基于CBR的飞机引气系统故障诊断案例库构造

何永勃，王丽哲，杨燕辉

（中国民航大学航空自动化学院，天津300300）

基于CBR的飞机引气系统故障诊断案例库构造

何永勃，王丽哲，杨燕辉

（中国民航大学航空自动化学院，天津300300）

为快速准确排除飞机引气系统故障，引入CBR方法进行故障诊断。将来自运营方的历史故障经验与生产方的专家知识相结合而构造案例库。首先设计了不同类型知识的表示方法，然后重点研究了案例检索中的相似度，针对k-NN算法相似度作为参考的不足，提出了动态失效比的概念，并以此形成参考度，给出了计算模型。应用示例表明该案例库构造可准确定位故障，为高效的案例推理算法提供基础。

飞机引气系统；故障诊断；案例库；动态失效率；参考度

飞机气源系统分布范围广[1]，该系统故障将会影响飞机安全性。相比其它飞机子系统，A320系列飞机引气系统设计的可靠性水平较低，故障率、虚警率高，且故障原因复杂。目前，引气系统航线排故主要根据维修手册隔离故障，工作量大、效率低、成本高。随着人工智能的迅速发展，将CBR（case-based reasoning）技术用于飞机系统故障诊断中可节省大量时间，提高故障诊断水平。Jeff A.Frenster和R.V.Magaldi[2-3]等人将专家系统和CBR技术应用在发动机监控系统及英国航空航线排故中，取得了一定成果。AirBus公司的民用飞机维修监控和分析的数字化排故及维护管理软件AIRMAN（AIRcraftMaintenanceAnalysis）[4]，可帮助航站基地对整个机队的维修信息进行跟踪管理，简化和优化排故工作，降低维修成本。然而该软件仅利用维修手册中的固定排故程序，未充分利用历史维修案例，故障的定位深度和准确度不高。国内已在很多领域展开CBR应用的研究。周敏、杨少春等人将基于案例推理运用在安全审计系统与个性电子产品设计中[5-6]，都成功地解决了实际应用问题。

在基于案例推理的故障诊断中，案例库构造是核心问题。当引气系统新故障出现，从案例库中检索出的以往案例能够准确地指导解决当前问题，这是案例库构造的首要目标。引气系统部件故障往往征兆相似，但因季节不同而故障原因不同。k-NN算法相似度并未充分考虑到案例发生时间规律对其可参考性的影响。本文提出的案例库构造可有效地解决上述问题。

1 引气系统案例库结构

基于CBR的飞机引气系统故障诊断案例库体系结构如图1所示。案例库构造涉及知识表示、案例的检索机制及案例修正机制。在飞机引气系统故障诊断过程中，案例库首先将新故障表述成案例，然后采取检索算法将相似度最高的一组历史案例提供给用户参考。最后当搜索类似案例的相似度未达到阈值时，需对源案例进行部分修改以加入案例库，同时启动专家知识以实现故障诊断。同时可以启动资料案例库进行深知识的推理。

图1 飞机引气系统故障诊断案例库结构Fig.1 Case base structure of fault diagnosis for aircraft pneumatic system

2 引气系统案例库开发

2.1 知识表示

案例库的规模和信息量对故障诊断的效果起决定性作用。引气系统知识主要来源于两方面：其一为飞机制造商提供的各种资料，如Airbus公司提供的故障隔离手册TSM（trouble shooting manual）、飞机维护手册AMM（aircraft maintenance manual）等，这部分为深层知识，用来构造推理规则；另一个重要来源是航空维修企业2006年1月—2011年4月的8 331条历史维护经验，这部分为浅层知识。这两方面内容主要由资料案例库和经验案例库存储。

1）资料案例的表示

将TSM中的标准故障排除步骤进行逻辑处理，以TASKNUMBER或相关故障的规范描述作为顶事件，引气系统发生故障的全部原因作为底事件，建立成单调关联故障树（即只含有与门和或门的故障树）。引入事件路径状态变量存储故障树。事件路径状态变量定义为

其中：i表示故障树某条路径，0≤i≤底事件数量和；j表示路径中包含的状态变量，0≤j≤故障树深度。则故障树可以由i个向量来表示

其中：Yi=（yi1yi2…yiwxij）为故障树的一条路径。依次对根到叶节点的路径用路径状态变量表示，如图2所示故障树中第一条存储路径为T1-M1-M3-M5-X3，即Y1=（1101000200010000）。

图2 TASK NUMBER为810-863的故障树Fig.2 Fault tree when TASK NUMBER is 810-863

2）经验知识表述

经验案例库存放以往的故障维护经验案例。1条经验即1条案例，以自然语言方式涵盖发生的故障信息与维修措施、解释。用粗糙集方法[7]对前述维修经验的案例特征项进行约简，去除冗余信息。约简方法为：

