一種基于決策樹的飛機級故障診斷建模方法研究

摘要：現代飛機是由許多子系統組成的復雜系統，系統結構層次多，關聯度高，故障之間存在橫向和縱向傳播性。因此，在健康管理技術實施過程中，應最大程度利用故障特征監測技術，并借助各種算法和智能模型來監控、診斷、預測和管理飛機的運行狀態。鑒于此，將機器學習中的決策樹算法應用到故障診斷技術中，建立了復雜的數學模型，提出了一種基于飛機狀態參數構成的決策樹的飛機級故障診斷建模方法，對飛機健康管理應用的發展具有一定的參考意義，有利于健康管理系統朝著更加綜合化、智能化、網絡化和標準化的方向發展。

關鍵詞：飛機健康管理；故障診斷；決策樹；特征參數

中圖分類號：V267" 文獻標志碼：A" 文章編號：1671-0797（2023）07-0039-04

DOI：10.19514/j.cnki.cn32-1628/tm.2023.07.009

1" " 飛機健康管理發展概況

飛機健康管理系統作為飛機實現視情維修、提高設備使用效率、降低維護成本的關鍵使能系統，近年來受到了航空工業部門、航空運營公司和眾多航空研究機構的重視[1-3]。飛機維護保障系統現有技術包括內置測試（BIT）和系統數據記錄，它們主要是反應式的，如飛機上的黑匣子。盡管飛機內置測試在故障檢測和隔離中是有效的，但它們會產生大量的錯誤故障排除，這就增加了支持成本，降低了飛機的準備就緒度。在沒有系統功能故障存在的情況下指示故障（可能是由于環境影響，即假警報），無法在地面或維護車間復現垂直可測試性問題或間歇性故障，故障隔離性差，這些因素都可能引起錯誤的故障排除。因此，錯誤的故障排除會降低人們對BIT的信心，從而降低對整個驗證平臺準備好投入使用的信心。另一方面，針對包括訂購零件、生成適當的維護工作報告、通知維護某些系統出現的故障等在內的任務，具備自主處理支持的能力可以節省成本，增加整個系統的可用性并提高系統性能。飛機健康管理系統可以準確地檢測系統故障，明確故障隔離的根本原因，在某些系統中，還可以預測即將發生的故障。

民用飛機健康管理系統的主要功能包括故障診斷、飛機狀態監控、交互式維護、健康評估、構型報告、數據加載、顯示管理等，可實現實時監控，并支持維修決策和視情維修，其架構圖如圖1所示。

飛機健康管理系統主要完成對飛機的各個成員系統，包括飛機動力系統、機電系統（如燃油系統、供電系統、液壓系統等）、航電系統（如IMA、通信系統）和結構系統（如艙門、起落架等）信息的采集、監測、分析、診斷等工作。飛機健康管理系統通過機載數據網絡總線連接各個飛機成員系統、駕駛艙顯示系統、座艙打印機和機載通信接口設備，將機載健康管理功能結合為一個整體。機上各個成員系統的故障信息、狀態信息可通過駕駛艙顯示系統顯示，也可通過座艙打印機打印，記錄的飛機故障信息、狀態信息還可通過ACARS、WLAN等空地通信設備或外場便攜式維護終端（Portable Maintenance Access Terminal，PMAT）與地面通信，供地面深入分析和外場維修使用。

飛機健康管理系統的主要目標包括減少維護人員工時、降低維護技能和培訓要求、更快地恢復飛機運行狀態、減少備用件的消耗、通過更準確的故障診斷和預測來提高任務的可靠性。飛機健康管理可以節省大量的生命周期成本，從而提供高投資回報。要完全實現飛機健康管理系統，故障診斷能力是關鍵。

2" " 故障診斷技術研究現狀

故障診斷技術研究起步較晚，并大多為學術性研究或尚處于實驗室階段，跨系統故障診斷、余壽預測等核心技術的成熟度或先進性相對不足；關鍵技術攻關和預先研究多針對特定試點成員系統或部件開展，缺乏全局性技術研究規劃，對技術應用的系統性、工程化研究還很不充分；缺乏實驗和歷史數據積累，建模實驗和綜合驗證實驗基礎薄弱；國內軍、民機型號健康管理系統的研制和集成工程經驗相當有限；成員系統供應商的質量特性工程水平以及對健康管理系統的功能和數據支持能力參差不齊，對飛機健康管理能力需求的理解也不盡一致；飛機健康管理系統研制體系尚不完整，缺乏體系化統籌和管控，系統并行協同設計、適航保障等能力欠缺。

常見的故障診斷技術主要可分為三類：

第一類是基于規則的故障診斷[4-5]。基于規則的診斷（RBR）即生產式方式。早期的故障診斷專家系統都是基于規則的，這些規則都是從專家的經驗中總結出來，用來描述故障和征兆的關系。它的優點是直觀形象，推理速度快，要求數據存儲的空間相對較小，易于編程和易于開發出快速原型系統；不足是對歷史經驗依賴性強，當知識庫中沒有相應的與征兆匹配的規則時，容易造成誤診或診斷失敗。

