一种基于多源数据的IMA系统迫近故障预测方法与流程

一种基于多源数据的ima系统迫近故障预测方法
技术领域
1.本发明涉及涉及但不限于ima系统健康管理领域，尤指一种基于多源数据的ima系统迫近故障预测方法。


背景技术：

2.迫近故障预测是健康管理和系统管理的重要组成部分，与长期退化和工作应力影响导致的远期故障或失效不同，迫近故障(impending fault)指的是由于临近或周边系统故障及其影响传播时延导致的功能失效，对该类失效的有效预测可以帮助系统在指定时间内完成相应的系统管理(如重构、重启动等)，从而缓解故障带来的恶劣影响，为飞行器的任务可靠性提升奠定基础。
3.由于综合模块化航电(ima)系统各组成部分交联关系较为紧密，某个组成部分的迫近故障会导致其其他组成部分功能异常，从而导致ima系统级联功能失效。


技术实现要素：

4.本发明的目的：本发明实施例提供一种基于多源数据的ima系统迫近故障预测方法，以解决由于ima系统中存在迫近故障，并且该迫近故障的传播导致 ima系统的级联功能失效的问题。
5.本发明的技术方案：
6.本发明实施例提供一种基于多源数据的ima系统迫近故障预测方法，包括：
7.步骤1，根据ima系统的组成部分和结构，构建ima系统的迫近故障传播模型；
8.步骤2，提取所述迫近故障传播模型中用于预测迫近故障的信息，将图形化的表达形式转化为数组或矩阵的表达形式；
9.步骤3，根据步骤2中所提取的信息，对ima系统的迫近故障进行前向推理预测。
10.可选地，如上所述的基于多源数据的ima系统迫近故障预测方法中，所述步骤1包括：
11.根据ima系统中故障模式、差异点信息以及传播关系，对ima系统的故障模式、bit监测方式和功能失效影响进行建模，构建出从故障模式到系统功能失效的迫近故障传播模型。
12.可选地，如上所述的基于多源数据的ima系统迫近故障预测方法中，所述步骤1具体包括：
13.步骤11，构建迫近故障元模型，包括：根据ima系统中各个lru的tfpg 模型规范对应的建模元素及其属性，确定各个lru的故障模式之间的层次关系和交联关系，从而建立ima系统的迫近故障元模型；
14.步骤12，采用迫近故障元模型模板来建立tfpg专用模型，包括：根据迫近故障元模型中限定的建模元素、层次关系、交联关系以及相关属性，针对特定ima系统，构建tfpg专用模型，明确故障模式-差异点、差异点-差异点的具体传播关系，并对传播时间间隔进行赋
值。
15.可选地，如上所述的基于多源数据的ima系统迫近故障预测方法中，
16.所述迫近故障元模型中包括：ima系统包含各个lru的故障模式类型、路径类型、逻辑类型及前述元素的属性设置；
17.所述tfpg专用模型中包括：针对特定ima系统中各个lru的具体的故障模式、故障模式-差异点及差异点-差异点的路径，并对属性的具体赋值。
18.可选地，如上所述的基于多源数据的ima系统迫近故障预测方法中，所述步骤2中所提取的用于预测迫近故障的信息包括：
19.故障模式节点、差异点、邻接矩阵a、可达矩阵a*、最小传播时间矩阵t
min
、最大传播时间矩阵t
max
、最小可达时间矩阵a
min
、最大可达时间矩阵a
max
。
20.可选地，如上所述的基于多源数据的ima系统迫近故障预测方法中，所述步骤2所提取的预测迫近故障的信息中，具体包括：m个故障模式节点和n个差异点；
21.其中，n个差异点包括普通差异节点和虚拟节点，虚拟节点包括“与”逻辑节点和“或”逻辑节点，且n1+n2+n3＝n；其中，n1为普通差异节点的个数，n2为“或”逻辑节点的个数，n3为“与”逻辑节点的个数；
22.所述邻接矩阵a、可达矩阵a*、最小传播时间矩阵t
min
、最大传播时间矩阵t
max
、最小可达时间矩阵a
min
、最大可达时间矩阵a
max
均为(n+m)
×
(n+m)维矩阵。
23.可选地，如上所述的基于多源数据的ima系统迫近故障预测方法中，所述步骤2所提取的预测迫近故障的信息中，
24.邻接矩阵a，用于反映节点之间的连接关系，a
