陳銘杰, 顏 瑾, 李鐵穎, 池程芝
(1.航空電子系統(tǒng)綜合技術重點實驗室,上海 200233;2.中國航空無線電電子研究所,上海 200233)
現代大型裝備系統(tǒng)的功能構成復雜,故障模式數量也十分龐大。由于傳感器成本高、待測點無法觀測、帶寬有限等原因,允許被系統(tǒng)觀察的傳感器數量是有限的,導致故障通常無法被直接觀察到,最終造成系統(tǒng)運行效率降低、設備損壞等后果。因此,采用基于模型的方法,通過使用有限的傳感器信息對系統(tǒng)進行推理,從而達到故障隔離的目的[1],對提升系統(tǒng)安全性、可靠性,以及降低設備維修保障成本具有重要意義。
自從20世紀80年代Reiter和Kleer等[2-3]提出基于模型的診斷理論以來,基于模型的故障診斷方法也在不斷地更新與發(fā)展[4]。在國外,NASA研制了基于模型驗證的Livingstone方法,在X-34的液體推進反饋系統(tǒng)、X-37的機電系統(tǒng)中得以運用[5]。隨著發(fā)展,又相繼在深空航天器、衛(wèi)星、深水航行器等領域都得以運用[6-9]。在國內,李鵬等[10]以航空發(fā)動機系統(tǒng)為例,驗證了通用的機載系統(tǒng)故障診斷與預測模型的有效性;南京航空航天大學的王鐘[11]基于模型實現了飛行控制計算機的實時在線故障診斷;北京航空航天大學的郭丁飛等[12]提出了一種基于混合特征模型和深度學習的無人機傳感器故障診斷方法。
但在以往基于模型的故障診斷研究中,大多是使用定性模型來描述系統(tǒng)屬性之間性質關系[13],缺少對實際工程應用數據的使用,有較大的局限性。而對于復雜系統(tǒng),建立用于故障檢測與診斷的精確動態(tài)數學模型存在較大困難[14]。為此,筆者提出了混合模型的構建方法與基于混合模型的故障診斷推理方法,使用定性和定量方法建立混合模型,使模型信息更加具體,同時基于故障的先驗概率和診斷的后驗概率,使用候選生成和一致性檢查方法來診斷系統(tǒng)中發(fā)生的瞬時或持續(xù)故障,提高故障診斷信息的全面性和結果的準確性,為復雜系統(tǒng)的維修保障和安全運行奠定了基礎。
(1) 構建元模型庫。
由于研究對象為功能構成復雜、故障模式數量龐大的現代大型裝備系統(tǒng),根據系統(tǒng)測試性原理,可采用定性和定量的方法構建相應離散、連續(xù)或兩者結合的混合模型。根據系統(tǒng)的組成成分,將模型進行分類,如表1所示。
表1 元模型庫組成表
(2) 設定元素屬性。
元模型中各元素的屬性可分為布爾屬性、枚舉屬性、應用屬性3種,可根據診斷對象的實際需求進行設定。
一般地,元模型元素的布爾屬性包括輸入輸出變量、狀態(tài)、可觀察性等設定,枚舉屬性包括變量類型、過濾器類型、噪聲模型等,應用屬性包括守護條件、重置條件、概率、初始值、歷史信息、候選數量等。
(3) 建立系統(tǒng)參考元模型。
建立元模型各元素間的從屬關系,形成混合系統(tǒng)參考元模型,如圖1所示。
圖1 系統(tǒng)參考元模型示意圖
其中,系統(tǒng)包括了所有類型的模型,代表的是整個新建的混合系統(tǒng),組件可自嵌套,且包括了故障模式和所有的Atom類、Connection類模型。
系統(tǒng)領域模型是指根據系統(tǒng)參考元模型的建模范式,針對實際復雜系統(tǒng)診斷對象建立的可視化模型,建模范式如圖2所示。
圖2 混合系統(tǒng)模型建模范式
