基于多信号流图模型的典型无人机测控系统测试性优化设计方法研究

贾占强， 梁保卫， 王江辉， 闫 改

(中国电子科技集团公司第五十四研究所，河北 石家庄 050081)

测试性是指产品能及时准确地确定其状态(可工作、不可工作和性能下降程度)，并隔离其内部故障的一种设计特性[1]。测试性作为装备便于测试和诊断的重要设计特性，对于实现装备快速故障诊断、缩短维修时间、减少保障资源和提升综合效能等具有重要意义。目前，国内外关于测试性设计技术应用最多、效率最高的方法是基于模型的设计技术，主要测试性模型包括DSI公司的相关性模型、ARINC公司的信息流模型和康涅狄格大学的多信号流图模型，这些建模技术被广泛应用于F-18、F-22和F-35等先进武器装备的研制中，有效提高了装备测试诊断效率[2]。我国于20世纪80年代中后期开始测试性设计技术研究，30多年来，在飞机、导弹、舰船、卫星和雷达等装备研制中取得大量成果，实现了故障检测与状态监控一体化设计，有效提升了装备BIT(Built-In Test,机内测试)水平[3-4]。

无人机测控系统是无人机系统的重要组成部分，主要由数据链和控制站组成，用于完成无人机遥控、遥测、跟踪定位和任务载荷信息传输[5]。在军事领域，无人机测控系统逐步实现了无人机平台、任务载荷、指挥信息系统的紧密连接，保证情报、指挥控制、无人机协同等信息实时、可靠、准确地传输，实现了信息共享，便于指挥员实时掌握目标区域情况，对于提升无人机系统与其他系统的协同作战能力起到了积极作用。从无人机测控系统实际使用来看，系统级的故障报警较为准确，但仍存在故障隔离定位难、基层级维修便捷性差、外场保障压力大、实际指标和要求指标不匹配等问题，这些问题已经成为制约无人机测控系统乃至无人机系统战斗力快速恢复和保障能力快速生成的短板弱项。由于测试性是通用质量特性设计的重要一环，故在无人机测控系统中进行系统性、规范性的测试性设计就显得尤为重要。

当前，信息流模型和多信号流图模型是应用最为广泛的测试性建模方法，多信号流图模型以图形化形式构建系统模型，建模简单，应用广泛[6]。据此，本文引入多信号流图建模技术，以典型无人机测控系统为对象，重点从测试性设计流程、关键方法实施和建模技术等方面入手，规范了无人机测控系统测试性设计程序，给出了无人机测控系统测试性优化设计方法和优化策略，相关策略可满足系统与平台异地配置检测以及网络化测控建设需要，具有较好的工程实践意义。

1 多信号流图模型

1.1 多信号流图建模基本思路

多信号流图模型是由美国康涅狄格大学Pattipati和Deb等[7-9]在20世纪90年代提出的。经过多年发展，这种技术已广泛应用于机械、电子、机电和机电液等产品的测试性设计中，取得较为明显的效果[10-18]。从多信号流图模型的名称可以看出，这种模型是一种流图或者有向图模型，它在故障域内进行建模，反映了故障在系统中的传播特性。模型利用分层有向图表示系统各组成单元之间的相互关系，这种相互关系可以把设计师对系统的理解和故障诊断经验转化为信息流，进而可以较为真实地反映系统结构并描述各个层级间故障模式的传递过程。基于多信号流图模型的测试性建模思路如图1所示。

图1 基于多信号流图模型的测试性建模思路

1.2 多信号流图建模步骤

多信号流图建模的关键是建立系统结构化模型、再以有向图方式完成故障影响的传播设置，使模型框架或运行原理能够较为准确地描述系统的工作状态，主要步骤如下。

① 建立产品结构信息图表。依据产品设计方案及功能框图等，收集产品组成信息，主要包括产品编码、设备名称、数量、工作模式和基本功能等，建立起产品各层次组成信息图表。

② 完成FMECA(Failure Mode,Effects and Criticality Analysis,故障模式及影响分析和危害性分析)。作为建模的基本对象模块，应对产品的各级故障模式信息进行搜集，作为测试性模型中故障模式的建模输入，在完成故障模式信息的搜集后，建立底层模块的故障模式模型并添加属性信息。