ij
＝1表示节点vi和节点vj之间存在连接；
25.可达矩阵a*，用于反映的是两个节点之间是否具有通路，表示模型中存在一条从vi到vj的路径；
26.最小传播时间矩阵t
min
与邻接矩阵a中的元素一一对应，其中，元素表示故障从父节点vi传播到子节点vj所需要的最小传播时间(a
ij
＝1)；且邻接矩阵中的a
ij
＝0，则最小传播时间矩阵中的对应元素
27.最大传播时间矩阵t
max
与邻接矩阵a中的元素一一对应，其中，元素表示故障从父节点vi传播到子节点vj所需要的最大传播时间(a
ij
＝1)；且邻接矩阵中的a
ij
＝0，则最大传播时间矩阵中的对应元素
28.最小可达时间矩阵a
min
与可达矩阵a*中的元素一一对应，其中，元素表示故障从一个节点vi传播到另一个节点vj的最小时间且可达矩阵中的则最小可达时间矩阵中的对应元素
29.最大可达时间矩阵a
max
与可达矩阵a*中的元素一一对应，其中，元素表示故障从一个节点vi传播到另一个节点vj的最大时间且可达矩阵中的则最大可
达时间矩阵中的对应元素
30.可选地，如上所述的基于多源数据的ima系统迫近故障预测方法中，所述步骤3包括：迫近故障传播逻辑分析和时间范围匹配分析；
31.其中，所述故迫近障传播逻辑分析，包括：分析出节点之间是否存在直接连接或间接连接，并且分析出差异点激活的要求；
32.所述时间范围匹配分析，包括：判断实际的差异点激活时间与tfpg专用模型中故障传播时间约束是否存在矛盾。
33.本发明的优点：本发明实施例提供的一种基于多源数据的ima系统迫近故障预测方法，具体为基于多个lru/lrm(外场可更换模块)的bit数据和功能差异数据的短期迫近故障预测方法；该迫近故障预测方法的方案中，一方面，利用ima系统内部多个监测源构成的差异点信息、异常事件上报信息以及故障信息传播关系，搭建从故障模式到系统功能失效的迫近故障传播模型，模型信息的提取，将前向推理算法用于对迫近故障时间范围的预测，该时间范围可以由系统管理功能读取，从而为优化进一步故障缓解行动提供依据；另一方面，通过分析ima系统的典型故障模式和失效传播关系，在建立的故障预测模型的基础上，根据实际或仿真的异常事件序列进行关联性分析和时间一致性分析，得到可能的故障模式与故障发生时间估计，实现迫近故障预测。采用本发明实施例提供的基于多源数据的ima系统迫近故障预测方法，可实现由原发 lru/lrm故障导致的系统功能失效，并且可根据故障传播出现的不同逻辑(与、或)关系，给出功能失效的时间范围。
附图说明：
34.附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本技术的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
35.图1为本发明实施例中一种tfpg模型的示意图；
36.图2为本发明实施例提供的一种基于多源数据的ima系统迫近故障预测方法的流程图；
37.图3为本发明实施例中的tfpg专用模型的结构示意图；
38.图4为本发明实施例提供的针对gpncu平台的tfpg专用模型的示意图；
39.图5为本发明具体实施例提供的ima系统中的各个单元(lru)存在相应的故障模式的示意图；
40.图6为本发明具体实施例中针对各个lru的tfpg模型的示意图；
41.图7为本发明具体实施例中ima系统故障的元模型的示意图；
42.图8为本发明具体实施中针对图7所示元模型的顶部建模元素的示意图；
43.图9为本发明具体实施例中针对idu的lru相关约束的示意图；
44.图10为本发明具体实施例中针对gpncu双重冗余所形成的tfpg专用模型的示意图；
45.图11为本发明具体实施例中采用仿真软件得到的tfpg模型的示意图；
46.图12为本发明具体实施例中单个报警序列下的单迫近故障预测仿真的示意图；
47.图13为本发明具体实施例中单个报警序列下的正常报警序列的迫近故障预测仿真的示意图。
具体实施方式：
