CN111950084B - 一种面向机载航线维修的航电故障诊断系统的实现方法 - Google Patents
一种面向机载航线维修的航电故障诊断系统的实现方法 Download PDFInfo
- Publication number
- CN111950084B CN111950084B CN202010801910.5A CN202010801910A CN111950084B CN 111950084 B CN111950084 B CN 111950084B CN 202010801910 A CN202010801910 A CN 202010801910A CN 111950084 B CN111950084 B CN 111950084B
- Authority
- CN
- China
- Prior art keywords
- fault
- fault diagnosis
- maintenance
- diagnosis model
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/005—Testing of electric installations on transport means
- G01R31/008—Testing of electric installations on transport means on air- or spacecraft, railway rolling stock or sea-going vessels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种面向机载航线维修的航电故障诊断系统的实现方法。该方法以贝叶斯网络为架构建立故障诊断模型,结合联合树算法进行诊断分析,解决了传统通过查询维修手册来排除故障的效率低的局限性,降低了对机务人员实际经验的依赖,提高了推理效率;利用关联规则挖掘历史维修数据的强关联规则,并综合专家经验进行参数学习,解决了传统单纯依靠专家经验局限性,充分利用历史维修数据;实时获取各成员系统的维护信息,与维修人员通过人机交互窗口输入的故障信息一同作为观测证据,输入到故障诊断模型中来实时更新后验概率分布,实现了机载航线维修的动态化诊断过程;提高了故障诊断的准确性,对于国产机载维护系统的设计提供一定的理论基础。
Description
技术领域
本发明涉及民航机载航线维修技术领域,特别是涉及一种面向机载航线维修的航电故障诊断系统的实现方法。
背景技术
航空电子系统简称航电系统,主要包括导航通信等航电子系统。航电系统结构复杂,各个子系统之间存在高度的信息交互,故障存在很大的不确定性,虽然航电系统的各个子系统存在一定的独立性,但是由于存在关联关系,某一部件发生故障后,很可能引起关联结构部分也发生故障,有时同一种故障征兆对应着几种故障原因,同一种故障原因又会引起多种故障征兆,存在关联故障、多故障等复杂形式;由于航电系统常常使用在干扰因素复杂的环境下,即使是同一机型的飞机,航电系统出现的故障类型不会完全相同,同种故障类型发生的概率也不会相同,这取决于航电系统相关的操作、维护保养以及飞行环境等诸多因素。在实际维修中,传统的航电系统的故障诊断方法主要按照故障隔离手册(TSM)的指导来排除故障,检测步骤比较多,过程比较繁琐,维修费时费力,并且维修手册是开发人员在设计之初制定的,没有充分利用大量的历史维修数据信息,维修指导内容更新慢,给出的检测步骤和可能的故障原因比较单一,与实际维修存在一定的差别,同时维修过程中可能会出现新的故障问题,按照手册执行完所有步骤也没有排除故障,因此单单依靠手册并不能解决所有故障问题,需要机务人员具有较强的维修经验;近年来也有学者提出基于产生式规则的航电系统故障诊断专家系统,但是存在规则知识获取困难,单纯依赖专家经验,推理具有局限性,并没有实时结合历史维修数据,对于航电系统多故障、关联故障等复杂形式的诊断存在一定的局限性。
发明内容
解决上述技术问题的难度和意义:
1、技术问题:航电系统的结构复杂,数据存在高度交联,存在多故障、关联故障等复杂形式,一种故障有时对应多种故障征兆,一种故障征兆有时对应多种故障原因,如何确定故障现象与故障原因的一一对应关系是一个难题;航电系统很难获取到完备的维修数据,如何在不完备的历史维修数据的基础上,有效综合历史维修数据和专家经验进行分析这是一个难题;历史维修数据记录参差不齐,如何进行统一化整理和录入,如何快速挖掘历史维修数据的故障之间关联信息,以及如何实现随着历史维修数据的增多来实时对故障诊断模型进行参数的动态学习是一个难题。
