一种单脉冲雷达发射机故障诊断辅助系统的制作方法

1.本发明涉及单脉冲雷达发射机诊断领域，特别涉及一种单脉冲雷达发射机故障诊断辅助系统。


背景技术：

2.发射机系统是单脉冲雷达的关键组成部分，其功能是将来自频率综合器的c波段低功率射频激励脉冲信号进行功率放大，输出雷达系统所需的高脉冲功率微波信号并经馈电系统送往天线，向空间辐射。
3.从各航天测控站单脉冲雷达的使用情况统计可以看出，发射机系统故障占整个雷达系统故障的比例远高于系统其他部分故障所占比例。目前在用的某单脉冲雷达从2009年投入使用到现在，经统计，发射机系统故障约占系统总故障的66％。因此，作为易损分系统，缩短故障判别及维修时间是很有必要的。
4.由于发射机是高压大功率设备，电磁环境复杂，板卡集成度高，设备组合复杂，零部件数量多，种类杂，发生的故障也是多种多样，这使得应用传统的方法管理各种故障信息效率很低，且易出错。当发生故障时，一般可以观察系统检测模块提供的故障信号来进行故障定位，使用控保组合脱机、相应电子组合本机的方式，给故障组合加电，一步步确定分机故障部位后再进行检修。但由于系统本身的复杂性，需要监测的信号多，而现有监测手段单一(主要依靠仪表进行，监测点难以全面)，以至于目前出现的多起发射机故障中，其监测系统指示灯没有任何故障显示。并且发射机加高压和冷却都需要等待，使得平均故障排除时间远远大于预期水平，故障排除效率一直难以得到提升。如果遇到发生故障，系统排查周期较长，难以快速定位，后遗问题多，影响整体性能的稳定性。


技术实现要素：

5.本发明要解决的技术问题是提供一种单脉冲雷达发射机故障诊断辅助系统，以解决背景技术中提出的问题。
6.为了解决上述技术问题，本发明的技术方案为：一种单脉冲雷达发射机故障诊断辅助系统，包括相互连接的人机接口模块、故障知识库、模糊推理机以及统计分析模块；
7.所述人机接口模块，用于负责用户与故障知识库和模糊推理机的可视化交流；
8.所述故障知识库用于采集和存储系统累计和进行故障模拟分析后采集到的数据；
9.所述模糊推理机是基于模糊理论的模糊推理机，用于对故障进行自动诊断；
10.所述统计分析模块是用于对故障知识库里的内容进行数据分析。
11.还包括建立内控指标库，用于提高在数据采集时的正确性，当某一故障现象产生时，可以通过对比系统内控指标判断某些指示值是否与指标值有所相差。同时可以对内控指标库里的数据进行修改、删除、添加的常规操作。
12.还包括模糊计算模块，用于计算各级故障现象以及最终故障原因的各种模糊信息值，为实现精确的模糊推理提供数学依据。
13.所述模糊推理机是基于模糊诊断算法的故障诊断推理机制。
14.所述故障知识库是基于故障树的故障信息分析机制建立的。
15.与现有技术相比，本发明的有益效果为：
16.本发明结合测量雷达发射机实际需求，综合历史故障数据、设备技术资料、研制专家经验知识、设备指标数据等进行分析，将产生的故障信息通过建立故障树模型，得出故障树模型每个节点的重要度、可信度以及概率分析数据，并以产生式规则表示法来表示每一条故障知识，建立了基于二叉故障树模型的故障知识库。在故障知识库的基础上，构建了完善的内控指标体系，开展了基于模糊数学理论的二叉故障树分析，将加权值引入基于可信度的模糊推理模型中并以此设计了一种改进的故障诊断推理机，对可能造成系统故障的各因素进行分析，从而确定故障原因的各种可能组合方式及其发生概率，得出最优的故障原因及相应的故障解决方案，同时有效地避免重了复诊断，提高了诊断结果的准确性。
附图说明
17.图1为本发明的系统结构示意图；
18.图2为本发明的构建内控指标的流程图；
19.图3为本发明的模糊推理机的流程图；
20.图4为本发明的故障知识库的结构示意图；
21.图5为本发明的模糊推理机的结构示意图；
22.图6为本发明的矩形符号示意图；
23.图7为本发明的圆形符号示意图；
24.图8为本发明的菱形符号示意图；
25.图9为本发明的逻辑与门符号示意图；
26.图10为本发明的逻辑或门符号示意图；
27.图11为本发明的故障树举例示意图。
具体实施方式
28.下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
