测控设备故障诊断专家系统知识获取方法研究

邹　磊，王小强，李俊瑶，王　俊，臧全杰

（西安卫星测控中心，渭南714000）

测控设备故障诊断专家系统知识获取方法研究

邹磊，王小强，李俊瑶，王俊，臧全杰

（西安卫星测控中心，渭南714000）

在高密度的卫星测控任务下，测控设备自动化的程度越来越高，人力参与测控的依赖度逐步降低，但这却对设备故障诊断定位的准确性、高效性提出了更高要求。而要提高自动化程度，减少设备停机维修时间，就必然需要增强测控设备故障诊断的水平，提升设备故障诊断专家系统的自动诊断能力。在故障诊断专家系统中，专家知识库完备程度决定着系统诊断水平，诊断知识获取则是知识库的瓶颈。通过重点研究专家知识的获取方法，以丰富专家系统知识库为目的，提高专家系统故障快速定位诊断能力，达到减员增效的效果，促进卫星测控任务的顺利执行，有效推动提升设备自动化水平。

高密度；测控；自动化；故障诊断；专家知识库；知识获取

1　引　言

实施卫星测控任务时，测控设备出现故障将严重影响任务执行工作。能否快速定位故障，采取相应处理手段和应急方案，解决设备故障，是保障任务能否圆满完成的前提。在此背景下，测控设备故障诊断专家系统应运而生，它可快速定位故障发生位置，解决测控设备故障，减少甚至取代人工故障排除。专家系统一般包括知识获取、知识表示、推理诊断三大功能，而知识获取能力决定着专家系统的诊断水平［1－2］。但是领域专家提供的知识往往并不能满足设备故障诊断的覆盖率和诊断可靠性要求，尤其是现有测控设备虽然故障诊断系统得到重视，也有所研究，但实际应用效果却达不到要求。主要是因为专家知识不全面、不系统，再者由于系统知识不能动态更新，因而导致故障诊断系统在测控领域实用效果并不明显［3］。

一般故障频发部件、发生周期都会随着设备使用的不同阶段而发生变化。在设备研制成型初期，由于设计、制作工艺等过程中存在的问题，故障率往往较高，故障解决周期长，这主要是由于新研设备状态不稳定，测试还不够完善等。在初期问题解决后，设备进入相对稳定期，这时故障发生率降低，且趋于常数，整体性能趋于稳定。而在设备接近使用寿命终结阶段，由于设备老化、损耗等原因，故障发生概率增高，造成设备维护困难。这种设备故障发生概率随整个设备使用周期所呈现出的故障曲线，形态上与浴盆极为相似，所以该曲线又称之为“浴盆曲线”［4］，如图1所示。图1中曲线I是早期故障期，II是偶然故障期，III是损耗故障期，对应于设备使用期故障发生的三个阶段。因而在测控设备故障诊断专家系统中，专家知识除通过领域专家、经验、模型等渠道获取外，还需随着设备使用的不同阶段动态更新。

图1　浴盆曲线

2　专家知识分类

研究无差别、通用性知识的测控设备专家知识是重点，为方便维护和录入，选择与测控设备型号无关的通用性信息。鉴于测控设备用于接收遥外测信息，作为接收数据和控制卫星通道的节点，结合专家系统中知识的一般性，将测控设备专家知识分类如下［5－6］：

经验知识：领域专家长期在测控领域研制设备的实践中积累得到的知识，包括故障征兆、故障原因、解决方案等。这种知识对故障排除效率较高，应用上较便捷。

状态类知识：由设备传感器、监视板等上报的状态类知识，包括枚举类（如加去电状态、通信状态、链路状态、电源状态等）、数值类（如电压值、电流值、信噪比、温度、信号幅度等）。该类知识是由设备顶层设计时经分析研讨确定，可通过串口、网口等传输，实时监视设备状态，定位故障点，但未考虑到的故障点则无法排查。

控制类知识：用于协调测控设备各分系统运作的策略性知识，提供咨询意见、处理措施和维护解决策略等。可应用于自动化故障排查解决，提高设备的自动化能力，降低人工干预程度。