2、意义:本发明用在机载航线维修过程中,可以依据获取到的BITE信息以及其他相关的已知信息作为初始观测证据,来不断更新故障原因的后验概率分布,实施具体维修操作时,将每一步检测的结果也作为新的观测证据,重新更新故障原因节点的后验概率分布,实现机载航线维修的动态诊断过程;做到随着历史维修数据的增多,实现故障诊断模型参数的实时更新,解决了传统按照故障隔离手册的步骤繁琐和单一性的问题,提高了维修效率,减弱了对于机务人员实际经验的严重依赖,且融合了BITE信息和维修人员经验等不同来源的信息,提高故障诊断的准确。
目前民航机载航线维修中,针对航电系统的故障诊断主要通过查询故障隔离手册来指导维修,故障排除步骤繁琐、维修效率低、对维修人员的实际经验要求高以及没有充分挖掘历史维修数据等普遍存在的问题。本发明为解决上述技术问题特别提供一种面向机载航线维修的航电故障诊断系统的实现方法。
本发明采取的技术方案是:一种面向机载航线维修的航电故障诊断系统的实现方法,其特征在于,由初始化模块、ARINC624模块、人机交互模块、维修数据库、故障诊断模型和显示模块组成的航电故障诊断系统与插有ARINC664板卡的工控机通过ARINC664总线连至航电集成测试中的成员系统;其中ARINC624模块、人机交互模块、维修数据库分别与故障诊断模型相连,故障诊断模型与显示模块相连,显示模块分别与人机交互模块、维修数据库相连;所述航电故障诊断系统实现方法有以下步骤:
一、首先航电故障诊断系统利用MYSQL软件来构建维修数据库,存储历史维修数据表、故障诊断模型结构表,开启故障诊断时,故障诊断模型连接维修数据库,读取维修数据库中的内容。
二、将历史维修数据按照一定的格式录入,并按照时间进行排序,生成历史维修数据表,便于利用算法进行故障查询、数据读取与信息挖掘。
三、分别从结构和参数两方面来构建故障诊断模型。以贝叶斯网络为架构来构建故障诊断模型的结构,将航电系统的系统现象Ti、故障原因Fi、功能部件现象Mi、BITE信息Bi作为故障诊断模型的节点,每个节点为两态,表示节点真或假、故障或正常、存在或不存在,由父节点指向子节点,节点之间的连接关系构成故障诊断模型的结构,依概率形式表示的节点之间的关联强度作为故障诊断模型的参数,并结合联合树算法来实现故障诊断模型的推理分析,具体步骤如下:
(一)、故障诊断模型的结构
(1)、采用故障树向贝叶斯网络的转换的方法来构建故障诊断模型的结构,其中故障原因Fi为根节点,功能部件现象Mi为中间节点,系统现象Ti和BITE信息Bi为叶节点。
(2)、通过分析航电子系统的历史运行状态和历史维修数据来获取常见的故障模式,第一步分别以常见故障模式为顶事件,第二步分析得出直接导致顶事件发生的可能事件,第三步分析第二步中各事件的直接事件,按照此步骤一级一级地往下演绎,直到找出导致顶事件的所有事件,即分析到底事件为止,构建出各个常见故障模式的故障树。
(3)、接着按照相应的转换规则将故障树转换为基于贝叶斯网络的故障诊断模型的结构,即故障树的底事件对应于贝叶斯网络的根节点;故障树的中间事件对应于贝叶斯网络的中间节点;故障树的顶事件对应于贝叶斯网络的叶节点;故障树的逻辑门对应于贝叶斯网络的有向边;多个故障树的相同节点对应于贝叶斯网络结构的同一个节点。
(4)、将多个常见故障模式的故障树合并为一个故障诊断模型的结构,并将BITE信息作为节点扩展到故障诊断模型的结构中,由维修专家来进行完善和优化结构。
(5)、故障诊断模型结构的各个节点的连接关系以文本的形式生成故障诊断模型结构表,存储在维修数据库中;故障诊断模型的结构相对固定,开启航电故障诊断系统时,读取维修数据库的故障诊断模型结构表,利用贝叶斯网络工具自动生成故障诊断模型的结构。
(二)、故障诊断模型的参数
(1)、首先利用Noisy-or模型来简化故障诊断模型的参数,对于一个有M个父节点Zi的子节点S,原本需要获得2M个独立的条件概率参数,将故障诊断模型的节点视为Noisy-Or节点后,只需要获得M个独立的条件概率参数,即假设各个父节点Zi对于子节点S的影响为相互独立,则子节点S的取值由各个父节点Zi通过“或”运算符进行影响,即S=Z1∨Z2…∨ZM,父节点Zi独立引起子节点S为真的概率为:
(2)、航电故障诊断系统初始化时,连接维修数据库,读取历史维修数据表,设置最小支持度min_sup和最小置信度min_conf,调用关联规则Apriori算法挖掘历史维修数据包含的强关联规则来对参数进行学习,具体步骤如下:
1)、关联规则Apriori算法挖掘出来的1-频繁项集的支持度作为故障诊断模型根节点的先验概率,记为P(X),代表系统的历史运行中各故障的发生频率,其中N为历史维修数据表的故障集总个数,N(X)为故障X出现的次数;
3)、维修人员的专家经验记为P1(Y|X),表示依据维修人员的实际经验给出在故障X发生的前提下,故障Y发生的概率大小。
4)、利用贝叶斯估计法综合置信度P0(Y|X)与专家经验P1(Y|X),故障诊断模型的条件概率P(Y|X)计算公式为:
5)、维修结束后,如果向历史维修数据表加入N1个新的维修记录,则历史维修数据表的故障集总个数N=N+N1,在下一次开启故障诊断系统时,故障诊断系统初始化,重新读取更新的历史维修数据表,按照步骤1)、2)、3)、4)再一次对参数学习。
所述的初始化模块对航电故障诊断系统的各个模块进行初始化操作,清空各个模块的缓存信息,连接维修数据库,读取故障诊断模型结构表,利用贝叶斯网络工具箱自动生成故障诊断模型的结构;读取历史维修数据表,利用关联规则算法挖掘历史维修数据包含的强关联规则。
所述的ARINC624模块用于接收并解码ARINC664板卡处理的维护信息,将解码获取的BITE信息作为观测证据来源的一部分,输入到故障诊断模型中进行诊断推理;初始化时,ARINC624模块信息为空;开启故障诊断时,接收并解码ARINC664板卡处理的各成员系统的维护信息,获取成员系统的BITE信息,并实时传输到故障诊断模型中。
所述的人机交互模块提供给维修人员输入已知信息的窗口,将通过人机交互输入的已知故障信息作为观测证据来源的另一部分,输入到故障诊断模型进行诊断推理;初始化时,人机交互模块的信息为空,开启故障诊断时,维修人员通过人机交互模块输入系统故障现象、外部设备检测的结果以及其他故障信息,并实时传输到故障诊断模型中。
所述的显示模块实时显示故障诊断模型经过推理计算输出的后验概率分布,同时也同步显示依据后验概率给出的维修建议和步骤。
本发明所产生的有益效果是:采用本方法进行故障排除时,可以有效解决传统机载航线维修时单纯依靠维修手册的步骤繁琐以及单一的局限性,也降低了对于机务人员实际经验的依赖,可以根据不断输入的观测证据更快速更全面的给出可能的故障原因以及对应的概率大小,每一次观测证据的输入,都会重新更新故障原因的后验概率分布;按照维修建议和步骤进行故障排除过程中,实时地将每一步维修的检测结果也作为新的观测证据,不断地更新故障原因的可能性,直至排除故障,实现机载航线维修的动态化诊断过程,提高了故障排除的效率,减少了机务人员的工作量;做到了在每一次诊断开始时都充分挖掘更新的历史维修数据表中的故障关联信息,并结合专家经验进行参数的学习,不仅实现了航电系统故障诊断前期和后期的相对准确性,而且也实现了故障诊断模型参数的动态更新,随着历史维修数据表的维修数据的增多,专家经验的权重削弱,故障诊断模型的参数越来越接近实际故障情况,使得故障诊断的结果越来越准确,弥补了基于产生式规则构建的故障诊断专家系统单纯依靠专家经验的不足。
本发明的优越性主要体现在如下方面:
以贝叶斯网络为架构构建故障诊断模型,结合联合树算法进行诊断分析,解决了传统通过查询维修手册来排除故障的效率低的局限性,降低了对机务人员实际经验的依赖,提高了推理效率;利用关联规则挖掘历史维修数据的强关联规则,并综合专家经验进行参数学习,解决了传统基于产生式规则构建的专家系统单纯依靠专家经验局限性,充分利用了历史维修数据;其次是通过ARINC624模块实时获取各成员系统的维护信息,与维修人员通过人机交互窗口输入的故障信息一同作为观测证据,输入到故障诊断模型中来实时更新后验概率分布,辅助维修人员进行维修;每一次观测证据的输入都会更新故障节点的后验概率分布,并在给出维修建议和步骤后,将每一步检测的结果作为观测证据也输入到故障诊断模型中,实现了机载航线维修的动态化诊断过程;可以随着维修时间以及维修次数的增多而不断更新参数,在每一次维修结束后,将本次维修结果加入到历史维修数据表中,在每一次开启诊断时,重新对故障诊断模型的参数进行学习,实现故障模型参数的动态学习;利用贝叶斯网络建立故障诊断模型,以图形化形式定性描述,依概率形式进行定量表达,操作简单,并提供了人机交互窗口,可以更好地融合维修人员的实际经验以及历史维修数据等不同来源知识,充分模拟维修人员的诊断思路,提高了各种不同来源知识的有效利用性,提高故障诊断的准确性,对于国产机载维护系统的设计提供一定的理论基础。
附图说明
图1为本发明面向机载航线维修的总系统结构框图;
图2为图1中航电故障诊断系统的结构框图;
图3为图2中故障诊断模型结构的构建流程图;
图4为Noisy-Or模型;
图5为故障诊断模型的参数学习流程图;
图6为故障诊断模型的示意图;
图7为航电故障诊断系统的工作流程图。
具体实施方式
以下结合附图和实施例对本发明作进一步说明。
如图1所示,航电故障诊断系统与插有ARINC664板卡的工控机通过ARINC664总线连至航电集成测试中的成员系统。成员系统指的是航电系统的子系统,比如甚高频收发机、综合监视处理器等,与ARINC664总线相连;在运行过程中,当航电系统发生故障或者维修人员实施自检操作时,由于自身的自检系统,成员系统会生成相应的维护信息。