29.如图1所示，本发明的一种单脉冲雷达发射机故障诊断辅助系统，包括相互连接的人机接口模块、故障知识库、模糊推理机以及统计分析模块；所述人机接口模块，用于负责用户与故障知识库和模糊推理机的可视化交流；所述故障知识库用于采集和存储系统累计和进行故障模拟分析后采集到的数据；所述模糊推理机是基于模糊理论的模糊推理机，用于对故障进行自动诊断；所述统计分析模块是用于对故障知识库里的内容进行数据分析。还包括建立内控指标库，用于提高在数据采集时的正确性，当某一故障现象产生时，可以通过对比系统内控指标判断某些指示值是否与指标值有所相差。同时可以对内控指标库里的数据进行修改、删除、添加的常规操作。还包括模糊计算模块，用于计算各级故障现象以及最终故障原因的各种模糊信息值，为实现精确的模糊推理提供数学依据。
30.1、故障知识库的构建
31.本发明在运行过程中所需要的数据都是由故障知识库来提供的，而构建高效完善的故障知识库最核心的工作就是故障数据的采集，故障数据的采集主要有两个途径：一是采用系统积累的数据；二是进行故障模拟分析，从整体至局部，大到影响系统整体工作，小到面板上的每一指示灯都对其进行故障模拟分析后采集进知识库里。
32.如图4所示，故障知识库包括四个临时的动态数据库和3个子模块。四个动态数据库分别为：诊断规则库、诊断记录库和解决方案库、内控指标库。诊断规则库主要负责存储、添加、修改、调用故障诊断规则的信息；诊断记录库主要负责存储、添加、修改、调用故障诊断记录的信息；解决方案库主要负责存储、添加、修改、调用如何解决故障的信息；内控指标库主要负责存储、添加、修改、调用故障诊断所需的指标数据信息；(内控指标数据是指设备正常运行时的性能指标，如电压、电流、功率等)。这四个动态数据库既相互连接也相互独立。
33.3个子模块分别为：规则生成模块、规则解释模块，规则管理模块。规则生成模块通过调用三个动态数据库中的信息生成故障诊断规则并提供给模糊推理机进行推理；规则解释模块负责将推理机推理后的诊断规则输出给系统操作员；规则管理模块负责对诊断规则进行存储、添加和修改。
34.2、系统内控指标体系构建
35.目前发射机系统有一套自有的监测指标体系，但它只能反映出系统整体的工作性能及状态参数(例如功率，高压，电流等)，对于系统内部各组合各板卡上以及系统内信号流程中分节点参数指标还存在空白，而在故障排除过程中往往很多时候我们需要用到这些参数指标来协助和参考，这就需要我们构建更全面的系统内控指标体系，同时与故障知识库进行匹配组合，为后期的系统维护、指标测试、故障检修提供体系支持。
36.3、模糊推理机是基于模糊诊断算法的故障诊断推理机制
37.由于诊断知识大多是专家的经验知识，涉及到大量事实和概念，且故障信息有很大的不确定性，因而必须采用模糊推理来表达不确定知识。推理机制是专家系统的重要组成部分，采用正向推理和反向推理两种实现方法，依靠其高效完善的故障专家知识库，先运用正向推理实现故障的诊断部分，然后再使用反向推理实现专家系统的解释功能部分。基于模糊诊断算法的故障诊断推理机制可以有效地解决故障信息不确定且结论相关性大的问题，能快速准确定位故障产生的相关位置及原因。
38.模糊推理机是以经典模糊数学为理论基础进行模糊推理的。它从故障知识库中的规则生成模块中调用诊断规则，然后进行模糊推理，最后将推理后的诊断规则通过知识库的规则解释模块提供给系统操作员。
39.模糊推理机的结构如图5所示，其中：模糊计算模块是用于计算各级故障现象以及最终故障原因的各种模糊信息值，为实现精确的模糊推理提供数学依据；模糊推理模块是根据用户提供的参数信息以及系统内置的参数信息，对推理的流程进行控制，以便得出最终的故障原因供现场人员参考
40.4、基于故障树的故障信息分析机制
41.我们采用故障树分析法来解析每一条故障数据，首先要在一定环境与工作条件下，找到一个系统最不希望发生的事件(通常以所关心的影响人员、装备使用安全和完成跟踪测量的系统故障为分析目标)，再按照系统的组成、结构及功能关系，由上而下，逐层分析
导致该系统故障发生的所有直接原因，并用一个逻辑门的形式将这些故障和相应的原因事件连接起来，建立分析系统的故障树模型，从而形象地表达出系统各功能单元故障和系统故障之间的内在逻辑因果关系。
