CN108304661B - 基于tdp模型的诊断预测方法 - Google Patents

Abstract

本发明公开了基于TDP模型的诊断预测方法，所述TDP模型建模步骤如下：(1)首先深入分析系统的物理组成和各部件的连接关系，建立基于系统工作原理的结构模型；(2)通过功能原理分析，构成骨架模型；(3)应用FMEA等故障分析方法找出影响系统性能的关键组件和关键故障；(4)分析每个测试点上的测试项目、各测试能观测的信号和行为、以及各测试的预测信息，并在TDP骨架模型上添加分析得到的相应诊断预测信息；实现所述TDP模型的诊断预测方法包括：步骤(1)、基于系统原理与多信号流的TDP建模；步骤(2)、基于TDP模型的诊断策略优化；步骤(3)、基于TDP模型的故障状态识别和故障预测。本发明不仅使模型可以对系统故障诊断和预测能力进行评估，其模型信息也能支持系统的故障预测。

Description

基于TDP模型的诊断预测方法

技术领域

本发明涉及基于TDP模型的诊断预测方法，属于故障诊断与预测技术领域。

背景技术

航班安全是全球民航业共同的追求目标，是民航业发展的立足之本，它不仅会影响到民航业的形象及经济利益，更重要的是它关乎乘客和机组人员生命和财产安全。飞行员操作能力、飞机系统故障、维修质量、天气等一系列因素都会对民航安全造成影响，其中飞机系统的故障和维修质量对安全的影响是最主要的。对于航空公司而言，在保障飞机安全运行的条件下尽可能降低运营成本，提高经济效益是其追求的目标，因此，降低高额的诊断和维修成本是提高飞机经济性的重要途径之一。在系统的设计阶段进行测试性设计，添加传感器和测试有利于系统故障诊断能力的提高，增加故障覆盖率，在此基础上通过优化故障诊断策略可以减少不必要的测试步骤以降低故障诊断成本。飞机系统由液压系统、飞行操纵系统、座舱环境控制系统、防冰防雨系统、气源系统等众多子系统组成，自身零部件数目较多，功能复杂，也带来一系列较复杂故障，其故障具有复杂性、动态性、不确定性等特点，故障诊断与隔离难度较大。随着新技术新设备的诞生和应用，引起飞机故障的原因不断增加，需要监测的影响飞机运行安全的参数也越来越多。飞机系统的测试性下降，使飞机诊断和维修的难度大大提升，已经成为影响飞机系统全寿命周期费用的重要因素之一。

故障预测是从故障诊断发展而来的更高级的维修保障方式，目前已经成为飞机诊断体系的主要发展方向。通过对飞机系统进行故障预测，可以在故障发生前准确地对部件进行事先维修，从而提高飞机系统的安全性、完好性和任务的成功性，降低飞机的维修与保障费用。传感器布局和测试信息获取是故障预测技术中必不可少的重要环节，因此故障预测的实现离不开测试性技术的支持，在测试性设计阶段考虑系统的故障预测能力，获取更多的故障和预测信息有利于实现故障预测，提高系统全寿命周期的可靠性。目前研究情况：(1)在测试性建模方面，常用的多信号流等测试性模型是为了在产品设计环节提高产品的测试性，无法详细描述测试对故障的具体诊断能力和故障的动态发展过程，建立的模型不能对系统的预测能力进行评估，其模型信息也无法满足系统的诊断预测要求；(2)在诊断策略方面，现有研究大多是基于二值测试的，测试结果只有正常和故障两种，但在实际的测试诊断环节中测试的结果可能存在多种情况，如正常、偏大、偏小，这就不属于二测试问题而是多值测试问题。对于此类多值测试问题如果继续采用二值测试的算法将会忽略大量的故障和测试信息从而导致测试的结果的准确度下降和测试效率降低；(3)现有的故障预测方法和测试性设计技术的研究都相互独立。而传感器布局和测试信息获取是实现故障预测技术的前提，如果在测试性设计阶段考虑系统的故障预测能力，通过添加必要的测试点和测试获取更多的系统状态信息来支持系统未来的故障预测，有利于提高系统全寿命周期的可靠性。因此，有必要研究基于测试模型的故障诊断预测方法。综上所述，现有技术存在的缺点：(1)故障预测技术在飞机系统上得到越来越多的重视和应用，是飞机设计和使用过程中的一个重要组成部分；通过对飞机系统开展故障预测技术，可以在最合适的时间对部件进行维修，减少维修保障资源消耗从而降低飞机运行成本；目前许多故障诊断和预测系统是在产品生产后添加的，存在着系统兼容性差，维护和使用成本高的问题，影响了故障预测技术在实际系统中的应用。(2)在测试性建模方面，目前常用的多信号流等测试性模型是为了在产品设计环节提高产品的测试性，分析模型得到故障检测率、故障隔离率等测试性参数，评估和优化产品的故障检测能力与故障隔离能力；在建模过程中丢失了许多测试诊断信息，无法详细描述测试对故障的具体诊断能力和故障的动态发展过程，建立的模型不能对系统的预测能力进行评估，其模型信息也无法满足系统的诊断预测要求。(3)在诊断策略方面，贪婪搜索算法忽略了该测试对后续诊断可能带来的影响，不能获得全局最优的诊断策略；AO*算法等全局最优的搜索算法在搜索过程中存在反馈环节，计算复杂度很大，不适用于大型的复杂系统。

