李 登 尹亚兰 朱文秀

（1.海军指挥学院信息系 南京 211800）（2.92674部队 厦门 361001）

1 引言

随着武器装备现代化的不断发展，越来越多的复杂电子装备配发部队。由于复杂电子装备的故障具有层次性、传播性、相关性和不确定性等特点［1］，这使得故障诊断技术的地位和作用日益突出。按照对知识运用程度的不同，可将电子装备故障诊断技术分为传统故障诊断技术和智能故障诊断技术。传统故障诊断技术运用了相关领域的事理性、理论性知识，以及操作人员简单的逻辑判断。智能故障诊断技术则是模拟人类的逻辑思维和形象思维，将人类各种知识融入诊断过程［2］。

本文在研究电子装备传统故障诊断技术适用性和局限性的基础上，探讨了几种智能故障诊断技术在大型复杂电子装备中的应用及其优缺点，最后分析了智能故障诊断技术的发展趋势。

2 传统故障诊断技术

故障诊断技术是一门多学科交叉的科学，它包括了现代控制理论、信号处理、模式识别、人工智能等理论和方法。故障诊断技术发展过程中，在不同的应用领域，与不同的学科相结合产生了多种故障诊断技术。概括地讲，现有的故障诊断技术可以分成两大类［3］：传统故障诊断技术和基于人工智能的故障诊断技术，传统故障诊断技术又可分为基于解析模型的方法和基于信号处理的方法两类。

所谓基于解析模型的方法，是在弄清诊断对象数学模型的基础上，通过将被诊断对象的可测信息和由模型表达的系统先验信息进行比较，产生残差，并将残差进行分析和处理，从而实现故障诊断。基于解析模型的方法又可分为状态估计法、等价空间法和参数估计法。目前此种方法得到了深入的研究，但对于非线性复杂大系统来说，常常难以获得对象的精确数学模型，这就大大限制了基于解析模型诊断方法的使用范围和效果。

而基于信号处理的方法，通常是利用信号模型，如相关函数、频谱、自回归滑动平均、小波变换等，直接分析可测信号，提取诸如方差、幅值、频率等特征值，从而检测故障的发生［4］。基于信号处理的方法又可以分为：小波变换方法、主元分析方法、利用δ算子和利用Kullback信息准则的故障检测。这类方法不需要诊断对象的准确模型，适用对象较广。但该方法是根据直接可测的输入输出及其变化趋势来进行故障诊断，对人的要求较大。

传统的故障诊断技术对于简单的诊断对象比较容易实现，对于复杂的电子装备则难度大且效果不好，需要专家的人工干预，人为的因素占很大成分，容易出现漏检和误检。而智能诊断理论是以无模型或非精确模型为特征的更接近人类思维方式的控制理论，以知识信息为基础进行学习和推理，用启发式方法来引导求解过程。因此，采用人工智能技术对复杂电子装备进行故障诊断已经成为提高诊断效率和实现诊断自动化的必由之路。

3 主要的智能故障诊断技术

近年来，随着人工智能及计算机技术的飞速发展，特别是知识工程、专家系统和人工神经网络在诊断领域中的进一步应用，基于人工智能的故障诊断技术得到了更加深入、系统的研究，产生了专家系统故障诊断技术、神经网络故障诊断技术、故障树故障诊断技术、模糊故障诊断技术和基于案例推理故障诊断技术等。

3.1 专家系统故障诊断技术

专家系统是一种具有大量专门知识与经验的智能程序系统，它能运用某个领域一个或多个专家多年积累的经验和专门知识，模拟领域专家求解问题时的思维过程，以解决该领域中的各种复杂问题［5］。专家系统的能力来自它所拥有的专家知识，并通过推理的方法解决问题，即知识＋推理＝系统。

