基于AI-ESTATE 的診斷技術研究進展

楊 起，王竹林?，侯占恒

（1.陸軍工程大學石家莊校區導彈工程系，石家莊 050003；2.陸軍裝備部裝備采購管理辦公室，北京 100000）

0 引言

隨著武器裝備性能以及復雜程度的提升，傳統的測試診斷技術、思想暴露出大量問題。現階段，武器裝備測試診斷系統大多是針對特定某一種或某一類裝備，普遍存在著缺乏通用性、擴展性以及可移植能力差、難以實現診斷知識與數據的共享和重用等缺陷，這不僅造成了資源的大量浪費，同時也阻礙了故障診斷技術的發展。IEEE Std 1232 標準，又稱AI-ESTATE（Artificial Intelligence Exchange and Service Tie to All Test Environments，全測試環境人工智能交換與服務）定義了診斷知識、數據以及推理機服務的標準化描述，支持基于組件診斷結構與其他測試信息集之間的互操作，為上述問題提供了解決方案。AI-ESTATE 從制定至今，經歷了多次修正，包 括IEEE Std 1232-1990、IEEE Std 1232-1995、IEEE Std 1232.1-1997、IEEE Std 1232.2-1998、IEEE Std 1232-2002 以及IEEE Std 1232-2010。

1 AI-ESTATE 的產生

20 世紀80 年代，以專家系統為主的人工智能方法逐步應用于測試和診斷領域，這些人工智能方法雖然改善了美軍裝備的保障水平，但也帶來由于缺乏通用的接口標準而難以實現診斷知識與數據的共享和重用的問題。于是1990 年，電氣電子工程師協會（IEEE）同意授權電子系統測試與診斷標準化工作委員會（SCC20）和診斷與維護控制（D&MC）制定全新的測試診斷標準AI-ESTATE，但當時的AI-ESTATE 主要是規范基于專家系統方法的故障診斷系統，標準并沒有正式頒布。

1995 年，IEEE 頒布了IEEE Std 1232-1995 標準人工智能——應用于自動測試設備的專家系統（Artificial Intelligence and Expert System Tie to Automatic Test Equipment），該標準將診斷系統統稱為推理系統，推理系統代表了各種基于知識得出結論的診斷方法；定義了AI-ESTATE 的一致性結構以及其中各組件之間關聯，同時要求所有的診斷信息規范和接口規范定義嚴謹，不可以有任何歧義，使得診斷信息、數據可移植，接口標準化、通用化，整個體系結構可以擴展升級。IEEE Std 1232-1995 的頒布為后續AI-ESTATE 標準的修正奠定了良好的基礎。

IEEE Std 1232-1997，也稱作IEEE 1232.1-適用于所有測試環境的人工智能交換和服務：數據和知識規范適用標準。在IEEE Std 1232-1997 中，使用建模語言EXPRESS 對測試診斷中的數據以及知識信息的表述方式進行了規范，使得實現診斷知識信息共享、一致性交互成為可能。該標準建立了公共元素模型（Common Element Model，CEM）。它對測試診斷領域中常見的元素進行了規范的定義。而其他模型都是在公共元素模型基礎上，按照一定規則擴充而建立起來的。IEEE Std 1232-1997 中提供了故障樹模型（Fault Tree Model，FTM）、增強診斷推理模型（Enhanced Diagnostic Inference Model，EDIM）。

IEEE Std 1232.2-1998 也稱作IEEE 1232.2 標準，對診斷推理機所提供的服務進行了統一規范，以實現系統對診斷功能的驅動，并應用已封裝的服務建立了故障樹的診斷服務實例。另外，該版本提供了一個新的信息模型，即動態上下文模型（Dynamic Context Model，DCM），此模型的作用是對診斷過程的記錄進行規范。

IEEE Std 1232-2002 在前幾個版本的基礎上，擴充并刪除了公共元素模型中的一些實體以及數據類型；采用居于組建的思想，擴展并且規范了推理機的診斷推理服務，以滿足不同的診斷需求。并且進一步規范了DCM 記錄診斷過程方式，使得診斷推理機對可診斷性分析、診斷推理、結論生成等診斷過程進行更有效的控制。

目前，IEEE 頒布的最新版本是IEEE Std 1232-2010。IEEE Std 1232-2010 繼續對公共元素模型下的一些實體、數據類型進行增添和刪減。并且為了描述診斷對象的概率模型，對診斷中失效分布的描述進行了進一步的規范，使得診斷模型的創建、診斷過程等都得到標準化的描述。在推理機服務方面，2010 版本定義了推理機的5 個狀態包括模型已加載（Models Loaded）、無模型加載（No Models Loaded）、無診斷會話（No session）、有效會話（Valid Session）以及掛起診斷（Pending Assertions），并規定了在每種狀態下可以調用的診斷推理服務；進一步對診斷過程中的各種服務和服務函數中應用的數據類型進行規范，使得推理機診斷過程每一個步驟更加清晰、明確。

IEEE Std 1232-2010 在之前多個版本的基礎上，完善了信息模型，對診斷過程中診斷知識的共享具有推進作用；明確規范了推理機服務的各種功能以及推理機的狀態，使診斷操作可以明確地按照規范實施，便于用戶對于客戶程序的開發，進而實現推理機可移植。

