基于SVM專家系統(tǒng)的航空裝備故障診斷研究

郭 麗，張 娟

（江蘇金陵機(jī)械制造總廠，江蘇 南京 211100）

隨著科學(xué)技術(shù)的飛速發(fā)展，航空裝備的復(fù)雜性顯著提高，航空裝備修理企業(yè)積累的維修數(shù)據(jù)也隨之不斷增多，當(dāng)數(shù)據(jù)積累到一定程度時，必然可以反映出有規(guī)律的東西[1]。但是當(dāng)前，修理體系側(cè)重于測試手段和能力，修理保障過程中數(shù)據(jù)的運(yùn)用十分有限。故障診斷通常依據(jù)設(shè)備測試結(jié)果，結(jié)合修理人員經(jīng)驗，通過人工進(jìn)行原理分析完成故障定位和隔離。在此模式下，修理人員的修理經(jīng)驗豐富度、邏輯分析能力等因素對修理效率的影響較大，這已遠(yuǎn)遠(yuǎn)跟不上航空裝備以及裝備修理模式的發(fā)展要求。

隨著現(xiàn)代化工業(yè)與人工智能技術(shù)的飛速發(fā)展，故障診斷技術(shù)已邁入智能階段。常見的故障診斷方法有：基于解析模型的方法，如狀態(tài)估計法、參數(shù)估計法、等價空間法等；基于信號處理的方法，如快速傅里葉變換、小波變換、Fisher判別法、相關(guān)元分析法、主元分析法等；基于統(tǒng)計理論的方法，如Bayes決策診斷方法、時序模型診斷方法、主分量分析法、線性判別函數(shù)法、灰色系統(tǒng)的關(guān)聯(lián)分析診斷方法、基于支持向量機(jī)(SVM)的故障診斷法等；基于知識的方法，如專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、模糊推理、因果分析等[2]。

本文針對航空修理現(xiàn)狀，以某型飛機(jī)頻綜器單元為對象，對故障診斷方法開展研究，提出了適用于機(jī)載電子產(chǎn)品的基于規(guī)則和支持向量機(jī)(SVM)的專家系統(tǒng)推理機(jī)構(gòu)建方法，實現(xiàn)了對頻綜器單元電路板級故障的自動診斷。

1 研究對象

1.1 頻綜器單元組成

頻綜器單元是某型飛機(jī)上可更換單元之一，主要用于提供控制信號、基準(zhǔn)信號以及激勵信號等，具有波形復(fù)雜多樣、高純頻譜、頻率捷變、環(huán)境適應(yīng)性較好等特點(diǎn)。產(chǎn)品由外部殼體及內(nèi)部可插拔電路板組成，其中，內(nèi)部可插拔電路板包括電源模塊、調(diào)頻模塊、調(diào)制模塊等16個模塊。

1.2 頻綜器單元故障模式

按照電路模塊劃分，對頻綜器單元故障模式進(jìn)行分類。其中，電源模塊等5個模塊的故障可以通過設(shè)備檢測直接進(jìn)行故障定位，在本文中不予考慮。將剩余的調(diào)頻模塊、調(diào)制模塊等11個檢測設(shè)備無法直接進(jìn)行故障定位的模塊，按照電路模塊及電路模塊接口信號劃分，分為11類故障（D1～D11），它們分別表示相應(yīng)的電路模塊及模塊接口信號故障。

2 基于SVM的專家系統(tǒng)設(shè)計

2.1 專家系統(tǒng)及設(shè)計

專家系統(tǒng)(Expert System)是人工智能應(yīng)用研究最活躍和最廣泛的領(lǐng)域之一，通過一定的程序規(guī)則表達(dá)對故障診斷專家的知識和經(jīng)驗進(jìn)行總結(jié)，模擬領(lǐng)域內(nèi)專家的排故過程，給出判斷和決策，實現(xiàn)從以數(shù)值計算與信號處理為核心的故障診斷過程，到以知識處理和知識推理為核心的診斷過程的轉(zhuǎn)換[3]。