42.5故障信息的统计分析
43.本发明从故障知识库中提取故障信息、内控指标信息等相关数据，对各项数据指标进行纵向和横向比较，并以图表方式表现出其变化趋势(如按时间进行统计各组合发生的故障概率，各故障再次发生的概率等)。系统要尽可能地对数据进行挖掘分析，及时掌握设备各分系统的使用状况，根据各已知单元的故障分布及发生概率，求得单元概率重要度，结构重要度和系统失效概率等定量指标，形成故障故障率分析等相关数据，给操作人员和决策人员提供准确的参考数据。
44.本发明是根据设备故障诊断维修相关的领域专家知识为基础，将相关知识存储于系统知识库(即数据库)中，然后通过基于模糊理论的模糊推理机对故障进行自动诊断。
45.内控指标的构建与实现：目前发射机系统有一套自有的监测指标体系，它能够反映出系统整体的工作性能及状态参数(例如功率，高压，电流等)，但对于系统内部各组合各板卡上以及系统内信号流程中分节点参数指标还不够完善，而在故障排除过程中往往很多时候我们需要用到这些参数指标来协助和参考，这就需要我们构建更全面的系统内控指标体系，同时与故障知识库进行匹配组合，为后期的系统维护、指标测试、故障检修提供体系支持。在知识库中的四个动态数据库中有一个库叫内控指标库，专门存储设备正常工作时的各项指标数据。系统内控指标体系的建立有助于提高在数据采集时的正确性，当某一故障现象产生时，可以通过对比系统内控指标判断某些指示值是否与指标值有所相差。同时可以对内控指标库里的数据进行修改、删除、添加等常规操作，保证了指标库的更新及完整。
46.由于发射机系统的板卡集成度较高，且组合之间的信号流程繁杂，在设计指标库之初，就增加了对指标体系的拓展。随着对设备的了解越来越深入，对设备各部分检测结果的积累越来越多，在目前指标库的基础上，能够继续扩充和添加各类指标，进一步完善分系统级和板卡级的指标内容，进一步完善指标库，从而进一步提高故障诊断结果的准确率。
47.以聚焦线包为例，构建内控指标的流程如图2所示。其中，黑点为内控指标测量点。
48.故障树模型构建与实现：ism方法是现代系统工程中广泛应用的一种分析方法，是结构模型化技术的一种。它是将复杂的系统分解为若干子系统要素，利用人们的实践经验和知识以及计算机的帮助，最终构成一个多级递阶的结构模型。此模型以定性分析为主，属于结构模型，可以把模糊不清的思想、看法转化为直观的具有良好结构关系的模型。特别适用于变量众多、关系复杂而结构不清晰的系统分析中，也可用于方案的排序等。
49.正确构造故障树是fta的关键，故障树建造的完善程度将直接影响专家系统的诊断推理效率及正确性。实际上建树过程常常是一种反复的过程，要在广泛吸取系统设计、使用过程的知识经验并深入分析系统的实际情况的基础上不断修改完善的。故障树建造过程的实质就是寻找出所研究的系统故障和导致系统故障的诸多因素之间的逻辑关系，并把这种关系用故障树的图形符号表示出来。
50.(1)一般故障树的建立步骤
51.①
广泛收集并分析有关技术资料。包括熟悉设备设计说明书、原理图、结构图、运
行及维修规程等有关资料；辨明人为因素和软件对系统的影响；辨识系统可能采取的各种状态模式以及它们和各单元状态的对应关系，识别这些模式之间的相互转换。
52.②
选择顶事件。顶事件是指人们不希望发生的显著影响系统技术性能、经济性、可靠性和安全性的故障事件。一个系统可能不止一个这样的事件。在充分熟悉系统及其资料的基础上，做到既不遗漏又分清主次地将全部重大故障事件一一列举。
53.③
建树。一般建树方法可分为两大类：演绎法和计算机辅助建树的合成法或决策表法。演绎法的建树方法为：将已确定的顶事件写在顶部矩形框内，将引起顶事件的全部必要而又充分的直接原因事件(包括硬件故障、软件故障、环境因素、人为因素等)置于相应原因事件符号中画出第二排，再根据实际系统中它们的逻辑关系用适当的逻辑门联结事件和这些直接原因事件。如此，遵循建树规则逐级向下发展，直到所有最低一排原因事件都是底事件为止。这样，就建立了一棵以给定顶事件为“根”，中间事件为“节”，底事件为“叶”的倒置的n级故障树。
54.④
故障树的简化。建树前应根据分析目的，明确定义所分析的系统和其他系统(包括人和环境)的接口，同时给定一些必要的合理假设(如对一些设备故障做出安全的保守假设，暂不考虑人为故障等)，从而由真实系统图得到一个主要逻辑关系等效的简化系统图。
