基于貝葉斯網(wǎng)絡(luò)和關(guān)聯(lián)規(guī)則的航電系統(tǒng)故障診斷

王 凱 李玄玄

(中國民航大學電子信息與自動化學院 天津 300300)

0 引 言

航空電子系統(tǒng)簡稱航電系統(tǒng),主要包括通信、導(dǎo)航等多個航電子系統(tǒng),航電系統(tǒng)結(jié)構(gòu)復(fù)雜,各個子系統(tǒng)之間存在高度的信息交互,故障存在很大的不確定性,某一部件發(fā)生故障后,很可能引起關(guān)聯(lián)結(jié)構(gòu)部分也發(fā)生故障,有時同一種故障征兆對應(yīng)著幾種故障原因,同一種故障原因又會引起多種故障現(xiàn)象,存在關(guān)聯(lián)故障、多故障等復(fù)雜形式;由于航電系統(tǒng)常常使用在干擾因素復(fù)雜的環(huán)境下,即使是同一機型的飛機,航電系統(tǒng)出現(xiàn)的故障類型不會完全相同,同種故障類型發(fā)生的概率也不會相同,這取決于航電系統(tǒng)相關(guān)的操作、維護保養(yǎng)、飛行環(huán)境等諸多因素。在實際維修中,傳統(tǒng)的航電系統(tǒng)故障診斷方法主要按照故障隔離手冊(TSM)的指導(dǎo)來排除故障,檢測步驟比較多,過程比較繁瑣,維修費時費力,并且維修手冊是設(shè)計人員制定的[1],沒有充分利用大量的歷史維修數(shù)據(jù),給出的檢測步驟和可能的故障原因比較單一,與實際維修存在一定的差別,同時維修過程中可能會出現(xiàn)新的故障問題,按照手冊執(zhí)行完所有步驟也沒有排除故障,因此單單依靠手冊并不能解決所有故障問題。目前許多專家學者對航電系統(tǒng)的故障診斷進行了深入研究。朱亞光等[2]利用簡約覆蓋理論和因果概率網(wǎng)絡(luò)對航電系統(tǒng)的多故障問題進行診斷,不過需要列出所有可能的故障集合,存在診斷推理困難,模型不易推廣和更新。劉軍[3]將FTA與BAM神經(jīng)網(wǎng)絡(luò)融合,并聯(lián)合BP神經(jīng)網(wǎng)絡(luò),實現(xiàn)多方法聯(lián)合的航電系統(tǒng)故障診斷,但需要大量完備的歷史維修數(shù)據(jù)進行訓練,對于航電系統(tǒng)來說很難獲取。近年來,貝葉斯網(wǎng)絡(luò)由于圖形化的定性表示、概率形式的定量表達、易實現(xiàn)推理的優(yōu)勢,在故障診斷領(lǐng)域得到越來越廣泛的應(yīng)用。韓璞等[4]提出貝葉斯網(wǎng)絡(luò)結(jié)合主成分分析法的故障診斷方法,通過利用主成分分析法提取系統(tǒng)故障特征,從而構(gòu)建出貝葉斯網(wǎng)絡(luò)故障診斷模型,有效提高了故障診斷的效率。馬德仲等[5]提出貝葉斯網(wǎng)絡(luò)和模糊評判結(jié)合的故障診斷方法,綜合考慮了故障概率、檢測方法難易程度、檢測速度、檢測的準確性和經(jīng)濟性等多種因素,優(yōu)化了診斷方法,提高了診斷的準確性。針對目前航電系統(tǒng)故障診斷方法的局限性以及貝葉斯網(wǎng)絡(luò)的優(yōu)勢,在現(xiàn)有研究成果的基礎(chǔ)上,本文通過有效分析航電系統(tǒng)的原理以及特點,提出基于貝葉斯網(wǎng)絡(luò)結(jié)合關(guān)聯(lián)規(guī)則的航電系統(tǒng)故障診斷方法,以貝葉斯網(wǎng)絡(luò)為架構(gòu)來建立航電系統(tǒng)故障診斷模型,并在不完備歷史維修數(shù)據(jù)的基礎(chǔ)上,利用關(guān)聯(lián)規(guī)則算法以及貝葉斯估計法來實現(xiàn)故障診斷模型參數(shù)的學習,最后根據(jù)觀測證據(jù)結(jié)合推理算法完成故障的快速推理,實現(xiàn)了機載維修過程的動態(tài)化,提高了機載航線維修的效率。