本文根據(jù)航空裝備故障診斷需求，設(shè)計了適合航空機(jī)載電子設(shè)備故障診斷的專家系統(tǒng)，包括人機(jī)交互界面、知識庫、知識獲取模塊、推理機(jī)、解釋器及數(shù)據(jù)庫6大部分，如圖1所示。專家系統(tǒng)的核心部分是推理機(jī)和知識庫，它們的好壞直接決定了專家系統(tǒng)處理問題的能力和速度[4]。本文的知識庫采用產(chǎn)生式規(guī)則[5]對已有的原理部分進(jìn)行知識表示，在推理機(jī)部分結(jié)合知識庫規(guī)則判別和SVM算法對故障進(jìn)行分類。

圖1 專家系統(tǒng)結(jié)構(gòu)

2.1.1 人機(jī)交互界面

用來處理專家系統(tǒng)和用戶之間的交流信息，能夠?qū)⒂脩魝鬟f的故障數(shù)據(jù)等信息轉(zhuǎn)化為專家系統(tǒng)可以識別的標(biāo)準(zhǔn)信息，同時將故障診斷的結(jié)果反饋給用戶。本系統(tǒng)的人機(jī)交互界面設(shè)計如圖2。

圖2 人機(jī)交互界面設(shè)計

2.1.2知識庫

用來存放由故障診斷專家的經(jīng)驗和知識轉(zhuǎn)化而成的知識規(guī)則。知識庫中知識規(guī)則的準(zhǔn)確度及豐富度，直接決定了專家系統(tǒng)處理問題的能力。

根據(jù)修理經(jīng)驗，已形成11個電路模塊與相關(guān)檢測信號的信號關(guān)聯(lián)圖（見圖3），由圖也可看出，信號關(guān)聯(lián)精度較粗，難以將故障信號與具體模塊進(jìn)行對應(yīng)。

圖3 信號關(guān)聯(lián)圖

根據(jù)已有的原理圖，運(yùn)用產(chǎn)生式規(guī)則（if-then語句），將圖3中的信號關(guān)聯(lián)關(guān)系進(jìn)行知識表示，梳理出以下17條規(guī)則（其中A1～A4表示4組測試信號，為故障事實；D1～D11為故障模式代碼，它們分別表示相應(yīng)的電路模塊及模塊接口信號故障，M1～M13為未進(jìn)行測量的中間信號)，如表1。

表1 信號關(guān)聯(lián)關(guān)系規(guī)則表示

根據(jù)規(guī)則，可以判別與由A1～A4表示的4組信號相關(guān)的電路模塊及模塊接口信號，得到故障信號和故障分類的對應(yīng)關(guān)系。

2.1.3知識獲取模塊

知識獲取模塊將專家輸入的經(jīng)驗和知識轉(zhuǎn)化為知識庫中的規(guī)則。在修理人員使用故障診斷專家系統(tǒng)的過程中，允許故障診斷專家對系統(tǒng)知識庫進(jìn)行維護(hù)，增加新的知識，改進(jìn)舊的知識。

2.1.4推理機(jī)

根據(jù)知識庫已有知識，推理機(jī)按照預(yù)設(shè)的推理方法和策略從知識庫中選擇有關(guān)知識規(guī)則，對用戶提供的數(shù)據(jù)進(jìn)行推理。

修理人員通過人機(jī)交互界面選擇檢測的產(chǎn)品并導(dǎo)入檢測數(shù)據(jù)，系統(tǒng)對數(shù)據(jù)進(jìn)行處理、轉(zhuǎn)換后，與知識庫中的規(guī)則進(jìn)行匹配，得到故障數(shù)據(jù)對應(yīng)的可能故障模式1～i，考慮到混合故障存在的可能性，對可能的i種故障模式運(yùn)用SVM算法進(jìn)行一一判別，綜合得出最終的診斷結(jié)果，并通過解釋機(jī)制將診斷結(jié)果反饋到人機(jī)交互界面，推理過程結(jié)束。后續(xù)根據(jù)實際的結(jié)果驗證情況，由專家決定是否要對知識庫進(jìn)行更新。如圖4所示。

圖4 推理及知識庫更新過程

2.1.5解釋器

通過故障數(shù)據(jù)與故障現(xiàn)象的一一對應(yīng)，解釋器能夠?qū)?shù)據(jù)表現(xiàn)轉(zhuǎn)化為語言表示，將故障診斷的結(jié)果及診斷過程向用戶做出解釋說明，便于修理人員理解，使診斷過程具有可讀性。

