一种导弹武器IBIT系统设计及数据处理方法

王志红，李学思，李锁兰，陈俊杰，常新月

一种导弹武器IBIT系统设计及数据处理方法

王志红，李学思，李锁兰，陈俊杰，常新月

（中国运载火箭技术研究院，北京，100076）

为了解决导弹武器开放式架构电气系统高度集成化后带来的故障监测问题，提出了一种基于独立自测试的电气系统监测系统设计方法，该方法应用机内测试的设计思路，在电气系统中设计了独立的监测功能与流程，并提出了一种基于模糊深度学习的故障识别方法，经故障注入测试，基于模糊深度学习的数据诊断方法具有较高的故障识别准确率。导弹武器独立自监测系统在不额外增加电气设备的约束下提升了导弹武器的测试性。

独立自测试；导弹武器；系统设计；数据处理

0 引 言

随着体系作战理念与智能科学技术的快速发展，快速响应、迅捷发射、自主保障等易用化特征逐渐成为导弹武器重要的性能需求和效能标志，电气系统作为导弹武器的控制中心，其方案设计是实现以上需求的关键步骤。同时，为实现有效突防、精确打击等实战化指标，导弹武器电气系统在技术综合与设备组成复杂度方面上升到一个新的高度。功能模块即插即用的开放式架构导弹电气系统为导弹武器易用化与复杂度的矛盾提供了一个可用解决方案[1]。另一方面，开放式架构电气系统的快速更换模式仅缩短了故障定位后的系统维护时间，不能直接减少导弹武器的故障定位时间，而功能模块互换式的设计又加大了系统整体设备组成状态与工作寿命的管理难度。电气系统实时状态采集和综合处理能够有效解决上述问题，因此实时状态管理与故障监测等测试性技术是提升开放式架构电气系统综合性能的有效途径。

机内测试（BIT，Built-In Test）是提升系统可测试性的重要方法[2]，BIT设计的植入特性与直连特性使得被测设备在不额外增加测试平台的基础上，无延迟地获取被测设备的运行状态数据，系统层级的BIT设计则大幅提升了电气系统的状态测试与故障定位能力，但BIT设计无法实现在被测设备自身故障的情况下有效传输故障数据。为解决系统BIT设计的故障输出问题与提升系统状态管理能力，本文提出了一种导弹武器独立机内测试（Independent BIT，IBIT）系统设计及数据处理方法。

1 IBIT技术

BIT技术是系统或设备依靠嵌入自身内部的检测电路和软件完成系统或设备自身工作状态监测的一种测试技术，是解决复杂系统设备测试性、维修性与保障性的有效途径之一，能够缩短故障定位时间、降低武器保障成本及人员技能要求。BIT技术的发展已日趋成熟，在国内外以飞机等为代表的航空飞行器与导弹武器、运载火箭、卫星等为代表的航天飞行器中均有不同程度的应用[3]，应用范围由设备级BIT设计发展至天地联合BIT设计，数据处理由简单门限比较的方式发展至算法综合优化的方式。

IBIT技术在BIT技术的基础上发展而来，继承BIT技术的植入性、直连性与高效性，扩展并增强了BIT技术的隔离独立性。IBIT技术将BIT电路中的检测电路、处理电路、通信链路与电气系统主功能电路隔离独立，在电气系统功能设备故障后可保持监测电路的有效运行，且IBIT电路的自身故障不影响电气系统功能。在充分发挥现有BIT技术的基础上，IBIT技术增加了系统故障数据持续输出与记录能力，为系统的故障定位提供完整的监测数据，缩短故障诊断时间，提高故障诊断的精确性。

2 导弹武器IBIT系统设计

2.1 系统架构

导弹武器电气系统一般由控制系统、测量系统等组成，本文设计的IBIT系统以控制系统、测量系统为测试研究对象，采用将IBIT电路嵌入到电气系统内各功能模块或单机的方式实现独立的自测试功能。如图1所示，导弹武器IBIT系统的电气功能单元包含：嵌入式电气功能模块或单机内部的IBIT集成电路、IBIT独立供电通道、IBIT独立通信链路及IBIT地面设备，共同实现弹上电气系统工作状态的独立监测与实时状态评估。基于导弹武器综合性能、研制周期与研制成本等多因素综合约束设计，IBIT监测数据的存储转发功能通过测量系统或弹上记录仪等其他非IBIT系统专用设备实现，监测数据的深度处理在IBIT地面设备进行。

