1 故障诊断基本方法
随着现代科学技术的发展，设备的集成度越来越高，越来越复杂，故障诊断技术的出现，为提高系统的可靠性和安全性开辟了一条新的途径，它的出现、兴起与迅速发展，是实际应用需求和多学科理论发展两个方面交替作用的结果。
近些年来，由于计算机技术、信号处理、人工智能、模式识别技术的发展，促进了故障诊断技术的不断发展，大型复杂电子设备的出现，使得人们更迫切地希望能提高其整体可靠性与维修性，这就给故障诊断提出了更高的要求。因此，对故障诊断技术的研究有着重要的理论与现实意义。故障诊断技术是一门综合性技术，它的开发涉及多门学科。随着近十年来人工智能技术的迅速发展，特别是知识工程、专家系统、模糊逻辑和神经网络在诊断领域中的进一步应用，迫使人们对智能诊断问题进行更加深入与系统的研究，形成了一系列研究热点，也取得了一系列研究成果。
2 装备故障诊断方法
当今的军事领域，我国武器装备技术发展日新月异，各种新装备新技术更新加快，复杂程度不断提高。同时，为了使装备适应各种不同的恶劣工作环境，对武器装备的可靠性、保障性和可维修性有了更高的要求。由于武器装备的测试与故障诊断存在于装备整个生命周期之中，武器装备的故障诊断和故障预测已经成为当今军事装备领域不可忽视的研究热点。在对装备的维修和维护中，故障诊断技术起着至关重要的作用[1-2]。
对于装备系统的故障诊断技术，国外很早就开始对其研究，并且取得了很多研究成果。许多国家已经将一些先进的故障诊断方法广泛应用于装备系统的故障诊断中，如基于数学模型的方法、基于信号处理的方法和基于知识的方法。基于
知识的方法主要有：基于专家系统的方法、基于模糊的方法、基于神经网络的方法、基于故障树的方法和基于知识观测器的方法等。
2.1 基于故障树分析FTA的故障诊断
故障树分析（Fault Tree Analysis，简称FTA）方法，利用故障树将系统故障原因自顶向下逐级进行分析，估计顶事件的发生概率和底事件重要度，是系统可靠性分析、故障检测与诊断常用的一种分析方法。这种方法通过把系统可能发生或已经发生的事故（即顶事件）作为分析起点，将导致事故的原因事件按因果关系逐层列出，用树形图表示出来，构成一种逻辑模型。找出事件发生的各种可能途径及发生概率，找出避免事故发生的各种方案并优选出最佳安全对策。
故障树分析是一项很复杂的工作，尤其对于大型故障树的分析，手工分析难以体现系统中复杂的逻辑关系，不但耗费大量的工作时间，而且难以达到暴露可靠性薄弱环节的目的。传统故障树分析存在以下两点不足：首先，传统的故障树分析方法在对系统的可靠性进行分析时，认为部件只有工作或故障两种状态，而且各部件是相互独立的，而实际上部件存在着多种状态，仅用两种状态显然不能对系统的可靠性做出确切的评价。其次，传统故障树分析方法是以布尔代数为基础，把部件发生的概率当成精确值来处理，由于环境的模糊性和数据的不准确性会对部件发生的概率产生影响；另外由于部件发生的概率值的获取需要大量统计数据，对于故障发生概率很低的部件，难以获取大量的数据。
文献[3] 根据控制系统流程图和有向图确定系统的邻接矩阵，利用邻接矩阵描述系统各子要素之间的直接关系，求得的系统可达矩阵。通过搜索顶部结构各节点并结合故障树结构模型，从数据库中调用相关的因果模型，自动生成系统故障树。文献[4]针对自动测试系统ATS系统具有容错性、冗余性和顺序相关性等特点及传统的可靠性分析方法不能满足其分析要求，提出了故障树分析法并将其应用于自动测试系统ATS的可靠性仿真分析中。文献[5]结合某型轮式自行火炮构筑了相应的故障树，从定性和定量两个角度进行分析；故障树分析法能从故障现象着手快速判断、分析故障原因及其逻辑关系。
2.2 基于贝叶斯网络的故障诊断
近年来，贝叶斯网络以其强大的结构特点和双向推理功能，越来越受到广泛的关注。在进行液压系统可靠性分析时，利用元件故障下系统发生故障的条件概率，即可看作概率重要度，找出系统可靠性的薄弱环节。贝叶斯网络能够描述系统多态性且故障逻辑关系非确定性，并能进行不确定性推理，更适合复杂系统可靠性分析。文献[6]在故障树基础上建立贝叶斯网络，可以直接计算一个或多个元件故障对系统故障的影响，以及系统故障条件下元件的故障概率，这些条件概率对于改善和提高系统可靠性是很有帮助的。随着复杂故障样本的增加和研究的不断深入，贝叶斯网络在大型复杂装备的故障诊断领域有着良好的推广应用前景。
