摘要：针对发射车建立了发射车电气系统故障预测与健康管理系统，在数据处理层面上，将专家系统和故障树分析法结合，提出了基于规则的故障树诊断模型，对系统已经发生的故障进行诊断。提出了基于BP神经网络的故障预测方法，对系统进行健康状态评估，并通过实例验证其适用性。
关键词：发射车，故障诊断，故障树，故障预测，BP神经网络
发射车系统复杂度的增加，使得传统的定期维修和事后维修的策略捉襟见肘，不仅耗费资源，而且效率低下。随着故障预测与健康管理［1］（PrognosticsandHealthManagement，PHM）技术在航空、航天等领域的应用不断成熟，其已经发展为自主式后勤保障系统的重要基础。本文借鉴PHM技术在相关领域的应用成果，将其应用到发射车电气系统，建立发射车电气系统故障预测与健康管理系统。
1发射车电气系统
PHM系统总体设计本文所建立的发射车电气系统PHM系统是某型发射车电气一体化检测系统的一个子系统，PHM系统接受其他子系统（如电缆、电源、总线与信号一体化在线检测设备）测试分析后存储于数据库中的数据，即PHM系统是基于数据处理层面的，不考虑发射车的具体物理拓扑结构，采集参数的确定和特征参数的提取由其他子系统完成。PHM系统框架如图1所示，系统读取由其他测试设备获得的FSCFK系统工作测试数据（接口为Excel表格或SQLServer数据库），配置模块对数据进行综合处理，包括数据预处理、算法配置和规则配置，使得测试数据可以用于诊断和预测。通过基于规则的故障树模型对已发生的故障进行诊断，找出故障的根本原因；若系统没有发生故障，则通过神经网络模型进行故障预测，对系统健康状态作出评估，最后结合维修资源提出维修处理建议。
2基于规则的故障树诊断模型
故障诊断方法主要分为三种［2］，即基于解析模型的方法、基于信号处理的方法和基于知识的方法。本文所研究的PHM系统是某型发射车的一个子系统，是基于数据处理层面的，不涉及系统的具体物理拓扑结构和信号的采集，所以本文选择基于知识的方法，将其中的故障树分析法和专家系统结合，依据层次分类组织模型的思想，构建故障诊断知识库，建立基于规则的故障树诊断模型。2．1故障树的建立根据故障树分析原理，结合发射车机构及其故障模式的分析，将发射车系统［3］分为车底盘系统、控制系统、通信系统以及电源系统四个子系统，将发控失败作为系统故障树中的顶事件T，中间事件用Mi（i＝1，2，…）表示，底事件用Xi（i＝1，2，…）表示，针对发射车的各个子系统以及常见的故障模式建立系统的故障树，图2为发射车故障树模型，图3为车底盘系统故障树模型，其他子系统和电源系统的建树思路一致。系统的故障树有两种生成方式，即通过配置模块的故障树管理单元导入故障树或进入故障树维护界面生成故障树。前者对已有型号发射车的故障模式进行常规诊断，当然导入故障树之后也可以进入故障树维护界面对故障树进行增加或删减故障节点；后者主要是面对突发情况和未知的故障，专家通过自己的经验和知识，一步一步建立故障树并进行规则配置，对突发情况和未知故障进行试探性诊断。2．2专家系统规则库的建立实现基于规则的故障树分析法时，在故障树的中间事件和底事件上，增加一定的条件规则，进行物理和逻辑判断，这些规则是由专家的经验和知识所提供的。从顶事件出发，在每个节点的位置分别添加相应的条件规则，不但可以明确故障诊断的思路及方案，也可以迅速地缩小诊断范围，提升故障诊断的精确度。本文采用产生式的规则表达方式，在规则表达式“IF…THEN…”中，规则的前件为经过算法配置的测试数据的名称及其判断规则，规则的后件为故障树的节点名称，经过规则配置，将测试数据同故障树节点联系起来，以故障树为载体表述规则知识，建立专家系统的规则库。例如下面这条规则：“IF((341号交流转直流模块电压38)AND(0．11号交流转直流模块纹波0．5))THEN(供电机箱的1号交流转直流模块损坏不发生)”，表示当“1号交流转直流模块电压”在［34，38］范围之内且“1号交流转直流模块纹波”在［0．1，0．5］范围之内时，故障树的节点“1号交流转直流模块损坏”状态正常。规则配置主要目的是将经过算法配置的测试数据与故障树节点关联起来，经过配置后形成一张规则配置表，规则配置表又经一系列的逻辑运算，最终形成一张只包含故障树节点逻辑状态的节点状态表即专家系统规则库，并将这个节点状态表供给故障树推理部分进行故障诊断。