李 旭， 孟 晨， 王 成

(陆军工程大学石家庄校区导弹工程系， 河北 石家庄 050003)

目前,自行火炮的测试及故障诊断设备大多为针对设备级分系统的专用设备，功能相对单一，检测设备复杂多样[1- 2]；且信息采集和故障诊断大多在装备出现故障后进行，难以满足未来一体化联合作战提出的“认知水平共享”和“及时保障”的要求[3]。随着计算机技术的发展，现代武器装备设计时，综合电子信息系统的运行控制通常采用基于串行总线的分布式设计[4]。为实现装备健康管理和装备保障质量综合提升的目的，通过串行控制总线实现自行火炮综合电子信息系统的信息采集、测试及故障诊断成为发展趋势。

以某型自行榴弹炮为例，该装备以主要分系统和部件的数字化为基础，建立了车辆CAN总线网络结构，通过整车平台综合电子信息系统的一体化总体设计，实现全车必要信息的传输、显示、控制和管理功能。笔者基于自行火炮预留的CAN总线检测接口，开发了自行火炮测试和故障诊断系统。该系统可实现以下功能：1)总线节点状态检测；2)信息采集、保存和查询，实现装备状态在线监控并为故障预测与健康管理(Prognostic and Health Management，PHM)建立数据基础；3)实现单一状态识别和故障隔离；4)实现多状态参量融合，对装备分系统进行状态识别和故障隔离。

1 系统设计原理

1.1 系统组成框架

某型自行榴弹炮将主机电源控制器、火控计算机系统、炮塔电气设备、驾驶员任务终端、动力舱采集器、驾驶舱采集器、灭火抑爆装置、三防微压差、发动机电控盒、传动系统电控盒、惯性导航装置、主机电源控制器等通过CAN总线挂接到综合电子信息系统，自行火炮测试及诊断系统通过预留的CAN总线检测接口与综合电子信息系统连接。基于CAN总线的自行火炮测试及诊断系统组成框架如图1所示。

1.2 系统硬件集成需求

该系统硬件由CAN总线信息采集卡、便携式计算机和连接电缆组成。信息采集卡通过线缆与装备测试接口连接，由于装备检测接口为JY3111F08- 4SNL插座，所以连接电缆接口形式采用JY3116F08- 4PNL插头(A：CAN_H；B：CAN_L；C：CANGND；D：空)。信息采集卡通过USB总线与便携式计算机连接。考虑到军用电子检测设备的部队使用环境，需要按照有关国军标要求对设备进行振动、高低温、电磁兼容等环境试验[5- 7]，便携式计算机采用济南腾越电子有限公司生产的CS5II型军用加固计算机。CAN总线信息采集卡要支持CAN2.0B协议、双向传输、USB与CAN的协议转换，并满足高低温和抗干扰等要求，因此选用了带有2路CAN通道的广州致远电子有限公司USBCANII型外置采集卡，该采集卡工作温度范围为-40～85 ℃,并具有很强的抗干扰能力。

1.3 系统软件需求

该系统需完成对各网络节点的检测，确保节点的通信可靠；同时完成各电控信息系统的信息采集，并可实时采集数据、实时显示，达到在线获取装备状态与运行信息的目的；采集的信息历史数据可以存储、下载和查询，为实现PHM提供数据基础；系统可以进行分项目检测、状态识别与故障隔离；系统还可以多参数融合对系统运行状态进行联合评估和识别，对分系统整体性能进行评估；所有的检测记录可以存储、下载和查询。

2 数据解析

综合电子信息系统用CAN数据包表示要发送的CAN信息，用CAN数据帧表示可以在总线上实际传输的CAN数据。CAN数据包必须转换为CAN数据帧发送。

2.1 CAN数据帧

CAN数据帧是CAN总线数据链路层与物理层之间交换数据采用的数据结构，CAN数据包需要整理为CAN数据帧才可实现在CAN总线上的传输。CAN数据帧由数据链路层定义，其格式如下：CAN数据帧{帧ID；帧数据；帧长度}。

帧ID指明CAN总线在传输CAN2.0B数据时的29位标志符，占4个字节的长度。帧ID的格式定义如表1所示。3位的优先级是CAN数据包优先级。8位的PF为数据类型代码，8位的PS为目标地址或数据类型扩展码：当PF<240时，PS为目标地址DA(当目标地址为255时表明此消息为广播消息)；当PF≥240时，PS为数据类型扩展码。8位的SA为发送节点CAN总线地址。保留位固定填0。帧ID中PF、PS、DA的值分别取自CAN数据包中PF、PS、DA的值。帧数据存贮需要通过CAN总线发送和接收的数据，占8个字节长度。帧长度指明帧数据有效数据长度，即CAN总线上传输的数据长度，以字节为单位，小于8，帧长度占一个字节。