55.(2)一般故障树中使用的符号
56.事件符号：
57.①
矩形符号，如图6所示。它表示故障事件，在矩形内注明故障事件的定义。它下面与逻辑门联接，表明该故障事件是此逻辑门的一个输出。它适用于故障树中除底事件之外的所有中间事件及顶事件。
58.②
圆形符号，如图7所示。它表示底事件，或称基本事件，是元器件、零部件在设计的运行条件下所发生的故障事件。一般说它的故障分布是已知的，只能作为逻辑门的输入而不能作为输出。为进一步区分故障性质，又分为实线圆表示部件本身故障；虚线圆表示由人为错误引起的故障。
59.③
菱形符号，如图8所示。它表示省略事件。一般用以表示那些可能发生，但概率值较小，或者对此系统而言不需要再进一步分析的故障事件。这些故障事件在定性、定量分析中一般都可以忽略不计。
60.ism方法的作用是把任意包含许多离散的，无序的静态的系统，利用系统要素之间已知的、但凌乱的关系，揭示出系统的内部结构。其基本方法是先用图形和矩阵描述各种已知的关系，在矩阵的基础上再进一步运算、推导来解释系统结构的特点。
61.逻辑门符号：
62.①
逻辑“与门”，如图9所示。设bi(i＝1，2，n)为门的输入事件，a为门的输出事件。bi同时发生时，a必然发生，这种逻辑关系称为事件交。相应的逻辑代数表达式为：
63.a＝b1∩b2∩b3∩...∩bn
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3-1)
64.②
逻辑“或门”，如图10所示。当输入事件bi中至少有一个发生时，则输出事件a发生，这种关系称为事件并。相应的逻辑代数表达式为：
65.a＝b1∪b2∪b3∪...∪bn
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3-2)
66.(3)故障树的数学表示
67.假设所研究的设备及其组成的部件、元件等只取正常和故障两种状态，并假设部
件、元件的故障是相互独立的。研究一个由n个独立的底事件构成的故障树。设x_i为底事件i的状态变量，x_i仅取0或1两种状态。φ表示顶事件的状态变量，φ也取0或1两种状态。则有如下定义(i＝1，2，...，n)：
[0068][0069][0070]
故障树顶事件是设备所不希望发生的故障状态，φ＝1；相应的底事件状态为元件故障状态，xi＝1。顶事件状态φ完全由故障树底事件状态x所决定，即φ＝φ(x)，其中x＝(x1，x2，x3，...，xn)，称φ(x)为故障树的结构函数。结构函数是表示设备状态的一种布尔函数，其自变量为该设备组成单元的状态。不同的故障树有不同的逻辑结构，从而对应不同的结构函数。
[0071]
①
与门结构函数
[0072][0073]
上式中，xi仅取0或1两个值，说明当全部部件，元件发生故障时，设备才有故障，其中只要有一个部件正常，则设备正常。
[0074]
②
或门结构函数
[0075][0076]
上式中，当xi仅取0或1两个值说明只要一个部件故障，设备就会故障。
[0077]
③
故障树结构函数
[0078]
对任意的一棵故障树，都可以简化为由逻辑与门和逻辑或门以及底事件组成的形式。因而利用逻辑门的布尔表示可以将故障树的顶事件的状态t表示为底事件状态变量(x1，x2，x3，...，xn)的布尔表示式。如图11所示故障树，它的结构函数可以表示为：t＝(x1x2+x3x4)(x3x4+x5x6)(x7+x8)x9x
10
。不难看出，系统越复杂，其结构函数也就越冗长复杂，不方便于定性和定量分析。
[0079]
(4)一般故障树的局限性
[0080]
故障树是将领域专家的诊断知识以图形化的方式组织起来，具有知识表达直观、层次分明的特点，因而成为查找系统故障原因的有效手段。但是，一般故障树也有局限性，表现在：
[0081]
①
存储一般故障树占用了大量的系统空间。任何一棵故障树的顶事件都是系统最不希望发生的故障状态即故障现象，然而每一个部件、一个系统都可能不止一个这样的顶事件。发射机是一类典型的复杂系统，它的结构和工作原理、故障现象和故障原因之间的关系十分复杂，任何一个子系统又是由多个部件所组成的。在开发专家系统时，必须在计算机中分配大量的存储空间用以存储这些故障树，导致了专家系统的知识库过于庞大、知识库维护及更新困难、极大地影响了系统推理机进行故障诊断推理的效率。