第二類是基于模型的故障診斷[6-7]。基于模型的診斷（MBR）主要用于在故障診斷方面難以獲取歷史經驗的場合，通過對不同分系統和部件等建立數學模型，對其求解進行故障診斷，MBR主要包括基于故障樹的診斷和基于神經網絡的診斷。

第三類是基于案例的故障診斷[8]。基于案例的診斷（CBR）是通過訪問知識庫中過去同類問題的求解方法，從而獲得當前問題求解的一種診斷方法，一個CBR系統是一個包括案例表示、索引、存儲、組織、推理、案例學習的完整的系統，體現了更高級的知識環境，是多種人工智能技術的綜合應用。而先進的故障診斷技術主要是基于BIT和飛機狀態監測功能進行模型推理和數據挖掘的一批新興技術[9]。

3" " 基于決策樹的故障診斷技術

在飛機健康管理系統中，飛機狀態監控功能可實時監控成員系統設備的特征參數數據，故障診斷軟件利用特征參數數據之間建立的模型，結合成員系統實時上報的BIT數據，可實時診斷出該設備發生的故障。飛機特征參數數據和實際發生的歷史故障結果可共同作為訓練數據集，希望從給定的訓練數據集中學習得到一個診斷模型，用以對成員系統特征參數數據進行分類，利用該模型，當實時監測到成員系統上報的BIT數據時，故障診斷軟件可判斷某個故障是否發生，顯然，這屬于二分類任務問題。決策樹基于樹的結構進行決策，在面臨這類決策問題時是一種自然處理機制。

3.1" " 決策樹

決策樹[10]是一種運用概率與圖論建立樹結構，并對樹中不同方案進行比較的機器學習方法，用來描述對實例對象進行分類的樹形結構，由節點和邊兩部分組成。其中，節點可分為內部節點和葉子節點兩種類型，內部節點表示屬性信息，即飛機狀態監控軟件監控到的特征參數信息，葉子節點則表示輸出結果，即故障類別。決策樹示例如圖2所示。

3.2" " 基于決策樹的故障診斷模型算法設計

輸入：

故障樣本集D={（x1，y1），（x2，y2），…，（xm，ym）}

特征參數集A={a1，a2，…，ad}

過程：

函數生成樹GenerateTree（D，A）

生成節點node；

（1）if A =?或D中樣本在A上的取值相同，then

將node標記為葉節點，其類別標記為D中故障樣本最多的類；return

end if

（2）If D中故障樣本全屬于同一類別C，then

將node標記為C類葉節點；return

end if

（3）從A中選擇最優劃分特征參數a*

for a*的每一個值a*v do

為node生成一個分支；令Dv表示D中在a*上取值為a*v的故障樣本子集

If Dv為空then

將分支節點標記為葉節點，其類別標記為D中故障樣本最多的類；return

else

以GenerateTree（Dv，A＼{a*}）為分支節點

end if

end for

輸出：以node為根節點的一棵決策樹。

基于決策樹的故障模型算法的生成是一個遞歸過程，在該算法中，有三種情形會導致遞歸返回。

第一種情形：當前特征參數集為空，或是所有故障樣本在所有特征參數上取值相同，無法劃分。

第二種情形：當前節點包含的故障樣本全屬于同一類別，無須劃分。

第三種情形：當前節點包含的故障樣本集為空，則不能劃分。

由上述算法可以看出，基于決策樹的故障診斷算法的學習關鍵在于最優特征參數的劃分。一般而言，隨著劃分過程的不斷迭代，希望決策樹分支的節點所包含的故障樣本盡可能屬于同一類別，即節點的純度越來越高。

通過不斷迭代上述算法，可形成一棵基于飛機狀態參數構成的決策樹，為模型開發工具建立故障模型提供依據和來源。

3.3" " 故障診斷應用軟件

飛機上故障診斷應用軟件主要包括五大邏輯功能部分，分別是初始化、飛機狀態監控、故障診斷、故障記錄、故障請求顯示[11]。初始化功能是指故障診斷應用軟件加載初始化配置文件和多個線程之間如何調度運行等。飛機狀態監控功能是指故障診斷應用軟件實時監測飛機上的BIT（Builb In Test）數據和飛機狀態參數。故障診斷是指依據建立的模型來診斷飛機上是否有故障發生。故障記錄是指將發生的故障信息記錄下來，便于查詢和后期維護。故障請求顯示是為了給維護人員顯示，以便維修診斷軟件診斷出的故障。

飛機上故障診斷應用軟件的軟件運行框架如圖3所示。首先，模型開發工具基于決策樹建立飛機上不同成員系統所具有的故障模型；其次，模型開發工具將建立好的故障模型導出，生成一定格式的模型配置文件；然后，故障診斷應用軟件加載基于飛機狀態參數構成的決策樹的故障模型配置文件；最后，飛機BIT注入軟件為機載軟件提供數據源，可將數據導入系統數據庫，在用戶操作下按照一定的調度策略將不同頻率的BIT數據發送到故障診斷軟件，同時響應故障顯示功能軟件的交互式請求。

3.4" " 最優特征參數劃分選擇

從3.2小節得知，基于決策樹的故障診斷建模算法的學習關鍵在于最優特征參數的劃分。信息熵是度量故障樣本集合純度最常用的一種指標。假定當前故障樣本集合D中第k類故障樣本所占的比例為pk（k=1，2，…，|γ|），則信息熵的定義為：

Ent（D）=-pklog2 pk

Ent（D）的值越小，則D的純度越高。

假定特征參數性a有V個可能的值{a1，a2，…，aV}，若使用 a對故障樣本集D進行劃分，則會產生V個分支節點，其中第v個分支節點包含了D中所有在特征參數a上取值為av的故障樣本，記為Dv。可根據上式計算出Dv的信息熵，再考慮到不同的分支節點所包含的故障樣本數不同，賦予節點權重|Dv|/|D|，即樣本數越多的分支，節點影響越大，于是可計算出用特征參數a對故障樣本集D進行劃分所獲得的信息增益：

Gain（D，a）=Ent（D）-Ent（Dv）

一般而言，信息增益越大，則意味著使用特征參數a來進行劃分所獲得的純度提升越大。因此，可用信息增益來進行決策樹劃分屬性選擇，即在上述決策樹算法中選擇特征參數：

a*=arg Gain（D，a）

特征選擇在于選取對故障樣本數據具有分類能力的特征，這樣可以提高決策樹學習的效率。如果用一個特征參數去分類，得到的結果與隨機分類沒有很大差別，那么這樣的分類是毫無意義的。因此，需要選取有意義的特征參數對故障樣本數據集進行分類，才能更精準且有效地建立故障診斷模型，從而更準確地預測飛機上發生的故障。需要指出的是，在基于飛機狀態參數構成的決策樹學習過程中，會出現“過擬合”的現象，可通過主動剪枝處理去掉一些分支來降低過擬合的風險，這些都有待開展進一步的研究工作。

4" " 結語

本文首先介紹了飛機健康管理系統的發展概況、主要功能和目標，進一步指出故障診斷技術作為飛機健康管理的核心技術，在飛機健康管理系統的發展中必不可少。然后，介紹了故障診斷技術的研究現狀和技術成熟度。最后，提出了一種基于飛機狀態參數構成的決策樹的飛機級故障診斷建模方法，用于在飛機健康管理系統中發揮作用。利用該算法，可形成基于飛機狀態參數構成的決策樹的故障模型配置文件，故障診斷應用軟件通過加載該模型配置文件，完成對飛機故障的診斷和處理，將故障診斷結果顯示在維護終端，供維護人員查看和使用。

[參考文獻]

[1] 曹全新，楊融，劉子堯.民用飛機健康管理技術研究[J].航空電子技術，2014，45（4）：15-19.

[2] 李興旺，汪慧云，沈勇，等.飛機綜合健康管理系統的應用與發展[J].計算機測量與控制，2015，23（4）：1069-1072.

[3] 黃加陽，劉昕，柏文華，等.民用飛機健康狀態評估方法[J].計算機測量與控制，2014，22（10）：3256-3258.

[4] 何敏，呂當俠，朱明晨，等.無人機健康診斷知識庫建立研究[J].計算機測量與控制，2016，24（5）：49-52.

[5] 徐曉濱，鄭進，徐冬玲，等.基于證據推理規則的信息融合故障診斷方法[J].控制理論與應用，2015，32（9）：1170-1182.

[6] 王雪飛，李青，馮力.基于模型和故障樹的飛機故障診斷方法[J].科學技術與工程，2017，17（20）：308-313.

[7] 羅慕成，李波，林雨生.某型直升機飛控系統故障診斷的研究[J].機械研究與應用，2018，31（2）：130-133.

[8] 李青，史雅琴，周揚.基于案例推理方法在飛機故障診斷中的應用[J].北京航空航天大學學報，2007，33（5）：622-626.

[9] 徐曌，張斌.基于約簡矩陣和C4.5決策樹的故障診斷方法[J].計算機技術與發展，2018，28（2）：40-44.

[10] 楊劍鋒，喬佩蕊，李永梅，等.機器學習分類問題及算法研究綜述[J].統計與決策，2019，35（6）：36-40.

[11] 呂鎮邦，孫倩，王娟，等.PHM模型的工程化驗證方法研究[J].計算機測量與控制，2016，24（9）：281-283.

收稿日期：2022-12-13

作者簡介：鞏彥斌（1994—），男，甘肅天水人，碩士，助理工程師，研究方向：飛行器健康管理與軟件工程。