1 貝葉斯網(wǎng)絡(luò)與關(guān)聯(lián)規(guī)則

1.1 關(guān)聯(lián)規(guī)則

關(guān)聯(lián)規(guī)則反映了一個事物與其他事物之間的相互依存性,是數(shù)據(jù)挖掘的研究方向之一,關(guān)聯(lián)規(guī)則算法可以從大量的歷史維修數(shù)據(jù)中挖掘故障之間的關(guān)聯(lián)強度等有價值信息。在項目集I中,具有A?B這樣的表達形式稱為關(guān)聯(lián)規(guī)則[6],其中A∈I、B∈I且A∩B=?,類似于貝葉斯網(wǎng)絡(luò)中的條件概率,表示A發(fā)生的情況下B也發(fā)生的事件。關(guān)聯(lián)規(guī)則的支持度表示幾個關(guān)聯(lián)數(shù)據(jù)在數(shù)據(jù)集中出現(xiàn)的頻率占總數(shù)據(jù)集個數(shù)的比值,記為sup(X?Y);置信度為一個數(shù)據(jù)出現(xiàn)后,另一個數(shù)據(jù)出現(xiàn)的頻率,記為conf(Y?X)。在挖掘規(guī)則時通常會設(shè)置最小支持度min_sup和最小置信度min_conf,只有滿足這兩個最低閾值,挖掘的關(guān)聯(lián)關(guān)系才有意義[7]。支持度大于min_sup的項集被稱為頻繁項集,頻繁項集的置信度大于min_conf的規(guī)則稱為強關(guān)聯(lián)規(guī)則。本文使用MATLAB軟件利用關(guān)聯(lián)規(guī)則Apriori算法對歷史維修數(shù)據(jù)進行挖掘,來獲取故障之間強關(guān)聯(lián)規(guī)則的置信度,其中支持度為:

(1)

式中:freq(XY)為X和Y同時出現(xiàn)的頻次;number(AllSamples)為數(shù)據(jù)樣本總數(shù)。

置信度為:

1.2 貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)是一種基于網(wǎng)絡(luò)結(jié)構(gòu)的有向圖表示方式,以圖形化的方式定性描述,以概率的方式進行定量表達,能進行雙向并行推理[8-9],實現(xiàn)全局推理,并能充分綜合先驗信息、歷史數(shù)據(jù)、實際經(jīng)驗、其他信息來源,實現(xiàn)快速、全面的推理。貝葉斯定理如下[10],假設(shè)Xi和Xe為兩個隨機事件,給定事件Xe發(fā)生的情況下,Xi事件也發(fā)生的概率記為P(Xi|Xe),則:

式中:Xi是期望獲取信息的節(jié)點;Xe是觀測證據(jù),代表一個或者多個節(jié)點的狀態(tài),可以通過人員、外部檢測設(shè)備等來獲取;等式右邊的項是先驗概率和條件概率信息,可以從專家經(jīng)驗或者維護記錄中獲得;左邊的項是后驗概率,是最終期望得到的概率分布。貝葉斯網(wǎng)絡(luò)推理的基本思想就是根據(jù)貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù),將獲得的節(jié)點狀態(tài)作為觀測證據(jù),利用貝葉斯公式結(jié)合推理算法進行后驗概率P(Xi|Xe)的計算。

1.2.1貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)與故障樹的轉(zhuǎn)化規(guī)則

貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)由各個節(jié)點構(gòu)成,包括父節(jié)點、子節(jié)點、根節(jié)點和葉節(jié)點,通常一個節(jié)點代表一個變量,一個變量有幾種可能的狀態(tài),節(jié)點之間的連線代表節(jié)點之間的關(guān)聯(lián)性,由父節(jié)點指向子節(jié)點[11-12]。本文有效利用故障樹轉(zhuǎn)化為貝葉斯網(wǎng)絡(luò)結(jié)構(gòu),具體轉(zhuǎn)化規(guī)則如圖1所示[13-14]。

(1) 故障樹的底事件對應(yīng)貝葉斯網(wǎng)絡(luò)的根節(jié)點。

(2) 故障樹中間事件對應(yīng)貝葉斯網(wǎng)絡(luò)中間節(jié)點。

(3) 故障樹的頂事件對應(yīng)貝葉斯網(wǎng)絡(luò)的葉節(jié)點。

(4) 故障樹的邏輯門對應(yīng)貝葉斯網(wǎng)絡(luò)的有向邊。

(5) 多個故障樹的相同事件合并為同一個貝葉斯網(wǎng)絡(luò)的節(jié)點。

圖1 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)與故障樹的轉(zhuǎn)化規(guī)則

1.2.2LeakyNoisy-Or模型

貝葉斯網(wǎng)絡(luò)的條件概率是一個指數(shù)爆炸問題,對于一個有N個父節(jié)點(X1～XN)的子節(jié)點Y來說,需要獲得2N個獨立的條件概率參數(shù),在實際情況中很難獲得這么充足的數(shù)據(jù)信息。因此本文將貝葉斯網(wǎng)絡(luò)的節(jié)點視為Leaky Noisy-Or節(jié)點[15-16],如圖2所示,即假設(shè)各個父節(jié)點對于Y的影響為相互獨立,其中遺漏概率PL表示當所列出的故障原因都未發(fā)生的時候,部件也可能出現(xiàn)故障的概率大小。將所有沒有考慮的因素綜合為節(jié)點XL,表示當所有的父節(jié)點都取假的時候,由于有XL存在,子節(jié)點Y仍然有可能取真,使得整個貝葉斯網(wǎng)絡(luò)模型更接近實際維修情況。

圖2 Leak Noisy-Or模型

記父節(jié)點Xi(X1～XN)構(gòu)成的集合為Xp,父節(jié)點Xi(X1～XN)為真構(gòu)成的集合為XT,父節(jié)點Xi(X1～XN)為假構(gòu)成的集合為XF,子節(jié)點Y的取值由各個父節(jié)點通過“或”運算進行影響,則:

Y=X1X2…∨XN∨XL

(4)

由Xi獨立引起Y為真的概率為:

遺漏概率PL為:

Y的條件概率為:

1.2.3貝葉斯網(wǎng)絡(luò)參數(shù)

對于根節(jié)點來說,需要賦予先驗概率[17],來反映系統(tǒng)的歷史運行情況,這是對當前故障模式做出診斷的基礎(chǔ)。在航電系統(tǒng)中獲取到完整的故障樣本數(shù)據(jù)是不太可能的,仿真數(shù)據(jù)的真實性又難以保證,因此本文使用的維修數(shù)據(jù)也是不完備的。本文采用文獻[14]提出的方法,通過計算底層故障在故障例全集中的比例,確定底層故障的先驗概率。比如在甚高頻系統(tǒng)的1 000次故障實例中,收發(fā)機硬件故障出現(xiàn)的次數(shù)為50,則其先驗概率為50/1 000=0.05。