逻辑分析类知识：基于测控设备的构造、功能、信号流程等，通过建模、数学分析等手段获得，涉及复杂的逻辑推理，具备强关联性，并能对未知知识进行预测。

3　专家知识获取

3．1传统方法

主要获取途径是通过领域专家长期积累的经验、领域知识，或长期积累的经验公式、归纳总结以及数学反演等方法获取的，再经由知识工程师利用一些手段转化为机器可以理解的专家知识，存入专家知识库［7］，传统获取知识的方法如图2所示。

图2　传统方法获取专家知识

获取后的知识规则表示形式一般为：If A then B，其中，A为故障征兆，B为故障结论。复杂形式（如故障可能由多个原因造成）则可表示为：If（A1 OR A2 OR A3…）then B或者If（A1 AND A2 AND A3…）then B，并由专门的语言解释机制转换为推理机可以识别的语言实现故障诊断。

（1）经验积累

领域专家经过长期故障诊断实践和对设备认知中不断积累起来的经验和知识，在设备故障排查中可直接给出故障原因，定位故障点，快速排除故障。由于是经验知识，解决问题的效率较高。但设备维修经验往往只有某几个领域专家可以提供，随着岗位调动或其它原因，这类积累的经验知识也就流失了。

（2）归纳总结

操作人员设备维护、检修中归纳总结的故障诊断专家知识，经过处理，以特定的方式进行存储。故障针对性强，出现相似的故障可快速排查解决，对未知的问题则无法诊断。而且这种专家知识故障征兆和诊断结论之间可能并没有较强的因果关系，逻辑上不一定具备相关性。

（3）数学分析

通过数学分析，如数据样本的差分、均值、方差等获得数据样本的特点，从数据中挖掘存在的价值信息，以对故障现象进行定位。相比于经验知识，这种知识具有严谨的逻辑推理，从原理上分析故障产生机理，准确指导故障解决方案的制定。

通过上述方法获取的专家知识表示如表1所示，之后按一定的规则存入知识库。传统方法获取专家知识虽然方便、快捷，但还不能满足测控设备自动化故障诊断的要求。随着设备的使用时间推移，设备老化等问题造成故障发生部位、发生期产生变化，相应的专家知识也应随之动态改变，因此需要研究深度挖掘、动态更新专家知识的方法，即数据挖掘方法。

表1　故障诊断专家知识

3．2数据挖掘方法

数据挖掘方法主要通过领域专家或知识工程师利用某些手段，经过数据挖掘方法将知识存入专家知识库，如图3所示。一般专家知识数据挖掘方法主要有主分量提取、人工神经网络、遗传算法、粗集理论、信息融合、模糊逻辑等。下面重点讨论前两种方法。

图3　数据挖掘方法获取专家知识

3．2．1主分量方法获取

主成分分析法（Principal Component Analysis，PCA）的本质是对样本数据的降维处理，将样本空间数据投影到新的空间中［8］，实际上是对样本数据进行坐标变换，并不降低原始样本数据的信息量，但却可以有效分析样本数据各指标的贡献率，在故障诊断中该贡献率越高，则该指标造成的故障可信度越高，诊断时应优先考虑。

主要算法如下所示：

（1）以某一时刻为起点，取得一组长度为N的样本指标X＝［x1，x2，xi，．．．xn］，随后按固定频率取同样长度的一组指标，共取得M组样本指标后构成M×N维样本空间。

（2）样本空间中同一指标的均值为：

协方差矩阵R＝［rij］为：

（3）计算协方差矩阵的特征值λ1，λ2，．．．λj，．．．λN。

（4）对（3）求取的特征值按大小排序，计算各指标贡献率Dj。

某一指标的贡献率为：

式中贡献率Dj值所占比重越大，则其对样本空间的影响比越高，所含信息量也就较多。在故障诊断时，以贡献率作为故障可信度进行参考分析，该比值越重，则说明该项影响造成设备故障的概率越高，可信度越高，故障排查时可优先排查是否是此项造成的设备问题。

设备信道某模块有两种状态：正常，故障。两种状态各取2组监测值，每组取5个指标数据（温度、杂波抑制度、信噪比、信号幅度、信号增益），得到4×5样本矩阵。首先利用式（5）对数据样本实现归一化，得到无量纲样本数据。

