基于范例推理的智能故障診斷在機載系統中的應用研究

田存英，邱冬

航空工業第一飛機設計研究院，陜西 西安 710089

在飛機的全生命周期內，由于設計初期認識的不完善，以及受設備本身的可靠性影響，出現故障的可能性不可避免的存在。盡管機載設備本身都具備故障定位功能，但仍然存在大量的故障無法通過設備自檢而準確定位。同時，由于飛機系統交聯關系復雜、耦合度高，故障準確定位具有一定的難度，也耗費了大量的人力和時間資源。

人工智能從誕生以來，理論和技術日益成熟，在很多科學領域都獲得了廣泛的應用，并取得了豐碩的成果。人工智能應用于航空工業領域將具有廣泛的前景。智能故障診斷指的是通過人工智能的方法對系統及設備運行狀態和異常情況做出判斷，并根據診斷做出判斷為系統故障恢復提供依據，主要任務有故障檢測、故障定位。其中，如何準確地定位故障是最重要的一個環節。智能故障診斷就需要模擬人類的推理方法，根據監測的數據自動判斷是否故障，并且準確定位故障。基于范例推理（CBR）[1]是人工智能發展比較成熟的一個分支，它是一種基于過去的實際經驗或經歷的推理，為實現智能故障診斷提供了方法。

本文探索性地將基于CBR的智能故障診斷方法應用于機載系統，旨在機載系統故障診斷的自動化與智能化。

1 智能故障診斷

1.1 基于CBR

基于CBR是從認知科學的角度模仿人類的推理和學習機制。在處理問題時，人類總是有意或無意地回憶過去相似的經歷，按經驗行事來解決當前的問題。基于CBR作為一種方法論是合理的，因為客觀世界有兩個特點，即“相似條件會產生相似結果”和“歷史總是驚人的相似”。

首先，需要將現實問題按照一定的規則真實地表達成數學語言描述的范例。如人類根據經驗決策時，結果的好壞受經驗豐富程度決定一樣，范例庫的大小能一定程度地影響決策結果的優劣；其次，規則庫的生成是基于CBR的關鍵環節，是智能決策的核心；最后，系統根據推理結果，給出問題的建議解。對于建議解，需要代入到實際問題當中去檢驗，驗證決策結果是否正確。若有誤，需要對建議解進行修正，同時對范例進行修正，保存到范例庫中，以豐富范例庫的內容。

1.2 智能故障診斷模型

智能故障診斷采用范例推理方法，建立標準范例庫，通過粗糙集理論進行規則提取。粗糙集理論[2]是一種能夠定量分析處理不精確、不一致、不完整信息和數據表達、學習、歸納的理論方法，為智能分析數據、獲取有用信息提供了理論基礎。

對于實際應用，將待處理的問題根據已知規則庫中的規則，得出最終診斷結果。實際上，在智能故障診斷系統應用初期還需要人工參與，將以前未遇的問題，通過專家系統的診斷方式，并且最終定位的故障保存到范例庫中，以豐富范例庫中的內容。當范例庫足夠大且包含特定系統的所有故障內容時，智能故障診斷系統就能自動定位任意故障內容。基于CBR的智能故障診斷模型如圖1所示。

圖1 基于范例推理智能故障診斷模型Fig.1 The model of fault diagnosis based CBR by AI

2 基于CBR的數學原理

基于CBR主要是通過將范例所表達的知識用信息系統來表示，信息系統可以看成是一個數據表，表中包含要研究的對象、對應對象的屬性以及對象的信息。將信息系統中的屬性分成條件屬性和決策屬性，就構成了一個決策表，某典型決策表系統見表1。

表1 典型決策表系統Table1 A typical decision table system

表1中，研究對象為X={x1，x2，x3，x4，x5}，對應對象的屬性分為條件屬性和決策屬性。其中，條件屬性為C={c1，c2，c3}，決策屬性為D={d1，d2}。對象的信息由表中所有數值表示。由決策表中的信息，通過粗糙集理論得到知識的過程就是規則提取過程。