发明内容

本发明正是针对现有技术存在的不足，提供一种基于TDP模型的诊断预测方法，以解决现有技术存在的不足，满足实际使用要求。

为解决上述问题，本发明所采取的技术方案如下：

基于TDP模型的诊断预测方法，所述TDP模型建模步骤如下：(1)首先要收集系统功能原理图和设计资料，深入分析系统的物理组成和各部件的连接关系，根据系统原理和维修要求对对象系统进行层次划分，层次划分后按照单元功能对各个模块划分，建立基于系统工作原理的结构模型，用来描述系统各层次的组成结构；

(2)通过功能原理分析，明确功能单元的输入输出信号，在各个模块上划分输入输出端口和对应的信号，然后与多信号流方法一样根据模块间信号流动方向用有向线段将各模块的端口相互连接起来，构成骨架模型；

(3)应用FMEA等故障分析方法找出影响系统性能的关键组件和关键故障，分析每个功能模块存在的故障模式及其影响的输入输出信号。在模块内添加该模块的故障模式及其相关的诊断预测信息，并将故障模式与关联信号联系起来。

(4)通过测试性设计资料得到测试和测试点信息，分析每个测试点上的测试项目以及各测试能观测的信号和行为，分析各测试的预测信息，在骨架模型上添加相应的测试节点，在测试节点中加入测试和预测信息。通过有向边描述测试节点对信号和行为的关系；

实现所述TDP模型的诊断预测方法主要包括：步骤(1)、基于系统原理与多信号流的TDP建模；步骤(2)、基于TDP模型的诊断策略优化；步骤(3)、基于TDP模型的故障状态识别和故障预测。

作为上述技术方案的改进，步骤(1)所述基于系统原理与多信号流的TDP建模主要包括：步骤(1.1)基于系统原理和多信号流的骨架建模，所述基于系统原理和多信号流的骨架建模包括：步骤(1.11)层次和模块划分、步骤(1.12)单元功能建模；步骤(1.2)基于骨架模型的TDP信息建模，所述骨架模型的TDP信息建模包括：步骤(1.21)故障信息分析、步骤(1.22)可预测属性、步骤(1.23)故障状态划分、步骤(1.24)测试点和测试预测信息；步骤(1.3)模型的测试性分析和评估，所述模型的测试性分析和评估包括：步骤(1.31)故障测试关联矩阵、步骤(1.32)基于TDP模型诊断预测的测试指标，其中，步骤(1.32)基于TDP模型诊断预测的测试指标又包括：步骤(1.321)可预测故障、步骤(1.322)可预测故障覆盖率。

作为上述技术方案的改进，步骤(2)所述基于TDP模型的诊断策略优化主要包括：步骤(2.1)基于Rollout和信息熵的多值测试诊断策略，所述基于Rollout和信息熵的多值测试诊断策略是根据信息熵函数作为算法的启发式评估函数，其中采用rollout算法对搜索过程进行优化，具体步骤如下：

在信息理论中，系统随机变量的不确定度可以用信息熵来表示，假设对某系统进行诊断测试，F＝{s₀,s₁,s₂,...,s_m}为系统状态模糊集，P＝{p(s₀),p(s₁),p(s₂),...,p(s_m)}据为其发生概率集合，在系统单故障的假设下，信息理论中熵的分布概率为：

在二值测试中，设系统可用测试集T＝{t₁,t₂,t₃,...,t_n}，测试t_i将系统分为两个子集x_ip和x_if，分别表示测试通过和测试不通过的子集，则信息增益IG(s,t_i)表示测试t_i可以提供的系统状态信息量，可以用式(2-2)表示：

在多值测试中，设系统可用测试集T＝{t₁,t₂,t₃,...,t_n}，测试t_i可以将系统分为m个子集，x_ik表示测试t_i对应输出为v_ik时对应系统可能的状态集，则式(2-2)可改写为：

测试提供的系统状态信息量越大，该测试对于故障隔离越有作用，所以在综合考虑测试费用得情况下优先进行这些测试，用信息量与测试代价的比值作为启发函数k^*，见以下公式(2-4)：

测试顺序按照启发函数值的大小排序，从而选出最优的测试序列：

第一步，设系统状态集为模糊集X＝{s₀，s₁，s₂，...，s_m}，测试集为T＝{t₁，t₂，t₃，...，t_n}；

第二步，对状态模糊集X用测试集中一个测试t_i进行测试，假设测试t_i有m维输出，则根据诊断推理机测试t_i会把模糊集分为m个子集，按照公式(2-5)分别计算m个子集的概率；

第三步，选用基于信息熵的启发式评估函数，用式(2-4)评价各个子集的剩余的可用测试，根据传统信息熵算法分别得到子集的最佳测试序列，并用公式(2-6)计算该测试序列的期望测试费用，其中

表示模糊x_i中故障模式的数量；

第四步，计算测试t_i的测试费用，在测试集中选取费用最低的测试t_b，将状态集X划分为m个子集，并根据公式(2-7)更新各子集中状态的概率；

第五步，以新的m个子集为模糊集X，将t_b从测试集中删除，重复第二到第六步直到所有子集中元素的个数不大于1。

作为上述技术方案的改进，步骤(3)所述基于TDP模型的故障状态识别和故障预测主要包括步骤(3.1)基于HSMM的故障状态识别和步骤(3.2)基于HSMM的故障预测。所述步骤(3.1)基于HSMM的故障状态识别主要分为模型训练和故障状态识别两步，模型训练将不同故障状态的特征信息历史数据作为HSMM的输入量，并应用一定的算法对模型进行训练，得到系统不同故障状态的HSMM模型，建立用于状态分类的模型库，即为所述步骤(3.11)基于改进粒子群的HSMM模型训练算法；然后采用传感器技术得到当前系统运行的特征信息数据，输入到状态分类器进行状态匹配，分别计算当前观测量的最大似然率即隶属于不同状态模型下的概率，其中输出概率最大的即为系统的故障状态。所述步骤(3.11)基于改进粒子群的HSMM模型训练算法流程如下：