故障诊断专家系统通常由综合数据库、知识库、推理机、知识获取系统、解释系统以及人机交互界面等部分组成［6］，其核心是知识库和推理机，如图1所示。专家系统故障诊断技术，可以用于没有精确数学模型或很难建立数学模型的复杂电子装备。其诊断过程是当计算机在采集故障信息后，根据专家丰富的实践经验以及专家分析问题和解决问题的思路，建立故障诊断的知识库（规则库）和推理机，进行一系列的推理。必要时还可以随时调用各种应用程序，运行过程中向用户索取必要的信息后，就可快速地找到最终故障或最有可能的故障，并对推理过程做出解释。

图1 故障诊断专家系统基本结构图

专家系统故障诊断技术克服了传统故障诊断技术对模型的过分依赖性，有明确的知识表示，能够进行符号操作，能解释推理过程，具有灵活性、透明性及交互性。主要缺点是由于知识和经验描述的多样性和不确定性，因此知识的获取和有效处理已成为专家系统的“瓶颈”问题；此外，专家系统在自适应能力、学习能力及实时性方面也都存在不同程度的局限。

3.2 神经网络故障诊断技术

神经网络是通过一种模拟人脑处理信息的功能来获得解决复杂问题的方法，能够出色地解决那些传统模式识别方法难以圆满解决的问题［7］。在神经网络模型中，BP神经网络模型应用最为广泛［8］，由三层即输入层、隐含层和输出层组成。

利用神经网络技术进行故障诊断，主要包括学习（训练）与诊断（匹配）两个过程［4］，每个过程都包括预处理和特征提取两部分。具体诊断过程如图2所示。1）学习（训练）阶段：选定合适的网络结构和规模，借助一定的学习算法，以反映系统的动态特性、建模误差和干扰影响的变量作为神经网络的输入，以对应的状态编码为期望输出，构成输入／期望输出样本对，对神经网络进行训练，确定神经网络的权值和阈值，当学习收敛后冻结神经网络的权值和阈值。2）诊断（匹配）阶段：使训练好的神经网络处于回想状态，对于一个给定的输入，便产生一个相应的输出，由输出与故障编码进行比较即可方便地确定故障。

图2 神经网络故障诊断

神经网络故障诊断技术具有良好的I／O非线性映射特性、信息的分布存储、并行处理以及高度的自组织和自学习能力。但同时存在着限制其应用的缺点，如神经网络结构选择及训练样本选择缺乏系统可靠的依据，网络训练收敛速度比较慢，不能解释推理过程，对复杂的电子装备有时缺乏有效的学习算法。

3.3 故障树故障诊断技术

故障树是一种表达故障传播关系的有向图形，它以诊断对象中最不希望发生的事件作为顶事件，以可能导致顶事件发生的其他事件作为中间事件和底事件，并用逻辑门表示事件之间联系的一种倒树状结构，它反映了特征向量与故障向量（故障原因）之间的全部逻辑关系［9］。如图3即为一个简单的故障树。图中顶事件为系统故障，由部件A或部件B引发，而部件A的故障又是由两个元件1、2中的一个失效引起，部件B的故障是在两个元件3、4同时失效时发生。

故障树模型是一个基于被诊断对象结构、功能特性的行为模型，是一种定性的因果模型。故障树故障诊断过程是：首先对诊断对象建立诊断树模型，然后沿诊断树模型进行故障搜寻与诊断。根据搜寻方式不同，可分为逻辑推理诊断法和最小割集诊断法［10］。把现有的测量信息和故障节点间的逻辑关系进行正向推理和反向推理，利用异常节点作为推理的起始点，利用正常节点进行假设排除，最终确定底事件的状态。

故障树故障诊断技术的主要优点是简单易行，几乎不需要使用训练方法。但它是建立在正确故障树结构的基础上的，因此建造正确合理的故障树是诊断的核心与关键。对复杂系统而言，故障树会很庞大。一旦故障树建立不全面或不正确，则此诊断方法将失去作用。此外，故障树不能显示出求解所使用的知识。