设U为所有案例，D为决策属性，card（g）表示集合的基数，βc′用来表示特征项的重要性，该值接近0的特征项被剔除。公式如下

经约简后将经验事例提取成以下特征属性：故障现象描述（故障征兆）、故障地点、故障发生时间、故障发生阶段、故障原因、维修措施及更换部件号。

2.2 案例检索

案例检索直接反映了案例的组织形式，故本文也将其划分在案例库的范畴。目前案例检索中使用最广泛的是k-NN法，即返回相似度最高的案例供用户参考。中国幅员辽阔，不同地域、不同季节间温度、湿度差异很大。而飞机引气系统部件多为敏感器件，对湿度等条件依赖性强。在飞机大功率爬升时，外界环境条件变化剧烈，此时常会出现故障征兆类似，因季节不同而故障原因、处理方法不同。将相似度作为参考度，并未充分考虑到案例发生时间规律对其可参考性的影响，参考度应随着环境、时间的变化而变化。对此，本文提出动态失效比的概念，由用户自己指定案例发生的时间段，并与相似度进行综合度量，生成参考度，按照参考度降序提供参考。飞机引气系统案例的参考度定义为：描述信息的相似度和动态失效比的加权值，其数学描述如下

其中：Re f为案例参考度；Sim（X，Y）为案例X与案例Y描述信息的相似度；Dyn为动态失效率；wSim为描述信息相似度的权值；wDyn为动态失效率的权值。动态失效率定义为一定时间内在原因j下某部件的失效率与同原因下该部件失效时间间隔标准差的比值，其定义表达式为

其中：k为某部件在原因i下失效故障数；n为某部件总故障数；xi为在原因j下该故障相邻失效时间间隔；为在原因j下该故障平均失效时间间隔。xi与的量纲会对计算产生较大的影响，在计算相似度之前，须进行线性归一化处理，使之映射到[0,1]区间。

描述信息的相似度可按k-NN方法计算[8]

其中：wi表示第i个属性在整个案例属性集合中所占的权重，其值由专家推荐；Sim（fiX，fiY）∈[0，1]为X和Y中第i个属性的相似性。

案例参考度中wSim与wDyn权值的确定可采用最小二乘法动态调整取得[9]。首先从经验案例集中选一个案例作为样本，赋权重初始值，其次再选m个案例进行参考度比较。这里设第i个案例相似度为Si1，其权值为W1，动态失效率为Di2，其权值为W2，W1+W2=1，案例参考度为yi。将m个案例逐个与样本案例进行参考度计算，可得到下列数据

案例检索测试得到参考度yi后，专家对这些参考案例给出参考效果及允许误差范围（-ε，ε）。若yi超出误差范围，则调整权值，使得当yi值落入允许误差范围内，便可认为该值可靠性已满足。调整权值的方法是最小二乘法。设m组数据最小二乘法误差总和记为

时，E以最快速度收敛到最小。δ为步长，取一较小正实数，如δ=0.01。把展开，得

这样，给定一组Wj初值后，可依据上式得到Wj的下一组调整值，即

经过不断调整，当计算所得的各个y值落入允许误差范围内即可。

2.3 案例修正

目标案例与源案例不够接近时，需要对源案例进行调整与修正。引气系统故障诊断需要计算机学习与人为调整相结合的方法，即调用引气系统设计的规则对从案例库中提取的原有方案进行修改。具体来说，案例的改写主要包括以下几个方面：

1）故障特征的调整。通常飞行器航行的过程中引气系统发生故障的天气条件、设备状态、故障征兆各不相同，故系统须在人为干预下对提取的案例进行改写，以满足目标案例的要求。

2）故障结论的修正。对于用户对诊断结果的评价不满意，而参考度又很高的案例，须根据目标案例的诊断结果对检索到的案例进行修改。

3 应用示例

采用本文案例库构建方法，用Visual Basic 2010和SQL Sever 2008开发了“飞机引气故障诊断专家系统”原型，对课题中8 331条历史维修案例进行试验。采用故障定位准确度和排故工作量来评估参考度的性能。设有m个案例，一个案例对应i（i≥1）个原因，故障定位准确度定义为：故障诊断的结果由第一个故障原因导致的概率。

新故障描述为“航前阶段引气系统指示灯为琥珀色，温度在227℃～236℃间跳变，引气压力为38psi”。案例特征属性集X=（航前，琥珀色，227～236，38），与新故障案例相似度最高的案例如表1所示，Y=（航前，琥珀色，225～245，36）。案例X特征属性集中“航前”、“琥珀色”数据类型为列表型，引气温度为区间型，引气压力为数值型，由式（6）和文献[8]中相似度计算方法，各特征属性局部相似性分别为