[0082]
②
一般故障树的逻辑规则导致了系统在进行故障诊断时容易产生数据冗余和规则冲突。首先，由于一般故障树是由构成它的全部底事件的“与”和“或”的逻辑关系连接而成，因此在专家系统的知识库中就必须给故障树的每个节点都构建相应的函数来体现各节点之间的逻辑关系。这将迫使知识库在建立之初就必须分配大量的存储空间对每一个节点的逻辑函数进行存储。其次，专家系统的推理机在进行故障诊断时必须正确识别逻辑“与”和“或”的多重组合，然而在多层次的故障树中，逻辑的组合数呈指数式增长，这就大大降低了推理机的故障诊断效率，导致原有系统出现诊断时间过长的问题。最后，在知识库后期的更新和维护中，由于一般故障树呈线性逻辑结构，无论是新增、删除或编辑任何一个节点都会影响到与之相连的其他节点，这就给系统出现数据冗余和规则冲突埋下了隐患。
[0083]
因此，我们在一般故障树的基础上通过建立二叉故障树的模型，以解决上述问题。
[0084]
其基本步骤如下：
[0085]
(1)建立系统要素关系表；
[0086]
(2)根据系统要素关系表，做出相应的有向图形，并建立邻接矩阵；
[0087]
(3)通过矩阵运算求出该系统的可达矩阵m；
[0088]
(4)对可达矩阵m进行级间分解；
[0089]
(5)建立系统结构模型。
[0090]
基于模糊诊断算法的故障诊断推理机制的实现：所谓推理是指从已知的事实出发，运用已掌握的知识，推导出其中蕴涵的事实性结论或归纳出某些新的结论的过程。推理机是基于知识推理的计算机实现，其在本质上可以看成是一个解释器，在推理过程中解释和执行用推理控制语言表示的一系列推理规则。其功能是根据一定的推理控制策略从知识库中选择有关的知识，对用户提供的证据进行推理，直到得到相应的结论为止。
[0091]
在本系统中，推理机就是实现基于二叉故障树分析法的模糊推理机制。模糊推理机的流程如图3所示，其中：模糊计算模块是用于计算各级故障现象以及最终故障原因的各种模糊信息值，为实现精确的模糊推理提供数学依据；模糊推理模块是根据用户提供的参数信息以及系统内置的参数信息，对推理的流程进行控制，以便得出最终的故障原因供现场参考。
[0092]
本发明采用系统工程学中的解释结构模型方法，实现了设备故障树的自动生成。解释结构模型以定性分析为主，属于结构模型，可以把模糊不清的思想、看法转化为直观的具有良好结构关系的模型。对于任何一个设备，根据原理图，可以用一个m
×
m方形矩阵来表示其各模块之间的邻接。矩阵的每一行和每一列对应设备原理图中一个节点(分系统模块或关键监测点)。利用邻接矩阵可以求得可达矩阵。可达矩阵m表示系统a从一个要素到另一个要素是否存在连接的路径，在对可达矩阵进行层级分解时，确定每一个要素的层次和事件类型。对于事件之间的连接关系，可以通过分析故障可达矩阵中是否存对称的要素来识别。如果不存在则说明无强连接关系，在故障树中所有的逻辑门都是与门，任何一个底事件的单独发生都可能导致顶事件的发生，而如果存在，则说明该故障树中有强连接事件存在，在相应的事件上存在的逻辑关系为或门。
[0093]
对系统征兆的观察是不完备的，比如受某些条件的限制，有些征兆根本观察不到或观察的代价很高。故障集和征兆集的映射关系是不完备的。由于故障机理存在模糊性，事件之间因果关系并不是简单的肯定或否定关系，根据精确故障数据进行分析，容易发生误
诊。而且在递归诊断中，会频繁地出现重复诊断的现象，额外增加了系统的诊断时间。将模糊诊断理论应用到诊断推理中，设计了一种基于故障树的模糊故障诊断改进方法。该方法将模糊理论融入到故障诊断中，综合考虑了系统故障树的最小割集和基本组成单元两方面的因素，重点设计了故障树的诊断流程，改进了以往故障诊断中出现的重复诊断的缺陷，优化了诊断过程，对可能造成系统故障的各因素进行分析，从而确定故障原因的各种可能组合方式及其发生概率，并采取相应措施提高系统诊断结果的可靠性。
[0094]
以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。