制作用得到增加。
[0016] 1-5、計(jì)算BAM權(quán)值矩陣：在MATLAB中建立BAM神經(jīng)網(wǎng)絡(luò)模型，利用BAM神經(jīng)網(wǎng)絡(luò) 模型對(duì)FTA整理出的訓(xùn)練樣本進(jìn)行學(xué)習(xí)和記憶，計(jì)算權(quán)值矩陣；所述的權(quán)值矩陣通過如下 公式計(jì)算出來：
[0017]
(1-2)
[0018] 式中M為BAM神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和記憶后的權(quán)值矩陣，^ :為雙極化后的樣本輸入 向量，即故障現(xiàn)象，1為樣本輸出向量，即故障原因。最小割集建立了樣本空間，其維數(shù)少， 且具有良好的正交性，這樣的求得的權(quán)值矩陣M可以對(duì)系統(tǒng)故障模式進(jìn)行精確地反映。
[0019] 1-6、獲得監(jiān)測(cè)點(diǎn)的狀態(tài)向量值：通過對(duì)故障監(jiān)測(cè)點(diǎn)進(jìn)行監(jiān)測(cè)，獲得BAM神經(jīng)網(wǎng)絡(luò) 的樣本輸入向量X。
[0020] 1-7、BAM聯(lián)想回憶：BAM神經(jīng)網(wǎng)絡(luò)進(jìn)行聯(lián)想回憶，輸出聯(lián)想回憶結(jié)果，所述的聯(lián)想 回憶結(jié)果通過如下公式計(jì)算出來：
[0021] Y = XM (1-3)
[0022] 式中Y為BAM神經(jīng)網(wǎng)絡(luò)聯(lián)想回憶輸出的故障診斷結(jié)果，Z為BAM神經(jīng)網(wǎng)絡(luò)的樣本 輸入向量，即故障現(xiàn)象，M為權(quán)值矩陣；
[0023] 1-8、輸出故障診斷結(jié)果：根據(jù)步驟1-7中BAM的聯(lián)想回憶結(jié)果，輸出相應(yīng)的故障診 斷結(jié)果。對(duì)于故障征兆集Cm，m = 1，2,. . .，k，1彡i彡k，1彡j彡k，由于所有待檢測(cè)征兆 向量存在于樣本向量集中，即Ci= S1Xfa2X2+. . . +anXn，ake (〇, I)，1彡k彡n，因此，待檢測(cè) 的征兆向量的故障原因向量Djg夠采用M陣求出，如式（1-4)所示。
[0024] Di= a JJa2Y2+. ·· +anYn= a J1IVH^a2X2M+. ·· +anXnM = CiM (1-4)
[0025] 由式（1-4)可知，對(duì)于多源性以及隱蔽性的故障，此方法也可以處理和解決。
[0026] 進(jìn)一步的，所述當(dāng)故障現(xiàn)象不明顯或者故障實(shí)例庫(kù)沒有此故障時(shí)，采用聯(lián)合BP神 經(jīng)網(wǎng)絡(luò)的故障診斷模型，具體步驟如下：
[0027] 2-1、獲取BP訓(xùn)練樣本；
[0028] 2-2、樣本預(yù)處理：利用MATLAB對(duì)BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本進(jìn)行預(yù)處理，然后在 MATLAB中利用神經(jīng)網(wǎng)絡(luò)工具箱建立BP神經(jīng)網(wǎng)絡(luò)模型；
[0029] 2_3、BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練