功能交联条件下飞机混合增强故障诊断方法

郭文彬， 刘 东， 王宇健

航空工业沈阳飞机设计研究所,辽宁 沈阳 110035)

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，且对其隔离存在困难，进而会延长飞机排故时间，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，且将故障隔离到LRU级别，有利于维修时快速故障定位，在一定程度上节省了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，无法在每一个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方法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]如图1所示，基于模型与数据驱动既能相互促进，也能相互干扰。若可以将其中的冗余信息剔除，对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将测试性模型与数据驱动方法有机结合的故障诊断方法，其融合总体过程如图2所示。

图1 基于模型与数据驱动优劣分析(SWOT)

图2 信息融合总体过程

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，但尚未有针对测试性模型诊断信息融合方面的研究。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和诊断方法的诊断能力设计了相应诊断策略，并使用作战飞机实际飞行数据进行验证。所提出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。

1.1 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。设备故障Fi与测试点Tj间仅有相关/不相关两类关系，如果故障Fi发生后测试点Tj可检测到并报故，则称故障Fi与测试点Tj相关；
如果故障Fi发生后测试点Tj无法检测到，则故障Fi与测试点Tj不相关。依据故障与测试点的相关性关系，可建立系统相关性矩阵[4](又称D矩阵)为

(1)

式中：第i行矩阵为第i个设备故障在各个测试点的反馈信息，即

Fi=[di1di2…diN]

(2)

式中：第j列矩阵为第j个测试点可测得所有设备的健康/故障信息，即

Ti=[d1jd2j…dMj]T

(3)

其中，

(4)

其建立过程为：依据故障与测试点的相关性矩阵，采用多信号流模型，以飞机型号诊断能力要求、可靠性要求、故障模式与影响分析(Failure Mode and Effect Analysis,FMEA)、分系统方案等作为输入，设计机内测试(Buit-In Test,BIT)方案，从而建立测试性模型。

1.1.2 贝叶斯网络诊断

基于测试性模型构建贝叶斯诊断网络，采用模糊求解方法进行计算。依据相关性矩阵在故障Fi与测试点Tj间添加连接关系，当dij=1时相连，如图3所示。

图3 诊断贝叶斯网络构建示例

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

(5)

根据文献[5]中先验概率计算方法和贝叶斯条件概率公式，当测试点报故时，根据式(5)计算出最大后验概率f*对应的单故障/多故障作为基于测试性模型的故障诊断结果[5-6]。

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方面的优势突显，因此被研究者广泛关注并用于故障诊断研究，常用方法有神经网络、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，无须建立诊断对象模型，因此在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](Probabilistic Neural Network,PNN),如图4所示。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无须计算反向误差，也无须考虑局部最优问题，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。

图4 PNN结构

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，无须知道先验概率，并能直接表达不确定性。

该方法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，如图5所示。

图5 基于D-S证据理论的混合增强故障诊断方法

该方法可增强的交联故障诊断能力如下。

① 虚警抑制。对两种方法产生的一致诊断结果进行故障确认，避免虚警产生。

② 模糊组隔离。对两种方法诊断产生的模糊组进行模糊组隔离，提高故障隔离率。

③ 冲突消解。对两种方法产生的不一致诊断结果进行最终诊断，得出确定诊断结果，提高诊断准确率。

1.3.1 基本原理

D-S证据理论基于非空集合θ，其中θ为识别框架，在飞机故障诊断中即为分系统中故障模式集合，所有可能产生的单故障、多故障均集合在幂集2θ中。当Fi属于θ中的任意子集，且满足映射2θ→(0,1)时，定义其基本概率赋值函数m(Fi)为

(6)

式中:∅为空集；
m(Fi)为对Fi发生的支持程度，数值越高，则支持程度越高；
式(6)表示识别框架中的全部集合支持程度之和为1。其信度函数Bel(Fi)为

(7)

式中：Bel(Fi)为证据对Fi为真的信任程度。

其似然函数Pl(Fi)为

(8)

式中：Pl(Fi)和Bel(Fi)分别为信度函数的上下限；
其信度区间[Bel(Fi),Pl(Fi)]用于表示诊断结果的不确定区间。

1.3.2 融合规则

D-S证据理论融合规则为多证据两两融合。在同一识别框架θ中给定基于不同证据的信度函数，在证据互相独立的前提下，则可根据融合规则计算获得针对某一故障Fi发生的信度函数。

设Bel1和Bel2分别为同一识别框架θ上的两个基本概率赋值，基本元素为A1，A2，…和B1，B2，…则按融合规则进行融合后的基本概率赋值为

(9)

式中：k为冲突因子，代表不同证据间的冲突程度。

(10)

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如图6所示，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。

图6 某型号飞机混合增强故障诊断方法分析过程

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，例如刹车系统内部，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，例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和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、油滤和蓄压器等；
执行刹车部分包括伺服阀、主机轮等。为准确表达交联系统故障传播流程，定义系统故障传播模糊Petri网为

M=(P,t)

