APP下载

基于多信号流模型的诊断策略动态生成

2017-05-24林志文

计算机测量与控制 2017年5期
关键词:静态故障诊断动态

林志文,马 锐,万 福

(1.海军装备技术研究所,北京 102442; 2.海军指挥学院, 南京 211800)

基于多信号流模型的诊断策略动态生成

林志文1,马 锐2,万 福2

(1.海军装备技术研究所,北京 102442; 2.海军指挥学院, 南京 211800)

针对静态故障树诊断序列长、人工可干预度差和不支持多现象并行推理问题,提出了基于D-矩阵和Rollout信息启发搜索算法的故障诊断策略动态生成方法,介绍了基于TEAMS多信号流模型的D-矩阵数据获取方法和Rollout信息启发搜索算法的DLL独立封装技术、输入输出数据规范和动态交互控制方法;基于此开发的交互式智能诊断系统(IIDS)软件平台经实际现场测试诊断验证,对诊断现场出现的多种客观条件,如系统工作模式或测试资源变化、用户干预和多故障现象并发推理等具有很好的适应性,故障覆盖率和隔离率指标高,对提高装备故障诊断的效率、准确性和灵活性具有显著作用。

多信号流模型; D-矩阵; 诊断策略; 动态生成

0 引言

一般情况下,舰船装备发生故障后,艇员故障诊断方法主要依托现场提供的装备历史故障案例和指导手册(包括纸质和电子),并按照案例或手册引导逐步开展相关测试、诊断和维修。这种方法由于以预先编制好的故障树为主导,一般也称为静态故障树方法[1-2]。存在问题:一是对于大型复杂装备,如雷达、声纳等,由于涉及分机、电路板、模块很多,编制的静态故障树就会很深,造成诊断效率低;二是预先编制的静态故障树在实施过程中,只能按照故障树预定的顺序进行诊断,如果故障树某中间测试节点出现错误或由于实际情况无法遂行测试,故障树方法就可能导致错误结果或无法推理;三是预先编制的静态故障树一般以某一故障症状开始推理,而实际艇员修理过程一般是多个故障现象同时观测后再进行推理,思路不一样,同样造成诊断效率低下[2]。针对问题,本文拟在传统静态故障树基础上,优化设计诊断故障树生成方法,使之具备从测试性模型同时支持静态、动态故障树生成的能力,并开发相应交互式智能诊断系统软件,配套现场分布式通用测试诊断系统,实现故障诊断自适应推理,提供智能、快速、灵活、动态生成符合用户需求的故障树,以适应现场修理作业环境,提高诊断效率。

1 多信号流模型表达

多信号流模型主要为克服结构模型和信息流模型对于系统功能性故障描述的不足而提出的测试性建模方法,其主要观点如下:①针对可测试性设计,模型设计的目的是保证能够识别系统功能性故障产生的原因;②建模空间为故障空间,而不是完整的系统空间,故障空间的维度值与功能空间的维度值相关,当功能空间是多维度值时,故障空间也相应是多维的;③模型只需确定系统的功能属性,无需构建系统的定量关系;④测试性模型能够描述系统中各个部件单元相关的信号属性和测试的信号属性之间的因果关系[3]。多信号流模型在结构上更接近系统的物理结构[4],且模型中的信号相互独立,建模过程简洁清晰,模型的集成和验证相对简单,分析评估结果可信度高,在舰船电子装备测试性分析和故障诊断中得到广泛应用。目前基于多信号流模型的测试性分析和评估成熟软件主要是美QSI公司的TEAMS软件,因此本文将故障诊断策略树动态生成技术的研究基点放在多信号流模型和TEAMS软件模型应用方法。

多信号流模型的表现形式通常由层次化的系统模块组件、模块关联的诊断功能分解描述(系统功能分解、功能流信息等)和测试功能属性描述(测试点、测试位置、测试资源、测试过程和判定准则)组成,多信号流模型的关键要素表达如下:

①系统模块组件集合:

M={m1,m2,…,mL}

(1)