第一步：设迭代次数t＝0，对每个粒子的位置和速度进行初始化，并设定迭代终止条件；

第二步：设定模型的初始参数，利用样本数据和Baum-Welch算法进行HSMM参数估计，把Baum-Welch算法得到的参数作为粒子群中的粒子的初始位置；

第三步：通过Viterbi算法计算出P(O|λ)并设为新训练算法的适应度值；

第四步：按照改进粒子群算法的公式更新每个粒子的局部和全局最优位置；

第五步：判断上述参数估计是否达到要求，如条件满足则终止，否则t＝t+1，重复第二步到第五步；

所述步骤(3.2)基于HSMM的故障预测，利用当前故障状态识别结果和参数估计过程得到的故障状态驻留时间计算系统剩余使用寿命，预测故障的发展趋势。基于HSMM的故障预测基本步骤：

第一步：根据包含系统所有故障状态的全寿命周期测试数据对HSMM进行模型参数估计，获得转移概率矩阵、故障状态驻留时间等模型参数；

第二步：根据故障状态识别的方法获得当前系统处于的故障状态；

第三步：在识别故障状态为i后，根据参数估计得到的故障状态驻留时间p_i(d)的均值μ_i和方差

可得系统状态i的剩余驻留时间

和每个状态的驻留时间；

第四步：根据故障状态识别的结果和每个故障状态的驻留时间计算系统的剩余有效寿命从而完成对系统的故障预测。

本发明与现有技术相比较，本发明的实施效果如下：

本发明鉴于传统测试性建模在故障预测方面的不足，本发明提出了基于TDP模型的诊断预测方法，依据复杂系统的系统原理与功能结构的特点，综合产品设计和使用过程故障诊断与预测的需求，在测试性建模过程中加入了故障诊断预测信息，不仅使模型可以对系统故障诊断和预测能力进行评估，其模型信息也能支持系统的故障预测。此外，考虑到飞机系统中存在大量的多值测试问题，本发明在TDP模型的基础上提出了基于多值测试的诊断策略优化生成方法，充分利用系统的故障和测试信息，实现计算复杂度和结果精度之间的平衡，提高复杂系统的诊断效率。

附图说明

图1为本发明的总体技术路线图；

图2为本发明TDP模型建模路线；

图3为发动机引气系统的层次和模块划分图；

图4为发动机引气系统的骨架模型；

图5为发动机引气系统的测试点和测试信息添加示意图；

图6为基于隐半马尔可夫模型的故障状态识别和故障预测图。

具体实施方式

下面将结合具体的实施例来说明本发明的内容。

基于TDP模型的诊断预测方法的基本思想如下，首先依据复杂系统的系统原理与功能结构的特点用多信号流方法建立TDP模型，按照故障诊断策略对系统进行测试诊断获取系统的状态信息，根据系统的状态信息并结合一定的模型和算法实现系统故障状态的识别和故障预测(如图1所示)。

为了更清晰地阐述本发明的实现方法，将具体步骤分为三个部分：1、基于系统原理与多信号流的TDP建模；2、基于TDP模型的诊断策略优化；3、基于TDP模型的故障状态识别和故障预测；其中TDP建模是核心内容，诊断策略优化和故障状态识别和故障预测都是在此模型上进行的，下面分别针对每个部分进行说明。

本发明以实现故障的诊断预测为目标，以系统原理、故障模式及影响分析、测试性设计分析为基础，建立TDP模型。TDP模型的每一部分必须能描述真实系统每一部件的工作原理，表明系统相关变量之间的关联关系，体现系统故障的具体行为和特点，如故障的表现特征、故障发展过程等，还要描述测试对故障的具体输出。

本发明采用分层建模的思想，首先要对复杂系统的层次和模块进行划分，然后对模块的单元功能进行分析，明确每个模块存在的变量及变量之间存在的关联关系，根据多信号流模型图形化的建模方法建立骨架模型。通过FMEA和测试性设计资料得到系统的故障信息和测试信息，并分析故障和测试信息中包含的诊断预测信息，对故障的发展状态进行描述，然后将测试信息和故障信息添加到骨架模型上从而建立可以支持诊断预测的TDP模型(如图2所示)。

步骤1.TDP模型建模步骤如下：

(1)首先要收集系统功能原理图和设计资料，深入分析系统的物理组成和各部件的连接关系，根据系统原理和维修要求对对象系统进行层次划分，层次划分后按照单元功能对各个模块划分，建立基于系统工作原理的结构模型用来描述系统各层次的组成结构；

(2)通过功能原理分析，明确功能单元的输入输出信号，在各个模块上划分输入输出端口和对应的信号，然后与多信号流方法一样根据模块间信号流动方向用有向线段将各模块的端口相互连接起来，构成骨架模型；

(3)应用FMEA等故障分析方法找出影响系统性能的关键组件和关键故障，分析每个功能模块存在的故障模式及其影响的输入输出信号。在模块内添加该模块的故障模式及其相关的诊断预测信息，并将故障模式与关联信号联系起来；