48.为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互任意组合。
49.在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
50.上述背景技术中已经说明，由于综合模块化航电(ima)系统各组成部分交联关系较为紧密，某个组成部分的迫近故障会导致其其他组成部分功能异常，从而导致ima系统级联功能失效的问题。
51.针对上述ima系统的级联功能失效的问题，本发明实施例提供的一种基于多源数据的ima系统迫近故障预测方法。
52.本发明提供以下几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
53.本发明实施例提供的基于多源数据的ima系统迫近故障预测方法中采用到基于时间故障传播图。以下首先对基于时间故障传播图的迫近故障预测方法进行说明。
54.基于时间故障传播图(tfpg，timed failure propagation graph)的迫近故障预测方法。
55.由于系统的动态特性，故障信息的传播不会立即发生。相反，故障信息需要一些传播时间。例如，在损坏的加热器中超过高温会花费一些时间来将温度升高到可接受的极限以上。另外，在航空电子系统中，由于相关单元/模块之间广泛的交联关系，因此，故障单元或模块会将由故障引起的异常信息传输到其他单元/模块，从而导致故障或错误/警报或其他异常事件。由于系统的实时性要求和主要时间框架的限制，故障信息传播时间的属性是显而易见的。为了将动力学合并到故障模型中，每个故障传播都使用一个称为传播间隔[tmin，tmax] 的时间间隔进行参数化，该时间间隔给出了从先前故障到后续故障的最小传播时间和最大传播时间。
[0056]
如图1所示，为本发明实施例中一种tfpg模型的示意图。该图1中显示了tfpg模型的示例。在此图中，矩形代表故障模式。圆形代表逻辑为“或”的差异点，正方形代表逻辑为“与”的差异点。节点之间的边缘表示系统中故障模式-差异的传播关系，以及差异-差异的传播关系。上述传播关系的传播特性通过时间间隔[tmin，tmax]进行参数化，发生警报的差异点在图中由阴影标识，发生警报的时间显示在相应差异上方。
[0057]
tfpg模型的公理化形式表现为一个五元组g＝(f,d,e,t
min
,t
max
)，其中：
[0058]
f为故障模式集合；
[0059]
d为差异点(如图1中的d)集合，且满足
[0060]
是边缘集合(或路径集合)，表示v中的一个节点与v中的另外一个节点所组成的边缘集合，其中，v＝fud；
[0061]
t
min
,t
max
表示任意一条路径e(e∈e)的最小和最大传播时间，其中e为路径集合。
[0062]
路径e＝(v,v')∈e意味着由于传播效应，节点会发生从v到v’的状态变化。使用标志tmin和tmax去分别表示传播路径上的最小和最大传播时间。假设 0≤e.tmin≤e.tmax。
[0063]
如图1所示tfpg模型用于描述实际系统中传感器、bit、警报和其他信号之间观察到的故障传播。在这种情况下。所有观察到的偏差的集合都对应于 tfpg模型中建立的差异点d，而路径则对应于系统动力学的因果关系。由于系统的动态特性，故障的影响在系统组件之间的传播(此时间通常取决于系统的时间限制和基础故障的时间演变)需耗费相应时间。在许多情况下，可以通过分析或模拟准确的模型(例如实时需求模型)来计算此时间延迟。
[0064]
有几个假设非常重要。首先，tfpg模型不包含描述自环特征的边缘，并且任何故障模式都被描述为根节点，即它不能成为任何边缘的目的地。而且，每个差异点d必须是另一个差异点或失效模式的后继者。一旦故障影响到达节点v’，该节点v’的状态将永久更改，并且不受将来任何故障传播的影响。因此，本发明实施例中不考虑间歇性故障的情况。
[0065]
图2为本发明实施例提供的一种基于多源数据的ima系统迫近故障预测方法的流程图。本发明实施例提供的基于多源数据的ima系统迫近故障预测方法包括如下步骤：
[0066]
