基于范例推理的智能故障診斷在機載系統(tǒng)中的應用研究

田存英，邱冬

航空工業(yè)第一飛機設計研究院，陜西 西安 710089

在飛機的全生命周期內(nèi)，由于設計初期認識的不完善，以及受設備本身的可靠性影響，出現(xiàn)故障的可能性不可避免的存在。盡管機載設備本身都具備故障定位功能，但仍然存在大量的故障無法通過設備自檢而準確定位。同時，由于飛機系統(tǒng)交聯(lián)關系復雜、耦合度高，故障準確定位具有一定的難度，也耗費了大量的人力和時間資源。

人工智能從誕生以來，理論和技術日益成熟，在很多科學領域都獲得了廣泛的應用，并取得了豐碩的成果。人工智能應用于航空工業(yè)領域?qū)⒕哂袕V泛的前景。智能故障診斷指的是通過人工智能的方法對系統(tǒng)及設備運行狀態(tài)和異常情況做出判斷，并根據(jù)診斷做出判斷為系統(tǒng)故障恢復提供依據(jù)，主要任務有故障檢測、故障定位。其中，如何準確地定位故障是最重要的一個環(huán)節(jié)。智能故障診斷就需要模擬人類的推理方法，根據(jù)監(jiān)測的數(shù)據(jù)自動判斷是否故障，并且準確定位故障?；诜独评恚–BR）[1]是人工智能發(fā)展比較成熟的一個分支，它是一種基于過去的實際經(jīng)驗或經(jīng)歷的推理，為實現(xiàn)智能故障診斷提供了方法。

本文探索性地將基于CBR的智能故障診斷方法應用于機載系統(tǒng)，旨在機載系統(tǒng)故障診斷的自動化與智能化。

1 智能故障診斷

1.1 基于CBR

基于CBR是從認知科學的角度模仿人類的推理和學習機制。在處理問題時，人類總是有意或無意地回憶過去相似的經(jīng)歷，按經(jīng)驗行事來解決當前的問題?；贑BR作為一種方法論是合理的，因為客觀世界有兩個特點，即“相似條件會產(chǎn)生相似結(jié)果”和“歷史總是驚人的相似”。

首先，需要將現(xiàn)實問題按照一定的規(guī)則真實地表達成數(shù)學語言描述的范例。如人類根據(jù)經(jīng)驗決策時，結(jié)果的好壞受經(jīng)驗豐富程度決定一樣，范例庫的大小能一定程度地影響決策結(jié)果的優(yōu)劣；其次，規(guī)則庫的生成是基于CBR的關鍵環(huán)節(jié)，是智能決策的核心；最后，系統(tǒng)根據(jù)推理結(jié)果，給出問題的建議解。對于建議解，需要代入到實際問題當中去檢驗，驗證決策結(jié)果是否正確。若有誤，需要對建議解進行修正，同時對范例進行修正，保存到范例庫中，以豐富范例庫的內(nèi)容。

1.2 智能故障診斷模型

智能故障診斷采用范例推理方法，建立標準范例庫，通過粗糙集理論進行規(guī)則提取。粗糙集理論[2]是一種能夠定量分析處理不精確、不一致、不完整信息和數(shù)據(jù)表達、學習、歸納的理論方法，為智能分析數(shù)據(jù)、獲取有用信息提供了理論基礎。

對于實際應用，將待處理的問題根據(jù)已知規(guī)則庫中的規(guī)則，得出最終診斷結(jié)果。實際上，在智能故障診斷系統(tǒng)應用初期還需要人工參與，將以前未遇的問題，通過專家系統(tǒng)的診斷方式，并且最終定位的故障保存到范例庫中，以豐富范例庫中的內(nèi)容。當范例庫足夠大且包含特定系統(tǒng)的所有故障內(nèi)容時，智能故障診斷系統(tǒng)就能自動定位任意故障內(nèi)容?；贑BR的智能故障診斷模型如圖1所示。

圖1 基于范例推理智能故障診斷模型Fig.1 The model of fault diagnosis based CBR by AI

2 基于CBR的數(shù)學原理

基于CBR主要是通過將范例所表達的知識用信息系統(tǒng)來表示，信息系統(tǒng)可以看成是一個數(shù)據(jù)表，表中包含要研究的對象、對應對象的屬性以及對象的信息。將信息系統(tǒng)中的屬性分成條件屬性和決策屬性，就構成了一個決策表，某典型決策表系統(tǒng)見表1。

表1 典型決策表系統(tǒng)Table1 A typical decision table system

表1中，研究對象為X={x1，x2，x3，x4，x5}，對應對象的屬性分為條件屬性和決策屬性。其中，條件屬性為C={c1，c2，c3}，決策屬性為D={d1，d2}。對象的信息由表中所有數(shù)值表示。由決策表中的信息，通過粗糙集理論得到知識的過程就是規(guī)則提取過程。