(4)通过测试性设计资料得到测试和测试点信息，分析每个测试点上的测试项目以及各测试能观测的信号和行为，分析各测试的预测信息，在骨架模型上添加相应的测试节点，在测试节点中加入测试和预测信息。通过有向边描述测试节点对信号和行为的关系。

1、基于系统原理和多信号流的骨架建模

TDP建模的第一步是建立骨架模型，骨架模型描述了功能、结构和行为特性，是进行故障诊断的必要条件，骨架建模主要包括层次和模块划分和单元功能建模两大任务，下面对骨架建模主要过程和方法进行介绍。

(1)层次和模块划分

随着新技术的发展和应用，飞机结构的复杂度和功能集成度越来越高，其故障传播的因果性、层次性与其结构层次性相关。多信号流自上而下的分层建模思想有利于理清和划分系统的功能结构关系，能够清晰地表达各单元的故障和测试信息。因此在复杂系统建模之前必须进行系统结构层次划分。首先根据产品说明和设计资料等了解系统的工作原理，通过系统原理图可以确定系统的组成结构和各部件在系统中发挥的功能，然后再对系统进行层次划分。

诊断预测的最终目的是为了方便找到故障提高维修效率，因此为了确保TDP模型满足实际诊断维修的需要，本发明采用了与我国分级维修相适应的层次划法方法。我国的复杂装备系统一般采用分级维修的原则，不同维修场合要求故障隔离的精度不同，因此层次划分的程度应该视实际维修的具体要求而定，系统划分的最低层级应该与故障要求隔离到的最小可更换单元所在的层级对应。按照上述标准和原则对系统进行层次划分所建立的TDP模型可以满足不同诊断维修场合的要求，而且能够减轻测试诊断分析的工作量，减少测试维修时间，提高系统的可靠性和运行效率。

在对复杂系统进行了层次划分之后，还应该进行功能模块划分。模块划分应该以功能的组成为基础，从而简化故障诊断和维修。通过分析收集到的资料获得系统各个组件的功能，将系统进行功能模块划分，划分的原则如下：1.具有相对的独立性以及外在关联性，能够清晰地体现复杂系统的结构功能相关性和模块在整个系统中的独立功能。2.具有内在包容能力，能反映或包容测试对象结构、功能和行为关系等诊断相关属性(如图3所示)。

(2)单元功能建模

在模块划分后，对每一个模块添加单元功能，同过单元设计报告对每一个部件的功能进行分析。单元功能分析的主要工作是在熟悉对象组成、工作原理的基础上，根据部件所要经历的任务和完成的功能确定组件的输入输出变量，并分析变量之间的物理作用或因果关系，据此在每个模块上添加相应的输入输出端口，并按照物理连接和模块之间的变量传播关系将各个模块的端口结构联系起来，成为统一的整体，从而建立骨架模型(如图4所示)。

经过上述步骤后可建立骨架模型，模型可以定义为如下多元组：

FS＝(M,E,D,I,O) (1-1)

其中M表示有限的模块集，这里的模块根据设计资料可分为系统、子系统、LRU等不同的所属层次，表示为：

M＝[m₁,m₂,...,m_l] (1-2)

E表示各节点的有向边的集合，表明了各个节点之间的连接关系及各个变量的传播方向，表示为E＝[e_ij]；

D表示功能文字描述，具体说明单元在系统的功能作用，便于对模型的理解和查找使用；

I表示输入变量，描述功能单元的所有输入变量；

O表示输出变量，描述了功能单元的所有输出变量，也是后继功能单元的输入变量。

2.基于骨架模型的TDP信息建模

骨架模型主要表达了对象系统的物理组成、功能原理和行为关系。为了实现故障诊断和故障预测，在建立骨架模型后，我们要需要添加故障、测试和诊断预测信息。为了对真实系统运行中所有可能发生的故障进行建模，下面对系统各模块的故障模式集和故障模式属性展开深入分析，然后通过测试性设计资料分析测试信息，在骨架模型上添加相应信息。

(1)故障信息分析

故障模式及影响分析(Failure Mode and Effects Analysis，FMEA)是可靠性工程中常用分析方法之一。它采用系统分割的概念，对组成系统的子系统、部件、零件等逐个分析可能发生的故障和故障呈现的状态(故障模式)，并进一步分析故障对所属部件乃至整个系统产生的不利影响。本发明以FMEA分析为基础，结合故障维修手册等多种技术报告对系统进行基本的故障模式分析，从而为后面建立TDP模型提供故障信息上的支持。故障信息可以包括但不限于以下内容：故障位置、故障模式、故障发生概率等。

(2)可预测属性

为了使TDP模型能评估系统的故障预测能力，其模型信息能支持诊断预测，需要在系统故障信息中加入预测信息，本发明首先在故障信息中加入预测属性。系统中并不是所有的故障都可以开展故障预测，如磨损故障是一个逐渐发展的过程，通过一定的监测手段可以对其进行状态监测进而展开故障预测。而某些故障具有突发性和偶然性，事先没有故障预兆，也无法对其进行状态监测，如电源断路故障其故障往往发生在极短的时间内，所以无法对其进行故障预测。因此在本发明建立的TDP模型对故障定义了是否支持预测的属性，首先需要判断该故障类型是否支持故障预测。