步骤1，根据ima系统的组成部分和结构，构建ima系统的迫近故障传播模型；
[0067]
在本发明实施例中，该步骤1的具体实施方式可以包括：
[0068]
根据ima系统的组成部分(包括故障模式、差异点信息)以及结构(即传播关系，)对ima系统的故障模式、bit(即机内自检)监测方式(指紧邻故障模式的直接差异点信息)和功能失效(指除直接差异点信息之外的所有差异点信息)影响进行建模，从而构建出从故障模式到系统功能失效的迫近故障传播模型。
[0069]
步骤2，提取迫近故障传播模型中用于预测迫近故障的信息，将图形化的表达形式转化为数组或矩阵的表达形式。
[0070]
本发明实施例中，考虑到迫近故障预测推理算法的输出是相关功能失效及其具体时间范围，因此需要预先提取迫近故障传播模型中用于预测迫近故障的信息。
[0071]
步骤3，根据步骤2中所提取的信息，对ima系统的迫近故障进行前向推理预测。
[0072]
本发明实施例中，上述步骤1的具体实施过程可以包括：
[0073]
步骤11，构建迫近故障元模型，构建方式为：
[0074]
根据ima系统中各个lru(外场可更换单元)的tfpg模型规范对应的建模元素及其属性，确定各个lru的故障模式之间的层次关系和交联关系，从而建立ima系统的迫近故障元模型；
[0075]
步骤12，采用迫近故障元模型模板来建立tfpg专用模型，构建方式为：
[0076]
根据迫近故障元模型中限定的建模元素、层次关系、交联关系以及相关属性，针对特定ima系统，构建tfpg专用模型，明确故障模式-差异点、差异点-差异点的具体传播关系，并对传播时间间隔进行赋值。
[0077]
需要说明的是，本发明实施例该步骤1中，所构建的迫近故障元模型中包括：ima系统包含各个lru的故障模式类型、路径类型、逻辑类型及前述元素的属性设置。另外，所构建的tfpg专用模型中包括：针对特定ima系统中各个lru的具体的故障模式、故障模式-差异点及差异点-差异点的路径，并对属性的具体赋值。
[0078]
本发明实施例的步骤2中，所提取的用于预测迫近故障的信息包括：
[0079]
故障模式节点、差异点、邻接矩阵a、可达矩阵a*、最小传播时间矩阵t
min
、最大传播时间矩阵t
max
、最小可达时间矩阵a
min
、最大可达时间矩阵a
max
。
[0080]
在本发明实施例的具体实现方式中，该步骤2所提取的预测迫近故障的信息中，具体包括：m个故障模式节点和n个差异点；
[0081]
其中，n个差异点包括普通差异节点和虚拟节点，虚拟节点包括“与”逻辑节点和“或”逻辑节点，且n1+n2+n3＝n；其中，n1为普通差异节点的个数，n2为“或”逻辑节点的个数，n3为“与”逻辑节点的个数；
[0082]
且邻接矩阵a、可达矩阵a*、最小传播时间矩阵t
min
、最大传播时间矩阵 t
max
、最小可达时间矩阵a
min
、最大可达时间矩阵a
max
均为(n+m)
×
(n+m)维矩阵。
[0083]
邻接矩阵a，用于反映节点之间的连接关系，a
ij
＝1表示节点vi和节点vj之间存在连接；
[0084]
可达矩阵a*，用于反映的是两个节点之间是否具有通路，表示模型中存在一条从vi到vj的路径；
[0085]
最小传播时间矩阵t
min
与邻接矩阵a中的元素一一对应，其中，元素表示故障从父节点vi传播到子节点vj所需要的最小传播时间(a
ij
＝1)；且邻接矩阵中的a
ij
＝0，则最小传播时间矩阵中的对应元素
[0086]
最大传播时间矩阵t
max
与邻接矩阵a中的元素一一对应，其中，元素表示故障从父节点vi传播到子节点vj所需要的最大传播时间(a
ij
＝1)；且邻接矩阵中的a
ij
＝0，则最大传播时间矩阵中的对应元素
[0087]
最小可达时间矩阵a
min
与可达矩阵a*中的元素一一对应，其中，元素表示故障从一个节点vi传播到另一个节点vj的最小时间且可达矩阵中的则最小可达时间矩阵中的对应元素
[0088]
最大可达时间矩阵a
max