2.3 基于模糊理论的故障诊断
故障概率和事件间的联系精确已知的要求，使故障树的建树变得极为困难。这些不足限制了故障树在实际工程中的应用。模糊技术具有处理模糊和不精确信息的优点。由于故障环境大都是不确定的，各种故障征兆值具有模糊性，因此在进行故障诊断时必须将检测数据转化为模糊数据，即模糊化。将模糊集合论和可能性理论引入故障树分析法中，采用专家判断法得到加权平均模糊数，估计出顶事件的故障概率和各底事件的模糊重要度。该方法解决了故障概率的模糊性和不确定性问题，降低了获取故障概率精确值的难度。
故障树充分反映引起故障发生的底事件和最不希望发生的顶事件之间的逻辑关系，用图形清晰表达了事件间的内在联系；考虑到事件的模糊性，同时利用模糊数学的相关理论和知识，将检测数据模糊化；为便于定量分析计算，充分利用专家经验和模糊理论知识进行模糊聚合和去模糊化处理。模糊逻辑诊断方法是利用集合论中的隶属度函数和模糊关系矩阵的概念来解决故障与征兆间的不确定关系。模糊逻辑故障诊断有两种方法：一是先建立故障现象与故障征兆之间的模糊关系矩阵，再通过模糊关系方程进行故障诊断；二是先建立故障与征兆之间的模糊知识库，再进行模糊逻辑推理。许多研究将模糊技术引入故障树分析，以弥补传统故障树的不足，并取得了丰硕的成果。文献[7]在风机故障诊断中将故障树和模糊集合理论相结合，进行模糊集合和去模糊化处理。
2.4 基于粗糙集理论的故障诊断
粗糙集理论是一种刻划不完整性和不确定性的数学工具, 能有效地分析各种不完备的信息, 还可以对数据进行分析和推理, 从中发现隐含的知识, 揭示潜在的规律。它最主要的优点是无需提供所需处理的数据集合之外的任何先验信息，因此可以对问题不确定性和不精确性的知识推理，并发现这些数据中的相互关系。鉴于粗糙集理论在处理模糊和不确定信息上的优越性，已经有不少研究人员把它引入故障诊断系统中。近年来基于粗糙集理论以及粗糙集和其他智能方法集成的故障诊断技术有很大的应用研究。
文献[8]将约简决策表中各条件属性作为证据输入，决策属性作为识别框架，通过证据理论对各条件属性的属性重要度进行计算得到基本概率赋值，完成证据合成推理，得到诊断结果。文献[9]使用粗糙集理论对数据建立决策表，决策表约简过程应用了遗传算法。文献[10]使用粗糙集理论对大批的开关保护讯息决策表进行约简，划分出关键信号和非关键信号，继而从故障样本集获得诊断规则。文献[11]将粗糙集理论中的决策表约简方法用于煤矿供电系统故障诊断中，通过构建变电站故障决策表，在发生短路或单项接地故障时进行分析判断。
2.5 基于人工神经网络的故障诊断
人工神经网络技术是现代人工智能技术的一个重要分支。人工神经网络的结构形式由基本处理单元及其互联方法决定，其中，连接结构的基本处理单元称为神经元，神经元是神经网络的基本处理单元。BP神经网络模型是一种较为成熟且应用广泛的神经网络模型，该网络把一组训练样本的输入输出问题变为一个非线性优化问题。相对其他传统模型而言，该网络具有较好的持久性、适时预报性和分类能力。BP神经网络主要由输入层、隐层和输出层组成。BP神经网络的学习主要由前向计算过程和误差反向传播过程组成。在正向传播时，信息从输入层输入，经过隐单元处理后传向输出层，每一层神经元的状态只对下一层的神经元的状态有影响。如果在输出层得不到预期的输出，则转入反向传播，将误差信号沿原来的神经元连接通路返回。在返回过程中，网络逐一修改各层神经元连接的权值和阈值。重复迭代以上过程，使得信号误差能够达到允许的误差范围。基于人工神经网络的机械故障诊断技术，就是通过对机械故障信息和诊断经验的训练学习，然后利用分布在网络内部的连接权值来表达所学习的故障诊断知识。因此，该方法具有对故障模式的联想记忆、模式匹配和相似归纳能力，从而实现故障与征兆之间复杂的非线性映射关系。
文献[12]利用粗糙集算法对网络故障特征进行约简处理，提取最小诊断规则；其次利用最小规则训练BP神经网络，建立基于粗糙集和BP神经网络的计算机网络故障诊断模型；最后将模型运用于真实网络故障数据诊断。文献[13]采集不同类型的滚动轴承故障信号预处理，然后对神经网络进行训练，利用训练成熟的神经网络对滚动轴承进行故障诊断。文献[14]迭代前期采用BP算法而迭代后期采用梯度优化法进行计算。