(3)故障状态划分

在传统的测试性模型中测试对系统的故障响应只有故障和正常两种情况。而系统实际的故障发生往往是一个长期积累的过程，系统从正常状态经过一步步性能退化最终发展到故障状态，其中会有多个不同的故障状态表现。传统的方法没有把故障状态进行更细致的划分，无法描述故障的具体发展过程，因此也不能支持系统的视情维修和故障预测。本发明从故障预测和健康管理的角度出发对故障状态进行分级，例如可以将一个故障的发展过程划分为正常、退化、恶化和完全故障等。故障状态划分的标准应取决于具体的对象系统和故障模式，可以由标准值、历史非故障测试值、故障测试值等综合分析确定。系统具体的故障状态可以通过实际的测试数据值并使用一定的方法来识别确定。故障状态的划分不仅能更真实地描述故障的发展过程，而且可以用于故障预测，通过确定系统当前的故障状态从而计算系统剩余的使用寿命。

本发明模型的故障和预测信息可定义为多元组：

Fa＝(F_l,F_m,F_r,F_fs,F_P,F_s) (1-3)

F_l表示故障的位置，说明故障所处于的模块或功能单元，用于故障定位，可以通过系统的FMECA分析得到。

F_m表示故障模式，指产品发生的且能被观察和描述的故障现象，如短路、断路、断裂、磨损等。结合系统各单元的功能定义，根据FMEA方法对系统可能发生的故障进行分析和定义。

F_r表示故障发生率，根据统计的故障分布函数例如正态分布、指数分布、威布尔分布等可以确定故障发生率。

F_fs表示各故障模式的功能函数，首先将故障模式和状态变量联系起来，通常认为故障是某些参数或状态方程的某个值或某个范围。通过骨架模型，表明了各个故障之间的传播关系。

F_P表示故障的可预测性，在系统中并不是所有的故障都可以预测，如磨损故障是一个逐渐发展的过程可以进行故障预测，而短路故障往往是突然发生的，无法对其进行故障预测，所以在故障预测之前需要对故障的可预测属性进行定义。

F_s表示故障状态，将复杂的系统的工作状态划分为多个等级，用来描述系统可能存在于故障与健康之间的多种状态。故障状态的划分应从具体的对象系统和健康管理要求出发。

(4)测试点和测试预测信息

根据测试性设计资料和现有的测试手段在骨架模型的相应位置添加测试点和测试。同一个测试点可以有多个不同的测试，每一个测试通过信号变量与故障相关联。测试信息一般包括测试位置、测试的关联信号、测试的信号处理算法等。本发明在测试信息中同样加入诊断预测信息，对于定义的可预测的故障模式，根据现有的测试手段和技术判断是否能支持该故障的诊断预测功能(如图5所示)。

模型的测试预测信息可定义为多元组：

Te＝(T_l,T_d,T_i,T_f,T_dp,T_p,T_t,T_c,) (1-4)

T_l表示测试点的位置。

T_d表示功能文字描述。

T_i表示输入信号和其代表可测的范围，是通过传感器等设备得到的测试系统的状态参数，一般都是数字量，信号采集的过程就是数据读取的过程，由于环境和设备性能的限制，测试设备不一定能得到所有的输入参数。

T_f表示信号特征提取方法，通过一定的算法对得到的原始信号进行处理，从中提取对工况状态最为敏感的特征量达到去粗存精的目的。

T_dp表示测试的输出结果。根据经过信号处理的输入特征值输出的测试结果。在本发明建立的TDP模型中，测试的输出可以是多维的，对被测参数属于的区间进行识别和判断，得出如正常、偏大、偏小或其他多维的测试结论。

T_p表示测试的预测能力，判断在现有的测试手段和技术下对于可预测的故障类型能否实现故障预测。

T_t和T_c表示测试花费时间和测试花费成本。

3.模型的测试性分析和评估

模型测试性分析和评估的目的是通过计算来评价当前模型的测试性指标是否满足系统未来故障诊断和预测的要求，从而找出模型中存在的设计缺陷，通过添加测试点和测试等方法不断改进和优化模型，提高模型的诊断和预测能力，以保证基于该模型的诊断和预测的综合性能最优。

3.1故障测试关联矩阵

故障测试相关性矩阵描述的是故障和测试的关联关系，它是开展测试性分析的前提条件。在本发明的TDP模型中，故障通过关联的输入输出参数与对应的测试之间存在逻辑作用关系。如果故障f_i与测试t_j相互关联，则故障f_i的发生会导致测试t_j不通过。这种关系称为故障与测试的相关性，可以通过二值矩阵来表达。

ft_ij的值为0或1。如果ft_ij＝1，则故障fi与测试t_j相关，即故障fi可以被测试t_j检测到。反之，故障fi与测试t_j无关，故障fi不可以被测试t_j检测到。假设模型中有m个故障模式和n个测试，则测试性相关矩阵FT_m×n表示如下：

3.2基于TDP模型诊断预测的测试指标

传统测试性参数主要包括故障检测率、故障隔离率、不可测故障等。本发明为了描述故障的发展过程在TDP模型的故障和测试信息中增加了故障预测信息，为了使TDP模型能对系统的故障预测能力进行评估，本发明提出可预测故障和可预测故障覆盖率的概念。