3.4 模糊故障诊断技术

模糊理论最初由Zedeh在1965年提出，是为描述与处理广泛存在的不精确、模糊的时间和概念提供相应的的理论工具［11］。由于现代电子装备的复杂性，故障与征兆之间的关系很难用精确的数学模型来表示，随之某些故障状态也是模糊的，这就产生了模糊故障诊断方法。典型的模糊故障诊断方法如图4所示。

图3 故障树故障诊断

模糊故障诊断是利用模糊集合论中的隶属函数和模糊关系矩阵的概念来解决故障与征兆之间的不确定关系，进而实现故障诊断。诊断步骤［12］为：

1）根据经验、统计和实验数据，建立故障与征兆之间的模糊关系矩阵（隶属度矩阵），矩阵中的每个元素的大小表明他们之间的相互关系的密切程度。

2）根据待诊断对象的现场测试数据，提取特征参数向量X。

3）求解关系矩阵方程Y＝X◦R，得到待检状态的故障向量Y，再根据一定的判定原则，如最大隶属度原则、择近原则或阈值原则等，得到诊断结果。

模糊故障诊断技术计算简单，应用方便，结论明确直观。但由于隶属函数是人为构造的，含有一定的主观因素。此外，对特征元素的选择也有一定的要求，如选择的不合理，诊断结果的准确性会下降，甚至造成诊断失败。

3.5 案例推理故障诊断技术

案例推理是人工智能中新兴的一种推理技术，是一种使用过去的经验案例指导解决新问题的方法，其关键是如何建立一个有效的案例索引机制与案例组织方式。由于案例推理是通过回忆以前相似状况并重新利用那种状况的信息和知识来求解新问题的一种推理方法，它可以缩短问题求解途径，提高推理效率，在知识表达不尽理想或领域知识获取不完备、不精确的情况下，能直接利用原有系统中的经验教训，不需人为从实例中提取规则，降低了知识获取的负担，解题速度快。

基于案例推理的故障诊断技术不足之处表现在，其能搜集到的诊断实例是有限的，不可能覆盖所有解空间，搜索时可能会漏掉最优解；当出现异常征兆时，由于找不到最佳匹配，可能造成误诊或漏诊。此外，随着案例的不断增加，它检索和索引的效率受到了影响。

上述智能故障诊断技术各有所长，在实际应用中都有出现。在此，列出各种智能故障诊断技术的优缺点如表1所示。

图4 模糊故障诊断方法

表1 主要智能故障诊断技术优缺点对比

4 智能故障诊断技术的发展趋势

随着智能信息处理技术、数据采集技术、网络技术以及虚拟仪器技术的发展，结合复杂电子装备的具体情况，其未来发展趋势表现在以下方面：

1）向集成化方向发展。大型复杂电子装备的故障往往表现为复杂性、不确定性、多故障并发性等，由于目前存在的各种智能诊断技术都有一定的局限性，运用单一的智能故障诊断技术，存在精度不高、泛化能力弱、诊断效率较低等问题［18］，所以提高智能化的一个比较有效的办法就是集成多种技术，取长补短。集成主要以知识为基础，将多种知识表达方法和推理方法综合集成，融合多种信息，实现多角度、多层次的诊断集成。

2）向远程化方向发展。复杂电子装备故障涉及诸多技术领域相关知识，只靠单个部门人员很难在短时间内解决。随着计算机网络及相关技术的发展，远程故障诊断技术逐渐成为故障诊断领域一个新的发展方向。在军事方面，如果各种战伤的武器装备在现场能够得到及时维修，将对提高装备的战斗力有重要的意义。利用远程故障诊断专家系统，可以获得远离战场的领域专家的指导，有效地提高维修速度与准确度。目前智能故障诊断技术与Internet技术相结合是远程故障诊断发展的主要方向之一。

