基于FTA與BAM神經(jīng)網(wǎng)絡(luò)融合的飛機(jī)故障診斷方法

梁志文　胡嚴(yán)思　楊金民

摘要：飛機(jī)由大量彼此關(guān)聯(lián)的組件組合而成，其大規(guī)模特性使得基于故障樹（FTA）和基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法在應(yīng)用于其故障診斷時(shí)分別存在空間爆炸問題和訓(xùn)練樣本整理困難問題.本文融合故障樹和BAM神經(jīng)網(wǎng)絡(luò)，由故障樹歸納出系統(tǒng)所有的故障模式，整理出BAM神經(jīng)網(wǎng)絡(luò)所需的具有規(guī)范性、獨(dú)立性、正交性的訓(xùn)練樣本， 然后用BAM神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)飛機(jī)故障的快速和準(zhǔn)確診斷.實(shí)驗(yàn)評(píng)估結(jié)果表明，融合方法有良好的可擴(kuò)展性，而且故障判別率提升了20%.

關(guān)鍵詞：飛機(jī)；故障診斷；故障樹；BAM神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

飛機(jī)系統(tǒng)可分為飛機(jī)發(fā)動(dòng)機(jī)系統(tǒng)、機(jī)械系統(tǒng)、電子通信系統(tǒng)、火控系統(tǒng)和特設(shè)電源系統(tǒng)，其中飛機(jī)發(fā)動(dòng)機(jī)系統(tǒng)又可分為7個(gè)子系統(tǒng)：發(fā)動(dòng)機(jī)本體、點(diǎn)火系統(tǒng)、燃油系統(tǒng)、滑油系統(tǒng)、進(jìn)氣系統(tǒng)、排氣系統(tǒng)和操縱系統(tǒng).如此結(jié)構(gòu)龐大復(fù)雜的系統(tǒng)，給維修人員快速精確的診斷和定位飛機(jī)故障帶來了挑戰(zhàn)，導(dǎo)致故障平均修復(fù)的時(shí)間長，限制了飛機(jī)效能的充分發(fā)揮1].因此研究自動(dòng)化程度高、受環(huán)境影響小、處理速度快的飛機(jī)故障診斷方法非常重要.

針對(duì)汽車發(fā)動(dòng)機(jī)故障診斷而提出的故障樹診斷（FTA）方法2]應(yīng)用于飛機(jī)故障診斷時(shí)，由于描述故障樹數(shù)據(jù)的知識(shí)庫非常龐大，使得故障樹最小割集抽取的規(guī)則數(shù)目隨著系統(tǒng)規(guī)模呈級(jí)數(shù)增長，從而導(dǎo)致后面根據(jù)規(guī)則進(jìn)行推理的速度變慢，無法及時(shí)地提供診斷結(jié)果3].相比之下，基于人工神經(jīng)網(wǎng)絡(luò)4]的故障診斷方法因具有非線性映射分布式存儲(chǔ)、并行處理和自學(xué)習(xí)功能的優(yōu)點(diǎn)，廣泛應(yīng)用于故障實(shí)時(shí)診斷.其中BP人工神經(jīng)網(wǎng)絡(luò)故障診斷方法5]具有網(wǎng)絡(luò)結(jié)構(gòu)簡單、準(zhǔn)確度較高的優(yōu)點(diǎn)而最受歡迎，但是當(dāng)多故障同時(shí)發(fā)生時(shí)，其收斂速度比較慢，診斷準(zhǔn)確度會(huì)下降.BAM神經(jīng)網(wǎng)絡(luò)6]適合于多故障診斷，不過在應(yīng)用于飛機(jī)故障診斷時(shí)，構(gòu)建神經(jīng)網(wǎng)絡(luò)時(shí)需要海量的訓(xùn)練樣本，這些樣本在遍歷性、致密性和相容性方面有較高要求，純?nèi)斯ふ砗茈y實(shí)現(xiàn).本文通過融合FTA分析法與BAM神經(jīng)網(wǎng)絡(luò)方法，實(shí)行快速而準(zhǔn)確的飛機(jī)故障診斷.FTA能對(duì)每個(gè)故障現(xiàn)象做分析處理，除去冗余的故障數(shù)據(jù)，可方便地為BAM神經(jīng)網(wǎng)絡(luò)得到獨(dú)立的具有正交性的故障樣本.這樣既可以克服BAM神經(jīng)網(wǎng)絡(luò)中整理訓(xùn)練樣本難問題，同時(shí)也能克服FTA方法無法快速診斷的問題，實(shí)現(xiàn)飛機(jī)故障的快速、準(zhǔn)確診斷.