2.1 決策表表示

決策表可以形式化地由M=（X，A，P，Q}四維組來表示。其中，論域X={x1，x2，…，xl-1，xl}表示范例庫中標準范例個體。條件屬性集C={c1，c2，…，xm-1，xm}為推理前件，決策屬性集D={d1，d2，…，xn-1，xn}為推理后件，屬性集A=C∪D；P表示由所有屬性P∈A的值域所構成的集合，Q∶X×A→P為二維函數，它指定了論域X中每一個對象的每個屬性值。

2.2 規則提取

在四維組信息表M=（X，A，P，Q）中，實際規則就是由Q∶X×A→P所完全決定，其中條件屬性集是因，決策屬性集是果，決定因果之間的邏輯關系就是四維組信息表所包含的推理規則。

（1）等價關系

定義屬性子集EA上的關系R如下，若對e∈E，均有：

則稱xi和xj在屬性集E上具有關系R，根據關系R的定義，它滿足自反性、對稱性和傳遞性。關系R是一個等價關系，記為xi≡xj。關系R可以對論域X進行分類，使得每一類中個體在屬性集E上具有相同特征。

（2）正域

對于論域X的任意子集U，定義關于等價關系R的下近似為：

在條件屬性集C和決策屬性集D上，分別能夠得到等價關系RC和RD，則定義等價關系RC關于等價關系RD的正域：

式中：X/RD為論域X關于等價關系RD構成的分類；POSC（D）表示根據等價關系RC，能夠正確地分類于X/RD中等價類的對象的集合。

（3）屬性約簡

信息庫中的信息不是同等重要的，甚至可能其中的某些信息是多余的。屬性約簡[3]就是保持信息庫分類能力不變的情況下，刪除表中的多余信息。

定義條件屬性集C關于等價關系RD為相互獨立的，則不存在條件屬性真子集EC，滿足如下關系：

定義條件屬性子集EC，為關于等價關系RD的屬性約簡，若條件屬性子集E關于等價關系RD為相互獨立的且滿足式（4）。

（4）規則生成

對每個決策屬性d∈E，求取條件屬性集關于等價關系Rd的屬性約簡E，再根據屬性約簡結果，得到最簡可信規則。

3 模型建立

3.1 規則庫生成

根據決策表信息，按照屬性約簡算法[3]對決策表中的信息進行相應屬性約簡。屬性約簡的目的就是在保存信息系統原有的分類能力和近似空間的基本屬性完整的前提下，去除系統中的冗余數據，保證最終得到最簡決策規則，并且可有效提高效率，降低噪聲干擾。最后將最簡決策規則加入到規則庫中。

3.2 智能決策

對于測試的樣本信息，按照決策表中條件屬性集，提取相應屬性的特征值y={y1，y2，…，ym-1，ym}，將規則庫應用于測試樣本條件屬性特征值上，可得到智能決策結果結果。

3.3 自主學習

智能故障診斷的另外一個優點是可以通過自主學習，不斷提升對事物的認知能力，提高故障定位準確率。對于智能決策結果，專家系統對結果進行確認并修正后，得到可信的數據存儲到范例庫中，智能故障診斷系統隨著更新規則庫，實現對事物規律的自主學習。

3.4 算法流程

智能故障診斷算法流程如下：

（1）步驟 1：根據需求，建立四維信息表M=（X，A，P，Q）。

（2）步驟2：根據四維信息表進行屬性約簡[4]，根據屬性約簡結果，得到決策規則集Ψ。

（3）步驟3：對于監控樣本y，若cj），則置 NewCase（y）=0；否則置 NewCase（y）=1。

（4）步驟4：對ψ∈Ψ，將決策規則ψ應用于監控樣本信息上，得到建議決策結果 Result（y），若無法決策，用“/”代替。

（5）步驟5：由專家系統對決策結果進行檢測確認，并可進行修改得到NewResult（y）。

（6）步驟 6：若NewCase（y）=1，則將y=（y，NewResult（y））加入到四維信息表M=（X，A，P，Q）中，得到新的四維信息表，返回步驟2。

（7）步驟7：若測試樣本中無樣本剩余，則結束。

4 應用實例

4.1 故障診斷決策表構建

將基于CBR應用于機載系統故障診斷，通過監控系統各設備間的交互數據，對系統及設備運行狀態和異常情況做出判斷，準確定位故障。對于實際應用過程，分析與該過程相關的屬性集合，根據分析結果，將過去經驗數據存儲在標準范例庫中并構建決策表。