可分解且具有独立完整的系统级功能的组件单元集合,即层次化的系统模块组件描述。

②模块关联的诊断功能集合:

S={s1,s2,s3,s4,s5}

(2)

代表系统信号流中能够准确描述的模块组件特征属性或模块组件可能发生的故障模式集合,即诊断功能分解描述。

③测试点集合:

TP={TP1,TP2,TP3,TP4}

(3)

代表用于测试诊断并发现功能故障的虚拟位置集合。

④可用测试集合:

T={t1,t2,t3,t4,t5,t6}

(4)

代表用于测试诊断并发现功能故障的所有测试集合(包含与所有测试相关的判定准则和属性信息)。测试点集合和可用测试集合即代表了测试功能属性描述。

2 D矩阵数据生成

TEAMS软件建立的多信号模型是以文件形式和数据库保存的,诊断策略树生成所需要的D矩阵数据TEAMS软件并没有直接对外开放。本节我们主要研究通过TEAMS软件多信号流模型获取D矩阵数据的方法[4-5]。

对TEAMS文件内容分析可知,TEAMS的多信号流模型的文件中跟D矩阵数据相关的主要是*.dep、*.nsi、*_grf.map和*.prm几个文件。利用这几个文件可以分别得到D矩阵数值、故障/模块/测试/资源集数据、故障名称数据和测试费用、级别、概率数据,然后进一步可以获得D矩阵的完整信息。TEAMS多信号流模型文件获取D矩阵信息主要步骤如图1所示。

图1 从TEAMS多信号流模型文件获取D矩阵

1)确定D矩阵行向量集合。首先从*.nsi文件中FAULTS字段中获取所有故障模块的ID号,然后根据故障模块的ID号从*_grf.map文件的MODULE_PROPERTIES获得对应故障模块的名称,则每个故障模块对应一个D矩阵行向量。

2)确定D矩阵列向量集合。首先从*.nsi文件中TESTS字段中获取所有测试的ID号,然后根据测试的ID号从*_grf.map文件的TEST_PROPERTIES获得对应测试名称,则每个测试对应一个D矩阵列向量。

3)确定D矩阵元素值,即故障与测试的依赖关系。D矩阵每一行的元素值可以从*.dep文件的FAULT_D_MATRIX_COMPACT字段中获取。FAULT_D_MATRIX_COMPACT字段中数值与D矩阵每行元素值的对应关系为:将D矩阵每行的二进制数值32位分成一组,当最右侧不满32位时后面补0变成32位。将32位二进制数据转换成十进值数值,则可到FAULT_D_MATRIX_COMPACT字段中对应的值。所以将*.dep文件FAULT_D_MATRIX_COMPACT字段中每组的十进制数值转换成32位二进制数值,并将右段多余的0删除就可以得到D矩阵每一行的元素值。

4)确定D矩阵的附加信息。D矩阵元素值只是D矩阵的基础信息,对于舰船装备实际故障诊断,在诊断过程中,为了生成最优的诊断策略,不仅要知道故障和测试的依赖关系,还要知道测试费用、测试编组、测试优先级和故障经验概率等信息[4-5]。这些信息可以从*.prm文件中获得。具体为:从MTTFS字段获取各模块的故障概率,从TEST_COSTS字段获取各测试的费用,从TEST_HOURS字段获取各测试需要的时间,从TEST_LEVELS字段获取各测试的优先级。

5)确定故障模式与隔离模块的对应关系。D矩阵代表了故障模式与测试的对应关系,在实际的维修过程中可以根据诊断的需要隔离到不同的级别。所以必须确定故障模式与要隔离模块的对应关系。具体方法为:从*.dep文件的FAULT_MODULE_MAPS字段中获取故障模式对应的隔离模块序号,然后根据隔离模块序号从*.nsi文件的MODULES字段中获的隔离模块的ID号,再根据隔离模块的ID号从*_grf.map文件的MODULE_PROPERTIES获得对应隔离模块的名称。