③ 建立端口信号。模型中的端口是用于表达功能信号传播路径的逻辑端口，端口定义应具有可读性，以准确说明端口传递信号，例如“422信号”“DC28V”“中频-550M”等。

④ 建立有向图。基于建立的模型模块及其故障模式和端口信号，依据产品结构模型及FMECA给出的故障影响关系，建立产品组成单元和故障模式的接口与信号关系图。

⑤ 建立结构模型图。以图形化建模构建系统及其内部各单元之间的相互影响关系，进而在系统各层次建立相关测试。

⑥ 模型校验和调整。依据产品测试性设计要求、FMECA报告和测试性设计方案等，对模型进行校验和调整，完成完整性校验、故障模式检验和测试信息校验，使模型更符合实际情况。

2 典型无人机测控系统及其工作原理

无人机测控系统主要由数据链和控制站组成，其中数据链又分为控制站数据终端和机载数据终端，主要设备包括终端处理机、收发信机、天线组合、控制席位、数据交互设备和配套的供配电设备等[5]。典型无人机测控系统通过建立上下行信息传输通道，由控制站通过上行测控链路将遥控指令发送给无人机平台，无人机平台及其载荷通过下行测控链路将飞行、任务和载荷信息传送给控制站，其工作原理如图2所示。

图2 无人机测控系统工作原理图

3 测试性优化设计程序

在上述分析基础上，利用多信号流图模型建立无人机测控系统的测试性优化设计程序如图3所示，用以规范无人机测控系统测试性设计程序。

图3 基于多信号流图的无人机测控系统测试性优化设计程序

① 产品功能及结构划分主要是合理确定功能组合或独立功能单元，仔细分析工作原理，绘制功能框图，并清晰标识各组成单元的输入输出关系。

② FMECA及测试需求分析主要是依据GJB/Z 1391—2006《故障模式、影响及危害性分析指南》开展FMECA分析，根据分析结果对严酷度为Ⅲ类以上的故障模式开展测试需求分析，明确测试项目。

③ 依据测试性需求分析结果，完成测试点选择，明确测试点信号特征，设置测试集。

④ 按照1.2节方法建立无人机测控系统的多信号流图模型。

⑤ 基于多信号流图模型对故障检测率、故障隔离率等测试性参数进行计算，对模糊集、未检测故障等进行定性分析。

⑥ 依据测试性要求判断是否满足设计要求，不满足时采取改进措施，增加必要的测试(点)项目并转入步骤②对FMECA及测试需求结果进行修正，直至测试性指标满足设计要求。

⑦ 依据步骤⑤和步骤⑥分析结果，综合定量、定性分析结果完成测试点优选与布局。

⑧ 依据优化结果，开展无人机测控系统测试性软和硬件详细设计，完成最终测试性预测与分析评价工作。

4 典型无人机测控系统测试性优化设计实践

4.1 测试性设计要求

某无人机测控系统研制项目技术要求中测试性设计要求为：故障检测率为85%(BIT)，故障隔离率为85%(1个LRU/LRM)。

4.2 无人机测控系统结构信息

以某典型无人机测控系统为例，其工作原理及信号接口关系如图2所示，按照各部分功能构建起系统分层结构信息，如表 1所示。

表1 系统分层结构信息

4.3 系统FMECA分析及测试需求分析

依据GJB/Z 1391—2006《故障模式、影响及危害性分析指南》对系统开展FMECA分析[19]，各组成单元各种故障模式、严酷度和危害度如表2所示。为保证严重故障能够及时被检测定位，对Ⅲ类以上故障模式进行重点监控和监测，考虑工程实现性，测试点初步设置如表2第6列所示。

表2 无人机测控系统FMECA分析表

4.4 建立无人机测控系统多信号流图模型

在4.3节FMECA分析基础上，依据无人机测控系统产品组成及1.2节方法分层次建立起该无人机测控系统的多信号流图模型，各层次多信号流图模型如图4～图6所示。

图4 无人机测控系统多信号流图模型

图5 控制站数据终端多信号流图(无人机测控系统→控制站数据终端)

图6 地面收发信息机多信号流图模型(无人机测控系统→控制站数据终端→地面收发信机)