一般地,根據對象系統(tǒng)的運行原理,梳理各組件間的級聯關系,并結合故障模式及影響分析和危害性分析(Failure Mode,Effects and Criticality Analysis,FMECA)、系統(tǒng)級故障等即可得到各組件和元模型元素的對應關系。但是也會存在級聯關系不明確的系統(tǒng),這時可以根據監(jiān)測信號傳播路徑或者功能影響關系,梳理組件與組件間的抽象關系,與建模范式相對應,從而得到組件與元素的對應關系。
系統(tǒng)模型和組件模型示意圖如圖3所示。組件模型由行為模型和轉換模型組成,行為模型描述了組件的行為演變,轉換模型描述了組件的轉換行為。系統(tǒng)模型由組件模型組成,描述了系統(tǒng)的轉換行為和行為演變,用于創(chuàng)建在推理過程中生成的候選。與組件模型一樣,系統(tǒng)模型也有特定的建模范式,也可以在需要時對建模范式進行轉換,它的屬性包括系統(tǒng)的變量、系統(tǒng)中的變量域和狀態(tài)轉換的守護條件。
圖3 系統(tǒng)模型和組件模型示意圖
轉換模型由工作模式和轉換組成,其中轉換條件描述了轉換發(fā)生且組件工作模式改變的充分條件,在轉換模型中工作模式之間的連接線上定義,定義可以是狀態(tài),也可以是變量/參數等所需滿足的條件,還可以定義該轉換發(fā)生的概率和重置條件。轉換模型示意如圖4所示。
圖4 轉換模型示意圖
故障模式包含了約束,它描述了組件當前模式下的工作條件,主要是變量間的變化關系,在系統(tǒng)模型中建立好變量約束后,即形成當前復雜混合系統(tǒng)的領域模型。
故障診斷推理機基于領域模型生成系統(tǒng)候選狀態(tài)庫,推理過程中采用了基于故障轉換的比較算法,該算法能將傳感器監(jiān)測數據與系統(tǒng)候選狀態(tài)庫進行遍歷比較,提高了故障診斷的全面性和準確性。
基于混合系統(tǒng)模型的推理過程是圍繞一組與迄今為止觀察到的結果相一致的候選模型進行的,候選模型則列出系統(tǒng)已采取的故障轉換和相應的變量轉換。在觀測過程中的每個時間點,推理機會檢查每個現有候選對象是否與新觀測對象保持一致。如果候選模型是一致的,它將繼續(xù)保留在候選集中,如果不一致,則將有關不一致性的信息生成后繼候選,同時排除不一致的候選模型?;旌夏P凸收显\斷整體流程示意圖如圖5所示。
圖5 混合模型故障診斷整體流程示意圖
在仿真階段,需要設置系統(tǒng)初始狀態(tài)、定義變量屬性、加載監(jiān)測腳本。設置初始狀態(tài)的目的是形成邊界條件,一般設置系統(tǒng)初始狀態(tài)為正常狀態(tài),但在有已知故障的前提下,也可將該組件的初始狀態(tài)設置為當前故障狀態(tài)。變量屬性的定義是指對輸入輸出變量的定義,傳播過程中的接口變量無須定義。監(jiān)測腳本是指傳感器獲得的當前系統(tǒng)的輸入輸出變量值以及一些外部指令。根據這些外部數據,仿真獲得當前狀態(tài)下預測的輸出值。
在比較階段,將預測值與通過實際傳感器獲得的觀測值進行比較,識別差異。在出現差異的情況下,該候選模型可用于確定差異產生的原因。
在候選生成階段,當現有候選模型變得不一致時,生成并維護新的候選模型。這一步驟使用了一個搜索過程,這個搜索過程是由比較階段中產生差異的原因驅動的。當產生差異,生成新的候選并形成候選集,根據實際推理診斷需求對候選集進行候選管理,從而得到期待數量的候選結果。整個推理過程都考慮了系統(tǒng)的混合性質和存在的不確定性。
根據系統(tǒng)故障診斷推理機原理,基于MATLAB開發(fā)了混合診斷推理軟件,軟件界面如圖6所示。
圖6 軟件界面設計圖
混合診斷推理軟件包括了控制模塊、顯示模塊、數據模塊,其組成如圖7所示。
圖7 混合診斷推理軟件組成