貝葉斯網(wǎng)絡(luò)的條件概率表大多數(shù)都是由專家經(jīng)驗直接給定的,沒有充分利用歷史維修數(shù)據(jù)。在利用Leak Noisy-Or模型來簡化條件概率的計算后,關(guān)聯(lián)規(guī)則算法的流程以及挖掘的部分強關(guān)聯(lián)規(guī)則符合貝葉斯網(wǎng)絡(luò)的參數(shù)信息。貝葉斯網(wǎng)絡(luò)根節(jié)點的先驗概率對應(yīng)于關(guān)聯(lián)規(guī)則Apriori算法挖掘的1-頻繁項集的支持度,條件概率符合關(guān)聯(lián)規(guī)則Apriori算法挖掘的強關(guān)聯(lián)規(guī)則的2-頻繁項集的置信度。利用關(guān)聯(lián)規(guī)則算法挖掘出關(guān)聯(lián)信息后,采用貝葉斯估計法綜合專家經(jīng)驗進行參數(shù)的修正學習。在歷史維修數(shù)據(jù)量相對較少時,專家經(jīng)驗占的權(quán)重較大,數(shù)據(jù)逐漸增多時,專家經(jīng)驗所占的權(quán)重慢慢削弱,保證前期和后期推理的準確性。記初始歷史維修數(shù)據(jù)全集個數(shù)為N,關(guān)聯(lián)規(guī)則算法挖掘歷史維修數(shù)據(jù)得到的置信度為P(0)(B|A),維修人員給出的專家經(jīng)驗為P(1)(B|A),則:

條件概率的計算公式為:

當sup(A)≠0時,則:

當sup(A)=0時,則P(B|A)=P(1)(B|A),表示歷史維修數(shù)據(jù)不曾出現(xiàn)的故障,則按專家經(jīng)驗進行給定。

當加入N1個新的歷史維修數(shù)據(jù),則N=N+N1,重新利用關(guān)聯(lián)規(guī)則算法進行挖掘,并按照式(8)和式(9)進行相同計算。

2 航電系統(tǒng)的故障診斷分析

航電系統(tǒng)是一個主要包括通信、導(dǎo)航等多個航電子系統(tǒng)的復(fù)雜系統(tǒng),因此需要對各個航電子系統(tǒng)建立故障診斷模型。本文方法適用于各個具體的航電子系統(tǒng),在完成各個航電子系統(tǒng)的故障診斷模型的構(gòu)建后,可以生成整個航電系統(tǒng)的故障診斷模型庫,當某一航電子系統(tǒng)出現(xiàn)故障時,可以調(diào)用對應(yīng)的故障診斷模型進行診斷分析。

2.1 航電子系統(tǒng)的故障診斷流程

具體航電子系統(tǒng)的故障診斷流程如圖3所示。

圖3 航電子系統(tǒng)的故障診斷流程框圖

(1) 根據(jù)航電子系統(tǒng)的原理以及歷史維修數(shù)據(jù)分析出常見的故障模式,分別以常見的故障模式為頂事件來建立相應(yīng)的故障樹。

(2) 按照故障樹與貝葉斯網(wǎng)絡(luò)的轉(zhuǎn)化規(guī)則將故障樹轉(zhuǎn)化并合并為故障診斷模型的結(jié)構(gòu),并將航電系統(tǒng)的BITE信息作為節(jié)點擴展到結(jié)構(gòu)中。

(3) 利用關(guān)聯(lián)規(guī)則算法挖掘歷史維修數(shù)據(jù)包含的強關(guān)聯(lián)規(guī)則,并利用貝葉斯估計法綜合專家經(jīng)驗對參數(shù)進行學習。

(4) 根據(jù)BITE信息、外部檢測設(shè)備等觀測證據(jù)結(jié)合推理算法來不斷更新后驗概率分布,實現(xiàn)推理分析。

甚高頻(VHF)系統(tǒng)是航電系統(tǒng)的重要組成部分,是機載通信中使用頻率最高的航電子系統(tǒng)之一。VHF系統(tǒng)主要用于飛行人員與地面塔臺以及其他飛機保持聯(lián)絡(luò)來獲取正確的飛行操作指令,保障飛機的飛行安全。本文方法在VHF系統(tǒng)的故障診斷流程與其他航電子系統(tǒng)相似,因此本文以某機型的VHF系統(tǒng)為例,構(gòu)建VHF系統(tǒng)的貝葉斯網(wǎng)絡(luò)故障診斷模型,并結(jié)合具體案例進行推理分析。

