舰载火控系统故障诊断知识获取技术研究

刘宪忠，赵昶宇

（1.海军装备部驻天津地区第二军事代表室，天津300308；2.天津津航计算技术研究所，天津300308）

随着舰载火控系统的不断发展以及舰载火控设备的功能性和复杂性日益提高，传统的舰载火控系统故障诊断方法已不满足火控设备故障诊断的要求。知识获取技术是故障诊断的瓶颈，一直以来都是故障诊断过程中最复杂、最薄弱的环节，它直接决定了舰载火控系统故障诊断能力的高低。

因此，如何提高舰载火控系统故障诊断知识获取能力，进一步提高知识的可维护性、扩宽知识应用面以及加快知识的检索时间，成为舰载火控系统设计人员的奋斗目标。

舰载火控系统的故障大体上分为2 种：①有定量参数的故障，比如设备的电压值、电流值或温度值等；②无定量参数的故障，比如设备死机、显示屏黑屏、通讯中断等。

针对上述2 种故障类型，本文提出了粗糙集和案例推理相结合的技术，用于解决无定量参数的舰载火控系统故障诊断；采用基于故障样本特征贡献率的方法，解决有定量参数的故障。

1 舰载火控系统组成及故障诊断体系结构

舰载火控系统是作战舰船的重要组成部分，随着其功能和结构复杂度不断增加，对其进行维修的成本和难度也越来越大。舰载火控系统通常由几个子系统组成的，每个子系统内包含多个部件，每个部件又包含多条电路，一直分解到最低层次的元器件。

舰载火控系统的组成如图1 所示。

图1 舰载火控系统组成示意图

舰载火控系统的故障诊断体系结构如图2 所示，该结构主要由知识库、解释机制、推理机制、数据库等构成。知识库的作用是存储和管理领域专家的经验和知识，进行故障推理；解释机制用于解释规则、推理过程和中间结果；推理机作为故障诊断专家系统的核心，在推理和搜索算法的基础上完成故障推理；数据库用于存储初始数据、推理的过程和结果、结论以及和推理相关的应用程序。

图2 舰载火控系统的故障诊断体系结构

2 基于粗糙集和案例推理进行知识获取

粗糙集的最大优点是处理不确定和不精确问题，它能够在不借鉴任何先验知识的前提下，将复杂冗余的原始信息系统简化为最小决策信息系统，便于从大量复杂的故障信息中提取有用的规则和知识。

案例推理技术的最大优点是把知识获取的过程简化为案例的描述和检索过程，对于新出现的故障，只需在案例库中检索是否有相似的案例，无需进行故障的推理，省去了对知识进行规则化和抽象的过程。但随着案例库的不断扩充，案例库中会出现重复甚至矛盾的知识，这将极大地影响案例检索结果的性能和正确性。

对于粗糙集和案例推理技术相结合的故障诊断方法，一方面，利用粗糙集对故障案例进行属性约简和值约简，避免出现冗余和矛盾的案例，提高案例检索的速度和准确性；另一方面，该方法用于弥补专家经验的不足，尤其适用于没有定量参数生成的故障诊断，利用案例推理技术详细记录此类故障的描述信息、故障案例的特征向量和特征权重向量，故障结论信息和案例辅助信息，便于对后续类似故障案例进行有效检索。

舰载火控系统出现故障时，有时无法直接获取故障数据，仅根据故障现象很难对故障进行诊断和定位。对于这种类型的故障，较好的解决办法就是建立故障诊断的案例库，在案例库中详细描述每种故障的故障发生时间、故障现象和故障模式，确定案例的特征向量和案例特征权重向量，给出故障的解决措施，编写故障手册并给出结果评价。当出现新的故障时，基于粗糙集和案例推理技术在现有的案例库中进行相似案例的检索。如果检索失败，则对故障特征进行模糊化，然后运用神经网络技术得到故障案例的隶属度，并将推理结果交由现场专家进行综合分析处理，最终形成故障问题的正确诊断结论。如果当前检索的案例是一个新的案例，则将当前案例保存到现有案例库中，实现案例的自学习功能。舰载火控系统案例检索的流程如图3 所示。

图3 舰载火控系统案例检索的流程图

3 基于故障样本特征贡献率进行知识获取

如何有效提取舰载火控系统的故障特征，是舰载火控系统故障诊断领域研究的主要内容。由于舰载火控系统通过数据采集系统采集到的电压、电流、温度等原始数据具有冗余和高维的特点，如果将原始数据直接用于设备的故障诊断，势必会极大地降低故障诊断的效率和准确性。

因此，在进行舰载火控系统故障诊断之前，首先要对采集的数据样本进行降维处理，在不降低采集到的样本数据的信息量的前提下，利用坐标变换的方法将采集到的样本数据映射到新的数据空间中；分析样本数据中各个指标特征对故障诊断的贡献率，贡献率越高，表明该指标对故障的影响越大，故障可信度越高。

基于故障样本特征贡献率的算法步骤为如下。

从某一时刻开始计时，连续采集一组长度为L 的样本指标Y=[y1，y2，yi，…，yl]，然后按照固定的采样周期，采集N 次同长度的样本指标，得到N×L 的样本空间：

计算协方差rij的每个特征值λ1，λ2，…，λj，…，λL。

将上述计算得到的特征值按照从小到大的顺序排序，计算得出每个指标的贡献率

由上可知，如果舰载火控系统某一故障样本指标特征值的贡献率Cj所占的比例越大，表明该故障指标对故障的影响比例越大，即该故障指标对当前故障提供的信息量越多。以故障样本特征贡献率作为舰载火控系统故障诊断的主要依据，贡献率越高，则该指标造成故障的概率越高，可优先基于该指标进行舰载火控系统故障排查。采用这种数据挖掘的方式实现对舰载火控系统故障诊断的知识获取，并将数据挖掘的结果存入知识库中。

4 结束语

通过对舰载火控系统常见故障类型的分析，研究了获取舰载火控系统故障诊断专家知识的两种方法。基于粗糙集和案例推理进行知识获取以及基于故障样本特征贡献率进行知识获取的方法，为舰载火控系统专家知识的提取奠定了基础，有效地提高了舰载火控系统故障诊断的效率和正确性。将该方法应用于某型舰载火控系统故障诊断，取得了较好的故障诊断效果。