对归一化得到的无量纲样本数据进行主分量分析，得到特征值如表2所示。

表2　PCA得到的样本特征值

表2中可看到第五个特征值的贡献率最高，对应于信号增益，说明信号增益的影响对该模块的影响最大，实际上也是信号增益对该模块状态影响最大，这与实际情况相对应，进而也验证了主分量分析法应用于测控设备故障诊断专家知识的提取是可行的。

3．2．2基于BP神经网络的知识获取

神经网络是源于人工智能神经元的思想，而BP神经网络具备信息正向传播和误差反向传播的特点［9］，结构如图4所示。学习过程是通过比较实际输出值和期望输出值之间的差值，当差值大于门限值，则通过原来的路径返回，按照误差调整原来路径中神经元的权值和阈值。经过调整后，信息再次在路径中正向传输，如此反复直至所有神经元节点误差达到期望值，或训练次数达到预定值则学习过程结束［10］。

图4　神经网络结构

对学习样本S＝｛X1，X2，．．．，Xn｝，各样本节点权重W＝｛W1，W2，．．．，Wm｝，对节点Xi，利用S函数计算实际输出O1和误差Err1，对权重修改得到W′＝｛W′1，W′2，．．．，W′m｝。以此方法对所有样本节点进行循环求解，直到所有误差达到目标值，满足系统要求为止［11］。

选取数据样本为信道舱某模块的电压指标值、电流值指标值、信噪比指标值、温度指标值以及AGC指标值。

利用神经网络模型对归一化数据训练，样本数据为20×5矩阵，取前19×5的数据为训练样本，1×5数据矩阵作为测试矩阵。学习速率0．05，训练次数5000，训练目标1×10－3，隐含层神经元6个，输出层神经元1个，隐层传递函数tansig，输出层传递函数purelin，梯度下降学习函数traingdm，性能函数mse。通过仿真，得到训练误差曲线如图5所示，测试矩阵真实值与预测值比较图如图6，其中得到训练后的MSE误差为0．099%，准确率接近100%。

图6中可以看出，通过BP神经网络仿真得到的数据值与样本真实值基本一致，可见通过该方法获得的值可以用来进行故障诊断专家知识的提前预知，并能以此为依据，提前发现设备可能出现的故障，有助于帮助设备人员在执行任务之前发现问题，排除设备隐患，为任务完成提供保障。

图5　训练误差曲线图

图6　预测值与真实值比较图

由BP神经网络方法获取的专家知识具有统一的内部表示形式，任何形式的知识都可以通过对范例的学习存储在网络的连接权值中，信息量大。而且BP神经网络具有预测作用，通过对现有数据分析，运用网络模型，对可能出现的情况进行推理，提前预知知识，拓展了专家系统获取知识的方法。

4　结束语

通过对测控设备专家知识分类，研究获取测控设备故障诊断专家知识的传统方法和数据挖掘方法，着重分析基于主分量分析法和基于神经网络的提取方法。对基于主分量分析法的研究可用于提取诊断主要特征量，获取导致故障的主要因素。对基于神经网络的专家知识提取方法进行分析，可在测控设备的长期使用中动态更新故障知识权重，依据设备性能更新专家知识。研究结果对基于测控设备的专家知识提取奠定了基础，有助于提高故障诊断专家知识的提取效率，增强故障诊断专家系统的实用性。

［1］Lianxiang Jiang，Huawang Li，Genqing Yang，et al．Knowledge Acquisition Model for Satellite Fault Diagnosis Expert System［C］．2009 International Conference on Computational Intelligence and Software Engineering，2009．

［2］陈玮，胡光锐，汪亚平．飞行器故障诊断专家系统中的知识获取机制［J］．上海交通大学学报，2000，34（6）：845－847．Chen Wei，Hu Guang－rui，Wang Ya－ping．Knowledge Acquisition in an Expert System for Fault Diagnosis of Certain Spacecraft［J］．Journal of Shang Hai Jiao Tong University，2000，34（6）：845－847．

［3］倪维斗，蒋东翔，于文虎．大型电站诊断系统中知识处理方法［J］．清华大学学报（自然科学版），1996（7）：36－40．Ni Wei－dou，Jiang Dong－xiang，Yu Wen－hu．Study on the methods of knowledge processing in an intelligent diagnostic system for large scale power plants［J］．Journal of Tsinghua University（Sci＆Tech），1996（7）：36－40．