IEEE Std 1232-2010 對之前版本進行全面補充，細化且明確診斷系統開發以及應用過程中每一個環節，對于診斷技術的發展具有深遠的影響。

2 AI-ESTATE 體系結構

AI-ESTATE 標準提供如下內容［1］：

1）AI-ESTATE 整個體系結構的概述；

2）診斷信息模型的正規定義；

3）診斷模型之間交互格式的標準定義；

4）診斷推理機的軟件服務定義。

為了實現診斷系統中推理機組件與其他組件之間的交互，診斷知識的規范定義和可移植性以及可重用性等性能，AI-ESTATE 采用了定義服務的方式，如圖1 所示。

圖1 AI-ESTATE 體系結構

由圖1 可見，在AI-ESTATE 概念體系中，整個系統中各個部分通過信息傳遞服務來實現信息的交換。因此，診斷推理機可以通過已經實現的服務與其他部件進行交互。

圖2 AI-ESTATE 模型層次關系圖

在IEEE Std 1232-2010 中，為了實現診斷知識信息的共享，AI-ESTATE 又搭建了如圖2 所示的層次結構。在此結構中，處于最頂層的是CEM（公共元素模型），公共元素模型對測試診斷領域中用到的常用信息進行了規范化的標準描述。比較典型的有Diagnosis（診斷）、Failure（失效）、Repair（維修）和Resource（資源）等實體，這些實體由屬性構成，主要有costs（代價）、failure rates（失效率）等屬性。而位于下層的FTM（故障樹模型）、BNM（貝葉斯網絡模型）、DIM（D-矩陣推理模型）、DLM（診斷邏輯模型），都是以CEM 中元素為基礎，進行一定的擴展或刪減而形成的，進而可以滿足多種診斷推理需求。也可以根據實際需要，以CEM 為基礎，建立擴充更多方法的診斷模型。DCM（動態上下文模型）的作用就是記錄診斷過程中的歷史信息以及上下文環境，它是動態的，會伴隨著診斷過程的進行而發展。

3 國外研究情況

對于AI-ESTATE 標準，國外一些公司、科研機構已經對其進行深入研究探討，不僅對AI-ESTATE的制定做出了貢獻，在應用、發展方面也取得了不錯的成果。

在AI-ESTATE 標準制定發展過程中，美國科學專家John W.Sheppard、Amanda、W.R.Simpson 等人居功至偉。IEEE Std 1232-1995 頒布后，John W.Sheppard 指出標準中存在知識約束關系沒有定義，不便于診斷過程實施的問題［2］。W.R.Simpson 在文中討論是否能將AI-ESTATE 應用于廣域測試環境（A Broad Based Environment for test，ABBET），推動了AI-ESTATE 在手動測試、半自動測試領域應用的發展［3］。John W.Sheppard 又對公共元素模型進行修訂，強調其他信息模型必須在公共元素模型基礎之上進行擴展，確立了公共元素模型的基礎地位［4］。Amanda Jane Giarla 在文中對符合AI-ESTATE 規范的信息模型的構建方式進行了概述［5］。Anthony L.Alwardt 在深入研究了AI-ESTATE 以及開放式ATS相關性能后，認為AI-ESTATE 可以應用于開放式診斷領域［6］。2005 年，John W.Sheppard 對貝葉斯網絡診斷方法進行分析后，建立了貝葉斯診斷模型并通過XML（eXtensible Markup Language，可擴展標記語言）進行描述，確保診斷信息完整性，可移植性［7］。Michcllc Harris 等人在文中闡釋了如何建立符合AI-ESTATE 標準的故障樹模型，以及它在多種推理機之間傳遞信息的方式，并對多種模型進行介紹分析［8］。John W.Sheppard 等人重點介紹了診斷推理中模型的語義互操作性問題，并通過故障樹模型和貝葉斯模型對其進行驗證，結果充分體現了語義建模在信息交流中的有效性［9］。Liessman Sturlaugson 等人在文中首先描述了一個叫SAPPHURE 工具，它包括AI-ESTATE 在Java 下的實現和一個相應的GUI（Graphical User Interface，圖形用戶界面）工具，這個GUI 工具支持貝葉斯網絡模型的模型建立以及診斷推理。其次，對貝葉斯模型推理機服務進行擴展，使其可以表示一階的動態貝葉斯網絡［10］。Logan Perreault 等人為AI-ESTATE 標準的下一個版本提供了一個新的預測模型。另外，他們提出用連續時間貝葉斯網絡（Continuous-Time Bayesian Networks，CTBN）代替之前提出的貝葉斯網絡模型來為預測推理提供一個額外的模型，并且指定了一個語義模型用來表示動態貝葉斯網絡模型進行預測，最后，證實了其有效性和必要性［11］。John W.Sheppard 等人論證了AI-ESTATE 中提出的服務規范對于實現ATS 的互操作性和可移植性的必要性，并通過故障樹診斷系統在診斷過程中分析了如何應用AI-ESTATE 服務規范［16］。