2.1.6 數(shù)據(jù)庫

用來存放系統(tǒng)運(yùn)行過程中的輸入數(shù)據(jù)、轉(zhuǎn)換數(shù)據(jù)、中間結(jié)果、求解狀態(tài)以及最終輸出結(jié)論等。

2.2 SVM 算法選擇及原理分析

作為基于統(tǒng)計學(xué)習(xí)理論的模式分類器，SVM在學(xué)習(xí)和泛化方面具有較高的能力。SVM如果用于故障推理，可以不需要規(guī)則提前匹配，能夠克服傳統(tǒng)推理中遇到的“匹配沖突”“組合爆炸”和“無限遞歸”等問題[6]。本文采用MATLAB中LIBSVM庫函數(shù)[7]的C-SVC算法進(jìn)行二分類，對與故障信號相關(guān)的故障模式依次進(jìn)行判別，得到對應(yīng)的電路模塊是否有故障的結(jié)論。下面對相關(guān)原理進(jìn)行說明。

SVM的實現(xiàn)原理是通過某種事先選擇的非線性映射（核函數(shù)），將輸入向量映射到一個高維特征空間，在這個空間中構(gòu)造最優(yōu)分類超平面[8]。所選核函數(shù)為：

其中，φ（x）為n維空間到另一個空間的映射，核函數(shù)表示映射后的點(diǎn)積。核函數(shù)的引入是為了解決非線性分割的問題，徑向基核如高斯核用泰勒展開可以映射到無限維上去。本文選用RBF核函數(shù)進(jìn)行故障二分類:

對于二分類問題,假設(shè)現(xiàn)有訓(xùn)練數(shù)據(jù)Χ是m×n的矩陣，其中，m是樣本數(shù)量，n是樣本向量的維數(shù)；Y為樣本的標(biāo)簽，是m×1的向量；記樣本中第i個樣本為xi，對應(yīng)的標(biāo)簽為yi，yi∈{1,-1},表示兩個分類?，F(xiàn)在，我們試圖找一個最優(yōu)的超平面wTφ（x）+b=0，使得所有樣本到分離面的距離最大。其中，w是一個n×1維向量。

如圖5所示，對于s.t.yi[wTφ(xi)+b]≥1，假設(shè)x1、x2分別為兩類數(shù)據(jù)中距離超平面wTφ(x)+b=0距離最小的向量，則：

圖5 SVM算法示意圖

d1+d2最大，等價于其倒數(shù)最小，即：

由于樣本可能不能完全硬性區(qū)分，允許軟性間隔，利用正則化，放松一個點(diǎn)到超平面的距離的約束,即函數(shù)間隔：

每放松一個εi，就要支付一個代價Cεi，得到C-SVC算法的模型優(yōu)化函數(shù)如下：

3 仿真測試和實例驗證

3.1 數(shù)據(jù)預(yù)處理：降維與擴(kuò)充

頻綜器單元的檢測指標(biāo)共有82個，即一組頻綜器單元檢測數(shù)據(jù)為82維，將檢測數(shù)據(jù)通過以下步驟進(jìn)行預(yù)處理。

3.1.1去除冗余測試項

去除冗余測試項，如頻點(diǎn)數(shù)量等通過其他檢測數(shù)據(jù)綜合計算可得的冗余統(tǒng)計項，將檢測指標(biāo)由82維降低為76維。

3.1.2信息融合

將部分維度進(jìn)行融合計算處理，同時根據(jù)單項技術(shù)指標(biāo)范圍，增加故障判別維度，實現(xiàn)數(shù)據(jù)的轉(zhuǎn)換處理。如將32維的頻點(diǎn)功率數(shù)據(jù)[P1，P2，…，P32]轉(zhuǎn)接為1維的綜合功率[P]和4維的故障代碼[m1，m2，m3，m4]，具體轉(zhuǎn)換過程示例如下：

給出一組檢測數(shù)據(jù)[P1，*P2，*P3，*P4，…，P30，*P31，P32]，其中，“*”代表檢測數(shù)據(jù)超差，可以看出，頻點(diǎn)2、3、4、31功率超差。將其進(jìn)行轉(zhuǎn)換：