2.1 決策表表示

決策表可以形式化地由M=（X，A，P，Q}四維組來表示。其中，論域X={x1，x2，…，xl-1，xl}表示范例庫中標準范例個體。條件屬性集C={c1，c2，…，xm-1，xm}為推理前件，決策屬性集D={d1，d2，…，xn-1，xn}為推理后件，屬性集A=C∪D；P表示由所有屬性P∈A的值域所構成的集合，Q∶X×A→P為二維函數(shù)，它指定了論域X中每一個對象的每個屬性值。

2.2 規(guī)則提取

在四維組信息表M=（X，A，P，Q）中，實際規(guī)則就是由Q∶X×A→P所完全決定，其中條件屬性集是因，決策屬性集是果，決定因果之間的邏輯關系就是四維組信息表所包含的推理規(guī)則。

（1）等價關系

定義屬性子集EA上的關系R如下，若對e∈E，均有：

則稱xi和xj在屬性集E上具有關系R，根據(jù)關系R的定義，它滿足自反性、對稱性和傳遞性。關系R是一個等價關系，記為xi≡xj。關系R可以對論域X進行分類，使得每一類中個體在屬性集E上具有相同特征。

（2）正域

對于論域X的任意子集U，定義關于等價關系R的下近似為：

在條件屬性集C和決策屬性集D上，分別能夠得到等價關系RC和RD，則定義等價關系RC關于等價關系RD的正域：

式中：X/RD為論域X關于等價關系RD構成的分類；POSC（D）表示根據(jù)等價關系RC，能夠正確地分類于X/RD中等價類的對象的集合。

（3）屬性約簡

信息庫中的信息不是同等重要的，甚至可能其中的某些信息是多余的。屬性約簡[3]就是保持信息庫分類能力不變的情況下，刪除表中的多余信息。

定義條件屬性集C關于等價關系RD為相互獨立的，則不存在條件屬性真子集EC，滿足如下關系：

定義條件屬性子集EC，為關于等價關系RD的屬性約簡，若條件屬性子集E關于等價關系RD為相互獨立的且滿足式（4）。

（4）規(guī)則生成

對每個決策屬性d∈E，求取條件屬性集關于等價關系Rd的屬性約簡E，再根據(jù)屬性約簡結(jié)果，得到最簡可信規(guī)則。

3 模型建立

3.1 規(guī)則庫生成

根據(jù)決策表信息，按照屬性約簡算法[3]對決策表中的信息進行相應屬性約簡。屬性約簡的目的就是在保存信息系統(tǒng)原有的分類能力和近似空間的基本屬性完整的前提下，去除系統(tǒng)中的冗余數(shù)據(jù)，保證最終得到最簡決策規(guī)則，并且可有效提高效率，降低噪聲干擾。最后將最簡決策規(guī)則加入到規(guī)則庫中。

3.2 智能決策

對于測試的樣本信息，按照決策表中條件屬性集，提取相應屬性的特征值y={y1，y2，…，ym-1，ym}，將規(guī)則庫應用于測試樣本條件屬性特征值上，可得到智能決策結(jié)果結(jié)果。

3.3 自主學習

智能故障診斷的另外一個優(yōu)點是可以通過自主學習，不斷提升對事物的認知能力，提高故障定位準確率。對于智能決策結(jié)果，專家系統(tǒng)對結(jié)果進行確認并修正后，得到可信的數(shù)據(jù)存儲到范例庫中，智能故障診斷系統(tǒng)隨著更新規(guī)則庫，實現(xiàn)對事物規(guī)律的自主學習。

3.4 算法流程

智能故障診斷算法流程如下：

（1）步驟 1：根據(jù)需求，建立四維信息表M=（X，A，P，Q）。

（2）步驟2：根據(jù)四維信息表進行屬性約簡[4]，根據(jù)屬性約簡結(jié)果，得到?jīng)Q策規(guī)則集Ψ。

（3）步驟3：對于監(jiān)控樣本y，若cj），則置 NewCase（y）=0；否則置 NewCase（y）=1。

（4）步驟4：對ψ∈Ψ，將決策規(guī)則ψ應用于監(jiān)控樣本信息上，得到建議決策結(jié)果 Result（y），若無法決策，用“/”代替。

（5）步驟5：由專家系統(tǒng)對決策結(jié)果進行檢測確認，并可進行修改得到NewResult（y）。

（6）步驟 6：若NewCase（y）=1，則將y=（y，NewResult（y））加入到四維信息表M=（X，A，P，Q）中，得到新的四維信息表，返回步驟2。

（7）步驟7：若測試樣本中無樣本剩余，則結(jié)束。

4 應用實例

4.1 故障診斷決策表構建

將基于CBR應用于機載系統(tǒng)故障診斷，通過監(jiān)控系統(tǒng)各設備間的交互數(shù)據(jù)，對系統(tǒng)及設備運行狀態(tài)和異常情況做出判斷，準確定位故障。對于實際應用過程，分析與該過程相關的屬性集合，根據(jù)分析結(jié)果，將過去經(jīng)驗數(shù)據(jù)存儲在標準范例庫中并構建決策表。