与可达矩阵a*中的元素一一对应，其中，元素表示故障从一个节点vi传播到另一个节点vj的最大时间且可达矩阵中的则最大可达时间矩阵中的对应元素
[0089]
本发明实施例的步骤3中，前向推力预测可以包括：迫近故障传播逻辑分析和时间范围匹配分析。
[0090]
其中，上述故迫近障传播逻辑分析的实施方式为：分析出节点之间是否存在直接连接或间接连接，并且分析出差异点激活的要求；
[0091]
上述时间范围匹配分析的实施方式为：判断实际的差异点激活时间与tfpg 专用模型中故障传播时间约束是否存在矛盾。
[0092]
本发明实施例提供的基于多源数据的ima系统迫近故障预测方法，具体为基于多个lru/lrm(外场可更换模块)的bit数据和功能差异数据的短期迫近故障预测方法；该迫近故障预测方法的方案中，一方面，利用ima系统内部多个监测源构成的差异点信息、异常事件上报信息以及故障信息传播关系，搭建从故障模式到系统功能失效的迫近故障传播模型，模型信息的提取，将前向推理算法用于对迫近故障时间范围的预测，该时间范围可以由
系统管理功能读取，从而为优化进一步故障缓解行动提供依据；另一方面，通过分析ima系统的典型故障模式和失效传播关系，在建立的故障预测模型的基础上，根据实际或仿真的异常事件序列进行关联性分析和时间一致性分析，得到可能的故障模式与故障发生时间估计，实现迫近故障预测。采用本发明实施例提供的基于多源数据的ima系统迫近故障预测方法，可实现由原发lru/lrm故障导致的系统功能失效，并且可根据故障传播出现的不同逻辑(与、或)关系，给出功能失效的时间范围。
[0093]
以下通过一些具体实施例对本发明实施例提供的基于多源数据的ima系统迫近故障预测方法的实施方式进行详细说明。
[0094]
该具体实施例提供的基于多源数据的ima系统迫近故障预测方法具体包括如下步骤。
[0095]
步骤一，构建ima系统的迫近故障传播模型
[0096]
1)构建迫近故障元模型
[0097]
首先，确定不同tfpg模型相对应的建模元素及其属性(模型，原子等)；其次，确定不同故障模式之间的层次关系和交联关系(即连接关系)；最后，根据前述不同的元素、属性和连接关系，构建相应的ima系统的迫近故障元模型。
[0098]
建立完整的元模型后，可以生成相应的xml文件，编译器可以生成迫近故障元模型。确定特定过程后，可以在gme中建立新的元模型工程文件。其中包含图1中列出的主要元素(例如包括：故障模式、差异点、传播路径)。故障模式和差异点分别分类为“故障”和“警报”(含bit监测方式、功能失效等)。
[0099]
2)构建ima系统的tfpg专用模型
[0100]
直接使用迫近故障元模型模板来建立tfpg专用模型。如图3所示，为本发明实施例中的tfpg专用模型的结构示意图。该tfpg专用模型中，警报 (alarm)图标表示警告节点(差异点)，而故障(fault)图标表示故障模式节点。警报和故障作为建模元素在元模型模板中进行了限定，元模型模板也对元素之间的连接关系进行了限定。
[0101]
由图3可以看出，故障传播路径是定向的，每个路径上的时间间隔[a，b] 表示两个节点之间的时间约束，这是我们在上述构建元模型的过程中的元素属性中配置的设置。根据tfpg专用模型，可编制xml文件，从而通过matlab 中开发的软件为后续tfpg预测推理提供模型数据基础。
[0102]
以下对建立tfpg专用模型的方式进行示例性说明。
[0103]
目前，诸如a380，b787，a350xwb和c919之类的先进客机都使用ima 平台。数据由远程数据接口单元(rdiu)收集，然后通过航空以太网总线(a664 网络)发送到集成处理柜中进行处理，最后发送到集成显示系统和警报系统。
[0104]
ima系统的核心是模块化的“核心处理平台”(例如ccr)。在航空电子系统的物理结构中，引入了核心处理组件柜。相同的标准化硬件模块用于运行常规信息处理和网络通信。机柜中的处理模块是可更换的。在ima系统中，通过分布式网络和总线连接的线路可更换模块(lrm)代替了传统的数字模块。总线的组合模式将计算和数据处理工作集中到平台上的共享模块中。