工控机用于故障诊断的数据分析、信息处理及推理功能,其通过机内PCI总线控制ARINC664板卡,用于接收ARINC664总线传输的维护信息,以进行维护信息的分析及处理;运行航电故障诊断系统程序,以实现对历史维修数据的挖掘与故障的推理分析。
如图2所示,航电故障诊断系统主要包括初始化模块、ARINC624模块、人机交互模块、维修数据库、故障诊断模型和显示模块。ARINC624模块、人机交互模块、维修数据库分别与故障诊断模型相连,故障诊断模型与显示模块相连,显示模块分别与人机交互模块、维修数据库相连。
初始化模块对航电故障诊断系统进行初始化操作,清空ARINC624模块以及人机交互模块的缓存数据,连接维修数据库,为开启故障诊断做准备。
航电系统的成员系统的维护信息满足机载维护系统要求,符合ARINC624规范,ARINC624模块用于接收和解码ARINC664板卡中处理的各成员系统的维护信息,与故障诊断模型相连。
人机交互模块提供维修人员输入已知信息的窗口,已知信息包括系统现象、外部设备检测的结果以及其他故障信息,与故障诊断模型相连。
维修数据库储存有关历史维修数据表、故障诊断模型结构表,连接于故障诊断模型。
故障诊断模型以贝叶斯网络为架构,主要包括结构和参数,是故障诊断推理的核心部分,其中结构定性表示了各个节点之间的关联关系,参数以概率形式定量表达了节点之间的关联强度,其中参数包括先验概率、条件概率及后验概率,先验概率代表了系统的历史运行状态,条件概率代表了节点之间的关联强度;后验概率表示在观测证据的前提下,先验概率的更新值。
显示模块实时显示后验概率分布,并同步显示维修建议和步骤。
如图4所示,Noisy-Or模型用于简化故障诊断模型的参数,大大降低条件概率的数量,便于条件概率参数的学习。
实施例:将某航电子系统的历史维修数据按照一定的格式录入,例如故障原因节点-功能部件现象-系统现象,并按照时间进行排序,生成历史维修数据表,存储在维修数据库中。
如图3所示,分析本航电子系统的历史运行状态和历史维修数据来获取常见的故障模式,依据本航电子系统的原理,第一步分别以常见故障模式为顶事件,第二步分析得出直接导致顶事件发生的可能事件,第三步分析第二步中各事件的直接事件,按照此步骤一级一级地往下演绎,直到找出导致顶事件的所有事件,即分析到底事件为止,构建出各个常见故障模式的故障树;接着按照一定的转换规则将故障树转换为基于贝叶斯网络的故障诊断模型的结构,即故障树的底事件对应于贝叶斯网络的根节点;故障树的中间事件对应于贝叶斯网络的中间节点;故障树的顶事件对应于贝叶斯网络的叶节点;故障树的逻辑门对应于贝叶斯网络的有向边;多个故障树的相同节点对应于贝叶斯网络结构的同一个节点。将多个常见故障模式的故障树合并为一个本航电子系统的故障诊断模型的结构,并将航电系统的成员系统的BITE信息作为节点扩展到故障诊断模型的结构中,并由维修专家来完善和优化结构。以文本的形式存储故障模型结构的各个节点的连接关系,生成故障诊断模型结构表,存储在维修数据库中。
运行航电集成测试中的本航电子系统,实现正常的通信和导航功能,假设本航电子系统在运行过程中,人为发现了系统现象T1,并生成了维护信息BITE信息B1、BITE信息B3,并通过ARINC664总线传输到工控机的ARINC664板卡进行信息处理,则开启航电故障诊断系统。
首先,初始化模块对航电故障诊断系统进行初始化操作,清空ARINC624模块以及人机交互模块的缓存信息,连接维修数据库,读取故障诊断模型结构表,利用贝叶斯网络工具箱自动成生成故障诊断模型的结构。
其次,如图5、图6所示,读取历史维修数据表,调用关联规则Apriori算法来挖掘历史维修数据中的强关联规则,考虑到机载维修时的小概率事件,设置最小支持度min_sup=10-4,最小置信度min_conf=10-4,故障诊断模型的故障原因节点F1:Fm的先验概率为关联规则Apriori算法挖掘出来的1-频繁项集的支持度sup(X),即P(F1)=sup(F1)、P(F2)=sup(F2)、…P(Fm)=sup(Fm);利用贝叶斯估计法综合历史维修数据与专家经验来作为故障诊断模型的条件概率P(Y|X),关联规则Apriori算法挖掘的2-频繁项集的置信度conf(X→Y)=P0(Y|X),则conf(F1→T1)=P0(T1|F1)、…conf(Fm→T1)=P0(T1|Fm),维修人员给出的专家经验分别为P1(T1|F1)、P1(T1|F2)、…P1(T1|Fm),则故障原因F1节点与系统现象T1节点的条件概率为:其他节点之间的条件概率按照同样的方法计算得到,从而完成故障诊断模型参数的学习。
然后,按照如图7所示故障诊断系统的工作流程图,航电故障诊断系统中的ARINC624模块接收ARINC664板卡处理的维护信息来解码获取到BITE信息B1、BITE信息B3,维修人员通过人机交互模块输入已知系统现象T1,BITE信息B1、BITE信息B3与系统现象T1一同作为观测证据依次输入到故障诊断模型中进行诊断推理,具体诊断过程如下:
发生系统现象T1,即设置故障诊断模型的系统现象T1节点的状态为存在,作为第一次观测证据,根据故障诊断模型的结构和参数,结合联合树算法更新故障原因F1…Fm节点的先验概率,获得后验概率分布;
接收到BITE信息B1时,即设置故障诊断模型的BITE信息B1节点的状态为存在,作为第二次观测证据,根据故障诊断模型的结构和参数,结合联合树推理算法更新故障原因F1…Fm节点的后验概率分布;
接收到BITE信息B3时,即设置故障诊断模型的BITE信息B3节点的状态为存在,作为第三次观测证据,根据故障诊断模型的结构和参数,结合联合树算法再一次更新故障原因F1…Fm节点的后验概率分布。
显示模块实时显示后验概率分布和同步显示维修建议和步骤,输入完全部观测证据得到最终的后验概率分布,例如故障原因F2节点的后验概率最大,其次是故障原因F3节点、故障原因F1节点…,因此维修建议为F2→F3→F1…的维修顺序进行排除故障;首先第一步检测故障原因F2节点所指的部位是否故障,通过现场构型或者自检操作,验证了故障原因F2节点所指的部位正常,同时生成了BITE信息B2,将故障原因F2节点的状态为正常与BITE信息B2的状态为存在作为新的观测证据输入到故障诊断模型中,重复上述诊断流程,直至诊断出最终的故障原因。
最后,将维修的结果作为新的维修数据添加到历史维修数据表中,故障诊断过程结束,然后重新初始化故障诊断系统,等待下一次故障诊断系统的开启。
如图7所示,航电故障诊断系统的工作流程如下:
开启航电故障诊断系统时,首先初始化模块进行初始化操作,清空ARINC624模块以及人机交互模块的缓存信息,连接维修数据库,读取故障诊断模型结构表,利用贝叶斯网络工具箱自动生成故障诊断模型的结构,读取历史维修数据表,调用关联规则Apriori算法挖掘历史维修数据中的强关联规则,利用贝叶斯估计法综合专家经验对故障模型的参数进行学习,构建出故障诊断模型;航电故障诊断系统的ARINC624模块中接收并解码ARINC664板卡处理的维护信息来获取BITE信息,维修人员通过人机交互模块输入已知信息,将BITE信息与人机交互输入的信息作为观测证据依次输入到故障诊断模型中,结合联合树推理算法,不断更新故障原因节点的后验概率分布,通过显示模块实时显示后验概率分布,同步显示依据后验概率做出维修建议和步骤,直至输入全部观测证据,在根据维修步骤进行排除故障过程中,将每一步的检测结果或出现的系统现象作为新的观测证据,按照同样的方式输入到故障诊断模型中,重复上述诊断流程,直至诊断出最终的故障原因;最后将最终的维修结果作为新的维修数据添加到历史维修数据表中,故障诊断过程结束,然后重新初始化故障诊断系统,等待下一次故障诊断系统的开启。
Claims (5)
1.一种面向机载航线维修的航电故障诊断系统的实现方法,其特征在于,由初始化模块、ARINC624模块、人机交互模块、维修数据库、故障诊断模型和显示模块组成的航电故障诊断系统与插有ARINC664板卡的工控机通过ARINC664总线连至航电集成测试中的成员系统;其中ARINC624模块、人机交互模块、维修数据库分别与故障诊断模型相连,故障诊断模型与显示模块相连,显示模块分别与人机交互模块、维修数据库相连;所述航电故障诊断系统实现方法有以下步骤:
一、首先航电故障诊断系统利用MYSQL软件来构建维修数据库,存储历史维修数据表、故障诊断模型结构表,开启故障诊断时,故障诊断模型连接维修数据库,读取维修数据库中的内容;
二、将历史维修数据按照一定的格式录入,并按照时间进行排序,生成历史维修数据表,便于利用算法进行故障查询、数据读取与信息挖掘,存储在维修数据库中;
三、分别从结构和参数两方面来构建故障诊断模型,以贝叶斯网络为架构来构建故障诊断模型的结构,将航电系统的系统现象Ti、故障原因Fi、功能部件现象Mi、BITE信息Bi作为故障诊断模型的节点,每个节点为两态,表示节点真或假、故障或正常、存在或不存在,由父节点指向子节点,节点之间的连接关系构成故障诊断模型的结构,依概率形式表示的节点之间的关联强度作为故障诊断模型的参数,并结合联合树算法来实现故障诊断模型的推理分析,具体步骤如下:
(一)、故障诊断模型的结构
(1)、采用故障树向贝叶斯网络转换的方法来构建故障诊断模型的结构,其中故障原因Fi为根节点,功能部件现象Mi为中间节点,系统现象Ti和BITE信息Bi为叶节点;
(2)、通过对航电子系统的历史运行状态和历史维修数据分析来获取常见的故障模式,第一步分别以常见故障模式为顶事件,第二步分析得出直接导致顶事件发生的可能事件,第三步分析第二步中各事件的直接事件,按照此步骤一级一级地往下演绎,直到找出导致顶事件的所有事件,即分析到底事件为止,构建出各个常见故障模式的故障树;