2．3推理机的实现故障诊断知识具有多样性和复杂性，然而受监测手段或人为因素等各方面的影响，数据库中获得的己知事实可能会不够充分。单独的正向推理可能难以推出结论，需要附加反向推理。因此先采用正向推理形成候选故障集，然后用反向推理验证候选故障集中的故障是否存在。故障诊断是以故障树为基础的，搜索通常采用遍历法，对图的遍历是指从图中的某个顶点出发，且每个顶点访问一次，最终访问完所有的顶点，本文采用深度优先遍历法对故障树进行遍历。正反混合推理控制策略如图4所示。具体过程为：用户主动提供故障关键字作为已知事实，首先根据已知事实推断出候选故障集，这一步属于正向推理；然后取出故障集中的一个作为假设目标，采用反向推理，到知识库中寻找该故障应该表现出来的故障现象，如没有发现该故障应该表现出的故障现象，则排除该故障；如此反复，直到推理过程结束。
3神经网络预测模型
人工神经网络种类繁多，随着PHM技术的发展，其在故障预测领域的应用日渐成熟，其中应用最广泛、效果最好的是BP神经网络，其持久性和适时预报性的特点相比于传统模型，更适合故障预测。3．1BP神经网络模型结构的确定由图2的发射车故障树模型可知，故障树的顶事件是发控失败，其四个子节点分别是发射车4个子系统的故障树模型，且它们之间是逻辑或的关系，即只要有一个子系统出现故障，整个发射车就会出现故障，导致发控失败。考虑到测试数据的庞大，结合发射车的故障树模型，在对发射车进行故障预测的时候，先分别对四个子系统进行故障预测，再由子系统的健康状态来预测整个系统的健康状态，所以PHM系统有四个神经网络预测模型，分别对应四个子系统。根据相关单位提供的资料显示，在所有子系统中，底盘系统的故障发生率最大，占到40％左右。下面以底盘系统为例对神经网络模型进行训练和验证。车底盘系统由发动机、制动系、行驶系、传动系和油门系组成，每一个系都有反应自身性能特征的参数。通过对案例库的数据进行统计，将对系统性能影响最大的8个参数作为神经网络的输入，分别为X1怠速转速（550～800r／min）、X2机油压力（200～500kpa）、X3机油温度（70～90℃）、X4制动系气压（350～800kpa）、X5燃油位（15～150mm）、X6轮胎气压（2．4～2．8kg／cm2）、X7变矩器液力油温度（115～120℃）和X8缸头温度（90～100℃），即输入层有8个神经元，括号内为参数的正常范围；输出层有一个神经元，为车底盘系统的健康指数H，其中0～0．4为健康，0．4～0．7为亚健康，0．7～1为故障；隐含层为一层，隐含层的神经元个数通过经验公式h＝姨m＋n＋a算出（m、n分别为输入层和输出层神经元的个数，a为神经网络的层数，这里a＝3），所以h＝4。图5为车底盘系统BP神经网络结构。3．2系统预测实例本文研究的PHM系统采用3层的BP神经网络模型对故障进行预测，预测的前提是专家根据案例库并结合自己的知识和经验，提供大量的训练样本，通过网络学习模型对样本进行学习，通过网络内部自适应算法不断修改权值，直至需要的精度。表1为专家根据案例库提供的少许部分训练样本。通过对大量的学习样本进行训练，不断对各层之间的连接权值进行调整，直到达到预期的误差，经过训练后的神经网络即可用于故障预测。进行故障预测时输入信号测试数据，即可得到系统的健康状态，表3为预测实例。由表3可知，当部分特征参数的值在有效范围的边缘时，系统处于亚健康状态，与样本的案例符合，说明此神经网络可用于该系统的故障预测。
4结束语
系统的软件支撑平台是VS2013，经过大量测试数据的测试和验证，软件实现了本文论述的系统功能。PHM技术在发射车的应用对其维修和健康管理提供了很大帮助，提高了发射车的性能并延长了其生命周期。
参考文献
［1］张宝珍．预测与健康管理技术的发展及应用［J］．测控技术，2008，23（2）：5－7
［2］龚学．工程机械智能故障诊断技术的研究现状及发展趋势［J］．机床与液压，2011（14）：124－126
［3］胡东，谢劲松，吕卫民．故障预测与健康管理技术在导弹武器系统中的应用［J］．导弹与航天运载技术，2010（4）：24－29
［4］吴进煌，刘海波．基于BP神经网络的贮存可靠性预测［J］．舰船科学技术，2010，32（1）：99－101，109
作者：吕王朋 蔡卫峰 穆鹏 单位：南京理工大学自动化学院