[0105]
基于tfpg的故障建模可适用于对rdiu、核心处理平台以及相关的航空电子lru的故障传播建模。
[0106]
通用处理和网络通信单元(gpncu)是一种核心处理平台，负责运行基于 arinc653的各种托管应用程序以及基于a664交换数据。它主要实现两组功能：资源功能和支持功能。资源功能提供两种资源：数据计算和数据传输。支持功能包括：运行状况管理，配置管理，数据加载，网络管理，疲劳指示，全局时间，状态管理，温度监控和故障恢复，针对上述gpncu平台，如图4所示，为本发明实施例提供的针对gpncu平台的tfpg专用模型的示意图，具体为基于元模型的tfpg专用模型。
[0107]
图4所示tfpg专用模型中，最左边一列编号为“gpncu_nsm”开头的故障模式元素已经由元模型限定，但没有规定具体故障模式编码和名称，右侧两个以“alarm”标识的差异点元素以及故障模式-差异点和差异点-差异点的连接也由元模型限定，而专用模型则根据研究对象的设计信息(如fmea)描述具体故障模式(名称或编码)、差异点(名称或编码)以及连接关系(源-目的关系、传播时间属性)。
[0108]
步骤二：提取迫近故障传播模型中用于预测迫近故障的信息
[0109]
从建立的迫近故障传播模型中提取预测算法所需的信息，将图形化的表达形式转化为数组或矩阵的数学表达形式。
[0110]
以下分别对所提取的信息及其数学表达形式进行逐一说明：
[0111]
(1)故障模式节点
[0112]
对故障模式节点从1开始进行编号，故障模式节点总个数用m表示。
[0113]
(2)差异点
[0114]
将差异点分为普通差异节点(即单输入节点)和虚拟节点(即多输入节点)，虚拟节点包括“与”逻辑节点和“或”逻辑节点。对所有差异点从1开始进行编号，差异点总个数用n表示，普通差异节点的个数用n1表示，“或”逻辑节点的个数用n2表示，“与”逻辑节点的个数用n3表示，n1+n2+n3＝n。
[0115]
(3)邻接矩阵a
[0116]
邻接矩阵a是一个(n+m)
×
(n+m)维的邻接矩阵，反映的是节点之间的连接关系，如果节点vi和节点vj之间存在连接，a
ij
＝1；否则a
ij
＝0。
[0117]
(4)可达矩阵a*
[0118]
可达矩阵a*也是一个(n+m)
×
(n+m)维矩阵，反映的是两个节点之间是否有通路。如果存在一条从节点vi到节点vj的路径，否则
[0119]
(5)最小传播时间矩阵t
min
[0120]
最小传播时间矩阵t
min
是一个(n+m)
×
(n+m)维矩阵，对应的是邻接矩阵a。其中的元素表示故障从父节点vi传播到子节点vj所需要的最小传播时间 (a
ij
＝1)。如果a
ij
＝0，则
[0121]
(6)最大传播时间矩阵t
max
[0122]
最大传播时间矩阵t
max
是一个(n+m)
×
(n+m)维矩阵，对应的是邻接矩阵a。其中的元素表示故障从父节点vi传播到子节点vj所需要的最大传播时间 (a
ij
＝1)。如果a
ij
＝0，则
[0123]
(7)最小可达时间矩阵a
min
[0124]
最小可达时间矩阵a
min
是一个(n+m)
×
(n+m)维矩阵，对应的是可达矩阵a*。其中的元素表示故障从一个节点vi传播到另一个节点vj的最小时间如果那么
[0125]
(8)最大可达时间矩阵a
max
[0126]
最大可达时间矩阵a
max
是一个(n+m)
×
(n+m)维矩阵，对应的是可达矩阵a*。其中的，元素表示故障从一个节点vi传播到另一个节点vj的最大时间如果那么
[0127]
步骤三：对ima系统的迫近故障进行前向推理预测
[0128]
前向推理预测包括：迫近故障传播逻辑分析和时间范围匹配分析；
[0129]
前向推理预测的基础是需要进行迫近故障传播逻辑分析和时间范围匹配分析。故迫近障传播逻辑分析指的是节点之间的直接连接或间接连接，以及差异点激活的要求。时间范围匹配分析是判断实际的差异点激活时间与tfpg专用模型中故障传播时间约束是否存在矛盾。
