復雜信息化艦船裝備故障分析對比研究

龐天照，趙新文

(海軍工程大學 核科學技術學院， 武漢 430033)

隨著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，使得艦船裝備信息化程度不斷提高，體系構成也越來越復雜，艦船裝備故障分析對象多元且難度加大，導致傳統的故障分析模型已不能有效地滿足現實需求[1]。迫切需要改進傳統檢測方法，更加準確地分析復雜信息化艦船裝備故障，提高艦船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。國內外對裝備故障診斷與分析開展了大量卓有成效的研究[2-4]。利用灰色關聯度模型對艦船裝備進行故障診斷分析時，一般傾向采用平均加權方法處理灰色關系系數[5]，導致產生較差的預期診斷效果，且對船用裝備故障診斷分析結果缺少實例對比，故障分析結論與實際具有一定偏差。本文對比研究復雜艦船裝備兩種故障分析方法，首先理論上對比研究傳統故障分析模型與改進模型，然后進行實例分析，探討依托傳統方法的改進模型在現代艦船裝備故障分析中的應用可行性，提高艦船裝備故障診斷效率及其可信度。

1 傳統模型與改進模型的對比

綜合信息化艦船裝備非常復雜，一般由若干子系統構成，并且各子系統結構和相應功能各不相同，通過局域網相連接構成體系，其綜合化和一體化性質使得復雜信息化艦船裝備功能強大，作戰能力或保障效能遠遠高于一般艦船裝備。但復雜艦船裝備尤其是信息化高技術艦船裝備由于構成要素和鏈接點眾多，某種程度上不可避免地存在“一損俱損”或“牽一發而動全身”的體系脆弱性[6～9]。為打贏未來信息化條件下的高技術戰爭，充分發揮信息化艦船裝備效能，對戰損或故障的復雜艦船裝備或子系統進行故障預測或分析是十分必要的，可有力保障艦船裝備的持續穩定性能。

1.1 傳統灰色關聯模型

多數信息化復雜艦船裝備系統為灰色系統，根據其故障和征兆之間無確定的映射關系，一般采用灰色關聯模型進行故障分析[10]，以故障和征兆之間發展趨勢的異同來分析判斷故障。分析復雜系統內部各因子之間的關聯系數及關聯度，并通過其大小有效確定對故障影響程度的主次因素。本方法對樣本量要求不十分苛刻，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，首先設定狀態數據為參考序列X0=[x0(1),x0(2),…,x0(n)]，標準故障樣本集作為分析比較序列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，表示各個時間段內比較序列與參考序列的相吻合程度。εik定義如下：

(1)

(2)

式(1)、式(2)中：ρ∈(0,1)為分辨系數。為計算方便，一般灰色關聯模型常取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，傳統灰色關聯分析中取各點灰色關聯系數的算術平均值。

1.2 優化改進的模型

系統運行過程中受到各種不確定性因素的擾動，并且參考序列和比較序列每個計算點的關聯系數對整個灰色關聯度的影響是不同的[11]。傳統灰色關聯模型通常將各個點的灰色關聯系數進行簡單算術平均后直接作為灰色關聯度值，不能準確地反映系統參考序列和比較序列的關系。產生的信息損失會導致無法充分考慮系統特征波動對結果的影響，以及不能反映基于不同時的點關聯系數對復雜系統的重要性，使得復雜艦船裝備系統故障分析結果與系統真實情況嚴重不符，即系統故障診斷分析的精確性較低[12]。因此需要優化改進傳統灰色關聯模型，計算參考序列和比較序列的灰色關聯度時，采用添加權重的灰色關聯度理論。主要在以下三方面對傳統模型進行優化。

第一步：改進各序列的點關聯系數的計算方法，為傳統關聯度模型引入權重并重新定義：

(3)

第二步：由式(3)可知計算加權灰色關聯度值，需確定權重值wk。灰色關聯度模型的比較序列對參考序列的影響應維持穩定，且影響期望是均衡客觀的[13]。因此采用熵權法對引入權重進行賦值，通過建立相應拉格朗日函數并計算矩陣行列式，最終得到最大化約束條件下的權重向量：

Ω=M-1A

(4)

第三步：式(1)的分辨系數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。為增加模型反應系統關聯性的靈活性和真實性，需優化分辨系數ρ。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：

(5)