2.6 基于专家系统的故障诊断
基于专家系统的方法诊断机理是根据专家丰富的实践经验，专家分析问题和解决问题的思路，建立故障诊断的知识库、规则库和推理机，设计一个计算机程序，根据知识库提供的知识，规则库提供的规则和推理机提供的推理机制进行故障诊断。故障诊断专家系统主要由知识库、知识获取机构、推理机、动态数据库、解释机构和人机接口等部分组成。其中知识库用来存储知识；知识获取机构用来交互地完成诊断知识的录入与维护；推理机是在某种策略的指引下，根据故障征兆，逐步推理，直至诊断出故障源；解释机构用于解释推理过程和推理结果；动态数据库保存推理过程的中间数据。
专家系统适用于复杂的、知识来源规范的大型动态系统，它可以汇集众多专家的知识，进行分析、比较、推理，最终得出正确的结论。现场技术人员可以充分利用各种信息和征兆，在计算机系统的帮助下有效地解决工程实际问题，这也是故障诊断专家系统近年来成为热门研究课题的原因。目前，故障诊断专家系统的研究热点包括机器学习方法，知识发现、数据挖掘技术，Agent技术等。其中有很多关键技术还需不断研究，比如嵌入式以太网技术和现场总线技术的融合、数据库挖掘技术在设备故障诊断中的应用、多Agent智能诊断方法以及故障诊断算法组件的研究、计算机支持的协同工作技术(CSCW, Computer Supported Cooperative Work)研究等，这些技术的发展将推动该学科领域的不断深化。
专家系统在故障诊断领域的应用非常广泛，长期以来，在航空、航天、电力、机械、化工、船舶等许多领域，故障检测与诊断技术与专家系统相结合，使工程的安全性与可靠性得到保证。如火箭发动机故障诊断专家系统、卫星控制系统地面实时故障诊断专家系统等。
文献[15]通过对电梯系统故障树模型进行分析提取故障树最小割集及最小割集重要度，并作为诊断规则存入专家系统知识库，运用基于故障树最小割集重要度的推理机实现故障树与专家系统的交互操作。文献[16]利用SSH2框架搭建技术构建出变压器故障诊断的专家系统的案例推理机制。文献[17]提出了规则和案例两种推理方式相结合的集成推理机制，综合利用汽轮机领域知识和故障诊断经验，提高诊断结果的精确性。采用 CLIPS.Visual C#.NET以及SQL三种软件混合开发，充分利用了各自的优势，有效地加快了专家系统研发的速度。文献[18]建立了该型发动机的故障案例库和索引策略，以PHP软件为平台，研发了某型发动机故障诊断专家系统。文献[19]在定义故障案例及建立相应的故障特征关键词字典的基础上，建立有效的案例存储与索引机制，以提高案例库中源案例的故障覆盖范围。
模糊和神经网络等技术的引入在一定程度上改善了知识获取的瓶颈问题，但对于不确定信息的处理，所采用的模糊理论和概率统计方法，需要给定模糊隶属函数和概率分布等附加信息或先验知识，而这些知识并不容易得到，而且有时需要凭经验给定，具有主观性，而神经网络容易产生组合爆炸无穷递归等问题，另外应用模糊推理和神经网络技术无法妥善解决故障信息的冗余以及不完备的情况，尤其是在故障信息丢失或传输错误时如何正确诊断的问题。由于系统的复杂特性，造成故障知识不完备或检测信息缺失，使得这些方法在诊断能力、适用性和知识获取方面还不尽如人意。
对于专家系统而言，虽然可使用知识进行逻辑推理和判断，有效地模拟专家的决策过程，但是，获取完备的知识库是形成故障诊断专家系统的瓶颈，如果建立的知识库不完备，可能导致专家系统推理混乱并得出错误的结论。
3 装备系统级故障诊断的发展
3.1 嵌入式
嵌入式故障诊断系统把不同的电子或机电设备上采集的信号统一处理成为电压信号（1V~4V），然后进行数字转换供计算和故障诊断使用。当嵌入式故障诊断系统收集到被测单元的信息后，自动或按照命令调用在线故障诊断专家系统，应用精确推理和不精确推理相结合的推理方法进行逻辑推理，最后确定故障部位和故障性质，并给出维修意见。它还能将有关信息通过网络传送给更高层的故障诊断系统。
文献[20]基于嵌入式硬件平台的故障诊断专家系统在诊断设备中嵌入故障诊断Agent，实时采集装备的工作状态，通过诊断客户端和诊断Agent连接，快速进行推理判断，将诊断结果报告给维修人员，帮助他们迅速、准确地进行故障定位，以提高装备的故障诊断效率。