1基于FTA和BAM融合的故障診斷方法

1.1故障診斷模型

以BAM神經(jīng)網(wǎng)絡(luò)為飛機(jī)故障診斷系統(tǒng)的核心， 由FTA提供輔助支持.在這一系統(tǒng)中，F(xiàn)TA一方面為神經(jīng)網(wǎng)絡(luò)提供所需的預(yù)處理，另一方面為神經(jīng)網(wǎng)絡(luò)提供訓(xùn)練樣本的整理.BAM神經(jīng)網(wǎng)絡(luò)在第一階段通過訓(xùn)練樣本建立知識(shí)庫，進(jìn)而通過在知識(shí)庫基礎(chǔ)上的聯(lián)想記憶進(jìn)行故障診斷.故障診斷模型如圖1所示.其中FTA量化模塊完成對(duì)故障事件的編碼，為BAM神經(jīng)網(wǎng)絡(luò)提供訓(xùn)練樣本并存儲(chǔ)在訓(xùn)練樣本庫中.BAM神經(jīng)網(wǎng)絡(luò)模塊完成故障知識(shí)庫的組建，以及在知識(shí)庫的基礎(chǔ)上利用聯(lián)想記憶得出診斷結(jié)果.故障知識(shí)庫用于存儲(chǔ)BAM神經(jīng)網(wǎng)絡(luò)記憶的故障診斷關(guān)聯(lián)數(shù)據(jù).解釋器則向用戶解釋推理的結(jié)果.

從圖5中可以看出，隨著故障癥狀數(shù)目的變化，3種診斷方法的診斷判定時(shí)間差異很大.在FTA方法中，診斷判定時(shí)間隨故障癥狀數(shù)的增多而顯著增長.對(duì)于飛機(jī)這樣的復(fù)雜系統(tǒng)，F(xiàn)TA方法的故障判定時(shí)間將會(huì)變得太長而不能承受.其原因是FTA缺乏擴(kuò)展性，當(dāng)系統(tǒng)變得復(fù)雜時(shí)候，引起空間爆炸問題.相反，系統(tǒng)故障癥狀數(shù)對(duì)BP網(wǎng)絡(luò)和FTABAM這兩種方法的故障判定時(shí)間影響卻很少.系統(tǒng)故障癥狀數(shù)目從100變化到500，這兩種方法的故障判定時(shí)間僅只增加了1 s.這反映出這兩種方法具有良好的可擴(kuò)展性.

3結(jié)論

本文提出了一種基于FTA和BAM神經(jīng)網(wǎng)絡(luò)融合的飛機(jī)故障診斷方法.該方法應(yīng)用故障樹分析方法對(duì)樣本數(shù)據(jù)進(jìn)行提煉，過濾掉冗余的故障數(shù)據(jù)，為BAM神經(jīng)網(wǎng)絡(luò)診斷提供具有規(guī)范性、獨(dú)立性、正交性的訓(xùn)練樣本，以此提高診斷速度和診斷精度高.該診斷方法具有可擴(kuò)展性，對(duì)于復(fù)雜的飛機(jī)系統(tǒng)故障診斷，它克服了FTA方法中存在的空間爆炸問題.實(shí)驗(yàn)評(píng)估結(jié)果表明，故障判定率在BP診斷方法中為0.521，在FTA診斷方法中為0.493，本文所提的融合方法將其提高到了0.614，故障診斷精準(zhǔn)率有明顯提高.

參考文獻(xiàn)

[1]劉艷春，楊德輝，劉艷麗. 基于神經(jīng)網(wǎng)絡(luò)的某型飛機(jī)發(fā)動(dòng)機(jī)故障診斷研究J].電子設(shè)計(jì)工程，2011，20（11）：89-92.

LIU Yanchun，YANG Dehui，LIU Yanli. Failure diagnose research for the plane engine of basic neural neworkJ]. Electronic Design Engineering， 2011，20（11）：89-92.（In Chinese）

[2]崔濤，劉剛，鄒鴻雁.故障樹分析方法在汽車故障診斷中的應(yīng)用J].長春工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2009， 30（6）： 661-664.

CUI Tao，LIU Gang，ZOU Hongyan.A fault tree analysis method applied in automobile fault diagnosisJ]. Journal of Changchun University of Technology：Natural Science Edition， 2009， 30（6）： 661-664.（In Chinese）

[3]張春華，劉偉.基于故障樹的故障診斷專家系統(tǒng)[J].兵工自動(dòng)化.2009，28（11）：15-17.

ZHANG Chunhua，LIU Wei. Fault diagnosis expert system based on fault treeJ]. Ordnance Industry Automation， 2009，28（11）：15-17.（In Chinese）

[4]楊興，朱大奇，桑慶兵.專家系統(tǒng)研究現(xiàn)狀與展望J].計(jì)算機(jī)應(yīng)用研究，2007，24（5）：4-9.

YANG Xing， ZHU Daqi， SANG Qingbing. Expert system status and prospects J]. Computer Applications Research，2007，24（5）： 4-9.（In Chinese）

[5]WU L， SUN F， CHEN S. Application of BP neural network in fault diagnosis of FOG SINSC]// In7th int'l Conf on Intelligent Control and Automation. New York：IEEE，2008， 9322-9326.

[6]ISAR N， SEYYED A S， SYLVAIN C. A chaotic feature extracting BAM and its application in implementing memory searchJ]. Neural Processing Letters，2012， 36（1）：69-99.

[7]LSLAM M M， YAO X， MURASE K. A constructive algorithm for training cooperative neural network ensembles J].IEEE Trans on Neural Network，2003，14（4）：820-834.

[8]SUN G， ZHANG R， LUO F. Evaluation method of coal mine production safety based on BP neural network C]// 2009 Intl Conf. on Information Technology and Computer Science.New York： IEEE， 2009， 514-517.

[9]ERMEST J， FRIEDMAN H J.89 the java expert system shellEB/OL].http：//herzberg.ca.sandia.gov/docs/52/index.html.