(1)可预测故障

可预测故障预测是指故障模式本身要支持故障预测，且现有的测试手段能满足其故障预测的需求；

(2)可预测故障覆盖率

可预测故障覆盖率定义为在规定条件下系统现有的手段可以完成故障预测的故障数量与所有本身支持预测的故障总数之比；

通过传统的测试性指标和本发明提出的可预测故障、可预测故障覆盖率，我们可以简单对模型的故障诊断预测能力进行评估，发现设计上存在的不足。通过添加删除测试点和优化测试手段来优化模型，提高系统未来故障诊断和预测能力。

步骤2.基于TDP模型的诊断策略优化

基于Rollout和信息熵的多值测试诊断策略

飞机系统功能繁多构造复杂，属于大型复杂系统。AO*算法等全局最优的搜索算法不适用于飞机系统，容易出现计算爆炸问题，基于信息熵的算法计算量小但是精度不高。所以本发明为了解决飞机系统在诊断策略优化上计算量和计算精度难以平衡的问题，考虑利用rollout算法对基于信息熵的的多值属性系统诊断策略优化方法上进行改进。

Rollout算法最初是Bertsekas为了为解决组合优化和随机排序问题而提出的，它的步骤是先用一个基准策略为基础进行前向搜索，经过rollout算法对基准策略进行更新和优化，以优化的策略作为新的基准策略继续向前搜索，重复迭代最后得到最优的诊断策略。该算法的实质是对于基准策略进行了迭代计算，增加了一定的计算，虽然不能保证最终得到解是全局最优的，但是它能保证得到比基准策略更为精确的结果。

在信息理论中，系统随机变量的不确定度可以用信息熵来表示。假设对某系统进行诊断测试，F＝{s₀,s₁,s₂,...,s_m}为系统状态模糊集，P＝{p(s₀),p(s₁),p(s₂),...,p(s_m)}据为其发生概率集合，在系统单故障的假设下，信息理论中熵的分布概率为：

在二值测试中，设系统可用测试集T＝{t₁,t₂,t₃,...,t_n}，测试t_i将系统分为两个子集x_ip和x_if，分别表示测试通过和测试不通过的子集，则信息增益IG(s,t_i)表示测试t_i可以提供的系统状态信息量，可以用式(2-2)表示。

在多值测试中，设系统可用测试集T＝{t₁,t₂,t₃,...,t_n}，测试t_i可以将系统分为m个子集，x_ik表示测试t_i对应输出为v_ik时对应系统可能的状态集，则式(2-2)可改写为：

测试提供的系统状态信息量越大，该测试对于故障隔离越有作用。所以在综合考虑测试费用得情况下优先进行这些测试，用信息量与测试代价的比值作为启发函数k^*，见以下公式(2-4)。

测试顺序按照启发函数值的大小排序，从而选出最优的测试序列。

本发明选用信息熵函数作为算法的启发式评估函数，采用rollout算法对搜索过程进行优化，具体步骤如下：

第一步，设系统状态集为模糊集X＝{s₀,s₁,s₂,...,s_m}。测试集为T＝{t₁,t₂,t₃,...,t_n}；

第二步，对状态模糊集X用测试集中一个测试t_i进行测试，假设测试t_i有m维输出，则根据诊断推理机测试t_i会把模糊集分为m个子集，按照公式(2-5)分别计算m个子集的概率；

第三步，选用基于信息熵的启发式评估函数，用式(2-4)评价各个子集的剩余的可用测试，根据传统信息熵算法分别得到子集的最佳测试序列，并用公式(2-6)计算该测试序列的期望测试费用。其中m_xi表示模糊x_i中故障模式的数量；

第四步，计算测试t_i的测试费用，在测试集中选取费用最低的测试t_b，将状态集X划分为m个子集，并根据公式(2-7)更新各子集中状态的概率；

第五步，以新的m个子集为模糊集X，将t_b从测试集中删除，重复第二到第六步直到所有子集中元素的个数不大于1。

步骤3.基于TDP模型的故障状态识别和故障预测

针对这种情况，在本发明的TDP模型建模过程中对故障的可预测属性进行了定义，对同一故障模式的不同故障状态进行了划分，使TDP模型能支持故障状态的识别和预测，诊断策略进行测试诊断可以得到系统当前的测试数据，根据当前的测试参数可进行故障状态识别与故障预测。考虑到隐半马尔可夫模型状态分类能力强的优点，将它用于飞机系统的故障状态评估过程中，通过测试数据的采集和分析可以实现对系统具体故障状态的正确识别和有效评估，并预测系统的剩余使用寿命，这对于预防飞机系统运行状态的恶化和指导视情维修都极具指导意义。

基于隐半马尔可夫模型的故障状态识别和故障预测

隐半马尔可夫模型(Hidden Semi-Markov Model，简称HSMM)在传统的隐马尔可夫模型(Hidden Markov Model，简称HMM)基础上进行了扩展，相比传统HMM更加注重故障发展和演化过程，在HMM的原参数上定义了状态驻留概率分布参数P_i(d)，使模型能通过自主学习确定该分布情况，不仅保持了HMM状态识别能力强的优点，而且克服了HMM不能合理描述状态驻留概率的不足，更加适用于系统的状态识别和预测(如图6所示)。

基于HSMM的故障状态识别

系统的故障状态识别过程是采用传感器技术得到当前系统运行的特征信息，以此判断系统目前所处的故障状态，利用HSMM强大的状态分类能力可以对系统的故障状态进行有效识别。基于HSMM的故障状态识别主要分为模型训练和故障状态识别两步，模型训练将不同故障状态的特征信息历史数据作为HSMM的输入量，并应用一定的算法对模型进行训练，得到系统不同故障状态的HSMM模型，建立用于状态分类的模型库。然后采用传感器技术得到当前系统运行的特征信息数据，输入到状态分类器进行状态匹配，分别计算当前观测量的最大似然率即隶属于不同状态模型下的概率，其中输出概率最大的即为系统的故障状态。

