基于貝葉斯網(wǎng)絡(luò)和關(guān)聯(lián)規(guī)則的航電系統(tǒng)故障診斷

王 凱 李玄玄

(中國(guó)民航大學(xué)電子信息與自動(dòng)化學(xué)院 天津 300300)

0 引 言

航空電子系統(tǒng)簡(jiǎn)稱航電系統(tǒng),主要包括通信、導(dǎo)航等多個(gè)航電子系統(tǒng),航電系統(tǒng)結(jié)構(gòu)復(fù)雜,各個(gè)子系統(tǒng)之間存在高度的信息交互,故障存在很大的不確定性,某一部件發(fā)生故障后,很可能引起關(guān)聯(lián)結(jié)構(gòu)部分也發(fā)生故障,有時(shí)同一種故障征兆對(duì)應(yīng)著幾種故障原因,同一種故障原因又會(huì)引起多種故障現(xiàn)象,存在關(guān)聯(lián)故障、多故障等復(fù)雜形式;由于航電系統(tǒng)常常使用在干擾因素復(fù)雜的環(huán)境下,即使是同一機(jī)型的飛機(jī),航電系統(tǒng)出現(xiàn)的故障類型不會(huì)完全相同,同種故障類型發(fā)生的概率也不會(huì)相同,這取決于航電系統(tǒng)相關(guān)的操作、維護(hù)保養(yǎng)、飛行環(huán)境等諸多因素。在實(shí)際維修中,傳統(tǒng)的航電系統(tǒng)故障診斷方法主要按照故障隔離手冊(cè)(TSM)的指導(dǎo)來(lái)排除故障,檢測(cè)步驟比較多,過(guò)程比較繁瑣,維修費(fèi)時(shí)費(fèi)力,并且維修手冊(cè)是設(shè)計(jì)人員制定的[1],沒(méi)有充分利用大量的歷史維修數(shù)據(jù),給出的檢測(cè)步驟和可能的故障原因比較單一,與實(shí)際維修存在一定的差別,同時(shí)維修過(guò)程中可能會(huì)出現(xiàn)新的故障問(wèn)題,按照手冊(cè)執(zhí)行完所有步驟也沒(méi)有排除故障,因此單單依靠手冊(cè)并不能解決所有故障問(wèn)題。目前許多專家學(xué)者對(duì)航電系統(tǒng)的故障診斷進(jìn)行了深入研究。朱亞光等[2]利用簡(jiǎn)約覆蓋理論和因果概率網(wǎng)絡(luò)對(duì)航電系統(tǒng)的多故障問(wèn)題進(jìn)行診斷,不過(guò)需要列出所有可能的故障集合,存在診斷推理困難,模型不易推廣和更新。劉軍[3]將FTA與BAM神經(jīng)網(wǎng)絡(luò)融合,并聯(lián)合BP神經(jīng)網(wǎng)絡(luò),實(shí)現(xiàn)多方法聯(lián)合的航電系統(tǒng)故障診斷,但需要大量完備的歷史維修數(shù)據(jù)進(jìn)行訓(xùn)練,對(duì)于航電系統(tǒng)來(lái)說(shuō)很難獲取。近年來(lái),貝葉斯網(wǎng)絡(luò)由于圖形化的定性表示、概率形式的定量表達(dá)、易實(shí)現(xiàn)推理的優(yōu)勢(shì),在故障診斷領(lǐng)域得到越來(lái)越廣泛的應(yīng)用。韓璞等[4]提出貝葉斯網(wǎng)絡(luò)結(jié)合主成分分析法的故障診斷方法,通過(guò)利用主成分分析法提取系統(tǒng)故障特征,從而構(gòu)建出貝葉斯網(wǎng)絡(luò)故障診斷模型,有效提高了故障診斷的效率。馬德仲等[5]提出貝葉斯網(wǎng)絡(luò)和模糊評(píng)判結(jié)合的故障診斷方法,綜合考慮了故障概率、檢測(cè)方法難易程度、檢測(cè)速度、檢測(cè)的準(zhǔn)確性和經(jīng)濟(jì)性等多種因素,優(yōu)化了診斷方法,提高了診斷的準(zhǔn)確性。針對(duì)目前航電系統(tǒng)故障診斷方法的局限性以及貝葉斯網(wǎng)絡(luò)的優(yōu)勢(shì),在現(xiàn)有研究成果的基礎(chǔ)上,本文通過(guò)有效分析航電系統(tǒng)的原理以及特點(diǎn),提出基于貝葉斯網(wǎng)絡(luò)結(jié)合關(guān)聯(lián)規(guī)則的航電系統(tǒng)故障診斷方法,以貝葉斯網(wǎng)絡(luò)為架構(gòu)來(lái)建立航電系統(tǒng)故障診斷模型,并在不完備歷史維修數(shù)據(jù)的基礎(chǔ)上,利用關(guān)聯(lián)規(guī)則算法以及貝葉斯估計(jì)法來(lái)實(shí)現(xiàn)故障診斷模型參數(shù)的學(xué)習(xí),最后根據(jù)觀測(cè)證據(jù)結(jié)合推理算法完成故障的快速推理,實(shí)現(xiàn)了機(jī)載維修過(guò)程的動(dòng)態(tài)化,提高了機(jī)載航線維修的效率。