(11)

式中：P为交联系统各部件故障状态；
t为各个故障状态演变。需要注意的是，因本文仅利用Petri网进行交联故障传播模型建立，故仅需定义P、t两元素。

根据交联系统结构间相互关系及失效模式影响分析，建立基于模糊Petri网的交联系统故障传播网络模型，如图7所示。

图7 交联系统故障传播模糊Petri网模型

图7中交联系统故障传播模型参数含义如表1所示。

表1 交联系统故障传播模型参数含义

2.2 诊断策略设计

在2.1节所列故障中，部分设备已设置测试点，可被BIT检测；
部分设备可根据不同传感器信息变化情况表征其健康/故障状态，因而可用数据驱动方法检测。根据飞机故障发生情况选取典型故障模式进行诊断策略设计，如表2所示。

表2 诊断策略设计

2.3 融合诊断过程

2.3.1 识别框架

以表2中的故障为输入,则识别框架θ=(F0正常,F1轮胎状态异常,F2主机轮刹车盘磨损,F3飞管计算机解算故障,F4指令传感器故障,F5控制电路输出故障,F6刹车伺服阀线圈故障,F7液压系统内漏)。

2.3.2 诊断结果

基于PNN的故障诊断方法、基于测试性模型的故障诊断方法和二者融合的基于D-S证据理论的融合诊断在MATLAB 2014a环境下实现，数据来源为某型号作战飞机的飞行相关数据。为使诊断结果可靠，本文在使用训练数据构建诊断模型后，将多组验证数据代入该模型后取平均值，作为最终诊断结果。

(1) 测试性模型诊断结果。

首先构建相关性矩阵如表3所示，依据相关性矩阵构建诊断贝叶斯网如图8所示。

表3 交联系统相关性矩阵

图8 诊断贝叶斯网络模型

其中，测试点Ti(i=1,2,3,4,5)为某型号飞机交联系统中所设测试点；
Fj(j=3,4,5,6,7)为测试点对应相关故障。

根据贝叶斯方法，将所需先验故障概率、测试点报故情况代入后，可求得故障概率排序。举例如表4所示，此时认为故障发生最大可能性为F1、F2同时发生，其次为F2单独发生。

表4 基于测试性模型的诊断结果示例

(2) PNN诊断结果。

将表2中PNN可诊断的4种故障代入PNN网络训练故障诊断模型并验证。其诊断准确率约为92%(24组验证值中，有22组正确识别)，因此可认为PNN故障诊断方法准确率高，结果可信。

(3) 融合诊断结果。

将PNN诊断结果及测试性模型诊断结果在决策层进行混合增强故障诊断后，其单故障诊断基本概率分配函数如表5所示，多故障诊断基本概率分配函数如表6所示，单故障诊断结果显示如表7所示，多故障诊断结果显示如表8所示。

表5 单故障诊断基本概率分配函数

表6 多故障诊断基本概率分配函数

表7 单故障诊断结果

表8 多故障诊断结果

在故障诊断序号1～5中，依据诊断策略设计进行相应故障模式诊断，当交联系统出现F1、F2故障时，仅能通过PNN检测，因此融合结果为PNN诊断结果；
当交联系统分别出现F3、F4、F5故障时，依据使用的测试性模型诊断结果，给出其故障发生概率为100%，因此融合结果为测试性模型方法诊断结果。本部分实现不同诊断方法的单独诊断融合，并将传统测试性模型无法诊断的故障模式实现数据驱动诊断及融合诊断。

在故障诊断序号6、7中，分别为测试点T1、T2单独报故，传统测试性模型方法诊断分别为F6、F7故障，但需考虑虚警可能性。提出的测试性模型方法诊断分别为F6、F7故障发生概率100%，PNN方法识别诊断分别为F6、F7故障，融合诊断结果分别为F6、F7故障，通过故障确认降低了传统测试性模型诊断虚警可能性。

在故障诊断序号8中，测试点T2、T3、T4、T5同时报故，若不考虑虚警情况，则确定发生故障为F4，模糊组为{F3,F5,F6}，无法进一步隔离。将此时飞机健康状态数据代入PNN诊断后，PNN针对自身可诊断故障，诊断结果为健康；
测试性模型诊断结果中，F6故障概率为0，融合诊断共同部分故障为健康。此时模糊组仅剩下{F3,F5}，PNN诊断方法无法诊断，测试性模型方法诊断结果为F3、F4(43.48%);F4、F5(36.23%);F4(15.22%)。融合诊断为F3、F4共同发生，实现了模糊组隔离。

在故障诊断序号9中，测试点T1、T2同时报故，依据传统测试性模型诊断结果，F7为确定发生故障，故障无法隔离至F6。PNN方法识别诊断为F6、F7故障，融合诊断结果为F6、F7故障，实现了模糊组隔离。

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和基于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，能在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；
可对传统基于测试性模型方法存在的交联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进行融合，进行故障确认，可减少传统测试性模型可能导致虚警的情况发生。