P={故障頻點(diǎn)中超差最大的功率值}={*P2，*P3，*P4，*P31中超差最大的功率值}；

m1～m4分 別 為 頻 點(diǎn)1～8、9～16、17～24、 25～32的故障代碼，每個頻點(diǎn)的狀態(tài)用0或1表示，“0”表示“正常”，“1”表示“故障”，每8位為1組進(jìn)行二進(jìn)制到十進(jìn)制的轉(zhuǎn)換，即為對應(yīng)的故障代碼。在此例中，[m1，m2，m3，m4]= [14，0，0，64]。

通過信息融合計算，將檢測指標(biāo)轉(zhuǎn)換為由22維融合數(shù)據(jù)及25維故障判別數(shù)據(jù)組成的47維的算法輸入數(shù)據(jù)。

3.2 Min-Max歸一化

通過Min-Max歸一化[9]可以消除樣本不同屬性具有不同量級時的影響，避免量級的差異導(dǎo)致的量級較大的屬性占據(jù)主導(dǎo)地位的問題，提高迭代收斂速度。具體歸一化步驟如下：

3.2.1 數(shù)據(jù)極值處理

在檢測數(shù)據(jù)中，存在偏離正常數(shù)據(jù)a很大的異常數(shù)據(jù)b，當(dāng)數(shù)據(jù)偏離超過一定值α?xí)r，我們認(rèn)為數(shù)據(jù)偏離更大時沒有意義。我們將α作為超差上限，超過這個值，按超差上限進(jìn)行處理：if（b＞a）且（b-a＞α），thenb=a+α；if（b＜a）且（a-b＞α），thenb=a-α。

3.2.2 Min-Max 歸一化

采用 Min-Max 歸一化方法將數(shù)據(jù)歸一化到[0，1]的范圍。對于屬性A，設(shè)Amin和Amax分別為其最小值和最大值，則屬性A的一個原始數(shù)據(jù)x通過Min-Max歸一化后的映射值x′=(x-Amin)/ (Amax-Amin)。

3.3 仿真過程

以“D1參考源電路模塊及參考源電路模塊接口信號故障”為例，對仿真過程進(jìn)行說明。

3.3.1 模型訓(xùn)練

從歷史檢測數(shù)據(jù)中抽取10組D1參考源電路模塊及參考源電路模塊接口信號故障數(shù)據(jù)、30組D1參考源電路模塊及參考源電路模塊接口信號無故障數(shù)據(jù)，組成47×40維訓(xùn)練集，讀取數(shù)據(jù)庫中訓(xùn)練數(shù)據(jù)，選擇C-SVC模型[5],運(yùn)用Svmtrain函數(shù)對模型進(jìn)行訓(xùn)練，對C-SVC模型的可調(diào)節(jié)參數(shù)C和γ進(jìn)行調(diào)節(jié)。其中，C是懲罰系數(shù)，即對誤差的寬容度，C越大，表示越不能容忍出現(xiàn)誤差。當(dāng)C過大時，容易過擬合；反之，C過小時，容易欠擬合。γ是選擇RBF函數(shù)作為核函數(shù)后可調(diào)的一個參數(shù)，它能夠決定數(shù)據(jù)映射到新的特征空間后的分布。γ越大,表示支持向量越少；γ越小，表示支持向量越多。支持向量的個數(shù)影響訓(xùn)練與預(yù)測的速度。

3.3.2 模型測試

從歷史檢測數(shù)據(jù)中抽取5組D1參考源電路模塊及參考源電路模塊接口信號故障數(shù)據(jù)、15組D1參考源電路模塊及參考源電路模塊接口信號無故障數(shù)據(jù)，組成47×20維測試集，對模型進(jìn)行測試，得到正確分類19組，錯誤分類1組，準(zhǔn)確率為95%。

3.4 仿真結(jié)果

對頻綜器單元的11類故障按照上述方法分別進(jìn)行模型測試及仿真，得到準(zhǔn)確率分布如表2。

表2 頻綜器單元故障診斷準(zhǔn)確率分布

4 結(jié)論

本文以頻綜器單元為研究對象，通過MATLAB平臺，將基于知識的專家系統(tǒng)與適用于小樣本、不平衡數(shù)據(jù)、具有高泛化能力的SVM算法相融合，搭建適用于航空裝備故障診斷及修理的系統(tǒng)模型，實現(xiàn)了11種故障模式的快速定位，模型綜合準(zhǔn)確率為91.82%，能夠有效轉(zhuǎn)化已有修理經(jīng)驗，提高故障診斷效率。