基于改进粒子群的HSMM模型训练算法

原始的HSMM模型训练算法Baum-Welch算法属于局部优化算法，计算精度不高，当模型参数的初始值选择不当时容易造成过早收敛于局部的最优值。所以本发明考虑将改进的粒子群算法和原始的训练算法相结合，使得HSMM训练算法更好的接近全局最优解。

在粒子群算法的主要参数中，惯性权重ω是其最重要的参数，它的对粒子群算法的性能有着非常巨大的影响。惯性权重取值较大有利于粒子群算法进行全局寻优，取值较小有利于局部寻优，提高搜索精度。因此在算法一开始会选取最大的惯性权重，然后逐渐减少进行局部寻优，但是直接选用线性递减的惯性权重往往不适用于复杂问题的优化。所以本发明采用非线性递减的指数函数对描述惯性权重的取值，在保证搜索精度的情况下提高算法的收敛能力。本发明选取惯性权重的公式如下：

其中t表示当前迭代次数，maxt表示最大迭代次数，由此可以实现惯性权重随迭代次数增加而逐渐变小的动态调整。

本发明按指数递减的动态调整惯性权重变量ω引入标准粒子群算法中，得到了具有较强全局搜索能力的改进粒子群算法，下面我们将介绍使用该算法对HSMM训练过程中使用到的Baum-Welch算法进行流程优化。

改进后的HSMM模型训练算法思想如下，先应用Baum-Welch算法对模型进行初始化参数估计，然后将得到的HSMM参数作为改进粒子群算法中的粒子，粒子位置的维数与HSMM的参数个数一致，根据最优模型的度量指标选择目标函数，这样就可以借助改进粒子群算法全局搜索能力强的优点对模型参数的训练过程实现优化。基于改进粒子群的HSMM训练算法流程如下：

第一步：设迭代次数t＝0，对每个粒子的位置和速度进行初始化，并设定迭代终止条件；

第二步：设定模型的初始参数，利用样本数据和Baum-Welch算法进行HSMM参数估计，把Baum-Welch算法得到的参数作为粒子群中的粒子的初始位置；

第三步：通过Viterbi算法计算出P(O|λ)并设为新训练算法的适应度值；

第四步：按照改进粒子群算法的公式更新每个粒子的局部和全局最优位置；

第五步：判断上述参数估计是否达到要求，如条件满足则终止，否则t＝t+1，重复第二步到第五步。

基于HSMM的故障预测过程

系统故障状态识别的目的就是为了得到系统目前故障的严重程度，进而预测系统故障未来地发展趋势得到系统的剩余有效寿命。在HSMM中，我们可以利用当前故障状态识别结果和参数估计过程得到的故障状态驻留时间计算系统剩余使用寿命，预测故障的发展趋势。

因此实时故障预测的基本步骤为：

第一步：根据包含系统所有故障状态的全寿命周期测试数据对HSMM进行模型参数估计，获得转移概率矩阵、故障状态驻留时间等模型参数；

第二步：根据故障状态识别的方法获得当前系统处于的故障状态；

第三步：在识别故障状态为i后根据参数估计得到的故障状态驻留时间p_i(d)的均值μ_i和方差

可得系统状态i的剩余驻留时间

和每个状态的驻留时间；

第四步：根据故障状态识别的结果和每个故障状态的驻留时间计算系统的剩余有效寿命从而完成对系统的故障预测。

以上内容是结合具体的实施例对本发明所作的详细说明，不能认定本发明具体实施仅限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明保护的范围。

Claims (1)

1.基于TDP模型的诊断预测方法，其特征在于：所述TDP模型建模步骤如下：(1)首先要收集系统功能原理图和设计资料，深入分析系统的物理组成和各部件的连接关系，根据系统原理和维修要求对对象系统进行层次划分，层次划分后按照单元功能对各个模块划分，建立基于系统工作原理的结构模型用来描述系统各层次的组成结构；

(2)通过功能原理分析，明确功能单元的输入输出信号，在各个模块上划分输入输出端口和对应的信号，然后与多信号流方法一样根据模块间信号流动方向用有向线段将各模块的端口相互连接起来，构成骨架模型；

(3)应用FMEA故障分析方法找出影响系统性能的关键组件和关键故障，分析每个功能模块存在的故障模式及其影响的输入输出信号；在模块内添加该模块的故障模式及其相关的诊断预测信息，并将故障模式与关联信号联系起来；

(4)通过测试性设计资料得到测试和测试点信息，分析每个测试点上的测试项目以及各测试能观测的信号和行为，分析各测试的预测信息，在骨架模型上添加相应的测试节点，在测试节点中加入测试和预测信息，通过有向边描述测试节点对信号和行为的关系；

实现所述TDP模型的诊断预测方法包括：步骤(1)、基于系统原理与多信号流的TDP建模；步骤(2)、基于TDP模型的诊断策略优化；步骤(3)、基于TDP模型的故障状态识别和故障预测；