图1 导弹武器IBIT系统架构

2.2 工作流程

导弹武器IBIT系统工作流程如图2所示，在测试流程中，电气系统各设备状态就绪后，测发控系统配电，检查测发控系统状态并为弹上IBIT系统配电，IBIT系统进入实时监测工作状态后，开启弹上电气系统配电，弹上电气系统进入正常工作流程。通过弹地之间的数据传输，地面测发控或测量设备实时显示弹上IBIT系统的监测数据，若出现已知安全性或其他严重异常，可通过测发控系统对弹上电气系统进行紧急断电，若地面测量设备显示正常或无严重异常，则在导弹武器测试结束后，按测试流程进行弹上电气系统下电，弹上IBIT系统下电以及测发控系统下电。测试结束后，将弹上记录设备存储的数据及地面测量设备接收的数据组合导出到IBIT系统地面解析设备，地面解析设备处理后给出本次测试的IBIT独立评估结果，根据评估结果给出故障原因定位或系统改进建议。

图2 导弹武器IBIT系统工作流程

3 IBIT系统数据处理方法

3.1 实时数据处理

导弹武器IBIT系统的实时数据处理在弹上IBIT集成电路内完成，通过弹地通信将弹上实时处理的结果实时显示在地面设备上，实现导弹武器测试过程的实时状态识别。实时数据处理的关键内容是门限设计，IBIT系统依据导弹武器电气系统功能性能及工作流程，将可采集监测的数据进行参数归类与门限设定，门限设定的方法包括：数据统计法、性能门限法、状态判定法与专家经验法等，其中关键电压、电流数据等监测适用于数据统计法，即依据集成电路手册给出的统计值与测量误差给出一定概率下的异常门限；温度、湿度等数据适用于性能门限法，即将产品的设计工作环境适应门限作为参数门限；电气系统工作阶段、工作状态适用于状态判定法，即将监测数据与已定义的工作状态或阶段进行对比判定；其他固定趋势类或跳变类数据则需要通过专家经验法进行门限设计。依据以上门限设计方法，按照安全性、影响域等为不同数据设计单门限或组合门限，组合门限指某项参数的预警门限、故障门限与灾难门限的组合，常规参数仅设计故障门限用于实时状态确定，跳变类等参数除故障门限外增加预警门限以提升状态识别准确性，对可能引起安全性事故或不可逆错误的表征参数设计灾难门限，以实现该参数超限时实施紧急断电的保护措施，方法汇总如表1所示。

表1 门限设置方法汇总表

Tab.1 Summary of Threshold Setting Methods

方法类型适用参数 数据统计法电压、电流等 性能门限法温度、湿度、气压等 状态判定法芯片状态、流程状态等 专家经验法加速度、角速度等

3.2 历史数据深度分析

3.2.1 深度分析方法概述

常用深度分析方法包括：基于信号的故障诊断方法、基于专家系统的故障诊断方法、基于神经网络的诊断方法、基于多传感器的诊断方法和基于分布式理论的故障诊断等。各方法的具体过程如下：

a）基于信号的故障诊断方法[4]。该方法主要利用有噪声的通信和接收端收到干扰信号的原理进行科学分析。导弹武器发射信号的特征参数主要包括：振幅、频率、相位、时延和波形等。在信号检测与信号分析的基础上，利用传统故障经验模型，对比信号数据并利用最大熵谱法、同步信号平均法、自回归谱分析法等信号分析方法进行分析以确定故障源。

b）基于专家系统的故障诊断方法[5]。基于专家系统的故障诊断系统是对人脑问题分析过程的模拟，其通过对专家知识的积累来达到对故障源的准确定位。在专家系统经验知识比较简单直观时，将专家知识直接应用至当前待诊断系统，且系统的软件实现较简单。但专家系统及系统规则受系统知识的限制存在知识能力和分析方面的局限性且系统扩展性低。

c）基于神经网络的诊断方法[5]。神经网络是由神经元模型组成的并行互联的网络，通过一定的学习过程后可以模拟人脑对真实世界做出响应。人工神经网络具有高度非线性、高度容错和联想记忆等方面的优点。但由于神经网络诊断过程不可自解释，其无法对诊断过程进行明确解释，且神经网络诊断结果的有效性受神经网络训练样本的约束，当样本不足时无法给出正确的诊断结果。

d）基于多传感器的诊断方法[6]。基于多传感器的故障诊断方法主要利用传感器对系统运行和故障状况进行综合的评价。其在一定程度上能获得系统运行较精确的状态反应，通过信息融合可实现对故障原因的准确定位。传感器能较准确地反映单一数据，但是对于组合变量和复杂系统，该方法效率较低且成本较高。

e）基于分布式理论的故障诊断[6]。分布式状态监测主要利用分布式技术和强大的计算能力对设备集合进行综合诊断。利用计算服务器进行分布式分析计算，得到最终故障分析结果。该方法解决了多设备分布广、实时响应能力差和诊断过程困难等问题。