3 技术实现与分析

3.1 总体思路

改进传统基于静态诊断故障树浏览系统“僵化”故障诊断执行模式,在传统浏览系统外增加诊断推理软件,提供独立于浏览系统、同时支持静态和动态诊断故障树的“灵活”故障诊断执行平台,既可以按原来的方式执行预先生成的静态诊断故障树,又可以根据现场实际情况变化,依据用户多种干预选择(如仪器选择、故障现象选择和测试选择等)结果,动态灵活生成符合用户当前需求的故障诊断故障树,并提供新案例录入功能,以弥补测试诊断需求分析过程遗漏的故障模式解决方案。

如图2所示,在动态生成实现过程中采用TEAMS-Designer多信号流模型生成的*.dep、*.nsi、*_grf.map和*.prm文件来进行故障诊断推理,软件的具体原理为:首先利用文件分别得到D矩阵数据、故障/模块/测试/资源集数据、故障名称数据和测试费用、级别、模块故障概率数据等。然后在实际诊断过程中随外部控制条件,如症状、资源、测试放弃、测试另选等变化从D矩阵中获取子D矩阵,然后再利用Rollout信息启发算法(封装为DLL件格式)生成特定的诊断策略树,引导用户开展测试和诊断,从而实现动态诊断策略的实现。

图2 动态诊断策略树生成框图

3.2 诊断故障树动态生成技术途径

1)TEAMS存储多信号流模型主要采用文件形式。因此本文研究D矩阵数据生成的获取主要从TEAMS文件中获取多信号流模型数据。

2)动态条件一旦变化,将生成新的D矩阵数据,并再次调用Rollout信息启发算法。因此,为了便于实时调用,提高效率,Rollout信息启发算法将以DLL的形式封装,其输出诊断策略树也将以符合诊断策略树模式统一定义的XML文档形式输出,便于其它用户调用;

3)动态推理软件平台开发时,主界面基于WEB浏览方式,而对测试程序的执行调用还保留原有的TPSCOM形式,包含运行平台初始化、测试程序加载、测试组执行和运行平台退出4个接口函数,对仪器软面板的调用采用原有的SPCOM接口。

3.3 局部D矩阵生成

舰船电子装备现场诊断过程中可能发生一些客观情况,例如装备工作模式不同、测试资源缺乏、用户测试干预等,此时将导致部分测试不可执行,如果仍用全局D矩阵生成的静态诊断策略树将会由于某些测试无法完成导致诊断过程不能继续运行,甚至引导到错误维修结论。另外,当在现场维修过程中,如果存在多个故障现象,则同时基于多个故障现象进行诊断推理可以加快故障定位速度,提高故障诊断的效率,而全局D矩阵生成的静态诊断策略树不能利用多个故障现象。因此,在实际的诊断过程中可以根据实际情况导致的不可测测试、用户测试干预以及多个故障现象,利用全局D矩阵生成局部D矩阵,然后根据局部D矩阵生成诊断策略,这样,生成的诊断策略中将没有不可执行测试,另外也可以提高诊断效率。局部D矩阵的生成主要包括以下3种情况。

1)当前测试tj不可测的情况。

在实际维修的过程中,可能由于缺乏测试需要的资源或者由于当前测试点找不到导致当前的测试tj无法完成,如果仍用原有静态诊断策略,将由于当前测试tj无法完成,诊断策略无法继续进行。此时可以将原来D矩阵测试tj对应的列删除形成新的局部D矩阵,然后再在新的局部D矩阵基础上利用Rollout算法生成新的诊断策略。

2)用户主动选择测试tj的情况。

在实际维修的过程中,修理人员可能会根据实际情况改变测试的顺序,在当前诊断的过程中用户主动选择测试tj,此时,可以根据用户选择的测试tj的测试是否通过,在原来D矩阵的基础上生成局部D矩阵,然后再在新的局部D矩阵基础上利用Rollout算法生成新的诊断策略。