[0130]
前向操作算法是根据上述两种分析结果，通过向前扩展对该已激活的差异节点的后续节点状态进行预测，将在ima系统健康管理中起到迫近故障预测的作用。对具体向前扩展过程的描述如下所示：
[0131][0132]
以下提供一个实施示例说明本发明实施例的实现方式和效果
[0133]
副驾驶员一侧飞行数据的丢失是航空电子系统中最严重的功能故障事件之一。以此为例进行实施说明。
[0134]
1)构建ima系统的迫近故障传播模型
[0135]
根据系统交联关系和fmea(故障模式和影响分析)，可以通过故障树来描述安全分析中副驾驶员侧显示的姿态信息丢失的功能故障，如下图5所示，为本发明具体实施例提供的ima系统中的各个单元(lru)存在相应的故障模式的示意图。
[0136]
上图5中每个基本事件(如图5中圆圈所示)的故障模式及所在单元如下表所示。
[0137]
[0138][0139]
根据fmea中功能电路的特定故障模式，可以选择更典型的故障模式来完善基本事件，从而获得针对各个lru的tfpg模型，如图6所示，为本发明具体实施例中针对各个lru的tfpg模型的示意图，其中每个路径的时间间隔表示[tmin，tmax]在第二部分中。在图6中，矩形代表根据fmea的lru失效模式。圆圈表示差异点，包括逻辑“或”，bit，fde或系统功能故障，正方形表示“与”逻辑类型差异点，该逻辑类型表示冗余结构。
[0140]
要在图6中构建针对各个lru的tfpg模型，得到整个ima系统故障的元模型如图7所示，为本发明具体实施例中ima系统故障的元模型的示意图。
[0141]
上述元模型主要包括ima系统功能故障事件以及各个lru的故障和警报的元素及其属性。系统故障警报事件元素定义了系统事件的名称，故障和警报的可能逻辑门以及连接限制(传播时间间隔[tmin，tmax])，如图8所示，为本发明具体实施中针对图7所示元模型的顶部建模元素的示意图。
[0142]
作为“副驾驶侧姿态信息失效”的类对象，各个lru的故障和警报的元素指定了故障的可能逻辑组合以及传播“故障到警报”和传播“警报到警报”的连接限制(传播时间间隔[tmin，tmax]的限制)。以idu为例，如图9所示，为本发明具体实施例中针对idu的lru相关约束的示意图。
[0143]
元模型中针对该lru的部分中包含的特定功能电路的故障和警报信息来自于fmea中对功能电路故障模式。
[0144]
基于从元模型获得的tfpg专用模型的建模范例，还构建了每个lru和子系统的tfpg专用模型。以gpncu的双重冗余为例，相应的tfpg专用模型如图10所示，为本发明具体实施例中针对gpncu双重冗余所形成的tfpg专用模型的示意图。图10中节点命名中，f表示故障模式(fm)，而d表示差异。路径上的时间间隔表示路径上故障传播时间的范围。图10中仅示意出tfpg专用模型中的gpncu部分内容。
[0145]
图10中每个节点的具体信息如下表所示。
[0146]
idtype失效模式/报警/逻辑gpncu_f01故障模式交换机功能丧失gpncu_f02故障模式交换机功能丧失gpncu_f03故障模式与rdiu失去通信gpncu_f04故障模式交换机功能丧失gpncu_f05故障模式交换机功能丧失gpncu_f06故障模式与rdiu失去通信gpncu_d01差异点nsm故障/连续bit
gpncu_d02差异点nsm故障/连续bitgpncu_d03差异点nsm故障/连续bitgpncu_d04差异点nsm故障/连续bitgpncu_d05差异点gpncu1故障/fdegpncu_d06差异点gpncu2故障/fdegpncu_d07差异点gpncu通讯失效/fdeor_01逻辑门逻辑“或”or_02逻辑门逻辑“或”and_01逻辑门逻辑“与”[0147]
tfpg专用模型中的其他lru部分的结构和节点信息与gpncu相似。通过集成与gpncu、rdiu、idu和ahrs相关的tfpg模型，可以获得基于系统功能故障的tfpg。
[0148]