以某型武器發(fā)射過程中扣壓扳機后，武器未正常離機故障為例，與該過程相關的屬性有扳機狀態(tài)、武器管理系統(tǒng)狀態(tài)、顯示控制系統(tǒng)狀態(tài)、任務系統(tǒng)狀態(tài)以及投放系統(tǒng)狀態(tài)。武器發(fā)射時相關系統(tǒng)的交聯(lián)關系如圖2所示。

圖2 武器發(fā)射系統(tǒng)交聯(lián)圖Fig.2 System interaction of weapon launching

由圖2可知，同時對系統(tǒng)工作流程進行詳細地分析，構建信息系統(tǒng)作為智能故障定位的決策表。其中，條件屬性集有扳機信號、投放允許信號、彈射信號、聯(lián)鎖信號及清單信息，決策屬性集有扳機故障、任務系統(tǒng)故障、武器管理故障、機械投放故障及顯示系統(tǒng)故障。

4.2 故障診斷規(guī)則庫

根據(jù)信息表建立規(guī)則庫，同時為了方便規(guī)則描述，令發(fā)生故障為1，未發(fā)生故障為0。

（1）當d=d1時，根據(jù)表1得到條件屬性集關于等價關系Rd的屬性約簡E={c1}，則得到規(guī)則1：

表2 武器發(fā)射故障決策表Table2 The malfunction decision table of weapon launching

若c1=1，則d1=0；若c1=0，則d1=1。

（2）當d=d2時，根據(jù)表1得到條件屬性集關于等價關系Rd的屬性約簡E={c2}，則得到規(guī)則2：

若c2=1，則d2=0；若c2=0，則d2=1。

（3）當d=d3時，根據(jù)表1得到條件屬性集關于等價關系Rd的屬性約簡E={c1，c2，c5}，則得到規(guī)則3：

若c1=0，c2=0，c5=1，則d3=0；若c1=0，c2=1，c5=1，則d3=0；

若c1=1，c2=0，c5=1，則d3=0；若c1=1，c2=1，c5=1，則d3=0；

若c1=1，c2=1，c5=0，則d3=0；若c1=1，c2=1，c5=1，則d3=1。

（4）當d=d4時，根據(jù)表1得到條件屬性集關于等價關系Rd的屬性約簡E={c3，c4}，則得到規(guī)則4：

若c3=0，c4=1，則d4=0；若c3=1，c4=1，則d4=1；

若c3=1，c4=0，則d4=0。

（5）當d=d5時，根據(jù)表1得到條件屬性集關于等價關系Rd的屬性約簡E={c5}，則得到規(guī)則5：

若c5=1，則d5=0；若c5=0，則d5=1。

4.3 診斷結(jié)果

通過實際監(jiān)控的總線數(shù)據(jù)，得出在條件屬性集C上的三組信息測試的樣本信息，見表3。

表3 武器發(fā)射記錄的關鍵信息表Table3 The recorded key information of weapon launching

（1）仿真結(jié)果

根據(jù)4.2節(jié)得到的規(guī)則1～5，分別對上述測試樣本進行仿真分析，系統(tǒng)智能診斷結(jié)果與專家診斷結(jié)果對比見表4。

表4 智能診斷結(jié)果與專家診斷結(jié)果對比表Table4 The comparison of fault diagnosis by AI with ES

按照算法流程，將經(jīng)過專家診斷過的測試樣例作為標準范例加入范例庫，通過自主學習得到新的推理規(guī)則，再應用新的推理規(guī)則進行故障診斷。系統(tǒng)智能診斷結(jié)果與專家診斷結(jié)果對比見表5。

表5 自主學習后智能診斷結(jié)果與專家診斷結(jié)果對比表Table5 The comparison of fault diagnosis by AI with ES after self-learning

（2）準確率

根據(jù)仿真結(jié)果與專家診斷結(jié)果對比分析可知，基于CBR的智能故障診斷故障定位準確率在80%以上。由于標準范例庫中范例數(shù)較少，不能提取實際系統(tǒng)的所有規(guī)則。隨著范例庫的豐富，基于CBR的智能故障診斷的準確率也會隨著提高。

圖3 自主學習前、后故障定位準確率Fig.3 The rate of accuracy before and after self-learning

5 結(jié)束語

基于CBR的智能故障診斷技術是一門極富挑戰(zhàn)性的技術，該技術能夠通過自主學習，實現(xiàn)對經(jīng)驗知識的智能化累積，提高對系統(tǒng)的認知水平。它可以應用于機載系統(tǒng)數(shù)據(jù)分析設備，實現(xiàn)機載系統(tǒng)故障的智能定位，也可以應用于試驗驗證平臺，實現(xiàn)機載系統(tǒng)自動化驗證?；贑BR的智能故障診斷技術的應用，不僅可以把科研工作者及地勤人員從繁雜地排故工作中解脫出來，也節(jié)省了大量人力、物力資源。