1 貝葉斯網(wǎng)絡(luò)與關(guān)聯(lián)規(guī)則

1.1 關(guān)聯(lián)規(guī)則

關(guān)聯(lián)規(guī)則反映了一個(gè)事物與其他事物之間的相互依存性,是數(shù)據(jù)挖掘的研究方向之一,關(guān)聯(lián)規(guī)則算法可以從大量的歷史維修數(shù)據(jù)中挖掘故障之間的關(guān)聯(lián)強(qiáng)度等有價(jià)值信息。在項(xiàng)目集I中,具有A?B這樣的表達(dá)形式稱為關(guān)聯(lián)規(guī)則[6],其中A∈I、B∈I且A∩B=?,類似于貝葉斯網(wǎng)絡(luò)中的條件概率,表示A發(fā)生的情況下B也發(fā)生的事件。關(guān)聯(lián)規(guī)則的支持度表示幾個(gè)關(guān)聯(lián)數(shù)據(jù)在數(shù)據(jù)集中出現(xiàn)的頻率占總數(shù)據(jù)集個(gè)數(shù)的比值,記為sup(X?Y);置信度為一個(gè)數(shù)據(jù)出現(xiàn)后,另一個(gè)數(shù)據(jù)出現(xiàn)的頻率,記為conf(Y?X)。在挖掘規(guī)則時(shí)通常會(huì)設(shè)置最小支持度min_sup和最小置信度min_conf,只有滿足這兩個(gè)最低閾值,挖掘的關(guān)聯(lián)關(guān)系才有意義[7]。支持度大于min_sup的項(xiàng)集被稱為頻繁項(xiàng)集,頻繁項(xiàng)集的置信度大于min_conf的規(guī)則稱為強(qiáng)關(guān)聯(lián)規(guī)則。本文使用MATLAB軟件利用關(guān)聯(lián)規(guī)則Apriori算法對(duì)歷史維修數(shù)據(jù)進(jìn)行挖掘,來(lái)獲取故障之間強(qiáng)關(guān)聯(lián)規(guī)則的置信度,其中支持度為:

(1)

式中:freq(XY)為X和Y同時(shí)出現(xiàn)的頻次;number(AllSamples)為數(shù)據(jù)樣本總數(shù)。

置信度為:

1.2 貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)是一種基于網(wǎng)絡(luò)結(jié)構(gòu)的有向圖表示方式,以圖形化的方式定性描述,以概率的方式進(jìn)行定量表達(dá),能進(jìn)行雙向并行推理[8-9],實(shí)現(xiàn)全局推理,并能充分綜合先驗(yàn)信息、歷史數(shù)據(jù)、實(shí)際經(jīng)驗(yàn)、其他信息來(lái)源,實(shí)現(xiàn)快速、全面的推理。貝葉斯定理如下[10],假設(shè)Xi和Xe為兩個(gè)隨機(jī)事件,給定事件Xe發(fā)生的情況下,Xi事件也發(fā)生的概率記為P(Xi|Xe),則:

式中:Xi是期望獲取信息的節(jié)點(diǎn);Xe是觀測(cè)證據(jù),代表一個(gè)或者多個(gè)節(jié)點(diǎn)的狀態(tài),可以通過(guò)人員、外部檢測(cè)設(shè)備等來(lái)獲取;等式右邊的項(xiàng)是先驗(yàn)概率和條件概率信息,可以從專家經(jīng)驗(yàn)或者維護(hù)記錄中獲得;左邊的項(xiàng)是后驗(yàn)概率,是最終期望得到的概率分布。貝葉斯網(wǎng)絡(luò)推理的基本思想就是根據(jù)貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù),將獲得的節(jié)點(diǎn)狀態(tài)作為觀測(cè)證據(jù),利用貝葉斯公式結(jié)合推理算法進(jìn)行后驗(yàn)概率P(Xi|Xe)的計(jì)算。

1.2.1貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)與故障樹(shù)的轉(zhuǎn)化規(guī)則

貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)由各個(gè)節(jié)點(diǎn)構(gòu)成,包括父節(jié)點(diǎn)、子節(jié)點(diǎn)、根節(jié)點(diǎn)和葉節(jié)點(diǎn),通常一個(gè)節(jié)點(diǎn)代表一個(gè)變量,一個(gè)變量有幾種可能的狀態(tài),節(jié)點(diǎn)之間的連線代表節(jié)點(diǎn)之間的關(guān)聯(lián)性,由父節(jié)點(diǎn)指向子節(jié)點(diǎn)[11-12]。本文有效利用故障樹(shù)轉(zhuǎn)化為貝葉斯網(wǎng)絡(luò)結(jié)構(gòu),具體轉(zhuǎn)化規(guī)則如圖1所示[13-14]。

(1) 故障樹(shù)的底事件對(duì)應(yīng)貝葉斯網(wǎng)絡(luò)的根節(jié)點(diǎn)。

(2) 故障樹(shù)中間事件對(duì)應(yīng)貝葉斯網(wǎng)絡(luò)中間節(jié)點(diǎn)。

(3) 故障樹(shù)的頂事件對(duì)應(yīng)貝葉斯網(wǎng)絡(luò)的葉節(jié)點(diǎn)。

(4) 故障樹(shù)的邏輯門對(duì)應(yīng)貝葉斯網(wǎng)絡(luò)的有向邊。

(5) 多個(gè)故障樹(shù)的相同事件合并為同一個(gè)貝葉斯網(wǎng)絡(luò)的節(jié)點(diǎn)。

圖1 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)與故障樹(shù)的轉(zhuǎn)化規(guī)則

1.2.2LeakyNoisy-Or模型

貝葉斯網(wǎng)絡(luò)的條件概率是一個(gè)指數(shù)爆炸問(wèn)題,對(duì)于一個(gè)有N個(gè)父節(jié)點(diǎn)(X1～XN)的子節(jié)點(diǎn)Y來(lái)說(shuō),需要獲得2N個(gè)獨(dú)立的條件概率參數(shù),在實(shí)際情況中很難獲得這么充足的數(shù)據(jù)信息。因此本文將貝葉斯網(wǎng)絡(luò)的節(jié)點(diǎn)視為L(zhǎng)eaky Noisy-Or節(jié)點(diǎn)[15-16],如圖2所示,即假設(shè)各個(gè)父節(jié)點(diǎn)對(duì)于Y的影響為相互獨(dú)立,其中遺漏概率PL表示當(dāng)所列出的故障原因都未發(fā)生的時(shí)候,部件也可能出現(xiàn)故障的概率大小。將所有沒(méi)有考慮的因素綜合為節(jié)點(diǎn)XL,表示當(dāng)所有的父節(jié)點(diǎn)都取假的時(shí)候,由于有XL存在,子節(jié)點(diǎn)Y仍然有可能取真,使得整個(gè)貝葉斯網(wǎng)絡(luò)模型更接近實(shí)際維修情況。

圖2 Leak Noisy-Or模型

記父節(jié)點(diǎn)Xi(X1～XN)構(gòu)成的集合為Xp,父節(jié)點(diǎn)Xi(X1～XN)為真構(gòu)成的集合為XT,父節(jié)點(diǎn)Xi(X1～XN)為假構(gòu)成的集合為XF,子節(jié)點(diǎn)Y的取值由各個(gè)父節(jié)點(diǎn)通過(guò)“或”運(yùn)算進(jìn)行影響,則:

Y=X1X2…∨XN∨XL

(4)