其中,控制模塊由模型控制模塊、推理機控制模塊、保存結果模塊組成,主要完成XML格式的模型加載、初始化和關閉、推理機的初始化和運行以及推理結果的保存功能;顯示模塊由系統(tǒng)模型顯示模塊、組件模型顯示模塊、層級查看模塊和推理結果顯示模塊組成,主要完成系統(tǒng)模型和組件模型的可視化顯示、組件內部故障模式和約束的層級查看、推理結果的顯示功能;數據模塊由監(jiān)測數據模塊、狀態(tài)設置模塊、變量設置模塊、候選設置模塊組成,主要完成監(jiān)測數據的加載、初始狀態(tài)的設置、輸入輸出變量的設置和候選數量的設置等功能。
混合故障診斷技術分為建模和診斷兩部分,基于MATLAB GUI驗證平臺的故障診斷工作流程如圖8所示。
圖8 故障診斷軟件工作流程圖
以某型民用飛機的飛行數據設備為例,構建其混合診斷參考模型。
首先,根據系統(tǒng)參考元模型建模范式,建立領域模型。飛行數據設備包括電源模塊、存儲管理模塊、交換機接口模塊、數據接口模塊和飛行數據卡。飛行數據設備與外部的交聯主要為數據總線、卡在位信號、控制信號和電源信號。
根據飛行數據設備的FMECA、故障傳播機理、BIT信息等,構建飛行數據設備的領域模型,如圖9所示。
圖9 飛行數據設備的領域模型
構建好領域模型后,生成相應的XML模型文件,加載到故障診斷軟件中,根據圖8所示工作流程進行操作。
一般情況下,模型的初始狀態(tài)均為正常狀態(tài)。飛行數據設備包括1個信號輸入和5個BIT輸出信息,診斷過程中,對這些變量進行歸一化處理,輸入信號正常,則該變量為1,信號異常,則該變量為0;BIT正常,則該變量為1,BIT報故,則該變量為0。
當監(jiān)測數據為正常數據時,相當于與初始狀態(tài)保持一致,因此為使測試數據更加簡潔,本次測試案例直接對前2 s數據進行故障注入。案例1為飛機數據設備在第1 s時發(fā)生間歇性故障,第2 s開始恢復正常狀態(tài);案例2為飛機數據設備在第1 s發(fā)生持續(xù)故障,后續(xù)均為故障狀態(tài)。
候選數量即為最終顯示推理結果的數量,本次測試案例設置該數量為3,顯示概率排前三的推理結果。
測試案例具體設置如表2所示。
表2 測試案例設置表
根據測試案例設置表內容對數據模塊進行設置,運行故障診斷軟件,結果顯示案例1和案例2的診斷時間分別為0.0622 s和0.1689 s,表明了該診斷方法實時性強的優(yōu)點,推理結果顯示模塊中的具體診斷結果如圖10、圖11所示。
圖10 案例1診斷結果
圖11 案例2診斷結果
診斷結果內容包括了候選編號、概率、故障時間、故障模式的轉換、當前系統(tǒng)狀態(tài)和當前變量值,候選結果按照概率值由高到低排列顯示。
由上述測試結果可見,故障發(fā)生的時間符合監(jiān)測數據中注入故障的時間,且能準確定位到系統(tǒng)對應組件中故障模式的轉換,并直觀地顯示出當前系統(tǒng)狀態(tài)和變量值。測試結果表明,該故障診斷軟件可基于系統(tǒng)運行數據對特定的復雜混合系統(tǒng)進行實時的故障診斷,且能夠準確直觀地顯示系統(tǒng)模型結構以及特定組件內部的故障模式轉換,滿足故障診斷的實時性和準確性要求。
面向現代大型裝備系統(tǒng)提供了一種復雜系統(tǒng)混合故障診斷技術,并提出了基于系統(tǒng)參考模型的通用建模與仿真驗證方法,研究結果表明該方法能在有限的傳感器監(jiān)測信息條件下,實時準確地診斷出對象系統(tǒng)是否發(fā)生故障,并根據概率大小排序顯示故障發(fā)生的時間、節(jié)點、變量值和故障模式,對提高裝備系統(tǒng)故障診斷效率、降低維修保障成本、保證系統(tǒng)安全運行具有重要的應用價值。