(3)、接着按照相应的转换规则将故障树转换为基于贝叶斯网络的故障诊断模型的结构,即故障树的底事件对应于贝叶斯网络的根节点;故障树的中间事件对应于贝叶斯网络的中间节点;故障树的顶事件对应于贝叶斯网络的叶节点;故障树的逻辑门对应于贝叶斯网络的有向边;多个故障树的相同节点对应于贝叶斯网络结构的同一个节点;
(4)、将多个常见故障模式的故障树合并为一个故障诊断模型的结构,并将BITE信息作为节点扩展到故障诊断模型的结构中,由维修专家来进行完善和优化结构;
(5)、将故障诊断模型结构的各个节点的连接关系以文本的形式生成故障诊断模型结构表,存储在维修数据库中;故障诊断模型的结构相对固定,开启航电故障诊断系统时,读取维修数据库的故障诊断模型结构表,利用贝叶斯网络工具自动生成故障诊断模型的结构;
(二)、故障诊断模型的参数
(1)、首先利用Noisy-or模型来简化故障诊断模型的参数,对于一个有M个父节点Zi的子节点S,原本需要获得2M个独立的条件概率参数,将故障诊断模型的节点视为Noisy-Or节点后,只需要获得M个独立的条件概率参数,即假设各个父节点Zi对于子节点S的影响为相互独立,则子节点S的取值由各个父节点Zi通过“或”运算符进行影响,即S=Z1∨Z2…∨ZM,父节点Zi独立引起子节点S为真的概率为:
(2)、航电故障诊断系统初始化时,连接维修数据库,读取历史维修数据表,设置最小支持度min_sup和最小置信度min_conf,调用关联规则Apriori算法挖掘历史维修数据包含的强关联规则来对参数进行学习,具体步骤如下:
1)、关联规则Apriori算法挖掘出来的1-频繁项集的支持度作为故障诊断模型根节点的先验概率,记为P(X),代表系统的历史运行中各故障的发生频率,其中N为历史维修数据表的故障集总个数,N(X)为故障X出现的次数;
3)、维修人员的专家经验记为P1(Y|X),表示依据维修人员的实际经验给出在故障X发生的前提下,故障Y发生的概率大小;
4)、利用贝叶斯估计法综合置信度P0(Y|X)与专家经验P1(Y|X),故障诊断模型的条件概率P(Y|X)计算公式为:
5)、维修结束后,如果向历史维修数据表加入N1个新的维修记录,则历史维修数据表的故障集总个数N=N+N1,在下一次开启故障诊断系统时,故障诊断系统初始化,重新读取更新的历史维修数据表,按照步骤1)、2)、3)、4)再一次对参数学习。
2.根据权利要求1所述的一种面向机载航线维修的航电故障诊断系统的实现方法,其特征在于,所述的初始化模块对航电故障诊断系统的各个模块进行初始化操作,清空各个模块的缓存信息,连接维修数据库,读取故障诊断模型结构表,利用贝叶斯网络工具箱自动生成故障诊断模型的结构;读取历史维修数据表,利用关联规则算法挖掘历史维修数据包含的强关联规则。
3.根据权利要求1所述的一种面向机载航线维修的航电故障诊断系统的实现方法,其特征在于,所述的ARINC624模块用于接收并解码ARINC664板卡处理的维护信息,将解码获取的BITE信息作为观测证据来源的一部分,输入到故障诊断模型中进行诊断推理;初始化时,ARINC624模块信息为空;开启故障诊断时,接收并解码ARINC664板卡处理的各成员系统的维护信息,获取成员系统的BITE信息,并实时传输到故障诊断模型中。
4.根据权利要求1所述的一种面向机载航线维修的航电故障诊断系统的实现方法,其特征在于,所述的人机交互模块是提供给维修人员输入已知故障信息的窗口,将通过人机交互模块输入的已知故障信息作为观测证据来源的另一部分,输入到故障诊断模型进行诊断推理;初始化时,人机交互模块的信息为空,开启故障诊断时,维修人员通过人机交互模块输入系统故障现象、外部设备检测的结果以及其他故障信息,并实时传输到故障诊断模型中。
5.根据权利要求1所述的一种面向机载航线维修的航电故障诊断系统的实现方法,其特征在于,所述的显示模块实时显示故障诊断模型经过推理计算输出的后验概率分布,同时也同步显示依据后验概率给出的维修建议和步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010801910.5A CN111950084B (zh) | 2020-08-11 | 2020-08-11 | 一种面向机载航线维修的航电故障诊断系统的实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010801910.5A CN111950084B (zh) | 2020-08-11 | 2020-08-11 | 一种面向机载航线维修的航电故障诊断系统的实现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111950084A CN111950084A (zh) | 2020-11-17 |