Sim（fiX，fiY）=（1，1，0.825，0.269）i=1，…，4案例X与Y之间相似度为

表1 经验案例库部分案例Tab.1 Parts of case base

动态失效率的时间段根据用户选择，故障失效时间间隔单位为“天”，由SQL语句在历史案例中选取此区间案例，由VB程序计算动态失效率、权值和参考度。用户分别选择7～9月或10～12月的时间间隔（60天），wSim、wDyn的初始值各为0.5，经式（7）～式（11）调整，7～9月权重：wSim=0.429，wDyn=0.571；11～12月权重：wSim=0.387，wDyn=0.613。参考度的计算方法参照式（4）、式（5）。表2为传统方法以相似度作为检索结果和本文提出的参考度作为检索结果的故障原因定位与排故工作量。

表2 相似度与参考度下的排故工作量对比Tab.2 Troubleshooting workload comparison between similarity degree and reference degree

由表2可以看出，以相似度作为检索结果，则Case1作为新故障排除时的参考案例，其中故障原因有1，2两条，排故时需进行4个操作步骤。本文提出方法中，7～9月间（夏季）最可能的故障原因为1，其排故工作量仅为1，2两个步骤。若按相似度最高的案例作为参考，则故障原因有多个，故障定位不够准确，排故工作量大。本文方法综合了时间因素对相似案例的影响，参考度的计算方法包含了故障时间规律信息。而且由权值可以看出，动态失效率对参考度贡献偏大，这符合故障原因与季节性相关这一事实。利用本文提出的参考度方法，得到的故障定位准确度如表3所示。可以看出，故障定位准确度提高了近1倍。

表3 相似度与参考度故障定位准确度Tab.3 Accuracy degrees of two fault-diagnosis approaches

4 结语

针对飞机引气系统结构及自身故障特点，总结维修领域规则与经验，引入CBR技术，建立飞机引气系统案例库。以动态失效率和参考度形成案例组织，包含故障发生的时间规律信息，发掘引气系统故障规律，有效解决季节因素对相似案例的影响问题。实例说明通过该案例库构造方法可准确定位故障，利于快速查明故障原因，既紧密结合了飞机制造商对于故障的预期排除规范，又充分参考了历史经验，满足适航要求。

[1]AIRBUS.A319/A320 Aircraft Maintenance Manual[Z].2005.

[2]JEFF A FRENSTER，RONAID L DEHOFF.Improved Flightline Diagnostics Using an Expert Maintenance Tool[C]//Aerospace and Electronics Conference，IEEE，NAECON，1990.

[3]MAGALDI R V.CBR for Troubleshooting Aircraft on the Flihtline[C]//Case Based Reasoning：Prospects for Applications，IEE Colloquium，1994.

[4]顾 铮.空中客车公司数字化排故及维修管理软件AIRMAN[J].中国民航学院学报，2005，23（4）：26-28.

[5]周 敏.案例推理技术在安全审计系统中的应用[J].微电子学与计算机，2007，24（3）：165-166.

[6]杨少春.基于实例推理技术的个性电子产品设计研究[J].微电子学与计算机，2007，24（6）：67-69.

[7]万 磊，孙继银，王莎莎.基于粗糙集的CBR系统案例特征属性优化算法研究[J].微电子学与计算机，2008，25（1）：190-192.

[8]蒋占四，陈立平，罗年猛.最近邻实例检索相似度分析[J].计算机集成制造系统，2007，13（6）：1165-1168.

[9]刘缵敏，孙 义，史忠植.CBR检索的线性回归模型及实现[J].计算机工程，2007，33（4）：165-167.

（责任编辑：杨媛媛）

Case base construction of fault diagnosis for aircraft pneumatic system based on CBR

HE Yong-bo，WANG Li-zhe，YANG Yan-hui
（Aeronautical Automation College，CAUC，Tianjin 300300，China）

In order to troubleshoot the aircraft pneumatic system’s problem fast and accurately，CBR methodology is applied to the fault diagnosis and case base is made based onpractical experience from airlines and manufacture experts.Firstly，different types of knowledge representation methods are proposed.Secondly，the similarity in case retrieval is discussed in details.Aiming at the disadvantages of k-NN algorithm similarity as a reference，the dynamic fault ratio is established and the reference degree is formed based on it.Experimental results show that the proposed case base could detect faults effectively，and it is a robust foundation of fault reasoning algorithms.

aircraft pneumatic system；fault diagnosis；case base；dynamic fault ratio；reference degree

V263.6；TP182

A

1674－5590（2013）06－0029－04

2012-11-02；

2013-01-05

国家自然科学基金项目（61179004）

何永勃（1971—），男，陕西蒲城人，副教授，博士，研究方向为航空电气故障诊断、自动化仪表.