多方法联合的航电系统故障诊断方法
【技术领域】
[0001] 本发明涉及航电系统故障诊断方法领域，具体为一种基于FTA、BAM、BP三种方法 联合的航电系统故障诊断方法。
【背景技术】
[0002] 随着飞机装备的智能化和信息化程度越来越高，需要借助电子系统协助处理的任 务也将越来越多，这也将导致由电子系统引起的故障不断增多。另外，随着电子系统不断融 入武器系统的核心任务系统，信息化、智能化程度越高的武器装备需要电子系统辅助完成 的任务将会越多，电子系统故障也将大大增加其维修保障问题。目前国内针对航电系统故 障诊断问题，基本根据故障手册并结合专业维修人员的维修经验来对航空电子设备经常出 现的故障进行检查和维修，这必将导致人的因素成为诊断和维修成功与否的关键因素。此 外，由于航电系统中的很多故障是维修人员难以发现的隐蔽性故障或潜在故障，而这些隐 蔽性故障或潜在故障的存在，严重威胁到整个飞机的安全性与可靠性，很可能导致严重的 飞行事故。
[0003] 通过对目前航电系统故障诊断与维修现状进行调查与研宄，虽然智能故障诊断技 术在电子设备的应用方面有了长足的发展，但是应用于航电系统故障诊断时，仍存在一些 问题，如基于FTA的故障诊断方法，由于知识库的大小会随着故障树数据的增加而变大，同 时系统规模越大，由最小割集得到的规则数量也会越大，这将导致根据规则推理时，速度会 越来越慢，不能及时有效地得出正确的诊断结果。而基于人工神经网络的方法具有分布式 存储能力、并行处理性、自学习能力等特点，所以受到欢迎，但是也存在一定的局限性，如BP 神经网络的收敛速度会随着训练样本的数量的递增而递减，而且有时多种故障会一同发 生，诊断准确度也会下降。又如BAM网络故障诊断方法，当其应用于航电系统时，在选取样 本方面有着诸多要求，如数量足够大、样本的相容性和遍历性等，纯人工整理很难实现。
【发明内容】
[0004] 针对航电系统故障诊断存在的故障定位困难、准确性和效率性低的问题以及单 一故障诊断方法存在的局限性，本发明提供一种多方法联合的航电系统故障诊断方法，利 用 FTA (Fault Tree Analysis，故障树分析）、BAM 神经网络（Bidirectional Associative Memory，双向联想记忆）、BP神经网络（Back-Propagation，反向传播）三种方法联合。分 别建立了 FTA与BAM神经网络融合的故障诊断模型、联合BP神经网络的故障诊断模型。当 故障现象明显时，采用FTA与BAM神经网络融合的故障诊断模型，首先利用FTA得到系统的 故障模式，分析归纳出BAM的训练样本，最后BAM通过联想记忆矩阵并行联想，得到诊断结 果，此模型保留了 FTA对各种故障事件优秀的分析处理能力，而且发挥了 BAM网络对单一 或多源故障的快速定位的优势；当故障现象不明显或者故障实例库没有此故障时，采用联 合BP神经网络的故障诊断模型，对BP神经网络采集到训练样本即电压、温度等数据进行学 习，最后利用训练后的网络进行故障诊断。两种故障诊断模型优势互补，弥补各自的不足之 处，能够快速而有效地诊断出航电系统的各种故障，解决了航电系统故障诊断存在的问题， 提高了故障诊断的准确性和效率性。
[0005] 本发明为解决上述技术问题，本发明采用以下技术方案：
[0006] 多方法联合的航电系统故障诊断方法，当故障现象明显时，采用FTA与BAM神经网 络融合的故障诊断模型，首先利用FTA得到系统的故障模式，分析归纳出BAM的训练样本， 最后BAM通过联想记忆矩阵并行联想，得到诊断结果；当故障现象不明显或者故障实例库 没有此故障时，采用联合BP神经网络的故障诊断模型，对BP神经网络采集到的训练样本进 行学习，最后利用训练后的网络进行故障诊断。
[0007] 进一步的，明显的故障现象包括着火、烟、雾、异味、火花、器件损坏、接口松动、零 件老化、零件震动或抖动。
