為實(shí)現(xiàn)導(dǎo)彈試射控制系統(tǒng)的故障診斷，對(duì)導(dǎo)彈試射控制系統(tǒng)的故障特性和故障機(jī)理進(jìn)行了詳細(xì)分析。通過(guò)引入神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)和模糊推理三種現(xiàn)有診斷技術(shù)，構(gòu)建了某導(dǎo)彈試射控制系統(tǒng)的智能故障診斷專家系統(tǒng)。以試射控制系統(tǒng)的故障診斷為例，大大提高了故障檢測(cè)率。智能故障診斷專家系統(tǒng)在某導(dǎo)彈試射控制系統(tǒng)上有效，彌補(bǔ)了傳統(tǒng)專家系統(tǒng)的不足。

第一節(jié).

引誘

試射控制系統(tǒng)是導(dǎo)彈武器系統(tǒng)最重要的部分之一。通過(guò)引入智能故障診斷，可以提高其可靠性和可維護(hù)性;并可利用診斷機(jī)制，通過(guò)故障定位和隔離直接指導(dǎo)用戶排除故障，對(duì)提高導(dǎo)彈試驗(yàn)水平、增強(qiáng)導(dǎo)彈生存能力具有重要意義?，F(xiàn)在，大多數(shù)導(dǎo)彈故障診斷都依賴于人工分析，這是由圖表分析或?qū)＜医?jīng)驗(yàn)確定的。一旦出現(xiàn)異常，需要很長(zhǎng)時(shí)間才能搜索、定位和修復(fù)故障。近年來(lái)，隨著武器復(fù)雜度和生產(chǎn)成本的不斷增加，特別是分布的不斷分心，依靠傳統(tǒng)的測(cè)試和故障診斷難以滿足需求。對(duì)維護(hù)和故障診斷有更高的要求[1]。

故障診斷的方法多種多樣。近年來(lái)，故障診斷研究的重點(diǎn)是如何提高故障診斷的速度和智能性。隨著神經(jīng)網(wǎng)絡(luò)、模糊邏輯、專家系統(tǒng)和在線診斷的發(fā)展，故障診斷的速度和智能化得到了進(jìn)一步發(fā)展。本文基于人工智能研究了某導(dǎo)彈的故障診斷技術(shù)。基于測(cè)試流程，綜合多種診斷方法的優(yōu)勢(shì)，構(gòu)建了在線故障診斷系統(tǒng)。

第二節(jié).

導(dǎo)彈試射-控制系統(tǒng)的故障特性及機(jī)理分析

如圖1所示，它是導(dǎo)彈試射控制系統(tǒng)的基本結(jié)構(gòu)，其故障模式可歸因于指示燈異常、測(cè)試參數(shù)異常等異常。指示燈異常覆蓋了測(cè)試設(shè)備的所有燈，對(duì)于每個(gè)指示燈可細(xì)分為動(dòng)作后不熄滅或不亮、延時(shí)亮或熄滅等。從本質(zhì)上講，測(cè)試參數(shù)異常可分為不讀數(shù)或不等讀數(shù)，可歸納為表1中列出的單個(gè)屬性和組屬性的故障模式，故障原因如表2所示。

通過(guò)分析試驗(yàn)維護(hù)數(shù)據(jù)的統(tǒng)計(jì)記錄，很容易發(fā)現(xiàn)導(dǎo)彈試射控制系統(tǒng)的故障模式既有準(zhǔn)確性又有模糊的一面。從故障模式分析來(lái)看，故障模式的信息準(zhǔn)確率方面可以用“參數(shù)未測(cè)試、參數(shù)少未測(cè)試、參數(shù)大量未測(cè)試、所有參數(shù)未測(cè)試”來(lái)表示，信息模糊端也可以用“單個(gè)參數(shù)的一點(diǎn)公差、較大的公差、嚴(yán)公差和公差”來(lái)表示。此外，從故障原因分類的分析中，故障原因信息的準(zhǔn)確性可以通過(guò)“存在技術(shù)問(wèn)題、零件故障、操作人員錯(cuò)誤、電路設(shè)計(jì)問(wèn)題、環(huán)境因素、軟件設(shè)計(jì)”等原因的清晰記錄來(lái)顯示，信息不確定性可以通過(guò)“因果因素”來(lái)證明。不難看出，故障信息模糊是試射控制系統(tǒng)故障的一個(gè)重要特征，對(duì)故障定位具有重要指導(dǎo)作用。它可以相對(duì)縮小故障搜索空間，加快故障診斷速度。

