復雜信息化裝備故障分析對比研究

任 鑫，陳小虎，楊翊方，張 凱

(1.國防大學 a.研究生院; b.軍事后勤與科技裝備教研部，北京 100091;2.海軍醫學研究所，上海 200433)

伴隨社會快速發展和戰爭形態的轉變，以信息化為代表的高新技術不斷涌現，使得裝備信息化程度不斷提高，體系構成也越來越復雜，裝備故障分析對象多元且難度加大，導致采用傳統的故障分析手段或模型有時已不能有效滿足現實需要［1］。這就要求創新或改進已有的傳統手段或方法，更加準確地分析復雜信息化裝備故障，提高裝備維修和保障效能，為打贏信息化條件下局部戰爭提供保證。本研究進行復雜裝備2 種故障分析方法對比研究，首先將傳統故障分析模型與改進模型進行理論上比較，然后進行實例分析，探討依托傳統方法進行改進后在現代裝備故障分析的應用可行性。

1 傳統分析模型及改進模型之理論對比

綜合信息化裝備非常復雜，一般由若干個子系統構成，并且各子系統結構和相應功能各不相同，通過局域網相連構成體系，其綜合化和一體化性質使得復雜信息化裝備功能強大，作戰能力或保障效能通常遠遠高于一般裝備，但復雜裝備尤其是信息化高技術裝備由于構成要素和鏈接點眾多，不可避免地存在某種程度上的“一損俱損”或“牽一發而動全身”體系脆弱性［2-5］。為打贏未來信息化條件下的高技術戰爭，充分發揮信息化裝備效能，對戰損或故障的復雜裝備或子系統進行準備的故障預測或分析就顯得十分必要，有力保障裝備的持續穩定性能。本文選擇以下故障分析模型，并首先將傳統和改進后模型在理論上進行對比分析。

1)傳統灰色關聯分析模型。信息化多數復雜裝備系統為灰色系統，根據其故障和征兆之間通常并無確定的映射關系，故一般采用灰色關聯模型進行故障分析［6］，以故障和征兆兩者之間發展趨勢的異同來分析判斷兩者之間關系的故障。分析復雜系統內部各因子之間的關聯系數及關聯度，并通過后者大小來有效確定對故障影響大小的主次因素，此種分析方法對樣本量要求不是十分苛刻，一般不需要樣本服從某種分布規律，且只需要較少的計算量即可獲得分析結果。建立傳統一般灰色關聯模型，首先需設定如下的狀態數據為參考序列為X0=［x0(1)，x0(2)，…，x0(n)］，設定如下標準故障樣本集作為分析比較序列為Xi=［x1(1)，x1(2)，…，xi(n)］(i=1，2，…，m)，并設定εik為各參考序列與比較序列的灰色關聯系數，用來表示各個時間段內各比較序列與參考序列的相吻合的程度。εik定義如下

式中:ρ∈(0，1)為分辨系數，為了計算方便，在一般灰色關聯模型分析中常取0.5;εik為k 點的灰色關聯系數;γi為參考序列和比較序列之間的對應元素的灰色關聯度，計算時傳統灰色關聯分析中取各點出灰色關聯系的算術平均值。

2)優化改進后分析模型。由于系統在運行的過程當中會受到多種不確定性因素的擾動，并且參考序列和比較系列在每個計算點的關聯系數對整個灰色關聯度計算時的影響是各異的［7］，根據傳統的灰色關聯模型通常均將各個點的灰關聯系數進行簡單算術平均后就作為計算灰色關聯度的取值，往往不能準確地反映系統參考序列和比較序列之間的關系，有時會因此產生信息損失而導致無法充分考慮系統特征波動對結果的影響和基于不同時點關聯系數對復雜系統重要性的不同反映，產生復雜裝備系統故障分析時其結果與系統本身現實情況嚴重不符，即系統故障診斷分析精確性較低的現象［8］。所以需要對傳統的灰色關聯分析模型進行優化改進，在計算參考序列和比較序列之間的灰色關聯度時，采用添加權重的灰色關聯度理論計算模型。主要在以下3 個方面對傳統的模型進行優化為

第一步:首先改進通過計算各序列在各點關聯系數平均值的方法，在傳統關聯度計算模型基礎上引入權重并重新定義為

式中:εik(X0，Xi)為X0與Xi加權灰色關聯度;wk為第k 點的權重，其值反映了各點對整體灰色關聯度的影響，且滿足

第二步:由式(3)可以看出，計算改進后加權灰色關聯度數值，首先需要確定權重值wk。在利用灰色關聯度模型進行故障分析時，灰色系統中比較序列對參考序列的影響應該維持穩定，并且這種影響期望是均衡客觀的［9］，所以本文采用熵權法來對引入權重進行賦值，通過建立相應拉格朗日函數并進行矩陣行列式運算，最終計算得出在最大化約束條件下的權重向量如下

第三步:在式(1)中分辨系數ρ 在傳統灰色關聯模型中取固定值0.5 降低了模型的抗干擾性，為了增加計算模型反映系統關聯性的靈活性和真實程度，對分辨系數ρ 進行優化，采取根據系統參考序列和比較序列的具體情況進行動態調節取值，提高系統分辨能力。ρ 的動態取值如下

以上對傳統灰色關聯度模型進行改進后，可計算加權灰色關聯度值，并對其進行大小排序，系統中關聯度最大值對應故障則被認為診斷故障，從而完成復雜裝備的故障分析。

2 傳統模型和改進模型應用案例對比分析

1)故障分析系統的建立。復雜信息化裝備系統集成，多功能一體，各部件故障機理復雜、種類多樣且相互之間依存度大，進行精確故障診斷分析時需盡可能多地獲取更多變量，無形中導致系統分析的不確定性增大，增加了“誤診”風險［10］，所以為促進裝備故障快速精準的分析，提高裝備系統的可維修性和保障性，必須要建立適應復雜信息化裝備系統故障特征的故障診斷系統，為操縱者提供及時準確的監測變量和可靠信息。下面本文根據上文優化改進模型建立復雜信息化裝備系統故障分析系統，其結構如圖1 所示。

圖1 故障分析結構框圖

由圖1 可以看出此故障診斷系統主要由4 個部分組成，且之間利用串口通信協議進行完成各部分之間的數據傳輸任務［11］，第一階段部分獲取被分析系統的運行參數;第二階段部分主要對獲取的數據進行科學預先處理;第三階段部分引入改進優化加權關聯度分析模型進行計算;第四階段部分主要是分析得出系統故障診斷結果等。

2)實例分析。現在以某復雜信息化裝備系統為例，基于優化改進灰色關聯度模型來分析此裝備系統，實現方法如下，以此裝備系統狀態表征參數為基礎建立標準狀態模式向量，并將各待測狀態模式向量與此之間的關聯度進行比較進而判斷其所處狀態，最終分析出此裝備故障模式。首先建立某裝備系統狀態模式向量為

系統有8 個征兆集，其中F1，F2，F3，F4，F5代表5 種故障模式。

在故障診斷分析過程中，將采集到的系統狀態數據:0.5，0.75，0.25，0.75，0.5，0.5，0.5，0.5，計算得到改進灰色關聯度數據分別為ε(x0，x1)=0. 727 3，ε(x0，x2)=0.571 4，ε(x0，x3)=0.989 9，ε(x0，x4)=0.666 7，ε(x0，x5)=0.615 4，通過計算結果可以看出，x0，x3的加權關聯度值最大，并且故障F3對應征兆集與采集系統狀態數據相同，由此判斷系統故障為F3。另外，關聯系數和權重計算結果見表1所示。

表1 關聯系數與權重向量

1)2 種模型系統敏感性對比分析

對復雜裝備系統進行故障分析時，不可避免地會產生測量噪聲，為了對比傳統模型和改進優化灰色關聯度模型參數和變量的改變對分析結果的影響，即分析結果對測量噪聲的敏感性以測量系統穩定性程度。分別基于傳統分析模型和改進優化模型對系統添加5%、10%的噪聲，敏感性分析結果如圖2 和3 所示。

由圖2、圖3 可以看出，2 種模型中系統均對第二和第四個征兆狀態參數的敏感度最高，敏感性指數伴隨噪聲的增加而提高，而且傳統模型敏感性數值比改進優化灰色關聯度模型變化較快，所以改進模型對系統測量噪聲的敏感度較低，即抗噪聲干擾性能更強，具有較好的自穩自調性，更能真實地反映系統故障所在。

圖2 傳統模型添加5%、10%、15%噪聲時系統敏感性分析

圖3 改進優化模型添加5%、10%、15%噪聲時系統敏感性分析

2)2 種模型系統分辨率對比分析

為了驗證系統對故障的分辨能力，離線輸入此狀態數據:0.50、0.75、0.50、0.25、0.75、0.25、0.45、0.5，分別利用傳統和改進優化灰色關聯模型對此復雜裝備系統進行故障分析。將2 種模型計算得到的關聯度進行了歸一化處理，得出如圖4 所示關聯度散點連線圖，總體上2 種模型系統的故障關聯度排序基本一致，因基于改進優化加權關聯度模型2 種故障之間相距更遠，改進優化模型具有更高的分辨能力。

圖4 2 種模型散點連線圖的比較

另外，對傳統和改進的灰色關聯模型對故障的分辨率進行定量計算，得到各個故障模式之間分辨率，見表2 所示。可以看出改進優化模型系統分辨率均大于等于傳統模型系統分辨率，改進模型對各種系統故障的區分度更大，故障診斷可靠性更高，故障分析結果更加準確可信。

表2 2 種模型的故障分辨率比較

3 結束語

現代信息和網絡技術在軍事領域的廣泛使用，信息化裝備建設的步伐日益加快，其在信息化局部戰爭中將發揮越來越重要的作用，而由于信息化裝備起步相對，投入使用時間也相對較短，故障樣本數據較少，對其故障分析時可采用灰色關聯模型進行分析，克服樣本容量不足問題。但傳統模型存在很多局限性，將傳統模型和改進優化模型在理論對比分析的基礎上，通過案例得出改進模型具有較好的穩定性和分辨率，獲得了很好的使用效果，可有效應用于復雜信息化裝備系統的故障分析。

［1］張煒，梁魏.復雜電磁環境下裝備保障對策研究［J］.裝備指揮技術學院學報，2008，19(4):1-4.

［2］戰曉蘇.信息化戰爭與武器裝備信息化的若干問題探討［J］.國防技術基礎，2010(12):44-47.

［3］賈秀權，李鑫，胡斌.大型復雜信息化裝備軍民一體化保障的研究［J］.現代電子技術，2013，36(11):25-27.

［4］李陽，武昌，雷志雄.裝備維修保障信息化建設的若干問題［J］.四川兵工學報，2013(4):113-115.

［5］李世英，曲長征，薛文力.信息化裝備體系的RMS 參數體系框架研究［J］.2008，22(6):39-42.

［6］周宇陽，陳漢平，王煒哲，等. 故障診斷灰色數學模型［J］.中國電機工程學報，2002(6):146-151.

［7］MARKS R J. Intelligence:Computaional versus artificial［J］. IEEE Trans on Neural Networks，1993，4(5):737-739.

［8］徐小濤，田鋮，朱學維.IETM 在信息化裝備保障中的應用研究［J］.國防技術基礎，2008(9):22-29.

［9］程晉，嚴承華，樊攀星.基于CBR 的信息化裝備故障案例推理復用技術研究［J］.計算機與數字工程，2013，41(8):1308-1311.

［10］Friend A D，Scuhgart H H，Running S W. A physiologybased gap model offorest dynamics［J］. Ecology，1993，74(3):792-797.

［11］Daisuke Y，Li G D，Kozo M. On the generalization of grey relation-al analysis［J］. Journal of Grey System，2006，9(1):23-34.