3)多个故障现象并存的情况。

在实际的维修过程中,可能存在多个故障现象并存的情况,如果同时利用多个故障现象进行故障隔离,则可以提高故障隔离效率,而如果仍用原来的静态诊断策略,则不能充分利用多个故障现象,只能一步步判断,导致故障隔离时间较长。新的动态故障诊断策略树生成中,支持同时根据多个故障现象,生成诊断策略树,具体方法为:当出现多个故障现象时,利用故障现象的测试对应的D矩阵数值为1的行的交集生成局部D矩阵,然后继续利用Rollout算法生成策略诊断树,从而提高故障隔离的效率。

3.4Rollout算法DLL封装

在交互式诊断的过程中,每诊断一步都将生成新的局部D矩阵数据,并调用Rollout算法生成诊断策略[5],为了便于Rollout算法的实时调用,提高调用效率,我们将Rollout算法封装到动态库DLL文件,在具体动态策略生成时主程序直接加载DLL文件,调用Rollout算法生成诊断策略。DLL(DynamicLinkableLibrary)动态链接库是一个包含可由多个程序同时使用的代码和数据的库。DLL不是可执行文件,只是提供了一种方法,使进程可以调用不属于其可执行代码的函数。DLL的结构和应用程序很相近,每个应用程序都有一个入口函数WinMain,而每个DLL都有一个入口函数DLLMain,DLL中含有资源、数据段和代码段,可以像应用程序一样使用回调函数(CALLBACK),也可以使用自定义消息。DLL在构成不同于应用程序的地方,主要有输入符号表和输出符号表,以方便应用程序调用DLL的函数[6-7]。

3.5 软件实现

软件在具体实现的过程主要涉及到的技术包括:主界面设计、数据库设计、基于Servlet、JSP和Tomcat服务器的远程应用服务技术、Rollout算法的DLL封装、诊断数据文件的交互和TPS的加载等,下面进行具体介绍。主界面采用VisualStudio2010开发,编程语言为C#,后台数据库为MSSQLServer2005,数据库连接方案采用ADO方式。应用程序采用C#实现,所有的数据查询计算以及分析在数据库服务器端执行,计算及分析结果在客户端显示。交互式智能诊断系统的软件模块主要包括:开始诊断、诊断复现、案例录入、记录查询和统计预测5个模块。

3.6 结果分析

根据软件实现方案,研制了交互式智能诊断系统(IIDS)软件,故障推理界面如图3所示。相比于国内外其它同类产品,该软件集模型导入、动态诊断、案例录入、记录查询复现及统计分析等功能于一体的,具有人机交互功能的智能诊断系统,既可以按原来的方式执行预先生成的静态诊断策略树,又可以根据现场实际情况变化,依据用户多种干预选择(如仪器选择、故障现象选择和测试选择等)结果,动态灵活生成符合用户当前需求的故障诊断策略树。另外,IIDS还可以与原浏览系统通过COM接口进行双向异步信息交互,即IIDS系统可以根据测试诊断情况通过COM接口实时搜索查询到IETM相关内容,浏览系统也可以通过COM接口启动IIDS系统开展动态故障诊断过程。另外,在测试性分析评估软件(TEAMS/TADS)和IIDS系统之间增加对多信号流模型的导入接口,随时可以通过接口直接获取模型数据和诊断树、测试—诊断依赖性关系矩阵(D矩阵),且不经其它修改即可直接开展静态/动态故障诊断方法,避免前期所采用的诊断策略数据导入浏览系统过程,降低复杂性。

图3 交互式智能诊断系统(IIDS)故障推理界面

4 结束语

针对静态故障树方法在舰船电子现场测试诊断中发现的问题,立足于TEAMS多信号流模型数据结构,本文提出了基于D-矩阵和ROLLOUT信息启发搜索算法的故障诊断策略树动态生成方法,并开发了交互式智能测试系统(IIDS)软件平台,提高了装备故障诊断的效率、准确性以及测试的通用性、和灵活性。

但是在诊断推理过程中,故障诊断策略树的生成速度主要依赖于D-矩阵的大小和搜索算法的效率。虽然采用的Rollout算法效率较高,但是当模型中故障模块数量和测试数目较大时,故障推理时间仍然较长。因此,提高算法的搜索速度,进一步提升故障诊断策略树的生成效率是本文后期需要进一步关注和研究的重点。

[1] 林志文,基于多信号模型的系统测试性分析与评估[J].计算机测量与控制,2006, 2(14):222-224.

