某型电台智能故障诊断系统模型研究

张经伟　鞠建波

摘 要： 针对某型电台的智能故障诊断，提出了故障树与BP神经网络相结合的诊断系统模型。BP神经网络的参数由故障树提取，具体诊断时，首先通过对发生的故障与故障实例库进行匹配，如果匹配成功，找出已有故障的维修策略，如果不匹配，则进入BP神经网络模块对新发生的故障进行诊断。结合这两种方法的电台故障诊断系统诊断速度快，准确率高，实用性强，在机载电子设备故障诊断中具有良好的应用前景。

关键词： 故障诊断； FTA； BP神经网络； 系统建模

中图分类号： TN919.4?34 文献标识码： A 文章编号： 1004?373X（2015）01?0090?03

Abstract： A fault diagnosis system model combining with fault tree and BP neural network is put forward for intelligent fault diagnosis of a certain radio station. The parameters of BP neural network are extracted by fault tree. Before diagnosing， the occurred fault is matched with fault case library. If matching is successful， try to find out a maintenance policy of the fault. Otherwise， enter BP neural network module to diagnose the faults. The diagnosis system combining with the two methods has high diagnosis speed， high accuracy and good practicability. It has a perfect application prospect in the fault diagnosis of airborne electronic equipments.

Keywords： fault diagnosis； FTA； BP neural network； system modeling

0 引 言

机载自动检测设备（Automatic Test Equipment， ATE）大大提高了部队机务保障水平，但是ATE对设备故障的诊断能力较弱。部队机载电子设备性能日益增强、完善，设备功能结构更复杂、集成度更高。出现故障时，如果将故障定位到元器件级，其难度大、耗时长，将降低飞机的使用率和出勤率；如果将故障准确定位到板级（Ship Replace Unit，SRU），就能迅速更换插板，提高设备的维修效率。

某型电台[1]是新一代飞机的新型抗干扰通信电台，代表性较强。本文以该电台为例，将故障树分析法（Fault Tree Analysis，FTA）[2]与人工神经网络（Artificial Neural Network，ANN）[3]方法融合，设计机载电子设备的智能故障诊断系统模型，该系统能获取ATE的测试数据并进行处理，将故障定位到板级，并能对诊断过程及其结果做出解释。

1 FTA建立某型电台故障模型

某型电台有三种工作状态：常规工作状态，抗干扰工作状态和救生工作状态。常规工作状态有AM（调幅）和FM（调频）两种工作方式；抗干扰工作状态有DS（扩频）和DS+FH（扩频+调频）两种工作方式；救生工作状态除频率不同外，与常规工作状态基本一致。

电台采用模块化设计，只有一个LRU（Line Replace Unit），由9个SRU构成。该电台可能出现的故障现象有八种[4]，如图1所示。

该电台的每种故障现象都是由某个或某几个SRU模块故障导致。各SRU模块故障的征兆表现为其相关测试项目超差，即相关性能指标超出标称值范围。根据电台的功能结构利用FTA方法得出各故障的模型。

以“常规发正常，收不正常”为例，将该故障现象作为顶事件，导致顶事件发生的各SRU故障作为中间事件，各SRU故障的相关超差项目作为底事件，建立如图2所示故障树，即为该故障的故障模型。用同样的分析方法可以得到另外七种故障的故障模型。

由于机载电子设备绝大多数是单故障，故在此只研究单故障情况，不考虑多故障。该模型中，底事件即各相关测试项目超差用“1”表示，正常用“0”表示；SRU模块故障用“1”表示，正常用“0”表示。由此得出常规发正常、收不正常的推理规则：[1 1 1 0 1 1 0 1 0 ]，[1 1 0 1 1 1 1 0 1]。如第一条规则表示：UUT收信端电流超差，UUT收信端功耗超差，发射功率超差，侧音特性正常，主接收机灵敏度超差，主接收机静噪超差，主接收机音频正常；前面板模块发生故障，主接收机模块正常。用同样的方法可以得到另外七种故障模型的推理规则。出现故障时，每一种故障的相关测试项目超差情况和故障模式之间的对应关系只有一种，它们之间的对应关系即为推理规则。例如，当电台出现常规发正常、收不正常故障现象时，如果是主接收机模块出现故障，则推理规则必然是[1 1 0 1 1 1 1 0 1]。这八种故障现象的推理规则将作为神经网络的输入和输出对其进行训练。

ANN处理问题的关键在于参数和算法，而故障树包含了所有顶事件的信息，可以利用故障树来提取ANN所需要的参数。ANN与FTA相结合既解决了ANN的参数提取问题，又避免了FTA方法无法快速有效地分析复杂问题的弊端。因此，基于FTA与ANN相融合的故障诊断系统在故障诊断中有很大的优势。