表1 帧ID的格式定义

2.2 装备数据实例解析

以某型自行火炮的传动控制盒定时广播的综合传动状态信息为例，对其数据信息进行解析。部分节点及其地址如表2所示。

表2 部分节点及其地址

综合传动状态信息为传动电控盒系统定期(100 ms)向综合电子信息系统发送的工作状态信息，具体定义如表3所示。

表3 综合传动状态信息定义

综合传动状态消息内容如表4所示。

表4 综合传动状态消息内容

依据表1帧ID的格式定义，综合传动状态信息的优先级为3，可解析为0x03；PF根据定义为F1，由于F1≥240，当PF≥240时PS为数据类型扩展码，因此PS=E4；SA为发送节点CAN总线地址，取值为0x03。因此,某型自行火炮的传动控制盒定时广播的综合传动状态信息帧ID可解析为0x03F1E403。自行火炮测试和故障诊断系统可通过软件识别帧ID进行数据采集和解析。

3 测试方法

3.1 波特率的自动识别

为了使自行火炮测试和故障诊断系统自动识别装备总线波特率，要在软件中预定义一个包含了位定时参数波特率列表。总线波特率识别流程如图2所示。

3.2 总线节点检测

为保证系统采集信息的准确性，需要确保总线网络的通信可靠性，而改善传输信道或者通信介质的冗余度可以提高网络节点的可靠性，但是成本很高[8- 9]，为此需要诊断系统在信息采集前对CAN网络节点进行检测。诊断系统根据各节点在线情况采用主动和被动相结合的方法对各个节点进行检测。总线网络节点检测流程如图3所示。

3.3 状态识别与故障诊断

3.3.1 分项状态识别与故障诊断

通过软件设置给定检测状态参量的阈值，并将采集到的解析数据与数据库管理子模块进行对比，最终显示和保存各分项结果，同时实现历史记录的查询等。发动机部分参数阈值如表5所示。

表5 发动机部分参数阀值

3.3.2 多参数融合状态识别与故障诊断

在使用传统的神经网络学习方法时，虽然容易产生局部最优解，但由于其黑箱性的特点，网络学习和决策过程很难理解。鉴于此，笔者采用证据理论和极限学习机相融合的诊断方案[10- 11]。证据理论不仅能够体现人类对事物估计时的主观性，还能保持事物本身客观性的特点，在对不确定问题进行处理方面具有很完整的理论基础。然而，由于证据理论需要独立数据的特殊条件，其合理性也存在争议。为了使本系统能够高效地运行，将极限学习机理论嵌入其中，在使用过程中只需要设置隐元偏置和输入权值，就可以产生最优解，在学习速度和泛化性能方面优势明显，并且在利用该诊断方案时，由于不知道和不确定方面具有很大的灵活性，相对于概率推理中的数据来讲，数据获得更加直观并且容易。

以某型火炮发动机电控系统为例，融合诊断系统包含3个模块：数据预处理模块、局部诊断子模块和融合诊断模块。融合诊断系统原理如图4所示。数据预处理模块对待测发动机的多源信息进行采集及特征参数提取，构造出多个证据体子网络，每个子网络都能够从对应的角度反映出发动机的故障状态;局部诊断子模块对各个证据体进行初级诊断;融合诊断模块融合初级诊断结果，得出最终结论。

1) 基于量子粒子群优化的核极限学习机

HUANG等[12]于2006年提出了单隐层前馈神经网络的快速学习算法——极限学习机(Extreme Learning Machine，ELM)。ELM算法执行过程中不需要调整网络的输入权值向量和隐层节点偏置阈值，只需要在训练前设置网络隐层节点个数和激励函数，通过解析的方法确定连接隐层和输出层的输出权值，具有设计简单、学习速率高、泛化性能好和网络结构独立于训练样本等优点[13- 14]。

对于核极限学习机分类网络，为选择最优的网络参数组合(C，σ)，笔者选用量子粒子群算法对其进行寻优。基于量子粒子群优化的核极限学习机(Quantum Particle Swarm Optimization-Kernel Extreme Learning Machine,QPSO-KELM)的网络训练过程如图5所示。

分类试验选用加州大学伯克利分校(University of California Irvine，UCI)数据库中的Diabetes、Image Segmentation、Satimage、Wine、Glass Identification和Page Blocks数据集，各数据集的相关信息如表6所示。