2.2 VHF系統(tǒng)的故障診斷模型的構(gòu)建

2.2.1VHF系統(tǒng)原理

每架飛機通常配有三套相互獨立的VHF系統(tǒng),每套VHF系統(tǒng)包括一個收發(fā)機(XCVR)和一套天線(ANTENNA),并與音頻管理單元(AMU)、音頻控制面板(ACP)、無線電管理面板(RMP)、集中故障顯示系統(tǒng)(CFDIU)相連接。其中:RMP控制VHF系統(tǒng)的頻率/通道選擇和顯示,ACP通過AMU可以控制音量的大小;CFDIU是集中維護系統(tǒng),可以收集并顯示各個子系統(tǒng)中出現(xiàn)的故障信息。每架飛機通常都配有3套獨立且相互替換的RMP,每套RMP都可以實現(xiàn)對收發(fā)機1、2、3的調(diào)諧控制,每架飛機通常也會配有3套以上相同且相互獨立的ACP,某機型的VHF系統(tǒng)的原理結(jié)構(gòu)框圖如圖4所示。

圖4 VHF系統(tǒng)的原理結(jié)構(gòu)

飛機航電系統(tǒng)不僅配有多套冗余設(shè)備還有相應(yīng)的維護系統(tǒng)以及自檢(BITE)裝置。在正常模式下,BITE可以實時循環(huán)監(jiān)測VHF系統(tǒng)的瞬時狀態(tài),實時將故障信息傳遞給CFDIU進行顯示;在菜單模式下,機務(wù)人員可以在地面對VHF系統(tǒng)進行自測試操作,實現(xiàn)VHF系統(tǒng)與CFDIU通信。BITE在一定程度上可以檢測出故障的發(fā)生,但是僅僅從系統(tǒng)原理層次進行故障的檢測,并不能充分考慮到故障發(fā)生的所有因素,例如功能部件之間的關(guān)聯(lián)關(guān)系,因此常常發(fā)生故障的虛報警。

2.2.2VHF系統(tǒng)故障樹

通過歷史維修數(shù)據(jù)的分析,VHF系統(tǒng)常見的故障模式有通信完全失效、通信有噪聲、系統(tǒng)發(fā)射/接收失效、連續(xù)發(fā)射等,故障原因包括收發(fā)機1硬件、天線1硬件、RMP系統(tǒng)調(diào)諧、ACP控制、收發(fā)機1斷路器、接線等故障。以VHF系統(tǒng)通話有噪聲為頂事件,按照系統(tǒng)原理與歷史維修數(shù)據(jù)建立的故障樹如圖5所示,其他常見故障模式的故障樹類似,部分節(jié)點的具體含義如表1所示。

圖5 VHF1系統(tǒng)通信噪聲的故障樹

續(xù)表1

2.2.3VHF系統(tǒng)故障診斷模型的結(jié)構(gòu)

按照第1.2.1節(jié)給出的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)與故障樹的轉(zhuǎn)換規(guī)則,將多個故障樹轉(zhuǎn)換并合并為故障診斷模型的結(jié)構(gòu),并將BITE信息作為節(jié)點擴展結(jié)構(gòu),然后根據(jù)專家經(jīng)驗適當修正,構(gòu)建出基于貝葉斯網(wǎng)絡(luò)的VHF系統(tǒng)故障診斷模型的結(jié)構(gòu)。本文使用貝葉斯網(wǎng)絡(luò)工具GeNIe2.3軟件進行故障診斷模型的構(gòu)建和仿真,該軟件提供了聯(lián)合樹等多種推理算法來實現(xiàn)快速推理,并提供可視化界面,圖6為本文建立的VHF系統(tǒng)的故障診斷模型局部圖。本故障診斷模型的所有節(jié)點都為兩態(tài),第一層表示的是BITE信息層,包含各個BITE信息節(jié)點,與對應(yīng)的故障原因節(jié)點相連,狀態(tài)為Present或Absent,表示BITE信息是否存在,例如當出現(xiàn)VHF1 ANTENNA(4RC1)/COAX時,則該節(jié)點狀態(tài)為Present,收發(fā)機硬件、同軸電纜、天線硬件等發(fā)生故障都會引起該BITE信息的出現(xiàn);第二層表示的是故障原因?qū)?狀態(tài)為False或Normal,例如收發(fā)機硬件發(fā)生故障時,則該節(jié)點狀態(tài)為False;第三層表示的是功能部件故障現(xiàn)象,作為中間節(jié)點,例如天線1失效;第四層表示的是VHF系統(tǒng)故障現(xiàn)象,例如通話有噪聲、連續(xù)發(fā)射等。利用故障診斷模型進行推理分析時,當已知某節(jié)點的狀態(tài)時,設(shè)置其狀態(tài),比如Present或者False,作為觀測證據(jù),結(jié)合推理算法對全局故障原因節(jié)點的后驗概率進行更新。