CN111950084B true CN111950084B (zh) | 2022-05-03 |
Family
ID=73331808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010801910.5A Active CN111950084B (zh) | 2020-08-11 | 2020-08-11 | 一种面向机载航线维修的航电故障诊断系统的实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950084B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112731903B (zh) * | 2020-11-27 | 2022-05-10 | 成都飞机工业(集团)有限责任公司 | 一种全电传飞控故障的诊断系统及方法 |
CN112623267B (zh) * | 2020-11-30 | 2024-04-09 | 中国航空工业集团公司西安航空计算技术研究所 | 一种机载嵌入式综合处理机的故障隔离方法和装置 |
CN112434832B (zh) * | 2020-12-09 | 2021-08-17 | 广州瑞修得信息科技有限公司 | 基于贝叶斯网络的车辆故障检测方案的智能推荐方法 |
CN112418458B (zh) * | 2020-12-09 | 2021-05-18 | 广州瑞修得信息科技有限公司 | 基于贝叶斯网络的车辆故障智能推理方法及系统 |
CN112819028B (zh) * | 2020-12-29 | 2024-02-02 | 重庆大学 | 基于故障诊断模型的医用新风系统故障诊断方法 |
CN112906891A (zh) * | 2021-02-09 | 2021-06-04 | 北京龙谷科技发展有限公司 | 基于机器学习的专家系统知识库构建方法及装置 |
CN113360306B (zh) * | 2021-05-26 | 2024-01-16 | 中国航空工业集团公司西安航空计算技术研究所 | 一种机载信息系统的故障实时检测方法 |
CN113589098B (zh) * | 2021-07-12 | 2024-06-07 | 国网河南省电力公司灵宝市供电公司 | 基于大数据驱动的电网故障预测和诊断方法 |
CN113610278A (zh) * | 2021-07-15 | 2021-11-05 | 华中科技大学 | 一种故障风险预测分析方法、装置、电子设备及存储介质 |
CN113589797A (zh) * | 2021-08-06 | 2021-11-02 | 上海应用技术大学 | 焦炉车辆运行故障智能诊断方法及系统 |
CN114048076B (zh) * | 2021-10-30 | 2023-04-21 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 航空通信电子人机协同排故系统 |
CN114461784A (zh) * | 2022-01-18 | 2022-05-10 | 中国科学院大学 | 一种非结构化设备故障知识的分类及知识萃取方法 |
CN117875936B (zh) * | 2023-12-28 | 2024-06-11 | 中国人民解放军陆军装甲兵学院 | 一种基于不同修理方法的多种装备维修管理系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649479A (zh) * | 2016-09-29 | 2017-05-10 | 国网山东省电力公司电力科学研究院 | 一种基于概率图的变压器状态关联规则挖掘方法 |
CN109829468A (zh) * | 2018-04-16 | 2019-05-31 | 南京航空航天大学 | 基于贝叶斯网络的民机复杂系统故障诊断方法 |
-
2020
- 2020-08-11 CN CN202010801910.5A patent/CN111950084B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649479A (zh) * | 2016-09-29 | 2017-05-10 | 国网山东省电力公司电力科学研究院 | 一种基于概率图的变压器状态关联规则挖掘方法 |
CN109829468A (zh) * | 2018-04-16 | 2019-05-31 | 南京航空航天大学 | 基于贝叶斯网络的民机复杂系统故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