BP神经网络是应用最广的神经网络之一，在此选择BP神经网络作为故障诊断系统的ANN模块。电台的各个测试点数据由ATE可以全面测出，由故障树提取BP神经网络运算所需参数，故障诊断系统将所提取的参数对应的数据进行一系列的推理计算从而将故障定位到具体SRU模块。

故障模型的推理规则将作为故障诊断系统中神经网络的输入和输出对神经网络进行训练。

2 智能故障诊断系统建模

故障树分析法（FTA）与人工神经网络（ANN）相融合是故障诊断技术的一个重要方向[5]。ANN是一种有自适应能力的神经单元构成的并行互联网络，能模拟人脑神经的行为，是能进行分布式信息并行处理的数学模型。其并行计算和自组织学习能力在故障诊断中得到广泛应用。其实质是对人脑结构和思维能力的双重模拟，ANN的自组织学习能力能够考虑到基于故障树的专家系统无法考虑到的工作状态，并且具有并行运算与快速诊断的特点，在对复杂系统实时监控与故障诊断中有很大优势。

建立的智能故障诊断系统模型如图3所示[6]。

此电台故障诊断系统具有以下特点：

（1）知识规则通过BP神经网络的训练存储于各神经元连接权重中，存储容量大，且便于知识库的组织与管理。推理过程为神经网络的并行数值计算，推理速度快。该系统将知识表示、存储与推理融为一体。

（2）由故障树归纳出所有电台故障模式，除去了冗余的故障数据，得到BP神经网络所需的训练样本。二者结合既解决了故障树诊断速度慢的问题，也解决了神经网络存在的训练样本整理困难的问题。

（3）该BP神经网络的训练只需少量的测试数据，而且数据的处理很简单，即只需进行超差判断，得到“0”和“1”两种情况，不需要对测试数据进行归一化，从而节省了工作量，提高了诊断效率。

3 智能故障诊断流程

（1） FTA诊断

电台出现故障后，首先在故障树基础上进行初步排查，得出初步诊断结论，如果故障已经被定位到具体SRU模块，则给出故障处理建议，如果未能定位故障，则进入BP神经网络故障诊断模块进行推理。

（2） BP神经网络诊断

在BP神经网络诊断模块中，首先从ATE测得的所有数据中读入故障树提取的神经网络所需参数，并进行超差判断。

电源模块诊断。由于电源模块出现故障会导致设备各项性能指标超差，出现很多故障，所以首先诊断电源模块，调用电压超差判断结果，电压超差值为1则说明电源模块故障，为0则说明电源模块正常；若电源模块正常，则诊断其他模块。

其他模块诊断。每种故障现象对应一个神经网络诊断子模块，诊断前预先利用诊断推理规则将各子神经网络训练好。在实际诊断中，先根据明显的故障现象选择对应的子模块，该子模块自动调用与之相关的项目超差判断结果作为子神经网络的输入，输出即为定位到SRU模块的诊断结果；如果故障现象不明显，则利用各子模块依次进行故障诊断，将故障定位到各SRU模块。

电台故障诊断具体流程如图4所示。

4 结 语

在建立的电台故障诊断模型中，结合了FTA与BP神经网络两种方法。在BP神经网络诊断模块，故障现象明显时只需选择相应的子神经网络进行诊断，而不需进行整机级全面的诊断；故障现象模糊不定时，由各子神经网络依次进行诊断。这样加强了故障的诊断性，减少了工作量，提高了诊断效率。

该电台故障诊断系统具有诊断速度快、诊断结果准确率高的特点，具有较好的实用性，在机载电子设备故障诊断中具有良好的应用前景。

参考文献

[1] 信息产业部电子第十研究所.K/TKR125电台测试维修手册[M].成都：信息产业部电子第十研究所，2001.

[2] 黎奇志，胡国平.基于故障树和模糊推理的故障诊断研究[J].微计算机信息，2011，27（8）：186?189.

[3] WANG M H， HUNG C P. Extension neural network and its applications [J]. Neural Networks， 2003， 16（5）： 779?784.

[4] 王秋彦.机载电子设备智能故障诊断系统研究与实现[D].烟台：海军航空工程学院，2009.

[5] 胡严思.基于FTA和BAM神经网络的飞机故障诊断系统研究[D].长沙：湖南大学，2012.

[6] 敖志刚.人工智能及专家系统[M].北京：机械工业出版社，2010.

[7] 孙即祥.现代模式识别[M].长沙：国防科技大学出版社，2002.