圖6 VHF系統(tǒng)的故障診斷模型

2.2.4VHF系統(tǒng)故障診斷模型的參數(shù)

本文使用某航空公司最近連續(xù)一年中376條VHF系統(tǒng)的歷史維修數(shù)據(jù)進行信息挖掘與分析。首先將歷史維修數(shù)據(jù)進行統(tǒng)一整理,生成VHF系統(tǒng)歷史維修數(shù)據(jù)表,在MATLAB軟件上使用關(guān)聯(lián)規(guī)則Apriori算法讀取歷史維修數(shù)據(jù)表來挖掘包含的強關(guān)聯(lián)規(guī)則信息,由于考慮維修中出現(xiàn)的小概率事件,增加維修的全面性和準確性,故設(shè)min_sup=10-4、min_conf=10-4,關(guān)聯(lián)規(guī)則Apriori算法挖掘的1-頻繁項集的支持度作為故障原因節(jié)點的先驗概率,結(jié)果如表2所示。

表2 故障原因節(jié)點的先驗概率

表3 通信有噪聲的條件概率表

續(xù)表3

2.3 案例分析

案例:在某次飛行過程中,飛行人員反映在使用VHF1系統(tǒng)的過程中出現(xiàn)了通信有噪聲的問題,飛機落地后,其中CFDIU顯示故障維護信息:VHF1 ANTENNA(4RC1)/COAX,維修人員以RMP1為控制源對VHF1進行自檢,CFDIU顯示維護信息:VHF1:NO DATA FROM CONTROL SOURCE;對調(diào)諧控制系統(tǒng)進行自檢,CFDIU顯示故障信息:RMP2:NO DATA FROM RMP1和RMP3:NO DATA FROM RMP1。

將觀測證據(jù)依次輸入到VHF系統(tǒng)故障診斷模型中,具體診斷推理過程如下:

無觀測證據(jù):當無任何觀測證據(jù)輸入到故障診斷模型時,故障診斷模型輸出的推理結(jié)果為故障原因的先驗概率,代表了VHF系統(tǒng)的歷史運行狀態(tài)。

觀測證據(jù)1:飛行人員反映VHF1系統(tǒng)通信有噪聲后,作為第一次觀測證據(jù),輸入到故障診斷模型中,即將通信有噪聲節(jié)點的狀態(tài)設(shè)置為Present,依據(jù)故障診斷模型的結(jié)構(gòu)和參數(shù),結(jié)合聯(lián)合樹推理算法更新故障原因節(jié)點的后驗概率,故障診斷模型在貝葉斯網(wǎng)絡(luò)工具GeNIe2.3軟件上仿真的部分結(jié)果如圖6所示。

觀測證據(jù)2:VHF1 ANTENNA(4RC1)/COAX作為第二次觀測證據(jù)輸入到故障診斷模型中,即將VHF1 ANTENNA(4RC1)/COAX節(jié)點狀態(tài)設(shè)置為Present,重新更新故障原因節(jié)點的概率大小,推理得到新的后驗概率分布。

觀測證據(jù)3:將維修人員在地面通過自檢操作得到的VHF1:NO DATA FROM CONTROL SOURCE的BITE信息作為第三次觀測證據(jù),輸入到故障診斷模型。

觀測證據(jù)4和觀測證據(jù)5:分別設(shè)置RMP2:NO DATA FROM RMP1和RMP3:NO DATA FROM RMP1節(jié)點狀態(tài)為Present,輸入完全部的觀測證據(jù),得到最終的后驗概率分布。