改進傳統灰色關聯度模型后，可計算加權灰色關聯度值，并按大小排序。系統關聯度最大值對應的故障被認為診斷故障，從而完成復雜艦船裝備的故障分析。

2 案例分析

2.1 故障分析系統的建立

復雜信息化艦船裝備系統集成多功能于一體，各部件故障機理復雜、種類多樣且相互之間依存度大，精確的故障診斷需盡可能多地獲取變量。必然增大系統分析的不確定性，增加“誤診”風險[14]。為促進艦船裝備故障快速精準分析，提高艦船裝備系統的可維修性和保障性，必須建立適應復雜信息化艦船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。根據優化改進模型建立復雜信息化艦船裝備系統故障分析系統，如圖1所示。

由圖1可知，故障診斷系統主要由4個階段組成，且各階段之間利用串口通信協議完成數據的傳輸任務[15]。第1階段獲取被分析系統的運行參數數據，第2階段對獲取的數據進行科學預處理，第3階段引入改進優化加權關聯度模型進行分析，第4階段分析系統故障診斷的結果。

2.2 實例分析

(6)

故障診斷過程中，根據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，得到改進灰色關聯度數據為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?？芍?，x0,x3的加權關聯度值最大，且故障F3對應的征兆集與采集系統狀態數據相同，可判斷系統故障為F3。關聯系數和權重計算結果如表1所示。

2.3 系統敏感性對比

對復雜艦船裝備系統進行故障分析時，不可避免地產生測量噪聲，為了對比參數、變量的改變對傳統模型和改進優化模型分析結果的影響，需分析結果對測量噪聲的敏感性，以測量系統穩定性。分別基于傳統模型和改進優化模型對系統添加5%、10%、15%的噪聲，敏感性分析結果如圖2、圖3所示。

表1 關聯系數與權重向量

觀察圖2和圖3可知，兩種模型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升高，并且傳統模型敏感性數值比改進優化模型的變化快。因此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。

2.4 系統分辨率對比

為驗證系統分辨故障的能力，離線輸入狀態數據：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復雜艦船裝備系統進行故障分析。歸一化處理兩種模型的關聯度，關聯度散點連線圖見圖4。由圖4可知兩種模型系統的故障關聯度總體上排序基本一致，改進優化模型的兩種故障距離更遠，因此改進優化模型具有更高的分辨能力。

定量計算傳統和改進的灰色關聯模型對故障的分辨率(其數據見表2)。由表2可知，改進優化模型的系統分辨率均大于或等于傳統模型，對各種系統故障的區分度更大，因此改進模型的故障診斷可靠性更高，故障分析結果更具準確性與可信性。

各種情形系統故障分辨率故障組合F4和F2F2和F3F3和F5F5和F1F4和F3傳統模型0.23430.11710.08100.15440.1171改進模型0.30660.13010.08790.15060.1765故障組合F4和F1F4和F5F3和F1F2和F1F2和F5傳統模型0.18370.02930.06660.05060.2050改進模型0.24610.09550.06960.06040.2111

3 結論

由于信息化艦船裝備起步較晚，投入使用時間也較短，故障樣本數據較少，為克服樣本容量不足的問題，采用灰色關聯模型對其進行故障分析。針對傳統模型的局限性，對其進行改進優化；通過案例分析表明改進模型具有較好的穩定性和分辨率，獲得了較為滿意的使用效果，可有效應用于復雜信息化艦船裝備系統的故障分析。

參考文獻：

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

[2] PENG Y,REGGIA J A.A probabilistic causal model for diagnosis problem solving—part I:Integrating symbolic causal inference with numeric probabilistic inference[J].IEEE Trans SMC,1987,17(2):146:162.

[3] 張勇,曹先常.基于遺傳算法的系統維修性優化分配問題研究[J].華東電力，2003,12(1):85-87.

[4] 吳定海,張培林,任國全,等.基于遺傳算法的概率因果模型在液壓泵故障診斷中的應用[J].潤滑與密封,2006,177(5):157-159.

[5] 謝春玲,施小成.基于遺傳算法的船舶核動力裝置冷凝器故障診斷研究[J].船舶工程,2006,28(6):48-50.

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

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

[8] 李陽,武昌,雷志雄.艦船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.

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

[10] 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.

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

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

[13] 程晉,嚴承華,樊攀星.基于CBR的信息化艦船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.

[14] FRIEND A D,SCUHGART H H,RUNNING S W.A physiology-based gap model of forest dynamics[J].Ecology,1993,74(3):792-797.

[15] DAISUKE Y,LI G D,KOZO M.On the generalization of grey relational analysis [J].Journal of Grey System,2006,9(1):23-34.

[16] 龔俊名，劉偉． 多橋并聯勵磁系統功率單元故障診斷方法[J].重慶理工大學學報(自然科學)，2017(6)：171-178．