2)提取迫近故障传播模型中用于预测迫近故障的信息
[0149]
以gpncu为例，对模型中的用于预测的信息进行提取。
[0150]
(1)故障模式节点
[0151]
普通故障模式数(m)为6个。
[0152]
(2)差异点
[0153]
普通差异点个数(n1)为7，“或”逻辑节点数n2为2，“与”逻辑节点数n3为 1。总差异点个数n为10。
[0154]
(3)邻接矩阵a
[0155]
在gpncu例中，a是一个(n+m)
×
(n+m)维，例如为(16
×
16维)的邻接矩阵，矩阵具体形式如下。
[0156][0157]
4)可达矩阵a*
[0158][0159]
5)最小传播时间矩阵t
min
[0160][0161]
6)最大传播时间矩阵t
max
[0162][0163]
7)最小可达时间矩阵a
min
[0164][0165]
8)最大可达时间矩阵a
max
[0166][0167]
3)基于tfpg的迫近故障预测案例仿真
[0168]
matlab开发的tfpg仿真软件的主界面由三部分组成：参数配置块，tfpg图形显示面板和仿真文本框，如图所示。参数栏可用于设置报警时间。每个差异点。tfpg模型的图形显示主要用于在模拟运行中在给定的触发条件下显示故障传播顺序。模拟结果文本框用于显示预测假设。
[0169]
首先将的tfpg模型导出为xml的标准存储格式。然后，通过tfpg仿真软件将模型的结构参数导入到matlab的工作区中。通过这种方式导出的 tfpg模型以gmexml的形式存储。该文件格式与标准xml格式基本相同。它可以被认为是一个标准。xml格式文件。图11所示，为本发明具体实施例中采用仿真软件得到的tfpg模型的示意图。
[0170]
以gpncu的tfpg为对象，通过仿真验证和验证了基于tfpg的迫近故障预测算法。
[0171]
a)单个报警序列下的单迫近故障预测仿真
[0172]
在此仿真中假定f2为实际原发故障模式，而实际故障时间为10ms。当系统结构正
常时执行此仿真。故障按照对应关系传播，对应的告警正确发生。我们设置相应的警报时间(时间35，d2)。如图12所示，为本发明具体实施例中单个报警序列下的单迫近故障预测仿真的示意图。
[0173]
失效模式的预测假设显示在仿真结果文本框中，如下所示。
[0174][0175]
上述演示内容中，功能差异点d5的失效时间为t＝85时。符合故障逻辑分析和时间范围匹配分析结果。系统在此时应尽快进行故障缓解管理。
[0176]
b)正常报警序列的迫近故障预测仿真
[0177]
在此仿真中，假设f2和f4是实际故障模式，并且实际故障时间为时间3 (f2)和时间10(f4)。当系统结构正常时执行此仿真。故障根据对应关系传播，对应的告警正确发生。我们设置了相应的警报序列(time75，d5；time 85， d5)，如图13所示，为本发明具体实施例中单个报警序列下的正常报警序列的迫近故障预测仿真的示意图。
[0178]
迫近故障模式的预测显示在结果文本框中，如下所示。
[0179][0180]
上述演示中：
[0181]
(1)在时间25发生d2警报时生成的假设表明发生了故障模式f2。迫近故障(d5差异点)发生时间为75，与故障逻辑相关和时间匹配一致。
[0182]
(2)在时间35发生d3警报时生成的假设表明发生了故障模式f4。迫近故障(d6差异点)发生时间为85，与故障逻辑相关和时间匹配一致。
[0183]
(3)由于f2和f4均已发生，此时(即时间35)，进一步预测迫近故障即整个gpncu失效(d7)的发生时间为135，与故障逻辑相关和时间匹配一致。
[0184]
(4)系统在此时应尽快进行故障缓解管理，从而防止出现不安全事件。
[0185]
虽然本发明所揭露的实施方式如上，但所述的内容仅为便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式及细节上进行任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。