3.2.2 基于模糊深度学习的故障诊断方法

鉴于导弹武器电气系统故障通常都是非线性关系，本文基于深度学习方法设计了一种基于模糊深度学习的故障诊断与效能评估方法。具体而言，选择IBIT序贯数据作为训练网络的输入条件，以故障严重程度作为系统输出，再通过模糊综合评价方法完成各故障对系统的影响程度评价，最终获取系统整体效能结果。该方法的具体步骤如下：

a）序贯数据获取。

以IBIT采集周期数据为输入数据，具体方法为：选取一段时间，以Δ为时间间隔，对IBIT数据进行采样，总采样数为。采样数据可表示为

b）故障严重程度评价网络训练。

现代电气系统架构复杂，可监测数据与故障评价之间为非线性关系，导致建立精确数学模型较为困难。因此，本文使用神经网络方法来评价IBIT数据相对于某故障的严重程度。

单故障严重程度评价网络结构如图3所示，将IBIT的序贯数据作为输入，将数据对应的某故障严重程度评价（专家给定）作为输出，就可以利用神经网络训练影响因素数据与因子评分间的关系。

图3 单故障严重程度评价网络结构

c）模糊综合评判。

采用模糊综合评价方法[7,8]建立各故障严重程度评价对电气系统的影响，该方法定义了评价对象中各评价指标对总体评价集的隶属关系，并给予一定的模糊算法进行分析。模糊综合评价的流程逻辑如图4所示。

图4 模糊综合评价层次架构

每个故障相对于电气系统效能的相对影响权重矩阵可表示为

在具体权重矩阵给定过程中，先后邀请名专家，按照表2所示的相对影响权重的赋值策略标准，对所选个效能因子的相对影响权重矩阵进行赋值。然后，根据“去掉一个最高，去掉一个最低，求平均”的方法，获取式（2）中的平均相对影响权重矩阵。

表2 相对影响权重赋值表

Tab.2 Relative Influence Weight Assignment Table

对应值表述具体说明 0.5同等重要因子A与因子B相比，相对于父节点一样重要 0.6轻微重要因子A相对于父节点的重要性比B略高 0.7明显重要因子A相对于父节点的重要性比B明显高 0.8很重要因子A相对于父节点的重要性比B高很多 0.9极度重要因子A相对于父节点极度重要，比B高出非常多 0.1~0.4与之相反因子A相对于父节点的重要性与B的加和为1

在完成故障之间的相对影响权重赋值后，每个故障对系统效能的影响权重可以表示为

则故障相对于系统效能对应的模糊权重计算公式如下：

利用联乘公式，可求得叶子因素相对于系统的权重系数，并最终获取综合安全性、可靠性评估结果。

3.2.3 故障注入测试效果对比

将基于模糊深度学习的故障诊断与效能评估方法与传统单一神经网络拟合方法进行对此，以对本方法效果进行验证。基于某导弹武器电气系统原理样机，在系统测试中注入特定故障数据，依据采集到的IBIT数据给出分析结果，并邀请专家对数据对应的效能结果进行评分，分别与2种方法的拟合效果进行对比，最终的测试对比结果如图5、图6所示。由图5、图6可得，单一神经网络方法结果与真实结果的绝对值误差和为165分，本文提出的基于模糊神经网络故障诊断方法效果与真实结果的绝对值误差和为74分，准确度相比较单一神经网络方法提升55.2%。综上，本文提出的基于模糊神经网络方法的有效性和高效性得以验证。