由Xi獨(dú)立引起Y為真的概率為:

遺漏概率PL為:

Y的條件概率為:

1.2.3貝葉斯網(wǎng)絡(luò)參數(shù)

對(duì)于根節(jié)點(diǎn)來(lái)說(shuō),需要賦予先驗(yàn)概率[17],來(lái)反映系統(tǒng)的歷史運(yùn)行情況,這是對(duì)當(dāng)前故障模式做出診斷的基礎(chǔ)。在航電系統(tǒng)中獲取到完整的故障樣本數(shù)據(jù)是不太可能的,仿真數(shù)據(jù)的真實(shí)性又難以保證,因此本文使用的維修數(shù)據(jù)也是不完備的。本文采用文獻(xiàn)[14]提出的方法,通過(guò)計(jì)算底層故障在故障例全集中的比例,確定底層故障的先驗(yàn)概率。比如在甚高頻系統(tǒng)的1 000次故障實(shí)例中,收發(fā)機(jī)硬件故障出現(xiàn)的次數(shù)為50,則其先驗(yàn)概率為50/1 000=0.05。

貝葉斯網(wǎng)絡(luò)的條件概率表大多數(shù)都是由專家經(jīng)驗(yàn)直接給定的,沒(méi)有充分利用歷史維修數(shù)據(jù)。在利用Leak Noisy-Or模型來(lái)簡(jiǎn)化條件概率的計(jì)算后,關(guān)聯(lián)規(guī)則算法的流程以及挖掘的部分強(qiáng)關(guān)聯(lián)規(guī)則符合貝葉斯網(wǎng)絡(luò)的參數(shù)信息。貝葉斯網(wǎng)絡(luò)根節(jié)點(diǎn)的先驗(yàn)概率對(duì)應(yīng)于關(guān)聯(lián)規(guī)則Apriori算法挖掘的1-頻繁項(xiàng)集的支持度,條件概率符合關(guān)聯(lián)規(guī)則Apriori算法挖掘的強(qiáng)關(guān)聯(lián)規(guī)則的2-頻繁項(xiàng)集的置信度。利用關(guān)聯(lián)規(guī)則算法挖掘出關(guān)聯(lián)信息后,采用貝葉斯估計(jì)法綜合專家經(jīng)驗(yàn)進(jìn)行參數(shù)的修正學(xué)習(xí)。在歷史維修數(shù)據(jù)量相對(duì)較少時(shí),專家經(jīng)驗(yàn)占的權(quán)重較大,數(shù)據(jù)逐漸增多時(shí),專家經(jīng)驗(yàn)所占的權(quán)重慢慢削弱,保證前期和后期推理的準(zhǔn)確性。記初始?xì)v史維修數(shù)據(jù)全集個(gè)數(shù)為N,關(guān)聯(lián)規(guī)則算法挖掘歷史維修數(shù)據(jù)得到的置信度為P(0)(B|A),維修人員給出的專家經(jīng)驗(yàn)為P(1)(B|A),則:

條件概率的計(jì)算公式為:

當(dāng)sup(A)≠0時(shí),則:

當(dāng)sup(A)=0時(shí),則P(B|A)=P(1)(B|A),表示歷史維修數(shù)據(jù)不曾出現(xiàn)的故障,則按專家經(jīng)驗(yàn)進(jìn)行給定。

當(dāng)加入N1個(gè)新的歷史維修數(shù)據(jù),則N=N+N1,重新利用關(guān)聯(lián)規(guī)則算法進(jìn)行挖掘,并按照式(8)和式(9)進(jìn)行相同計(jì)算。

2 航電系統(tǒng)的故障診斷分析

航電系統(tǒng)是一個(gè)主要包括通信、導(dǎo)航等多個(gè)航電子系統(tǒng)的復(fù)雜系統(tǒng),因此需要對(duì)各個(gè)航電子系統(tǒng)建立故障診斷模型。本文方法適用于各個(gè)具體的航電子系統(tǒng),在完成各個(gè)航電子系統(tǒng)的故障診斷模型的構(gòu)建后,可以生成整個(gè)航電系統(tǒng)的故障診斷模型庫(kù),當(dāng)某一航電子系統(tǒng)出現(xiàn)故障時(shí),可以調(diào)用對(duì)應(yīng)的故障診斷模型進(jìn)行診斷分析。

2.1 航電子系統(tǒng)的故障診斷流程

具體航電子系統(tǒng)的故障診斷流程如圖3所示。

圖3 航電子系統(tǒng)的故障診斷流程框圖

(1) 根據(jù)航電子系統(tǒng)的原理以及歷史維修數(shù)據(jù)分析出常見(jiàn)的故障模式,分別以常見(jiàn)的故障模式為頂事件來(lái)建立相應(yīng)的故障樹(shù)。

(2) 按照故障樹(shù)與貝葉斯網(wǎng)絡(luò)的轉(zhuǎn)化規(guī)則將故障樹(shù)轉(zhuǎn)化并合并為故障診斷模型的結(jié)構(gòu),并將航電系統(tǒng)的BITE信息作為節(jié)點(diǎn)擴(kuò)展到結(jié)構(gòu)中。

(3) 利用關(guān)聯(lián)規(guī)則算法挖掘歷史維修數(shù)據(jù)包含的強(qiáng)關(guān)聯(lián)規(guī)則,并利用貝葉斯估計(jì)法綜合專家經(jīng)驗(yàn)對(duì)參數(shù)進(jìn)行學(xué)習(xí)。

(4) 根據(jù)BITE信息、外部檢測(cè)設(shè)備等觀測(cè)證據(jù)結(jié)合推理算法來(lái)不斷更新后驗(yàn)概率分布,實(shí)現(xiàn)推理分析。

甚高頻(VHF)系統(tǒng)是航電系統(tǒng)的重要組成部分,是機(jī)載通信中使用頻率最高的航電子系統(tǒng)之一。VHF系統(tǒng)主要用于飛行人員與地面塔臺(tái)以及其他飛機(jī)保持聯(lián)絡(luò)來(lái)獲取正確的飛行操作指令,保障飛機(jī)的飛行安全。本文方法在VHF系統(tǒng)的故障診斷流程與其他航電子系統(tǒng)相似,因此本文以某機(jī)型的VHF系統(tǒng)為例,構(gòu)建VHF系統(tǒng)的貝葉斯網(wǎng)絡(luò)故障診斷模型,并結(jié)合具體案例進(jìn)行推理分析。

2.2 VHF系統(tǒng)的故障診斷模型的構(gòu)建

2.2.1VHF系統(tǒng)原理

每架飛機(jī)通常配有三套相互獨(dú)立的VHF系統(tǒng),每套VHF系統(tǒng)包括一個(gè)收發(fā)機(jī)(XCVR)和一套天線(ANTENNA),并與音頻管理單元(AMU)、音頻控制面板(ACP)、無(wú)線電管理面板(RMP)、集中故障顯示系統(tǒng)(CFDIU)相連接。其中:RMP控制VHF系統(tǒng)的頻率/通道選擇和顯示,ACP通過(guò)AMU可以控制音量的大小;CFDIU是集中維護(hù)系統(tǒng),可以收集并顯示各個(gè)子系統(tǒng)中出現(xiàn)的故障信息。每架飛機(jī)通常都配有3套獨(dú)立且相互替換的RMP,每套R(shí)MP都可以實(shí)現(xiàn)對(duì)收發(fā)機(jī)1、2、3的調(diào)諧控制,每架飛機(jī)通常也會(huì)配有3套以上相同且相互獨(dú)立的ACP,某機(jī)型的VHF系統(tǒng)的原理結(jié)構(gòu)框圖如圖4所示。

圖4 VHF系統(tǒng)的原理結(jié)構(gòu)

飛機(jī)航電系統(tǒng)不僅配有多套冗余設(shè)備還有相應(yīng)的維護(hù)系統(tǒng)以及自檢(BITE)裝置。在正常模式下,BITE可以實(shí)時(shí)循環(huán)監(jiān)測(cè)VHF系統(tǒng)的瞬時(shí)狀態(tài),實(shí)時(shí)將故障信息傳遞給CFDIU進(jìn)行顯示;在菜單模式下,機(jī)務(wù)人員可以在地面對(duì)VHF系統(tǒng)進(jìn)行自測(cè)試操作,實(shí)現(xiàn)VHF系統(tǒng)與CFDIU通信。BITE在一定程度上可以檢測(cè)出故障的發(fā)生,但是僅僅從系統(tǒng)原理層次進(jìn)行故障的檢測(cè),并不能充分考慮到故障發(fā)生的所有因素,例如功能部件之間的關(guān)聯(lián)關(guān)系,因此常常發(fā)生故障的虛報(bào)警。

2.2.2VHF系統(tǒng)故障樹(shù)

通過(guò)歷史維修數(shù)據(jù)的分析,VHF系統(tǒng)常見(jiàn)的故障模式有通信完全失效、通信有噪聲、系統(tǒng)發(fā)射/接收失效、連續(xù)發(fā)射等,故障原因包括收發(fā)機(jī)1硬件、天線1硬件、RMP系統(tǒng)調(diào)諧、ACP控制、收發(fā)機(jī)1斷路器、接線等故障。以VHF系統(tǒng)通話有噪聲為頂事件,按照系統(tǒng)原理與歷史維修數(shù)據(jù)建立的故障樹(shù)如圖5所示,其他常見(jiàn)故障模式的故障樹(shù)類似,部分節(jié)點(diǎn)的具體含義如表1所示。

圖5 VHF1系統(tǒng)通信噪聲的故障樹(shù)

續(xù)表1

2.2.3VHF系統(tǒng)故障診斷模型的結(jié)構(gòu)

按照第1.2.1節(jié)給出的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)與故障樹(shù)的轉(zhuǎn)換規(guī)則,將多個(gè)故障樹(shù)轉(zhuǎn)換并合并為故障診斷模型的結(jié)構(gòu),并將BITE信息作為節(jié)點(diǎn)擴(kuò)展結(jié)構(gòu),然后根據(jù)專家經(jīng)驗(yàn)適當(dāng)修正,構(gòu)建出基于貝葉斯網(wǎng)絡(luò)的VHF系統(tǒng)故障診斷模型的結(jié)構(gòu)。本文使用貝葉斯網(wǎng)絡(luò)工具GeNIe2.3軟件進(jìn)行故障診斷模型的構(gòu)建和仿真,該軟件提供了聯(lián)合樹(shù)等多種推理算法來(lái)實(shí)現(xiàn)快速推理,并提供可視化界面,圖6為本文建立的VHF系統(tǒng)的故障診斷模型局部圖。本故障診斷模型的所有節(jié)點(diǎn)都為兩態(tài),第一層表示的是BITE信息層,包含各個(gè)BITE信息節(jié)點(diǎn),與對(duì)應(yīng)的故障原因節(jié)點(diǎn)相連,狀態(tài)為Present或Absent,表示BITE信息是否存在,例如當(dāng)出現(xiàn)VHF1 ANTENNA(4RC1)/COAX時(shí),則該節(jié)點(diǎn)狀態(tài)為Present,收發(fā)機(jī)硬件、同軸電纜、天線硬件等發(fā)生故障都會(huì)引起該BITE信息的出現(xiàn);第二層表示的是故障原因?qū)?狀態(tài)為False或Normal,例如收發(fā)機(jī)硬件發(fā)生故障時(shí),則該節(jié)點(diǎn)狀態(tài)為False;第三層表示的是功能部件故障現(xiàn)象,作為中間節(jié)點(diǎn),例如天線1失效;第四層表示的是VHF系統(tǒng)故障現(xiàn)象,例如通話有噪聲、連續(xù)發(fā)射等。利用故障診斷模型進(jìn)行推理分析時(shí),當(dāng)已知某節(jié)點(diǎn)的狀態(tài)時(shí),設(shè)置其狀態(tài),比如Present或者False,作為觀測(cè)證據(jù),結(jié)合推理算法對(duì)全局故障原因節(jié)點(diǎn)的后驗(yàn)概率進(jìn)行更新。

圖6 VHF系統(tǒng)的故障診斷模型

2.2.4VHF系統(tǒng)故障診斷模型的參數(shù)

本文使用某航空公司最近連續(xù)一年中376條VHF系統(tǒng)的歷史維修數(shù)據(jù)進(jìn)行信息挖掘與分析。首先將歷史維修數(shù)據(jù)進(jìn)行統(tǒng)一整理,生成VHF系統(tǒng)歷史維修數(shù)據(jù)表,在MATLAB軟件上使用關(guān)聯(lián)規(guī)則Apriori算法讀取歷史維修數(shù)據(jù)表來(lái)挖掘包含的強(qiáng)關(guān)聯(lián)規(guī)則信息,由于考慮維修中出現(xiàn)的小概率事件,增加維修的全面性和準(zhǔn)確性,故設(shè)min_sup=10-4、min_conf=10-4,關(guān)聯(lián)規(guī)則Apriori算法挖掘的1-頻繁項(xiàng)集的支持度作為故障原因節(jié)點(diǎn)的先驗(yàn)概率,結(jié)果如表2所示。

表2 故障原因節(jié)點(diǎn)的先驗(yàn)概率

表3 通信有噪聲的條件概率表

續(xù)表3

2.3 案例分析

案例:在某次飛行過(guò)程中,飛行人員反映在使用VHF1系統(tǒng)的過(guò)程中出現(xiàn)了通信有噪聲的問(wèn)題,飛機(jī)落地后,其中CFDIU顯示故障維護(hù)信息:VHF1 ANTENNA(4RC1)/COAX,維修人員以RMP1為控制源對(duì)VHF1進(jìn)行自檢,CFDIU顯示維護(hù)信息:VHF1:NO DATA FROM CONTROL SOURCE;對(duì)調(diào)諧控制系統(tǒng)進(jìn)行自檢,CFDIU顯示故障信息:RMP2:NO DATA FROM RMP1和RMP3:NO DATA FROM RMP1。

將觀測(cè)證據(jù)依次輸入到VHF系統(tǒng)故障診斷模型中,具體診斷推理過(guò)程如下:

無(wú)觀測(cè)證據(jù):當(dāng)無(wú)任何觀測(cè)證據(jù)輸入到故障診斷模型時(shí),故障診斷模型輸出的推理結(jié)果為故障原因的先驗(yàn)概率,代表了VHF系統(tǒng)的歷史運(yùn)行狀態(tài)。

觀測(cè)證據(jù)1:飛行人員反映VHF1系統(tǒng)通信有噪聲后,作為第一次觀測(cè)證據(jù),輸入到故障診斷模型中,即將通信有噪聲節(jié)點(diǎn)的狀態(tài)設(shè)置為Present,依據(jù)故障診斷模型的結(jié)構(gòu)和參數(shù),結(jié)合聯(lián)合樹(shù)推理算法更新故障原因節(jié)點(diǎn)的后驗(yàn)概率,故障診斷模型在貝葉斯網(wǎng)絡(luò)工具GeNIe2.3軟件上仿真的部分結(jié)果如圖6所示。

觀測(cè)證據(jù)2:VHF1 ANTENNA(4RC1)/COAX作為第二次觀測(cè)證據(jù)輸入到故障診斷模型中,即將VHF1 ANTENNA(4RC1)/COAX節(jié)點(diǎn)狀態(tài)設(shè)置為Present,重新更新故障原因節(jié)點(diǎn)的概率大小,推理得到新的后驗(yàn)概率分布。

觀測(cè)證據(jù)3:將維修人員在地面通過(guò)自檢操作得到的VHF1:NO DATA FROM CONTROL SOURCE的BITE信息作為第三次觀測(cè)證據(jù),輸入到故障診斷模型。

觀測(cè)證據(jù)4和觀測(cè)證據(jù)5:分別設(shè)置RMP2:NO DATA FROM RMP1和RMP3:NO DATA FROM RMP1節(jié)點(diǎn)狀態(tài)為Present,輸入完全部的觀測(cè)證據(jù),得到最終的后驗(yàn)概率分布。

部分故障原因節(jié)點(diǎn)的后驗(yàn)概率分布隨著每一次觀測(cè)證據(jù)輸入的變化值如表4所示,對(duì)應(yīng)節(jié)點(diǎn)的后驗(yàn)概率分布更新如圖7所示,可以看出,隨著每一次觀測(cè)證據(jù)的輸入,各故障原因節(jié)點(diǎn)的后驗(yàn)概率大小都會(huì)變化,直至輸入完所有的觀測(cè)證據(jù)。

表4 部分故障原因節(jié)點(diǎn)的后驗(yàn)概率分布表

圖7 部分故障原因節(jié)點(diǎn)的后驗(yàn)概率分布更新圖

結(jié)果分析過(guò)程如下:在無(wú)觀測(cè)證據(jù)輸入時(shí),收發(fā)機(jī)1硬件的先驗(yàn)概率最高為35.106%,表示系統(tǒng)歷史運(yùn)行過(guò)程中,收發(fā)機(jī)1硬件的故障發(fā)生率最高;在前三次證據(jù)輸入時(shí),收發(fā)機(jī)1硬件的后驗(yàn)概率不斷升高,隨著觀測(cè)證據(jù)4、觀測(cè)證據(jù)5的輸入,收發(fā)機(jī)1硬件的后驗(yàn)概率逐漸降低,分別為68.958 1%、58.356 1%,因?yàn)榍叭蔚挠^測(cè)證據(jù)有利于指向收發(fā)機(jī)1硬件發(fā)生了故障,后面的觀測(cè)證據(jù)卻削弱了其發(fā)生概率。對(duì)比發(fā)現(xiàn),RMP1硬件的后驗(yàn)概率開(kāi)始很低,輸入完所有的觀測(cè)證據(jù)后,RMP1硬件的后驗(yàn)概率上升為67.563 5%,此時(shí)后驗(yàn)概率最高,因此可以認(rèn)定導(dǎo)致故障發(fā)生的原因是RMP1硬件的故障。在實(shí)際的檢修過(guò)程中,維修人員通過(guò)對(duì)RMP1設(shè)備檢測(cè)和現(xiàn)場(chǎng)構(gòu)型調(diào)換,檢測(cè)出RMP1的硬件發(fā)生了故障,當(dāng)維修人員拆卸并安裝新的RMP1設(shè)備后,VHF系統(tǒng)的通話恢復(fù)正常,驗(yàn)證了診斷結(jié)果的可靠性。

3 結(jié) 語(yǔ)

本文提出利用貝葉斯網(wǎng)絡(luò)結(jié)合關(guān)聯(lián)規(guī)則來(lái)對(duì)航電系統(tǒng)進(jìn)行故障診斷,在深入分析航電系統(tǒng)原理與歷史維修數(shù)據(jù)的基礎(chǔ)上,通過(guò)故障樹(shù)轉(zhuǎn)化為以貝葉斯網(wǎng)絡(luò)為架構(gòu)的故障診斷模型結(jié)構(gòu),并將BITE信息作為節(jié)點(diǎn)擴(kuò)展結(jié)構(gòu),然后利用關(guān)聯(lián)規(guī)則算法挖掘歷史維修數(shù)據(jù)包含的強(qiáng)關(guān)聯(lián)規(guī)則,并利用貝葉斯估計(jì)法綜合專家經(jīng)驗(yàn)對(duì)參數(shù)進(jìn)行學(xué)習(xí),然后將獲取到的BITE信息、飛行人員反饋、外部設(shè)備檢測(cè)結(jié)果等信息作為觀測(cè)證據(jù)進(jìn)行推理分析,最后以VHF系統(tǒng)為例介紹了整個(gè)故障診斷流程,本文方法同樣適用于其他航電子系統(tǒng)。本文方法融合了歷史維修數(shù)據(jù)、維修人員的專家經(jīng)驗(yàn)、BITE信息等不同來(lái)源的知識(shí),解決了傳統(tǒng)單單依靠專家經(jīng)驗(yàn)的局限性,提高了故障診斷結(jié)果的可靠性;故障診斷模型易于構(gòu)建、易于操作,同時(shí)故障診斷模型的參數(shù)可以隨著維修次數(shù)動(dòng)態(tài)更新;充分模擬維修人員在維修過(guò)程中的流程和診斷思維,做到了根據(jù)觀測(cè)證據(jù)結(jié)合推理算法實(shí)現(xiàn)快速推理,不斷更新故障原因節(jié)點(diǎn)的后驗(yàn)概率分布。案例分析結(jié)果表明,基于貝葉斯網(wǎng)絡(luò)和關(guān)聯(lián)規(guī)則的航電系統(tǒng)故障診斷方法可以有效減少地面維修人員的故障檢測(cè)與排故時(shí)間,實(shí)現(xiàn)了故障診斷過(guò)程的動(dòng)態(tài)化,提高了機(jī)載航線維護(hù)的效率,為進(jìn)一步開(kāi)發(fā)智能化的航電故障診斷系統(tǒng)提供理論支持。