Online Fault Diagnosis for Industrial Processes With Bayesian Network-Based Probabilistic Ensemble Learning Strategy;Wanke Yu et al.;《IEEE Transactions on Automation Science and Engineering》;20191031;第16卷(第4期);全文 * |
基于贝叶斯网络的冷水机组故障诊断及其关联规则优化;胡敏;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20190415(第04期);全文 * |
基于贝叶斯网络的船舶发电机运行过热故障分析;张仲懿等;《武汉理工大学学报(交通科学与工程版)》;20190415(第02期);全文 * |
复杂机载电子系统智能诊断体系结构研究;潘玉娥;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20170315(第03期);全文 * |
数控机床故障诊断关联规则挖掘方法研究;高新勤等;《制造业自动化》;20161025(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111950084A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950084B (zh) | 一种面向机载航线维修的航电故障诊断系统的实现方法 | |
CN110489254B (zh) | 基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统及方法 | |
US20130304307A1 (en) | Platform health monitoring system | |
CN112487592B (zh) | 基于贝叶斯网络的任务可靠性建模分析方法 | |
CN106021062A (zh) | 关联故障的预测方法和系统 | |
CN104504248A (zh) | 一种基于设计数据分析的故障诊断建模方法 | |
CN111581739A (zh) | 基于故障树和案例推理的直升机智能故障诊断方法 | |
CN113032891A (zh) | 用于维护机载推理机以诊断飞机上的故障的方法和系统 | |
US20150186335A1 (en) | Assessing performance of a system | |
CN115034409A (zh) | 车辆维修方案确定方法、装置、设备及存储介质 | |
CN103970121A (zh) | 一种分布式卫星自动化测试框架系统 | |
CN107891994A (zh) | 一种全智能飞行器飞行试验误差分析系统 | |
CN109344085A (zh) | 一种分析卫星测试数据的方法和系统 | |
CN115437339A (zh) | 远程诊断方法及装置、电子设备和存储介质 | |
CN112623272A (zh) | 一种大飞机空速异常辅助功能的试验方法 | |
CN115718472A (zh) | 水电机组故障扫描诊断方法 | |
EP2722823A2 (en) | Platform health monitoring system | |
CN117009119A (zh) | 一种面向云原生的微服务智能运维系统、方法及应用 | |
CN110481804A (zh) | 一种飞行辅助系统和飞机 | |
CN110531608B (zh) | 基于冗余设计的高可靠电子设备定量fmeca分析方法和系统 | |
CN112559488A (zh) | 一种基于数据中台的自动扶梯全生命周期数据管理方法及系统 | |
Spina et al. | The use of expert systems for gas turbine diagnostics and maintenance | |
Colombano et al. | A system for fault management and fault consequences analysis for NASA’s Deep Space Habitat | |
Liu et al. | Defect prediction of radar system software based on bug repositories and behavior models | |
CN114312930B (zh) | 基于日志数据的列车运行异常诊断方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |