艦載衛生裝備故障建模與仿真分析

吳 洋 張 偉* 孫 旭 尹曉峰 張谷敏

航空母艦是一種以艦載機為主要作戰武器的大型水面艦艇，處于獨立單元，經常性的出海遠行執行特殊任務，其內部密閉、高溫及高濕性的環境，使得衛生裝備長年累月處于惡劣環境，其內部元器件損害較大[1]。艦載衛生裝備是集電子、機械、信息控制等技術于一體的高精尖科技系統，由大量相互聯系但工作性質不同的部件組成，其工作狀態存在著非線性、非平穩性、不確定性等特征，使得在實際的操作使用過程中一旦發生故障，故障原因難以查找、分析并及時排除，給裝備系統的維修維護造成不便，嚴重影響部隊持續保障能力[2]。

目前，國內外許多研究機構從故障發生機制入手，采用逆向傳播(back propagation，BP)神經網絡、邏輯算法等非經典數學方法對此類問題進行了研究，取得一些研究成果。本研究針對衛生裝備的機械運動模塊與電源模塊故障，采用故障模式與影響分析(failure mode and effect analysis，FMEA)方法，分析部件故障的基本屬性及傳播特性，建立其故障屬性描述模型及狀態參數數據庫，采用神經網絡算法進行故障傳播分析，注入故障模式，查找故障發生原因，模擬故障現象及發生流程，計算故障發生概率，為衛生裝備故障分析與研究提供技術支持。

1 艦載衛生裝備故障模型的建立與仿真分析

艦載衛生裝備故障建模與仿真分析研究利用故障屬性，參考工作部件狀態參數數據庫，通過仿真方法利用神經網絡算法分析進行故障導入、故障實驗，模擬故障現象、發生流程及計算發生概率等信息，判斷故障模型的正確性[3]。

1.1 建立裝備故障屬性及狀態參數數據庫

依據艦載衛生裝備的功能及結構，全面系統的對所有異常現象進行描述，判斷是否構成故障；若判斷產生故障，分析裝備故障及影響因素，得出故障的基本屬性及擴散性信息；最后綜合分析故障特點要素，建立艦載衛生裝備故障屬性及狀態參數數據庫。

1.2 基于故障擴散性構建故障神經網絡流程

故障的擴散性決定了故障現象的多變性和故障發生的過程。在對艦載衛生裝備故障研究中，根據故障屬性狀態參數數據庫，運用BP神經網絡的方法模擬故障現象及故障發生的過程，從而計算故障發生概率。

1.3 規劃故障仿真模型實現故障智能推理過程

故障的仿真實現應當具有良好的交互性和準確的推理能力。操作者根據故障的屬性狀態參數數據庫，輸入故障信息，利用算法推理故障的發生過程。采用驗證故障信息與仿真結果作比較，判斷故障信息檢驗是否達到可信度，若“是”則接受故障進一步的分析和判斷；若“否”則返回進一步修改故障屬性狀態。故障建模與仿真技術實現流程如圖1所示。

圖1 故障建模與仿真技術實現流程圖

2 故障屬性及狀態參數數據庫

艦載衛生裝備在使用過程中，機械運動模塊和電源模塊或多或少的會因為設計的缺陷、環境因素的影響、人為誤操作以及元器件老化損壞等原因發生故障，當衛生裝備發生故障時，要追溯到故障發生時的異常表現狀態或征兆，結合狀態參數屬性建立故障數據庫。

2.1 故障模式影響分析

艦載衛生裝備發生故障后，應當依據故障現象、相關資料和工作原理，進行FMEA，建立相對應的故障模型，分析故障原因，查找故障點以便及時有效的排出故障。FMEA是一組系統性的分析方法，結合故障模式和故障影響，分析判斷故障的發生機理及部位，從而更有效的解決裝備故障。在故障模型的建立過程中，應當充分考慮故障的基本屬性及故障的擴散性。故障的基本屬性能夠反映出裝備的真實故障，主要包括故障位置、故障模式、故障原因、故障發生概率以及故障影響等，見表1。

表1 故障的基本屬性

故障擴散性主要有分散、匯聚、冗余等3種形式：①分散，即在一個故障發生之后，可能會連帶引起其他部件的故障；②匯聚，則表示多個模塊中任一模塊發生故障可能會導致后一模塊發生故障；③冗余，則必須是多個模塊同時發生故障才會導致后一模塊發生故障，如圖2所示。

圖2 故障擴散3種形式示意圖

2.2 故障屬性描述模型建立

在此，引入關系數據模型，其具有描述完整性、簡潔性、可操作性等優點[4]。針對艦載衛生裝備故障，可構建起1個六元組的故障屬性描述模型，具體可以表示為：F=(W，M，Y，G，X，K)。其中F為故障屬性描述模型關系名，關系中各個屬性分別為：W表示故障位置，M表示故障模式，Y表示故障原因，G表示故障發生概率，X表示故障影響，K表示故障擴散性。

對于艦載衛生裝備中的i個故障，其關系數據模型的故障屬性描述模型關系見表2。

表2 故障屬性描述模型(F)關系

3 基于BP神經網絡的故障模型推理方法

神經網絡是由許多相互連接的處理單元組成的拓撲結構[5]。這些處理單元通常線性排列成組，稱為層。每一個處理單元有許多輸入量，而對每一個輸入量都相應有一個相關聯的權重。處理單元將輸入量經過加權處理，并通過傳遞函數的作用得到輸出量，再傳給下一層的神經元。在艦載衛生裝備系統故障模型的分析過程中，將故障屬性描述模型作為拓撲結構中的一個處理神經元，故障間連接用傳遞函數表示，故障發生概率表示故障關聯程度[6-7](如圖3所示)。

圖3 三層神經網絡示意圖

3.1 故障輸入層

在仿真軟件中，操作者通過人機交互模塊鍵入故障模型信息。

3.2 故障隱含層

從輸入層鍵入的信息經過內部分類判斷和算法計算，融合一定相關程度的其他故障模型信息得到復雜故障信息。

3.3 故障輸出層

經過隱含層后得到的最終由輸入故障可能引發的所有可能的故障，包括故障現象及其出現概率等信息。

4 艦載衛生裝備故障仿真技術實現

艦載衛生裝備的故障仿真是依據所發生故障的屬性描述模型，通過讀取操作人員輸入的故障信息，利用故障神經網絡進行推理運算，重現故障現象及發展流程，最終輸出故障詳細信息的過程[8](如圖4所示)。

圖4 智能故障判別流程圖

艦載衛生裝備與普通衛生裝備大同小異，僅僅所應用的領域有所不同，當其發生故障時，需要針對故障產生進行診斷，以確定故障點，進行排除修復。但故障的產生與故障診斷往往又是相反的過程，因此，可以采用故障診斷這個逆過程來檢驗故障推理仿真過程的正確性。此艦載衛生裝備故障仿真研究就是以在實際操作中所出現的故障信息為檢驗信息，把故障發生原因作為故障注入信息輸入到仿真推理系統，進而得出故障發生部件，能夠及時有效的排出故障，保障艦載衛生裝備的正常運行。

5 艦載衛生裝備故障建模與仿真實例分析

以艦載數字X射線攝影(digital radiography，DR)機為例，分析其機械運動模塊故障，進行一系列的故障建模，并采用BP神經網絡算法進行故障傳播分析，注入故障模式數據庫進行仿真分析。

DR機的機械運動模塊由球管運動模塊和支架協同運動模塊組成，其中控制箱控制球管運動的同時，將信息傳導給支架協同運動控制模塊，進而控制支架跟隨球管做相應的追蹤協同運動。支架與球管的相互協同運動的同時又相互進行運動反饋制約，在彼此的運動范圍內做正確方位運動。其球管運動模塊、支架協同運動模塊以及控制箱組模塊的工作狀態分別用a1、a2和a3表示。電路控制系統由單片機控制，主要有總控制箱、運動傳感器、球管控制電路和支架控制電路組成，其工作狀態分別用a4、a5、a6和a7表示。其結構原理圖如圖5所示。

圖5 DR智能機械運動系統圖

DR機在實際機械運動過程中比較復雜，現用部分運動控制模塊簡化其運行狀態，在仿真應用時，數字0表示模塊工作狀態正常，數字1表示部件工作狀態異常。依據控制臺的顯示狀態a8，做出故障傳播BP神經網絡示意圖，得出故障信息輸入量X與狀態信息輸出量Y之間的函數關系：Y=f(wij+xi)。其中X=(x1，x2，x3，x4，x5，x6，x7)表示a(1～7)各個部件的運行狀態輸入量，X表示故障信息輸入量，Y表示狀態信息輸出量，wij表示相鄰自變量之間的函數關系，如圖6所示。

圖6 DR智能機械運動系統示圖

將由已知函數Y=f(wij+xi)推導出故障傳播函數：Y=hardlim(wij+xi)為硬極限傳輸函數。應用仿真軟件，注入故障信息球管不能運動，由球管控制電路故障引起(a6=1)，得出的狀態信息輸出，故障點球管控制電路呈紅色框，傳播故障點控制箱工作異常由綠色框表示(如圖7所示)。

6 結語

圖7 DR機械運動故障仿真圖

航空母艦在遠行執行重要戰略任務，一旦衛生裝備發生故障而不能及時修復，直接會影響到航空母艦的衛生保障能力及作戰力。因此，針對艦載衛生裝備發生故障必須及時有效的查明原因排除故障的特點，提出采用故障建模與仿真技術，通過FMEA，建立故障屬性描述模型數據庫，采用神經網絡推理故障發生流程，分析判斷故障位置部件，及時有效的排出故障，保障裝備正常運行[9-10]。通過對裝備故障進行分析，總結出故障發生部件、概率及所需配件，確定相關應對措施，編寫《航空母艦骨干衛生裝備戰訓一體使用管理規范》一書。規范化的使用艦載衛生裝備，使得艦載衛生裝備一體化統一管理，保障在戰訓時期正常使用。艦載衛生裝備的故障建模，為其維修保養提供了理論指導，具備良好的使用價值，為分析和研究艦載衛生裝備故障提供技術參考[11]。

[1]樸成日，沈治河.基本作戰樣式下航母編隊兵力配置方法[J].指揮控制與仿真，2013，35(2)：58-62.

[2]張長堯.長遠航編隊官兵的健康管理[J].中國療養醫學，2014，23(3)：273-274.

[3]陳元琳.基于人工神經網絡的動態系統仿真模型和算法研究[D].大慶：大慶石油學院，2006.

[4]李本威，韋祥.航空發動機故障分析和診斷綜合訓練系統[J].實驗技術與管理，2017(1)：119-123.

[5]熊國江，石東源.基于徑向基函數神經網絡的電網模糊元胞故障診斷[J].電力系統自動化，2014，3(5)：59-65.

[6]姜曉東，任力.基于BP神經網絡的小電流接地故障選線方法[J].山東理工大學學報(自然科學版)，2017(1)：67-70.

[7]呂婷.基于故障樹和貝葉斯網絡的堆垛機故障建模與推理方法研究[D].綿陽：西南科技大學，2015.

[8]趙廣燕，孫宇鋒.電路故障仿真中的故障建模、注入及判定方法研究[J].微電子學與計算機，2007，24(1)：143-146.

[9]趙洪玲.模擬電路故障仿真注入技術研究與實現[D].北京：北方工業大學，2016.

[10]唐志全，張偉.大型醫療設備維修保養管理過程控制[J].中國醫學裝備，2017，14(9)：30-36.

[11]胡紅波，方鐵.護航編隊醫療裝備維修保障的主要問題和思考[J].醫療衛生裝備，2012，33(10)：96-97，128.