4.5 初步测试性设计分析

在多信号流图建模基础上，对无人机测控系统测试性指标进行预计，结果如表3所示。可以看出,系统故障检测率为88.81%，满足要求；故障隔离率为83.70%，未达到设计要求；控制站、控制站数据终端和机载数据终端3个分系统的故障检测率分别为87.12%、98.79%和77.81%，故障隔离率均为100%。除机载数据终端故障检测率未满足要求外，其他指标均满足设计要求。

表3 无人机测控系统测试性预测表

通过上述分析可以看出,分系统故障隔离率均满足要求，而系统故障隔离率却不达标。针对此问题，由基于多信号流图模型可以得到无人机测控系统的模糊组分析图和模糊组分析表如图7和表4所示。通过分析可知,模糊度为2时，主要由网络交换机和地面终端处理机信号交互及测试点不足造成；模糊度为3时，主要由地面天线组合、机载天线组合和机载收发信机信号交互以及测试点不足造成。正是由于控制站、控制站数据终端和机载数据终端之间复杂的信号交互造成了系统测试性设计指标不达标，因此需要合理设置系统级测试点，才能确保系统测试性指标满足要求。

图7 无人机测控系统模糊组分析图

表4 无人机测控系统模糊组分析表

4.6 优化策略及效果评估

针对上述问题，根据表4模糊组分析表，在设计上采用表5所示的4种优化设计方案。方案1增加地面终端处理机解调功能的测试点用于解耦与网络交换机XS2无输出的模糊组；地面增加1个自检天线，在加电BIT或维护BIT时通过控制天线切换完成天线的故障隔离，此外增加自检天线后可使无人机地面设备具备回路测试功能，可实现测控系统地面设备与无人机异地配置时的功能性能自检测，也满足无人机地面站网络化测控建设需要。方案2在方案1基础上对机载天线组合增加1个自检天线，用于解耦控制站数据终端和机载数据终端的信号关联。方案3在方案2基础上增加机载终端处理机解调功能的测试点，增加的测试点有利于解耦与无人机平台的模糊组。考虑到无人机平台装机需求，方案4在方案3基础上减少1个机载自检天线。优化设计后各种方案下的无人机测控系统测试性指标对比结果如图8所示，均满足设计要求。

表5 无人机测控系统优化设计方案

图8 测试性优化设计对比图

在实际应用中，若仅考虑无人机测控系统的测试性设计要求，在设计更改最少的情况下，推荐使用方案1。该方案下故障检测率提升0.06%，但故障隔离率提升7.48%。考虑到无人机测控系统与无人机平台及其载荷的信息交互和无人机平台装机更改应尽量少，推荐使用方案4，该方案下故障检测率提升7.42%，故障隔离率提升8.16%。

5 结束语

从无人机测控系统方案设计阶段即开始系统的测试性设计工作，通过对系统测试性进行迭代优化设计，对发现系统设计缺陷和提升系统测试性水平具有重要现实意义。利用多信号流图模型建立了无人机测控系统测试性优化设计程序，建立了典型无人机测控系统各层次多信号流图模型，通过对典型无人机测控系统实际案例开展优化设计，为系统测试性优化设计提供了多种设计方案，比较了各种方案的优势和不利因素，给出了相对最优方案。通过案例研究，在无人机测控系统测试性设计过程中，应注意以下3个问题。

① 测试性设计工作应与系统功能设计同步开展，做到同策划、同设计、同验证和同考核，设计方案一旦确定，后期更改难度大。

② 测试性设计工作是一项系统工程，应按照“系统设计→分系统设计→分系统验证优化→系统验证优化”的程序开展工作，确保全系统测试性指标满足设计要求。实际工程中，系统和分系统信号相互关联，当测试点或测试方式设置不合理时，可能有“分系统指标满足设计要求而系统指标不达标”的现象发生。

③ 开展系统测试性设计的根本目的是提升装备的故障诊断水平，进而有效提升装备维修效率。为此，后续研究和工程中，需要在多信号流图建模的基础上，建立和生成故障-测试的相关性矩阵，以相关性矩阵为基础构建起无人机测控系统的故障诊断架构，并开展故障诊断软件的设计与开发工作，进而实现无人机测控系统实时故障诊断与监测。