图5 基于模糊神经网络方法的效能评估结果

图6 基于单一神经网络方法的系统效能评估结果

4 结 论

本文提出一种具有故障自隔离能力的导弹武器IBIT系统设计及数据处理方法，对导弹武器IBIT系统的系统架构、工作流程进行了分析说明，给出了IBIT系统实时数据处理的门限设计方法，介绍了常用历史数据深度分析方法，并提出一种基于模糊神经网络数据故障诊断方法，经故障注入测试对比，该方法较传统方法具有更高的准确度。本系统的应用前提是电气系统各设备研制之前，依据统一的IBIT系统嵌入要求开展方案设计，由于导弹武器设备具有低故障率的特点，本系统适用于大批量研制的型号项目，以开展监测数据的横向、纵向综合对比分析，使用多样本得到的数据分析结果作为单样本的故障监测依据。基于通过本系统得出的导弹武器监测数据及分析结果可进一步用于导弹武器健康状态识别与寿命预测，为导弹武器智能化发展提供策略支撑。

[1] 史若冲, 等. 弹载设备结构电气一体化设计与验证[J]. 导弹与航天运载技术, 2018(2): 20-24.

Shi Ruochong, et al. Structural/electrical integrated design and verification of missile-born equipment[J]. Missiles and Space Vehicles, 2018(2): 20-24.

[2] 陈天斌, 等. BIT智能设计技术在某导弹通用检测系统中的应用[J]. 计算机测量与控制, 2010, 18(10): 2323-2325.

Chen Tianbin, et al. Application of BIT intelligent design technology in universal testing systeem for missile[J]. Computer Measurement & Control, 2010, 18(10): 2323-2325.

[3] 王少萍. 大型飞机机载系统预测与健康管理关键技术[J]. 航空学报, 2014, 35(6): 1459-1472.

Wang Shaoping. Prognostics and health management key technology of aircraft airbrone system[J]. Acta Aeronautica et Astronautica Sinica, 2014, 35(6): 1459-1472.

[4] 文成林, 等. 基于数据驱动的微小故障诊断方法综述[J]. 自动化学报, 2016, 42(9): 1285-1299.

Wen Chenglin, et al. A review of data driven-based incipient fault diagnosis[J]. Acta Automatica Sinica, 2016, 42(9): 1285-1299.

[5] 尹茂君. 运载火箭故障诊断系统研究与实现[D]. 成都: 电子科技大学, 2011.

Yin Maojun. Research and implementation of fault diagnosis system for launch vehicle[D]. Chengdu: University of Electronic Science and Technology of China, 2011.

[6] 谢敏, 楼鑫, 罗芊. 航天器故障诊断技术综述及发展趋势[J]. 软件, 2016, 37(7): 70-74.

Xie Min, Lou Xin, Luo Qian. Reviewed and developing trend of spacecraft fault diagnosis technology[J]. Computer Engineering & Software, 2016, 37(7): 70-74.

[7] 雷宁, 等. 基于 AHP 和模糊综合评价法的装备维修保障效能评估[J]. 兵工自动化, 2019(10): 17.

Lei Ning, et al. Effectiveness evaluation of equipment maintenance support based on AHP and fuzzy comprehensive evaluation method[J]. Ordnance Industry Automation, 2019(10): 17.

[8] 张南, 等. 基于模糊综合评价法的某型布雷装备系统效能评估[J]. 兵器装备工程学报, 2017, 38(8): 25-31.

Zhang Nan, et al. System effectiveness evaluation of a type mining equipment based on the fuzzy comprehensive evaluation method[J]. Journal of Ordnance Equipment Engineering, 2017, 38(8): 25-31.

A Method of Missile IBIT System Design and Data Processing

Wang Zhi-hong, Li Xue-si, Li Suo-lan, Chen Jun-jie, Chang Xin-yue

(China Academy of Launch Vehicle Technology, Beijing, 100076)

In order to solve the problem of fault monitoring brought about by the highly integrated open-architecture electrical system of missile weapon, a method of monitoring system based on independent self-test is proposed. This method applies the design ideas of in-machine testing, and designs independent monitoring functions and processes, and a fault recognition method based on fuzzy deep learning is proposed. After fault injection testing, the data diagnosis method based on fuzzy deep learning has a high accuracy of fault recognition. The missile weapon independent self-monitoring system improves the testability of missile weapons without the additional constraints of electrical equipment.

independent built in test; missile; system design; data processing

1004-7182(2020)03-0027-05

10.7654/j.issn.1004-7182.20200306

TJ760.6

A

王志红（1990-），男，工程师，主要研究方向为电气系统设计。

李学思（1992-），男，工程师，主要研究方向为人工智能。

李锁兰（1991-），男，工程师，主要研究方向为电气产品设计。

陈俊杰（1987-），男，工程师，主要研究方向为电气系统设计。

常新月（1980-），女，高级工程师，主要研究方向为电气产品设计。

2020-04-13；

2020-04-28