4 國內研究情況

自從AI-ESTATE 頒布之后，國內多家院?？蒲袡C構的專家學者也對其進行了相應的探索與研究，但主要以跟蹤美軍的研究動態為主，與以美軍為首的西方國家還存在一定差距。蔡亮在其論文中首先介紹了AI-ESTATE 體系結構，完成了3 種信息模型（公共元素模型、診斷推理模型、故障樹模型）的接口設計，并采用COM 組件技術建立了符合AI-ESTATE 標準的診斷模塊和數據挖掘模塊［14］。李慧在其論文中首先對AI-ESTATE 的層次結構進行了分析，提出了用XML Schema 來實現診斷模型的標準化信息描述，并對公共元素模型以及故障樹模型進行標準化描述［12］。楊占才等人在對AI-ESTATE 標準進行深入分析后，提出了用XML 語言來實現符合AI-ESTATE 標準的診斷推理機，并將其應用于圖形化測試軟件GTest，實現了飛機系統壽命期內診斷信息模型的共享［13］。趙鞭等人在文章中采用XML 語言描述診斷信息，DCOM 組件實現推理機，實現了診斷知識信息的共享以及推理機的可移植，并在此基礎上，建立了一個符合AI-ESTATE 標準的遠程故障診斷系統［15］。王雪錦在其論文中首先應用Visio 控件實現了故障樹圖繪制功能，依據AI-ESTATE 標準建立了故障樹模型轉換模塊并生成了可交互的故障樹模型文件，在此基礎上，開發了基于IEEE1232 協議的電路診斷軟件［17］。孫小進等人在分析了AI-ESTATE 標準后，結合貝葉斯網絡技術，建立了貝葉斯網絡診斷信息模型，設計了基于貝葉斯網絡故障診斷的軟件架構，并給出相應的驗證［18］。劉春霞等人對AI-ESTATE 標準所采用的EXPRESS 語言中的各種數據類型到XML 語言中的映射機制進行深入研究，并用XML Schema 來描述診斷信息［19］。劉春霞等人在對公共元素模型研究的基礎上，簡要介紹了故障字典診斷方法以及貝葉斯網絡技術，并在AI-ESTATE 標準基礎上分別建立了故障字典診斷模型和貝葉斯網絡診斷模型［20-21］。姜會霞等人在其文中對ATS 中診斷知識的標準化問題簡要進行了分析，將CEM 中的所有實體劃分為5 個族，再依據STEP28 對實體進行標準化描述，簡化了由EXPRESS 到XML 的轉換過程［22］。姜會霞等人針對診斷信息描述的一致性問題，研究了Schematron 的約束表示原理，提出了基于Schematron 的AI-ESTATE 約束描述方法并完成標準化描述［23］。2013 年，姜會霞等人又借鑒Kruchten 提出的“4+1”視角模型方法，并結合AI-ESTATE，建立了診斷系統組織、功能、信息和過程4 個視圖的結構圖，研究其構成和運行方式，搭建了可重用、可交換的故障診斷系統體系結構［24］。在2017 年，姜會霞等人對面向服務的AI-ESTATE 故障診斷系統的構架以及信息傳遞模式進行探索研究，采用靜態診斷模型服務關系圖以及UML 時序圖分析了互操作服務在推理機與其他組件進行交互的過程和模型管理服務在模型索引、編輯時的交換流程，為診斷系統的開發奠定了良好的基礎［25］。王月海等人對AI-ESTATE 中診斷模型進行擴充，提出一種包含多種人工智能診斷方法的知識庫生成協議，設計TPS（Test Program Set）自動生成系統，并通過仿真驗證了其有效性［26］。徐夢寒在實現了TPS 自動生成的基礎上，通過對標準的大量研究，對診斷信息模型進行擴充，增加了神經網絡模型，支持向量機模型和人工免疫系統模型，并將支持向量機算法與AI-ESTATE給出的標準故障樹進行融合，實現了故障樹的自動生成，通過實驗證明，該方法具有很強的通用性，提高了故障樹自動生成的準確性［27］。李嬌嬌在研究了AI-ESTATE 標準和BP 神經網絡算法后，建立了BP神經網絡診斷模型和BP 模型文件轉換模塊和相應的診斷推理機，在此基礎上實現了模擬電路仿真和數據管理軟件的原型系統，并通過實測電路板進行故障診斷實驗，驗證了該系統的可行性［28］。

5 結論

AI-ESTATE 標準是新一代診斷系統平臺的重要組成部分，它能夠實現診斷系統中數據和信息的共享，診斷模型、診斷推理機的可移植性，可以有效利用測試診斷資源、節約故障診斷成本。隨著AI-ESTATE 標準不斷地更新升級，它的研究方向也越來越廣泛，不僅僅局限于靜態診斷模型的構建，而是更注重于對整個測試診斷過程的管理以及對各種資源的評估，這為構建開放式、互操作、標準化的遠程故障診斷系統奠定了基礎。而基于此標準提高設備故障覆蓋率、檢測率、隔離率以及進一步優化推理過程是目前的盲區，也是未來研究的重點，是整個測試診斷領域發展的一個重要方向。