圖 1.導(dǎo)彈試射-控制系統(tǒng)的結(jié)構(gòu)

顯示全部

表1測(cè)試參數(shù)故障模式

表2試驗(yàn)發(fā)射控制系統(tǒng)故障原因分類

第三節(jié).

智能故障診斷技術(shù)

根據(jù)來(lái)自德國(guó)的國(guó)際故障診斷專家Frank教授的觀點(diǎn)，基于人工智能的故障診斷有專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、模糊控制、遺傳算法、模式識(shí)別、圖論、故障樹(shù)和Petri網(wǎng)[2]。

一個(gè)?；趯＜蚁到y(tǒng)的故障診斷技術(shù)

故障診斷專家系統(tǒng)[3]，是計(jì)算機(jī)綜合運(yùn)用各種規(guī)則（專業(yè)知識(shí)）收集被診斷對(duì)象的信息后，經(jīng)過(guò)一系列推理，隨時(shí)調(diào)用各種應(yīng)用程序，在運(yùn)行過(guò)程中向用戶請(qǐng)求必要的信息，然后可以快速發(fā)現(xiàn)最終的故障或最可能的故障， 并最終得到用戶的確認(rèn)。專家系統(tǒng)通常由6個(gè)模塊組成，包括集成數(shù)據(jù)庫(kù)、知識(shí)庫(kù)、推理機(jī)制、解釋過(guò)程、知識(shí)獲取過(guò)程和人機(jī)界面。

B.基于神經(jīng)網(wǎng)絡(luò)技術(shù)的故障診斷技術(shù)

神經(jīng)網(wǎng)絡(luò)的功能非常適合故障診斷系統(tǒng)[4]，包括處理復(fù)雜的多模、關(guān)聯(lián)、推測(cè)和記憶。神經(jīng)網(wǎng)絡(luò)的顯著特點(diǎn)包括：（1）以分發(fā)方式存儲(chǔ)知識(shí)，知識(shí)不是存儲(chǔ)在特定的存儲(chǔ)單元中，而是分布在整個(gè)系統(tǒng)中;（2）并行處理，可大大提高處理和計(jì)算速度;（3）具有較強(qiáng)的容錯(cuò)能力，即使部分神經(jīng)網(wǎng)絡(luò)處理單元受損，也不影響網(wǎng)絡(luò)的整體功能;（4）可用于近似任何復(fù)雜的非線性系統(tǒng);（5）具有良好的自學(xué)、自適應(yīng)、聯(lián)想等智能，能適應(yīng)系統(tǒng)的復(fù)雜動(dòng)態(tài)特性。

C. 基于模糊邏輯的故障診斷技術(shù)

模糊故障診斷[5]有兩種基本方法，一種是基于模糊關(guān)系的診斷技術(shù)和診斷方法，首先建立癥狀和故障原因之間的因果關(guān)系矩陣，然后建立故障和癥狀符號(hào)的模糊關(guān)系方程;另一種是基于模糊知識(shí)處理的診斷技術(shù)，首先建立癥狀和故障之間的模糊規(guī)則，然后進(jìn)行模糊邏輯推理的診斷過(guò)程。