步骤(1)所述基于系统原理与多信号流的TDP建模主要包括：步骤(1.1)基于系统原理和多信号流的骨架建模，所述基于系统原理和多信号流的骨架建模包括：步骤(1.11)层次和模块划分、步骤(1.12)单元功能建模；步骤(1.2)基于骨架模型的TDP信息建模，所述骨架模型的TDP信息建模包括：步骤(1.21)故障信息分析、步骤(1.22)可预测属性、步骤(1.23)故障状态划分、步骤(1.24)测试点和测试预测信息；步骤(1.3)模型的测试性分析和评估，所述模型的测试性分析和评估包括：步骤(1.31)故障测试关联矩阵、步骤(1.32)基于TDP模型诊断预测的测试指标，其中，步骤(1.32)基于TDP模型诊断预测的测试指标又包括：步骤(1.321)可预测故障、步骤(1.322)可预测故障覆盖率；

步骤(2)所述基于TDP模型的诊断策略优化主要包括：步骤(2.1)基于Rollout和信息熵的多值测试诊断策略，所述基于Rollout和信息熵的多值测试诊断策略是根据信息熵函数作为算法的启发式评估函数，其中采用rollout算法对搜索过程进行优化，具体步骤如下：

在信息理论中，系统随机变量的不确定度可以用信息熵来表示，假设对某系统进行诊断测试，F＝{s₀,s₁,s₂,...,s_m}为系统状态模糊集，P＝{p(s₀),p(s₁),p(s₂),...,p(s_m)}据为其发生概率集合，在系统单故障的假设下，信息理论中熵的分布概率为：

在二值测试中，设系统可用测试集T＝{t₁,t₂,t₃,...,t_n}，测试t_i将系统分为两个子集x_ip和x_if，分别表示测试通过和测试不通过的子集，则信息增益IG(s,t_i)表示测试t_i可以提供的系统状态信息量，可以用式(2-2)表示：

在多值测试中，设系统可用测试集T＝{t₁,t₂,t₃,…,t_n}，测试t_i可以将系统分为m个子集，x_ik表示测试t_i对应输出为v_ik时对应系统可能的状态集，则式(2-2)可改写为：

测试提供的系统状态信息量越大，该测试对于故障隔离越有作用，在考虑测试费用的情况下，用信息量与测试代价的比值作为启发函数k^*，见以下公式(2-4)：

测试顺序按照启发函数值的大小排序，从而选出最优的测试序列：

第一步，设系统状态集为模糊集X＝{s₀，s₁，s₂，...，s_m}，测试集为T＝{t₁，t₂，t₃，...，t_n}；

第二步，对状态模糊集X用测试集中一个测试t_i进行测试，当测试t_i有m维输出，根据诊断推理机测试t_i把模糊集分为m个子集，按照公式(2-5)分别计算m个子集的概率；

第三步，选用基于信息熵的启发式评估函数，用式(2-4)评价各个子集的剩余的可用测试，根据传统信息熵算法分别得到子集的最佳测试序列，并用公式(2-6)计算该测试序列的期望测试费用，其中

表示模糊x_i中故障模式的数量；

第四步，计算测试t_i的测试费用，在测试集中选取费用最低的测试t_b，将状态集X划分为m个子集，并根据公式(2-7)更新各子集中状态的概率；

第五步，以新的m个子集为模糊集X，将t_b从测试集中删除，重复第二到第六步直到所有子集中元素的个数不大于1；

步骤(3)所述基于TDP模型的故障状态识别和故障预测主要包括步骤(3.1)基于HSMM的故障状态识别和步骤(3.2)基于HSMM的故障预测；

所述步骤(3.1)基于HSMM的故障状态识别主要分为模型训练和故障状态识别两步，模型训练将不同故障状态的特征信息历史数据作为HSMM的输入量，并应用算法对模型进行训练，得到系统不同故障状态的HSMM模型，建立用于状态分类的模型库，即为步骤(3.11)基于改进粒子群的HSMM模型训练算法；然后采用传感器技术得到当前系统运行的特征信息数据，输入到状态分类器进行状态匹配，分别计算当前观测量的最大似然率即隶属于不同状态模型下的概率，其中输出概率最大的即为系统的故障状态；

所述步骤(3.11)基于改进粒子群的HSMM模型训练算法流程如下：

第一步：设迭代次数t＝0，对每个粒子的位置和速度进行初始化，并设定迭代终止条件；

第二步：设定模型的初始参数，利用样本数据和Baum-Welch算法进行HSMM参数估计，把Baum-Welch算法得到的参数作为粒子群中的粒子的初始位置；

第三步：通过Viterbi算法计算出P(O|λ)并设为新训练算法的适应度值；

第四步：按照改进粒子群算法的公式更新每个粒子的局部和全局最优位置；

第五步：判断上述参数估计是否达到要求，如条件满足则终止，否则t＝t+1，重复第二步到第五步；

所述步骤(3.2)基于HSMM的故障预测，利用当前故障状态识别结果和参数估计过程得到的故障状态驻留时间计算系统剩余使用寿命，预测故障的发展趋势，基于HSMM的故障预测基本步骤为：

第一步：根据包含系统所有故障状态的全寿命周期测试数据对HSMM进行模型参数估计，获得转移概率矩阵、故障状态驻留时间等模型参数；

第二步：根据故障状态识别的方法获得当前系统处于的故障状态；

第三步：在识别故障状态为i后根据参数估计得到的故障状态驻留时间p_i(d)的均值μ_i和方差

可得系统状态i的剩余驻留时间

和每个状态的驻留时间；

第四步：根据故障状态识别的结果和每个故障状态的驻留时间计算系统的剩余有效寿命从而完成对系统的故障预测

Images