基于信息融合技術的航空電子設備故障診斷研究

閆 濤，趙文俊，胡秀潔，宋家友

(1. 空軍第一航空學院航空電子工程系 河南 信陽 464000；2. 鄭州大學信息工程學院 鄭州 450001)

基于信息融合技術的航空電子設備故障診斷研究

閆 濤1，趙文俊1，胡秀潔2，宋家友2

(1. 空軍第一航空學院航空電子工程系 河南 信陽 464000；2. 鄭州大學信息工程學院 鄭州 450001)

提出一種基于模糊神經(jīng)網(wǎng)絡局部診斷和D-S融合決策的航空電子設備故障診斷方案。首先將設備故障特征信息進行有效組合，構建多個子模糊神經(jīng)網(wǎng)絡完成故障的局部診斷，以獲得彼此獨立的證據(jù)；然后應用Dempster-Shafe證據(jù)理論對各個證據(jù)進行決策融合，最后根據(jù)構建的診斷框架特點用局部診斷輸出值及其正確率來獲取基本概率賦值。該方案應用于某型號機載電臺的仿真結(jié)果表明，經(jīng)過信息融合多級處理后，診斷結(jié)論的可信度明顯增加，故障識別的正確率得到有效提高。

航空電子; 證據(jù)理論; 故障診斷; 模糊神經(jīng)網(wǎng)絡; 信息融合

航空電子設備是現(xiàn)代化戰(zhàn)機的“中樞神經(jīng)”，承擔著“通信導航識別、目標探測及電子戰(zhàn)”等任務功能，目前進行電子設備維修保障的主要方法是基于信號處理，即利用專用檢測儀測試其輸出信號的性能指標參數(shù)，通過判斷其測量值是否在正常范圍進行故障診斷。這種方法的缺點是信息利用率不高，未考慮將參數(shù)信息加以綜合利用，對于復雜設備來說，難以準確定位故障。

隨著人工智能技術的發(fā)展，使用智能控制進行診斷已經(jīng)成為研究熱點[1-4]。文獻[1]利用模糊理論對雷達接收機進行故障源定位；文獻[2]采用D-S證據(jù)理論進行無線發(fā)射機故障診斷；文獻[3]提出一種基于故障樹的自動駕駛儀故障診斷方法。由于設備之間的相互影響、測試誤差等原因，測試信號所提供的信息往往不精確、不完整，因此利用單一信息或者多信息的簡單處理，并未考慮這些不確定因素的存在，必將導致故障診斷正確率降低，甚至出現(xiàn)故障誤報和漏檢等現(xiàn)象。信息融合技術綜合利用多個傳感器從檢測系統(tǒng)多方面獲得同一對象的信息和數(shù)據(jù)，因而可提高診斷的正確率，改善系統(tǒng)故障診斷的不確定性[5-7]。文獻[5]介紹了信息融合方法在電廠設備中的應用；文獻[6]采用了基于D-S證據(jù)理論在航空發(fā)動機的故障診斷方法。本文提出一種基于模糊神經(jīng)網(wǎng)絡局部診斷和D-S融合決策的故障診斷方法，并將局部診斷結(jié)果的距離值和正確率引入D-S基本概率賦值獲取中，通過在某型號電臺的應用，驗證了經(jīng)過融合后的故障診斷可信度增加，準確性提高。

1 信息融合故障診斷方法

圖1所示是信息融合故障診斷框架。由3個環(huán)節(jié)構成：1) 數(shù)據(jù)級。生成被測對象的故障征兆空間。即由檢測裝置采集特征信號，根據(jù)專家經(jīng)驗選擇最佳特征量，即故障征兆空間，并劃分為若干子空間作為下一環(huán)節(jié)的輸入。2) 局部融合。采用若干個并行子模糊神經(jīng)網(wǎng)絡(fuzzy-neural network，F(xiàn)NN)對電臺不同故障模式進行初步診斷，并將結(jié)果進行歸一化作為決策級的各個證據(jù)體。3) 決策融合。利用D-S證據(jù)理論對局部輸出進行融合處理，并根據(jù)判定規(guī)則得到最終診斷結(jié)果。