四、集成智能故障診斷技術(shù)系統(tǒng)的必要性

隨著故障診斷技術(shù)的發(fā)展，專家系統(tǒng)的缺點(diǎn)和局限性日益明顯：（1）知識(shí)獲取困難，專家知識(shí)表達(dá)困難或表達(dá)錯(cuò)誤，機(jī)器學(xué)習(xí)能力較低;（2）知識(shí)的“窄階梯效應(yīng)”問(wèn)題，即知識(shí)的不完備性和脆弱性;（3）推理能力差，專家系統(tǒng)在問(wèn)題解決中經(jīng)常出現(xiàn)“匹配沖突”、“組合爆炸”、“無(wú)限遞歸”等現(xiàn)象;（4）知識(shí)的存儲(chǔ)容量與速度之間的矛盾問(wèn)題;（5）基于概率的近似推理不適合求解模糊問(wèn)題。

神經(jīng)網(wǎng)絡(luò)雖然解決了專家系統(tǒng)的部分問(wèn)題，但它也面臨著一些困難，如難以獲得訓(xùn)練樣本，忽視了該領(lǐng)域?qū)＜业慕?jīng)驗(yàn)知識(shí)，難以理解權(quán)重形式的知識(shí)表達(dá)方法。

模糊邏輯推理可以反映故障癥狀與原因之間的模糊關(guān)系，診斷方便。但推理結(jié)果的有效性在很大程度上受到模糊診斷中隸屬函數(shù)的影響;因此，如何科學(xué)地確定隸屬函數(shù)需要進(jìn)一步研究。

綜上所述，有必要對(duì)導(dǎo)彈試射控制系統(tǒng)集成一些智能故障診斷方法。該文針對(duì)某導(dǎo)彈試射控制系統(tǒng)，建立了綜合利用專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)和模糊邏輯優(yōu)勢(shì)的智能故障診斷系統(tǒng)。

第四節(jié).

一種故障診斷專家系統(tǒng)的組成方法

一個(gè)。模糊神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)

如圖2所示，基于模糊神經(jīng)網(wǎng)絡(luò)的導(dǎo)彈試射-控制專家系統(tǒng)由人機(jī)界面模塊、知識(shí)庫(kù)、數(shù)據(jù)庫(kù)、診斷推理模塊、解釋機(jī)構(gòu)、系統(tǒng)學(xué)習(xí)模塊、模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)知識(shí)模塊、知識(shí)庫(kù)管理軟件、診斷咨詢模塊、特征信號(hào)采集模塊、專家和用戶[6][7]組成。

主要模塊的功能如下：

人機(jī)界面模塊。模塊作為整個(gè)系統(tǒng)的管理和控制中心，是用戶與模塊之間的橋梁。它可以通過(guò)一系列不同級(jí)別的菜單和表格來(lái)實(shí)現(xiàn)。也就是說(shuō)，功能可以通過(guò)菜單驅(qū)動(dòng)來(lái)實(shí)現(xiàn)，用戶、專家和知識(shí)工程師的咨詢可以通過(guò)表單轉(zhuǎn)換系統(tǒng)實(shí)現(xiàn)。

診斷推理模塊。它是診斷系統(tǒng)的核心機(jī)構(gòu)。從知識(shí)的角度來(lái)看，它是一個(gè)知識(shí)利用模塊。模塊可以對(duì)不同的診斷任務(wù)使用不同的推理機(jī)制，即正向推理、反向推理和正負(fù)混合推理。

系統(tǒng)學(xué)習(xí)模塊。該模塊的功能是開(kāi)發(fā)、豐富和管理存儲(chǔ)庫(kù)，具有針對(duì)不同知識(shí)提供者的知識(shí)獲取能力和通過(guò)診斷學(xué)習(xí)新知識(shí)的能力。學(xué)習(xí)機(jī)制是對(duì)診斷活動(dòng)的學(xué)習(xí)，通過(guò)學(xué)習(xí)模塊可以實(shí)現(xiàn)診斷與研究的融合。