［4］马纪明，万蔚，曾声奎．基于浴盆曲线故障率函数的FFOP预计方法［J］．航空学报，2012，33（9）：1664－1670．Ma Ji－ming，Wan Wei，Zeng Sheng－kui．FFOP Prediction on Method Based on Bathtub－Shaped Failure Rate Function［J］．Acta Aeronautica et Astronautica Sinica，2012，33（9）：1664－1670．

［5］张跃，李德英，黄文虎．飞船系统故障诊断的知识模型［J］．系统工程理论与实践，1996，16（9）：51－57．Zhang Yue，Li De－ying，Huang Wen－Hu．Knowledge Model of Failure Diagnosis for Spacecraft System［J］．Journal of Systems Science and Information，1996，16（9）：51－57．

［6］徐江涛．航天器故障专家知识模型的建立方法研究［J］．西安工业大学学报，2013（5）：363－367． XU Jiang－tao．A Method for Establishing A Spacecraft Fault Diagnosis Expert Knowledge Model［J］．Journal of Xi'an Technological University，2013（5）：363－367．

［7］黄考利，连光耀，杨叶舟，等．装备故障诊断专家系统知识获取方法［J］．计算机工程，2004，30（23）：162－164．Huang Kao－li，Lian Guang－yao，Yang Ye－zhou，et al．Method of Knowledge Acquisition in the Fault Diagnosis Expert System of Equipment［J］．Computer Engineering，2004，30（23）：162－164．

［8］柴敏，杨悦，徐小辉，等．面向故障诊断的航天器遥测数据降维分析技术［J］．弹箭与制导学报，2014，34（1）：150－153．Chai Ming，Yang Yue，Xu Xiao－Hui，et al．The Dimension Reduction Analysis of Spacecraft's Telemetry Data for Fault Diagnosis［J］．Journal of Projectiles，Rockets，Missiles and Guidance，2014，34（1）：150－153．

［9］Azcarraga A，Hsieh M，Shan－Ling Pan，et al．Knowledge acquisition and revision via neural networks［C］．2004 IEEE International Joint Conference on Neural Networks，2004，2（2）：1365－1370．

［10］陈果，宋兰琪，陈立波．基于神经网络规则提取的航空发动机磨损故障诊断知识获取［J］．航空动力学报，2008（12）：2170－2176．Chen Guo，Song Lan－qi，Chen Li－bo．Knowledge acquisition for aero－engine wear fault diagnosis based on rule extraction from neural networks［J］．Journal of Aerospace Power，2008（12）：2170－2176．

［11］Li－Min Su，Hong Zhang，Chao－Zhen Hou，et al．Research on an improved genetic algorithm based knowledge acquisition［C］．2002 International Conference on Machine Learning and Cybernetics，2002（1）：455－ 458．

Research on Knowledge Acquisition Method of Fault Diagnosis Expert System for Measurement and Control Equipment

Zou Lei，Wang Xiaoqiang，Li Junyao，Wang Jun，Zang Quanjie
（Xi＇an Satellite Measurement and Control Center，Weinan 714000，China）

In the task of high density satellite tracking，the dependence degree from human＇s involvement and control decreases with the higher automation degree of measurement and control equipment，but requirements of the equipment fault diagnosis and location accuracy and efficiency increase accordingly．In order to improve the degree of automation and reduce the time of the equipment downtime and maintenance，it is necessary to strengthen fault diagnosis level of the measurement and control equipment and enhance the automatic diagnosis ability of equipment fault diagnosis expert system．In the system，expert knowledge base affects the degree of diagnosis and knowledge acquisition is the bottleneck of the base．The acquisition method for the expert knowledge is researched to enrich knowledge base of expert system，improve the fault rapid positioning diagnosis ability，achieve downsizing effect，promote the smooth implementation of the satellite TT＆C missions and improve the level of equipment automation effectively．

High－density；Measurement and control；Automation；Fault diagnosis；Expert knowledge base；Knowledge acquisition

10．3969／j．issn．1002－2279．2016．05．022

TP277

A

1002－2279（2016）05－0092－05

邹磊（1987－），男，陕西省汉中市人，工程师。主研方向：航天测控。

2016－01－28