[0008] 进一步的，不明显的故障现象包括由电源接触不良或内部损坏、短路或断路造成 的肉眼无法感知的现象。
[0009] 进一步的，所述当故障现象明显时，采用FTA与BAM神经网络融合的故障诊断模 型，具体步骤如下：
[0010] 1-1、建立故障树；
[0011] 1-2、求出最小割集；
[0012] 1-3、FTA整理出训练样本：根据步骤1-2中得到的最小割集建立改进的故障树模 型，从而得到正交的样本输入向量所述改进的故障树模型，是指在结构上，利用最小割集对 故障树进行优化处理而得到的简化故障树；这样可以使原故障树的深度得到降低，即层数 减少，使BAM的联想记忆更加方便，而网络的训练样本则是通过对最小割集编码获得的。此 外，如果输入向量是正交的，则可以使向量集的维数得到降低，否则，维数很多的话，不但使 M阵抑制作用减少，也会让BAM网络达到稳定状态需要更长的时间，导致诊断速度降低。但 是FTA得出的向量集有着良好的正交性，所以无需进行正交化。
[0013] 1-4、双极化处理：对样本输入向量采用双极化处理，所述双极化处理通过如下公 式计算出来：
[0014] X, = IXi -1 (1-1)
[0015] 式中！Xi为样本输入向量，^为双极化处理后的样本输入向量；其中双极化的原 因在于：如果\和Y i使用（0, 1)，其中，X 样本输入向量，即故障征兆；Y i为样本输出向 量，即故障原因，那么\经过加权，使用转移函数Sng后，结果都为1，这样使抑制作用变低， 同时也降低了收敛性。所以采用双极化后的向量（_1，+1)，使M的抑制作用得到增加。
[0016] 1-5、计算BAM权值矩阵：在MATLAB中建立BAM神经网络模型，利用BAM神经网络 模型对FTA整理出的训练样本进行学习和记忆，计算权值矩阵；所述的权值矩阵通过如下 公式计算出来：
[0017]
(1-2)
[0018] 式中M为BAM神经网络进行学习和记忆后的权值矩阵，^ :为双极化后的样本输入 向量，即故障现象，1为样本输出向量，即故障原因。最小割集建立了样本空间，其维数少， 且具有良好的正交性，这样的求得的权值矩阵M可以对系统故障模式进行精确地反映。
[0019] 1-6、获得监测点的状态向量值：通过对故障监测点进行监测，获得BAM神经网络 的样本输入向量X。
[0020] 1-7、BAM联想回忆：BAM神经网络进行联想回忆，输出联想回忆结果，所述的联想 回忆结果通过如下公式计算出来：
[0021] Y = XM (1-3)
[0022] 式中Y为BAM神经网络联想回忆输出的故障诊断结果，Z为BAM神经网络的样本 输入向量，即故障现象，M为权值矩阵；
[0023] 1-8、输出故障诊断结果：根据步骤1-7中BAM的联想回忆结果，输出相应的故障诊 断结果。对于故障征兆集Cm，m = 1，2,. . .，k，1彡i彡k，1彡j彡k，由于所有待检测征兆 向量存在于样本向量集中，即Ci= S1Xfa2X2+. . . +anXn，ake (〇, I)，1彡k彡n，因此，待检测 的征兆向量的故障原因向量Djg够采用M阵求出，如式（1-4)所示。
[0024] Di= a JJa2Y2+. ·· +anYn= a J1IVH^a2X2M+. ·· +anXnM = CiM (1-4)
[0025] 由式（1-4)可知，对于多源性以及隐蔽性的故障，此方法也可以处理和解决。
[0026] 进一步的，所述当故障现象不明显或者故障实例库没有此故障时，采用联合BP神 经网络的故障诊断模型，具体步骤如下：
[0027] 2-1、获取BP训练样本；
[0028] 2-2、样本预处理：利用MATLAB对BP神经网络的训练样本进行预处理，然后在 MATLAB中利用神经网络工具箱建立BP神经网络模型；
[0029] 2_3、BP神经网络训练