3）向便携式方向发展。随着技术的发展，人们对故障诊断的实时性和高效性提出更高要求。如果能有类似数字万用表的便携式诊断仪，利用探针采集故障特征信号，通过仪器固化的专用故障诊断专家系统进行故障诊断，将会为维修人员的故障排除提供极大的方便。现代计算机技术、人工智能技术、数字信号处理技术与嵌入式软件技术的发展使这种便携式诊断仪的实现成为可能。

4）向分布式方向发展。某些复杂电子装备的功能和结构是分布式和多层次的，这决定了诊断系统也可以是分布式和多层次的。分布式诊断系统由全局诊断系统和子诊断系统组成。全局诊断系统负责诊断任务的管理，包括总体任务的分解、子任务的协调与控制、各子系统诊断结论的综合等；子诊断系统根据所分得的子任务，完成对所辖设备的故障诊断。分布式故障诊断的发展是以分布式数据库、计算机网络与通信技术、分布式检测技术的融合为基础的。

5 结语

故障诊断技术一门应用型综合学科，它的理论基础涉及现代控制理论、计算机工程、人工智能、信号处理、模式识别、模糊理论、神经网络以及相应的应用学科。由于智能故障诊断技术能解决许多传统故障诊断技术无法解决的难题，因而具有广阔的前景。随着科学技术的发展定会不断涌现出许多新理论、新技术、新方法，这将直接或间接地推动故障诊断技术向前发展。

［1］周晓，杨成德，舒德强，等.复杂电子装备的智能故障诊断技术［J］.兵工自动化，2006，25（5）：42－43.

［2］左万里，武小悦.电子设备智能故障诊断技术发展综述［J］.系统工程与电子技术，2003，25（12）：1572－1575.

［3］金鑫，任献彬，周亮.智能故障诊断技术研究综述［J］.理论与方法，2009，28（8）：30－32.

［4］罗志勇.雷达系统智能故障诊断技术研究［D］.西安：西北工业大学博士论文，2006：8－9.

［5］张仰森.人工智能原理与应用［M］.北京：高等教育出版社，2003：284－285.

［6］赵玉红.雷达故障诊断专家系统设计构思［J］.雷达与对抗，2010，30（4）：18－20.

［7］Xu D S.Research on Electronic Equipment Fault Diagnosis Based on Improved BP Algorithm［C］／／2010Second International Conference on Machine Learning and Computing，2010：130－134.

［8］周全，赵书文，文建军.基于BP网络的雷达故障诊断［J］.火控雷达技术，2005，34（2）：77－79.

［9］李东.基于故障树分析和模糊综合评判的某雷达故障诊断方法［J］.计算机测量与控制，2007，15（4）：496－497.

［10］朱大奇，于盛林.基于知识的故障诊断方法综述［J］.安徽工业大学学报，2002，19（3）：197－203.

［11］张绪锦，韩江洪.模糊理论在雷达故障诊断中的应用研究［J］.系统工程与电子技术，2001，23（2）：90－93.

［12］陈建勤，席裕庚，张仲俊.模糊规则的学习及其在非线性系统建模中的应用［J］.自动化学报，1997，23（4）：533－537.

［13］王东，刘怀亮，徐国华.案例推理在故障诊断系统中的应用［J］.计算机工程，2003，29（12）：10－12.

［14］谭勇，王伟.智能故障诊断技术及发展［J］.飞航导弹，2009，42（7）：35－38.

［15］金俊，郭福亮，孙浩.计算机远程故障诊断系统的设计实现［J］.计算机与数字工程，2008，36（12）.

［16］李军虎.一种基于多Agent远程分布式故障诊断系统模型［J］.计算机与数字工程，2011，39（6）.

［17］张星辉，康建设，刘占军.CHMM在设备故障诊断和预测中的应用研究［J］.计算机与数字工程，2011，39（3）.

［18］雷亚国.混合智能技术及其在故障诊断中的应用研究［D］.西安：西安交通大学博士论文，2007：28－30.