表6 UCI数据集信息表

2) 基于D-S证据理论的状态识别

基于证据理论是处理不确定、不完备、不精确信息的主要手段，在信息融合领域得到了广泛的认同与应用。D-S证据理论[15]是针对事件发生后的结果(证据)，探求事件发生的主要原因(假设)。对于具有主观不确定性判断的多属性诊断问题，D-S证据理论是一个融合主观不确定性信息的有效手段。在设备故障诊断中，若干可能的故障会产生一些症状，每个症状下各故障都有一定的发生概率，D-S证据理论中[15]，采用信度函数来表达概率大小。首先，通过多源信息诊断被测对象，得出单源信息测得的症状属于各类故障的信度函数；然后，利用D-S组合规则进行信息融合，得到融合后症状分别属于各类故障的信度函数；最后，根据一定的判定准则确定故障类型。

以发动机电控系统为例，其状态识别流程如图6所示。首先，采集电控系统机油压力、回水温度、排气温度等状态参数，并计算图6中进气压力偏差等相应特征作为整机性能评价参数；然后，基于QPSO-KELM网络构建5个弱分类器，并将上述特征分别输入各分类器，在特征层实现发动机性能状态的初步识别；最后，利用各分类器识别结果构造信度函数矩阵，输入D-S证据理论模型，在决策层实现整机性能综合评价，最终得到高置信度的性能识别结果。

极限学习机各子网络和经过D-S证据理论融合分析后的发动机状态识别结果对比如表7所示。

表7 状态识别结果对比 %

由表7可以看出：经过D-S证据理论决策层融合分析之后得到的状态识别结果的准确率进一步提升，达到100%。

4 系统实现

4.1 功能实现

考虑到LabWindows/CVI人机交互界面美观、EVENT_COMMIT等函数调用简单等[16]需要，基于LabWindows/CVI编程实现了系统的功能。根据检测任务需求，本系统的主界面分解为节点检测、采集信息管理、状态识别和故障隔离3部分。设计系统功能规划如图7所示。

4.2 信息采集与信息处理

系统软件程序包括信息采集、信息处理和数据库管理3部分。实现流程如图8所示。

4.3 动态数据库管理

自行火炮测试及诊断系统设计了存放节点检测信息、历史使用记录、采集和故障诊断信息、测试记录的4个数据库。系统采用数据库存储与管理技术实现了数据动态管理，模型如图9所示,调度处理通过三级缓存实现。

5 实装试验

为验证本测试方法的可行性与有效性，通过实装模拟故障对该系统进行试验测试。系统通过下载所有测试数据，并选择相应的测试数据进行当时测试状态下的发动机整机性能状态的识别。图10为发动机电控系统状态评估结果界面，以序号为1的测试记录为例，当点击“状态评估”按钮时，系统自动完成对发动机状态的评估。当评估结果为正常时，“状态正常”指示灯变为红色；当评估结果为异常时，“状态异常”指示灯变为红色，并提示进行子系统及部件的故障隔离，此时应该退出状态评估模块，并进入故障隔离模块进行故障的深入分析。

系统对发动机启动系统、冷却系统、润滑系统、供油系统和进排气系统的故障进行识别，并给出故障隔离结论和维修建议，其故障隔离到发动机子系统及其部件。首先对发动机进行状态评估，当评估结果为异常时，进入故障隔离模块，利用状态评估数据对此状态下的发动机进行故障诊断。当某系统存在故障时，此系统对应的指示灯变为红色，同时此系统中某部件相应故障模式前的复选框标记为“√”。以某状态评估数据为例，对发动机进行故障隔离。点击“故障隔离”按钮，其运行结果界面如图11所示，系统自动对发动机子系统及其部件进行故障诊断。

测试日志可查询所有检测项目的检测责任人、检测时间、检测单位、设备型号以及各个子检测项目的检测和诊断结果等信息。某测试日志查询结果界面如图12所示。

在实装模拟试验时设置发动机整机性能状态为故障状态，将发动机的启动系统、冷却系统、润滑系统、供油系统和进排气系统设置各自的故障状态。通过图10- 12可发现：该测试与故障诊断系统工作正常，与实际故障设计一致性较高，可有效检测出装备存在的故障类型。

6 结论

针对自行火炮电子信息系统因故障复杂而难以测试的问题，笔者以在线信息解析技术和数据库管理技术为基础，构建了动态数据管理模型，并将量子粒子群优化的核极限学习机和D-S证据理论相结合运用于故障状态识别，利用实装试验对系统进行了功能验证。结果表明:该方法可准确检测出装备电子信息系统的故障状态，并详细记录状态过程，测试准确率较高，有效改善了综合电子信息系统故障诊断设备功能相对单一、检测设备复杂多样的现状，为实现PHM提供了数据基础。由于该检测系统模型设计复杂，体积较大，携带不方便，后期研究中可利用快速发展的电子信息技术对模型进行优化，减小测量系统的体积，提高测量系统的通用性水平。