模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)知識(shí)模塊。其功能是利用從人機(jī)交互中獲取的診斷信息，并使用所選算法，為診斷和學(xué)習(xí)提供證據(jù)，以完成模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程。

故障存儲(chǔ)庫(kù)模塊。分為低位存儲(chǔ)庫(kù)和深層存儲(chǔ)庫(kù)，用于存儲(chǔ)測(cè)試系統(tǒng)的故障知識(shí)。

存儲(chǔ)庫(kù)管理模塊。它可以為用戶（操作人員或?qū)＜遥┨峁┐鎯?chǔ)庫(kù)管理的功能，如瀏覽、添加、刪除、編輯，以及維護(hù)存儲(chǔ)庫(kù)的一致性、完整性和冗余性，以確保知識(shí)能夠合理使用。

數(shù)據(jù)庫(kù)模塊。用于存儲(chǔ)故障診斷模塊的結(jié)果和故障推理模塊的中間過(guò)程。

特征信號(hào)采集模塊。它用于信號(hào)采集，即故障癥狀提取，包括頻譜分析或預(yù)處理現(xiàn)場(chǎng)數(shù)據(jù)。

解釋機(jī)制。它用于將專家系統(tǒng)的知識(shí)和推理結(jié)果解釋為易于理解的形式，根據(jù)規(guī)則，并通過(guò)人機(jī)界面呈現(xiàn)給用戶或領(lǐng)域?qū)＜摇?/p>

圖2.模糊神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)框圖

顯示全部

B.模糊神經(jīng)網(wǎng)絡(luò)模塊的實(shí)現(xiàn)

模糊神經(jīng)網(wǎng)絡(luò)模塊是使用模糊BP網(wǎng)絡(luò)[8]實(shí)現(xiàn)的，該網(wǎng)絡(luò)有5層。第一個(gè)是輸入層，其每個(gè)節(jié)點(diǎn)代表一個(gè)輸入變量。第二種是定量輸入層，其作用是使輸入變量模糊化。根據(jù)模糊變量定義中定義的模糊子空間處于與模糊推理前提條件中的基本模糊狀態(tài)相對(duì)應(yīng)，它可以轉(zhuǎn)換模糊變量在前提條件中的狀態(tài)。第三是網(wǎng)絡(luò)的隱藏層?？蓪?shí)現(xiàn)從輸入變量模糊值到輸出變量模糊值的映射。它與模糊推理的前提和結(jié)論相關(guān)聯(lián)，其目的是將前提和結(jié)論變量的基本模糊狀態(tài)轉(zhuǎn)化為確定狀態(tài)，并為系統(tǒng)實(shí)現(xiàn)提供確定的輸出。第四種是量化輸出層，其輸出是模糊值。第五是輸出層，要實(shí)現(xiàn)輸出清晰。

第五節(jié).

結(jié)論

綜合運(yùn)用專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)和模糊邏輯推理等優(yōu)點(diǎn)，提出了一種基于某導(dǎo)彈試射控制系統(tǒng)的智能故障診斷專家系統(tǒng)。通過(guò)試射控制系統(tǒng)的故障診斷實(shí)例，在一定程度上彌補(bǔ)了傳統(tǒng)專家系統(tǒng)的不足，大大提高了故障檢測(cè)率。但模糊神經(jīng)網(wǎng)絡(luò)并不是萬(wàn)能的，故障模式的分析和得到的故障樣本必須由用戶完成，模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本對(duì)網(wǎng)絡(luò)識(shí)別效果的影響很大。完整正確的樣本可以提高網(wǎng)絡(luò)的識(shí)別率，但不完整和錯(cuò)誤的樣本可能會(huì)導(dǎo)致錯(cuò)誤的結(jié)果。針對(duì)診斷方法的多樣性和互補(bǔ)性，綜合智能專家系統(tǒng)的發(fā)展是必然的。未來(lái)，診斷技術(shù)融合理論的突破將極大地推動(dòng)實(shí)用工程的發(fā)展。

審核編輯：黃飛