部分故障原因節(jié)點的后驗概率分布隨著每一次觀測證據(jù)輸入的變化值如表4所示,對應(yīng)節(jié)點的后驗概率分布更新如圖7所示,可以看出,隨著每一次觀測證據(jù)的輸入,各故障原因節(jié)點的后驗概率大小都會變化,直至輸入完所有的觀測證據(jù)。

表4 部分故障原因節(jié)點的后驗概率分布表

圖7 部分故障原因節(jié)點的后驗概率分布更新圖

結(jié)果分析過程如下:在無觀測證據(jù)輸入時,收發(fā)機1硬件的先驗概率最高為35.106%,表示系統(tǒng)歷史運行過程中,收發(fā)機1硬件的故障發(fā)生率最高;在前三次證據(jù)輸入時,收發(fā)機1硬件的后驗概率不斷升高,隨著觀測證據(jù)4、觀測證據(jù)5的輸入,收發(fā)機1硬件的后驗概率逐漸降低,分別為68.958 1%、58.356 1%,因為前三次的觀測證據(jù)有利于指向收發(fā)機1硬件發(fā)生了故障,后面的觀測證據(jù)卻削弱了其發(fā)生概率。對比發(fā)現(xiàn),RMP1硬件的后驗概率開始很低,輸入完所有的觀測證據(jù)后,RMP1硬件的后驗概率上升為67.563 5%,此時后驗概率最高,因此可以認定導(dǎo)致故障發(fā)生的原因是RMP1硬件的故障。在實際的檢修過程中,維修人員通過對RMP1設(shè)備檢測和現(xiàn)場構(gòu)型調(diào)換,檢測出RMP1的硬件發(fā)生了故障,當維修人員拆卸并安裝新的RMP1設(shè)備后,VHF系統(tǒng)的通話恢復(fù)正常,驗證了診斷結(jié)果的可靠性。

3 結(jié) 語

本文提出利用貝葉斯網(wǎng)絡(luò)結(jié)合關(guān)聯(lián)規(guī)則來對航電系統(tǒng)進行故障診斷,在深入分析航電系統(tǒng)原理與歷史維修數(shù)據(jù)的基礎(chǔ)上,通過故障樹轉(zhuǎn)化為以貝葉斯網(wǎng)絡(luò)為架構(gòu)的故障診斷模型結(jié)構(gòu),并將BITE信息作為節(jié)點擴展結(jié)構(gòu),然后利用關(guān)聯(lián)規(guī)則算法挖掘歷史維修數(shù)據(jù)包含的強關(guān)聯(lián)規(guī)則,并利用貝葉斯估計法綜合專家經(jīng)驗對參數(shù)進行學習,然后將獲取到的BITE信息、飛行人員反饋、外部設(shè)備檢測結(jié)果等信息作為觀測證據(jù)進行推理分析,最后以VHF系統(tǒng)為例介紹了整個故障診斷流程,本文方法同樣適用于其他航電子系統(tǒng)。本文方法融合了歷史維修數(shù)據(jù)、維修人員的專家經(jīng)驗、BITE信息等不同來源的知識,解決了傳統(tǒng)單單依靠專家經(jīng)驗的局限性,提高了故障診斷結(jié)果的可靠性;故障診斷模型易于構(gòu)建、易于操作,同時故障診斷模型的參數(shù)可以隨著維修次數(shù)動態(tài)更新;充分模擬維修人員在維修過程中的流程和診斷思維,做到了根據(jù)觀測證據(jù)結(jié)合推理算法實現(xiàn)快速推理,不斷更新故障原因節(jié)點的后驗概率分布。案例分析結(jié)果表明,基于貝葉斯網(wǎng)絡(luò)和關(guān)聯(lián)規(guī)則的航電系統(tǒng)故障診斷方法可以有效減少地面維修人員的故障檢測與排故時間,實現(xiàn)了故障診斷過程的動態(tài)化,提高了機載航線維護的效率,為進一步開發(fā)智能化的航電故障診斷系統(tǒng)提供理論支持。