以某型武器發射過程中扣壓扳機后，武器未正常離機故障為例，與該過程相關的屬性有扳機狀態、武器管理系統狀態、顯示控制系統狀態、任務系統狀態以及投放系統狀態。武器發射時相關系統的交聯關系如圖2所示。

圖2 武器發射系統交聯圖Fig.2 System interaction of weapon launching

由圖2可知，同時對系統工作流程進行詳細地分析，構建信息系統作為智能故障定位的決策表。其中，條件屬性集有扳機信號、投放允許信號、彈射信號、聯鎖信號及清單信息，決策屬性集有扳機故障、任務系統故障、武器管理故障、機械投放故障及顯示系統故障。

4.2 故障診斷規則庫

根據信息表建立規則庫，同時為了方便規則描述，令發生故障為1，未發生故障為0。

（1）當d=d1時，根據表1得到條件屬性集關于等價關系Rd的屬性約簡E={c1}，則得到規則1：

表2 武器發射故障決策表Table2 The malfunction decision table of weapon launching

若c1=1，則d1=0；若c1=0，則d1=1。

（2）當d=d2時，根據表1得到條件屬性集關于等價關系Rd的屬性約簡E={c2}，則得到規則2：

若c2=1，則d2=0；若c2=0，則d2=1。

（3）當d=d3時，根據表1得到條件屬性集關于等價關系Rd的屬性約簡E={c1，c2，c5}，則得到規則3：

若c1=0，c2=0，c5=1，則d3=0；若c1=0，c2=1，c5=1，則d3=0；

若c1=1，c2=0，c5=1，則d3=0；若c1=1，c2=1，c5=1，則d3=0；

若c1=1，c2=1，c5=0，則d3=0；若c1=1，c2=1，c5=1，則d3=1。

（4）當d=d4時，根據表1得到條件屬性集關于等價關系Rd的屬性約簡E={c3，c4}，則得到規則4：

若c3=0，c4=1，則d4=0；若c3=1，c4=1，則d4=1；

若c3=1，c4=0，則d4=0。

（5）當d=d5時，根據表1得到條件屬性集關于等價關系Rd的屬性約簡E={c5}，則得到規則5：

若c5=1，則d5=0；若c5=0，則d5=1。

4.3 診斷結果

通過實際監控的總線數據，得出在條件屬性集C上的三組信息測試的樣本信息，見表3。

表3 武器發射記錄的關鍵信息表Table3 The recorded key information of weapon launching

（1）仿真結果

根據4.2節得到的規則1～5，分別對上述測試樣本進行仿真分析，系統智能診斷結果與專家診斷結果對比見表4。

表4 智能診斷結果與專家診斷結果對比表Table4 The comparison of fault diagnosis by AI with ES

按照算法流程，將經過專家診斷過的測試樣例作為標準范例加入范例庫，通過自主學習得到新的推理規則，再應用新的推理規則進行故障診斷。系統智能診斷結果與專家診斷結果對比見表5。

表5 自主學習后智能診斷結果與專家診斷結果對比表Table5 The comparison of fault diagnosis by AI with ES after self-learning

（2）準確率

根據仿真結果與專家診斷結果對比分析可知，基于CBR的智能故障診斷故障定位準確率在80%以上。由于標準范例庫中范例數較少，不能提取實際系統的所有規則。隨著范例庫的豐富，基于CBR的智能故障診斷的準確率也會隨著提高。

圖3 自主學習前、后故障定位準確率Fig.3 The rate of accuracy before and after self-learning

5 結束語

基于CBR的智能故障診斷技術是一門極富挑戰性的技術，該技術能夠通過自主學習，實現對經驗知識的智能化累積，提高對系統的認知水平。它可以應用于機載系統數據分析設備，實現機載系統故障的智能定位，也可以應用于試驗驗證平臺，實現機載系統自動化驗證。基于CBR的智能故障診斷技術的應用，不僅可以把科研工作者及地勤人員從繁雜地排故工作中解脫出來，也節省了大量人力、物力資源。