1.1 FNN故障診斷

單個FNN[8]可以實現(xiàn)多種故障的診斷判別，但是有一定缺點：當設備的故障特征參數(shù)比較多時，必然造成FNN結(jié)構龐大，使網(wǎng)絡訓練時間長，有時甚至超出內(nèi)存容量，無法訓練；特征參數(shù)增多，樣本之間的矛盾也隨之增加，使網(wǎng)絡的泛化能力變差，診斷正確率降低[9]。

FNN融合故障診斷將整個故障征兆空間和故障空間劃分為若干個故障征兆子空間和故障子空間，針對每一對故障征兆子空間和故障子空間建立子FNN，每個子網(wǎng)絡解決各自征兆子空間和故障子空間的映射關系，這樣就把一個大FNN轉(zhuǎn)化為若干個小FNN，從不同側(cè)面進行故障診斷。

基于FNN局部融合故障診斷是一種典型的特征層融合方法，其實質(zhì)是模式識別問題。局部融合采用多個自適應模糊神經(jīng)網(wǎng)絡并聯(lián)的形式[10-11]，隨著輸入量增大，會使模糊規(guī)則成指數(shù)增長，產(chǎn)生規(guī)則爆炸。采取減法聚類[12]進行規(guī)則優(yōu)化，根據(jù)樣本數(shù)據(jù)即可確定聚類中心，初始化隸屬度函數(shù)的參數(shù)，繼而可以確定網(wǎng)絡的初始結(jié)構。經(jīng)過規(guī)則優(yōu)化后的FNN結(jié)構分為4層，即輸入層、模糊化層、模糊規(guī)則層及輸出層。

1.2 D-S證據(jù)融合故障診斷

為了綜合不同子網(wǎng)絡的冗余和互補信息，采用D-S證據(jù)理論[13]對各子網(wǎng)絡的診斷結(jié)果進行關聯(lián)處理，融合判決，得到最終診斷結(jié)果。

1.2.1 基本概念

設Θ為識別框架，在故障診斷中，Θ即為設備故障模式集合。Θ中所有故障模式稱為冪級2Θ。如果函數(shù)m：2Θ→[0,1]，滿足：m(A)稱為A的基本概率賦值，A為可能的故障，(A,m(A))稱為證據(jù)體。采用組合規(guī)則對證據(jù)體進行融合。

設m1、m2分別為同一識別框架Θ上的兩個基本概率賦值分配，焦元分別為A1,A2,,Ak和B1,B2,, Bk，則組合后的基本概率賦值為：

1.2.2 基本概率賦值的獲取

基本概率賦值的獲取是證據(jù)理論關鍵點，且直接影響融合決策的準確性和有效性。由模式識別知識可知，若兩個模式x和y相似，則它們的特征相近。設x、y包含的特征有m個，定義兩個模式的歐氏距離[14]為：

設outij為第i個分類器第j個故障模式的識別輸出，Aj為識別框架中元素所對應證據(jù)體的標準特征向量，則第i個網(wǎng)絡的第j個模式與識別框架中標準模式的歐式距離為：

由于各FNN樣本輸入不同以及不同故障在系統(tǒng)的不同部位體現(xiàn)程度強弱的差異，因此每個FNN分類器對不同故障模式的識別能力也不同。為了提高融合效率，將該信息加入融合中非常重要，采用各網(wǎng)絡識別階段樣本正確率衡量可靠性系數(shù)。設第i個網(wǎng)絡對第k個已知故障模式為βik，從距離函數(shù)到基本概率賦值函數(shù)的映射R→[0,1]是一個非線性映射過程。則證據(jù)i對故障j的基本概率賦值及不確定性分別為：

式中，N為故障模式數(shù)目。對基本概率賦值進行歸一化處理來滿足定義的要求，并根據(jù)最大信息規(guī)則，判定最大概率賦值的狀態(tài)即為輸出結(jié)果。

2 智能診斷實例與結(jié)果分析

航空電臺用于飛機與飛機、飛機與地面的通信聯(lián)絡，是機載通信的重要設備。某型號機載超短波電臺電路模塊包括主接收機、救生接收機、頻率合成器、發(fā)射機和電源。進行模塊級故障診斷的步驟是進行電源模塊診斷，在電源無故障情況下，再對其他模塊進行診斷。工作模式有4種，即主收、雙收、定向和救生，以“主收”工作方式為例，此時救生接收機不工作。

2.1 局部故障診斷

系統(tǒng)模式分為正常模式F1和故障模式。故障模式包括接收機故障F2、發(fā)射機故障F3、頻率合成器故障F4。根據(jù)技術要求和專家經(jīng)驗，采用9個指標作為故障特征參數(shù)，建立3個子模糊神經(jīng)網(wǎng)絡分類器。射頻接收幅度、主收靈敏度和發(fā)射功率為分類器1的輸入；靜噪靈敏度、發(fā)射調(diào)制度、射頻發(fā)射幅度為分類器2的輸入；主收額定輸出、發(fā)射自聽信號、失鎖信號為分類器3的輸入。各分類器輸入的選擇和分配大致遵循以下原則：1) 每個分類器的輸入應同時包含各電路模塊指標；2) 對于單個分類器，輸入信息的類型應盡可能一致。上述輸入分配結(jié)果是根據(jù)仿真情況確定的性能最優(yōu)方案。

通過查閱從各航空兵部隊收集的有關該型電臺使用過程中的性能測試數(shù)據(jù)、故障數(shù)據(jù)以及進行故障排查時的測試記錄，分別整理出對應F1～F4模式共計200個樣本，其中120個作為分類器的訓練樣本，80個作為測試樣本。使用訓練樣本對3個子網(wǎng)絡進行訓練，形成的結(jié)構分別為3-18-6-1、3-18-6-1、3-12-4-1。訓練完成后，輸入測試樣本和網(wǎng)絡輸出量即為信息融合中的局部融合結(jié)果。對應各個模式的系統(tǒng)狀態(tài)輸出分別設為1、2、3和4。

圖2～圖4分別給出在3個子網(wǎng)絡分類器測試下實際故障類別和預測故障類別對比圖。通過與實際的故障數(shù)據(jù)比較發(fā)現(xiàn)FNN1中有8個錯分，F(xiàn)NN2中有11個錯分，F(xiàn)NN3中有4個錯分。

2.2 決策故障診斷

由圖2～圖5可以得出每個分類器對各個故障的正確識別率，將局部分類器輸出結(jié)果和分類器識別率代入式(3)～式(5)中進行基本概率賦值計算，經(jīng)過融合后，得到的分類結(jié)果和實際分類結(jié)果比較如圖5所示?？梢姡?jīng)過融合后，錯分數(shù)目比單個分類器減少，分類能力提高。

下面從具體的數(shù)據(jù)比較融合后的精確度。

1) 討論子網(wǎng)絡中完全分類正確的數(shù)據(jù)集。為了方便起見，選取F1模式下第2個樣本為例分析。觀察單個證據(jù)體輸出的基本概率賦值及融合后的概率賦值，見表1中樣本1數(shù)據(jù)，證據(jù)集E1、E2、E3分別表示各子網(wǎng)絡分類器。從表中可以看出E1和E2融合后，F(xiàn)1狀態(tài)的概率賦值變大，同時其他狀態(tài)的概率賦值變小，不確定度降低。E1、E2、E33個證據(jù)集融合后，F(xiàn)1的概率賦值繼續(xù)增高，由原來最低0.575 9增加為0.900 4，其他狀態(tài)的概率賦值繼續(xù)降低，不確定度由原來最高0.105 6降為0.001 2。證明經(jīng)過融合后故障診斷的可信度增加，系統(tǒng)狀態(tài)之間的不確定性降低，并且證據(jù)集越多，故障診斷的確定性越大。

2) 討論子網(wǎng)絡分類器判斷錯誤的數(shù)據(jù)項。以F3模式下第47數(shù)據(jù)為例，其各證據(jù)體和融合后的概率賦值見表1中樣本2數(shù)據(jù)。證據(jù)集E1、E3判斷為F3模式，E2判定為F2模式。單獨根據(jù)證據(jù)集，無法判定輸出模式。經(jīng)過E1和E2融合，根據(jù)最大概率賦值原則，狀態(tài)為F3，糾正了證據(jù)集2帶來的錯誤診斷，但是狀態(tài)之間的不確定性較大。經(jīng)過3個證據(jù)集融合，F(xiàn)2的概率賦值由兩個證據(jù)集融合后的0.498 5增加到0.703 2，不確定性降低至0.001，判斷狀態(tài)為F3，與實際相符。證明經(jīng)過信息融合后，可以使一些證據(jù)體的錯誤輸出得到修正，有效地解決了局部診斷出現(xiàn)的誤判現(xiàn)象。

3 結(jié) 論

本文采用的基于FNN分類初步診斷和D-S證據(jù)理論融合診斷相結(jié)合的方法，實現(xiàn)了對電臺故障的診斷，實驗驗證經(jīng)融合后的故障識別能力優(yōu)于單一FNN分類器，克服了單一分類器診斷的片面性和孤立性，表明信息融合故障診斷方法可以提高診斷的可靠性和準確性。只要故障特征空間確定，該診斷方法均可使用，具有通用性的特點，可以應用于其它航空電子設備中，為機載航電故障診斷提供了一種有效的方法。

[1] 胡林, 莫翠瓊, 孫正鑫, 等. 模糊理論在雷抗偵察接收機故障診斷中的應用[J]. 艦船電子對航, 2012, 35(6): 18-22. HU Lin, MO Cui-qiong, SUN Zheng-xin, et al. Application of fuzzy theory to fault diagnosis in radar countermeasurereconnaissance receiver[J]. Shipboard Electronic Countermeasure, 2012, 35(6): 18-22.

[2] 文瑩, 肖明清, 胡雷剛, 等. 基于粗糙神經(jīng)網(wǎng)絡的航空電子設備故障預測研究[J]. 計算機測量與控制, 2010, 18(4): 807-809. WEN Ying, XIAO Ming-qing, HU Lei-gang, et al. Research of avionics prognostics based on rough neural network[J]. Computer Measurement&Control, 2010, 18( 4): 807-809.

[3] 張競凱, 章衛(wèi)國, 劉小雄, 等. 一種基于故障樹的自動駕駛儀故障診斷專家系統(tǒng)設計[J]. 測控技術, 2010, 29(10): 88-99. ZHANG Jing-kai, ZHANG Wei-guo, LIU Xiao-xiong, et al. Design of a fault-tree-based expert system for flight control system diagnosis[J]. Measurement & Control Technology, 2010, 29(10): 88-99.

[4] 郭甜甜, 慕曉冬, 張力, 等. 基于D-S證據(jù)理論的無線發(fā)射機故障診斷方法[J]. 計算機工程與設計, 2012, 33(6): 2506-2510. GUO Tian-tian, MU Xiao-dong, ZHANG Li, et al. Fault diagnosis method of wireless transmitter based on D-S evidence theory[J]. Computer Engineering and Design, 2012, 33(6): 2506-2510.

[5] XIA Fei, ZHANG Hao, HUANG Cong-hua, et al. Fault diagnosis on power plant with information fusion technology[C]//IECON 2011-37th Annual Conference on IEEE Industrial Electronics Society. Vienna, Austria: IEEE Industrial Electronics Society, 2011: 2370-2375.

[6] 吳婭輝, 李新良, 張大治. 基于D-S證據(jù)理論的航空發(fā)動機振動故障分析[J]. 計算機應用與軟件, 2012, 29(6): 105-108. WU Ya-hui, LI Xin-liang, ZHANG Da-zhi. Analysis of aero-engine vibration fault based on D-S evidence theory[J]. Computer Applications and Software, 2012, 29(6): 105-108.

[7] NIU G, HAN T, YANG S, et al. Multi-agent decision fusion for motor fault diagnosis[J]. Mechanical Systems and Signal Processing, 2007, 21(3): 1285-1299.

[8] 李國勇. 智能控制及其MATLAB實現(xiàn)[M]. 北京: 電子工業(yè)出版社, 2005. LI Guo-yong. Intelligent control and MATLAB realization [M]. Beijing: Publishing House of Electronics Industry, 2005.

[9] 賀建軍, 趙蕊. 基于信息融合技術的大型水輪發(fā)電機故障診斷[J]. 中南大學學報, 2007, 38(2): 333-338. HE Jian-jun, ZHAO Rui. Hydroelectric generating sets fault diagnosis based on information fusion technology[J]. Journal of Central South University, 2007, 38(2): 333-338.

[10] HAN Min, SUN Yan-nan, FAN Ying-nan. An improced fuzzy neural network based on T-S model[J]. Expert Systems with Applications, 2008, 34(4): 2905-2920.

[11] LOHANI A K, KUMAR R, SINGH R D. Hydrological time series modeling: a comparison between adaptive neuro-fuzzy, neural network and autoregressive technique[J]. Journal of Hydrology, 2012, 6(6): 23-25.

[12] 高新波. 模糊聚類分析及應用[M]. 西安: 西安電子科技大學出版社, 2004. GAO Xin-bo. Fuzzy clustering analysis and application[M]. Xi’an: Publishing House of Xidian University, 2004.

[13] XU Chun-mei, ZHANG Hao. Study of fault diagnosis of D-S evidence theory based on neural network for tuibine[J]. Energy Procedia, 2012, 16: 2027-2032.

[14] 吳玉彬, 張合新, 呂永佳. 基于D-S證據(jù)理論的某飛行器地面電源故障診斷研究[J]. 航天控制, 2011, 29(6): 79-83. WU Yu-bin, ZHANG He-xin, Lü Yong-jia. Research of certain aircraft ground power fault diagnosis based on D-S evidence theory[J]. Aerospace Control, 2011, 29(6): 79-83.

編 輯 漆 蓉

Fault Diagnosis of Avionic Devices Based on Information Fusion Technology

YAN Tao1, ZHAO Wen-jun1, HU Xiu-jie2, and SONG Jia-you2
(1. Aeronautic Electronic Engineering Department, The First Aeronautical College of Air Force Xinyang Henan 464000;
2. School of Information Engineering, Zhengzhou University Zhengzhou 450001)

A fault diagnosis scheme for airborne avionics is proposed based on local fault detecting with fuzzy neutral network and decision fusion with Dempster-Shafer evidence theory. Firstly, the characteristic malfunction information of equipment is effectively recombined, and fuzzy neural sub-networks are constructed to achieve independent evidences, with which the diagnosis conclusions as decision fusion results are then drawn by using D-S evidence theory. Lastly, the basic probability values are computed according to the local diagnosis outputs and their credibility. Simulation results indicate that the diagnosis credibility can be obviously increased and the accuracy can also be effectively improved when the scheme is applied to the fault diagnosis of an airborne radio.

avionic device; evidence theory; fault diagnosis; fuzzy neural network; information fusion

TN85

A

10.3969/j.issn.1001-0548.2015.03.013

2014 ? 03 ? 04；

2014 ? 12 ? 10

軍內(nèi)計劃項目(KJ2012255)

閆濤(1979 ? )，男，博士，主要從事編碼調(diào)制、信號檢測和故障診斷等方面的研究.