[2] 何巨模, 林志文,舰船装备综合测试诊断技术与工程[M].北京:国防工业出版社,2013.

[3]DebS,PattitpatiK,RaghavanV,etal.AMulti-SignalFlowGraphs:ANovelApproachforSystemTestabilityAnalysisandFaultDiagnosis[J].IEEEAerosp,ElectronSystMag,1995,10(5):14-25.

[4]SomnathDeb,KrishnaPattipati,andRoshanShrestha,QSI’sIntegratedDiagnosticToolset[A].ProceedingsoftheIEEEAUTOTESTCON[C]. 1997.

[5]Teamsuserguide[EB/OL].QualtechSystems, 2003,www.teamsQSI.com.

[6]FangTu,KrishnaR.pattipati,RolloutStrategiesforSequentialFaultDiagnosis[J].IEEEtransactionsonsystem,man,andcybernetics,parta:systemandhumans, 2003, 33(1):86-99.

[7]KrishnaR.Pattipati,MarkG.Alexandridis,ApplicationofHeuristicsearchandInformationTheorytosequentialFaultDiagnosis[J],IEEE, 1989:291-296.

[8] 林志文,马力,基于多信号流模型和Tomcat服务器的远程综合诊断技术[J].计算机测量与控制,2013,21(9):180-186.

[9] 杨智勇,许化龙,许爱强. 基于多信号模型的故障诊断策略设计[J]. 计算机测量与控制,2006,14(12):1616-1619.

Dynamic Generation Method for Malfunction Diagnosis Strategy Tree Based on Multi-signal Flow Model

Lin Zhiwen1,Ma Rui2,Wan Fu2

(1.Naval Equipment Technology Institute, Beijing 102442, China; 2.Naval Command Institute, Nanjing 211800, China)

To solve the applying problems of long diagnostic sequence, poor artificial intervention and no support to parallel diagnosis of multiple fault phenomena about the static generation method for the malfunction diagnosis strategy tree, with considering the field testing and diagnosis of ship equipments,on the basis of the TEAMS multi-signal flow model data structure, the study of crack method to D-matrix and the standalone DLL files, input/output specification and interactive control method of the search algorithm intrigued by the ROLLOUT information, the dynamic generation method for the malfunction diagnosis strategy tree is designed in the paper. The generation method for the D-matrix data based on the TEAMS multi-signal flow model and the interative control method for search algorithm intrigued by the ROLLOUT information is introduced in the study. Based on the dynamic diagnosis strategy of the malfunction tree and the distributed test diagnosis methods, a platform of interactive intelligent diagnosis system ( IIDS) is developed. The system with high adaptability to the objective conditions for the diagnosis of the scene, such as system operating mode or test resource changes, user intervention and parallel diagnosis of multiple fault phenomena, it’s proved to have good effect in improving efficiency, accuracy, flexibility of equipment fault diagnosis.

multi-signal flow model; D-matrix; diagnosis strategy; dynamic generation

2016-09-26;

2016-12-19。

林志文(1975-),男,福建莆田人,博士研究生,高级工程师,主要从事舰船装备自动测试、综合诊断、电磁兼容和信息化保障技术方向的研究。

1671-4598(2017)05-0018-03

10.16526/j.cnki.11-4762/tp.2017.05.006

TP301

A

猜你喜欢

静态故障诊断动态
国内动态
国内动态
国内动态
基于包络解调原理的低转速滚动轴承故障诊断
最新进展!中老铁路开始静态验收
静态随机存储器在轨自检算法
动态
数控机床电气系统的故障诊断与维修
基于量子万有引力搜索的SVM自驾故障诊断
油罐车静态侧倾稳定角的多体仿真计算