3.2 远程化
远程故障诊断是集数据采集技术、数据传输技术、故障诊断技术、网络技术和计算机技术为一体的新型故障诊断方式。当武器装备发生故障时，若本地故障诊断系统和现场的维护人员对其不能做出诊断，则通过网络和远程故障诊断中心建立连接，然后将设备故障数据上传，请求远程诊断服务器的领域专家、故障诊断系统对故障设备进行诊断，并给出诊断结果。这样就可以在短时间内调动入网的所有故障诊断资源，实现对前线复杂设备快速、及时、正确的诊断。
远程故障诊断不仅可以提高故障诊断的科学性和敏捷性，还能有效降低诊断费用，推进部队保障体系的信息化建设，对于武器装备维修保障具有重要意义。
4 结束语
随着科学技术的发展，武器系统与通用的复杂机电系统一样，由分立单元向集成单元、分布式集成系统发展。而故障诊断由传统的监视故障诊断技术向电子设备故障诊断的神经网络方法、电子故障诊断的信息融合技术和故障诊断的Agent技术发展。它将人工智能中的神经网络方法、多传感器数据融合技术和分布式网络技术与专家系统相结合，大大提高了武器装备故障监控和故障诊断的能力。
参考文献：
[1]王飞漩,魏清新,王坤明.武器装备系统级故障诊断发展及研究[J].计算机测量与控制,2013,04:977-979
[2]李广峰,张伏龙.装甲装备智能故障诊断技术研究[A].中国仪器仪表学会.2010中国仪器仪表与测控技术大会论文集[C].中国仪器仪表学会,2010:3
[3]葛跃飞,王茸,陈世文,张琳.故障树自动生成技术的研究与实现[J].计算机工程与设计,2009,01:207-209
[4]朱爱红,杨亮,李博.基于故障树分析法的ATS可靠性仿真及应用[J].铁道标准设计,2013,11:105-109
[5]邵新杰,康海英,田广,曹立军.故障树分析法在某型轮式自行火炮故障诊断中的应用[J].四川兵工学报,2013,01:9-12
[6]刘淑芬,杨双双,王辉.基于故障树和Bayes网络组合的装备故障诊断[J].吉林大学学报(理学版),2014,05:982-988
[7]娄国焕,周媛.基于模糊理论的故障诊断方法研究[A].中国自动化学会智能自动化专业委员会、江苏省自动化学会.2009年中国智能自动化会议论文集（第一分册）[C].中国自动化学会智能自动化专业委员会、江苏省自动化学会:2009:5
[8]苏艳琴,张勇,徐廷学.基于粗糙集与D-S理论的方法在并发故障诊断中的应用[J].计算机测量与控制,2013,05:1123-1125
[9]张晓春,许允之,苗壮,丁鑫.基于粗糙集理论的异步电机故障诊断研究[J].煤矿机械,2014,03:249-252
[10]汪子涵.基于粗糙集理论的电力系统配电网故障诊断的研究[J].电脑知识与技术,2014,18:4315-4318
[11]乔志刚.基于粗糙集理论的煤矿供电系统故障诊断方法[J].山西焦煤科技,2014,08:20-24
[12]尚志信,周宇,叶庆卫,王晓东.基于粗糙集和BP神经网络算法的网络故障诊断模型研究[J].宁波大学学报(理工版),2013,02:45-48
[13]张应红,李聪,景晖,闫建军.基于人工神经网络技术的矿用皮带机滚动轴承故障诊断[J].机床与液压,2014,03:180-183
[14]徐鹏,李永强.人工神经网络的混合算法在发动机故障诊断中的应用[J].农业科技与装备,2014,04:25-26
[15]宗群,李光宇,郭萌.基于故障树的电梯故障诊断专家系统设计[J].控制工程,2013,02:305-308
[16]葛春晓.基于案例推理的变压器故障诊断专家系统的研究[D].吉林大学,2014
[17]王慧滨.基于规则和案例推理的汽轮发电机组故障诊断专家系统[D].兰州理工大学,2014
[18]李洪伟,谢镇波,李明.基于案例和规则融合的某型航空发动机故障诊断专家系统[J].计算机测量与控制,2014,03:650-652
[19]张耀辉,李浩,李林宏,昝翔,韩朝帅.基于案例推理的装甲装备故障诊断方法[J].兵工自动化,2014,09:21-22+26
[20]耿朝阳,刘德明.嵌入式装备故障诊断专家系统[J].西安工业大学学报,2013,11:889-894
|
馆长信箱 
