基于BOM的航空设备故障诊断系统模型研究

李玲 ，赵嵩正

1.航空工业第一飞机设计研究院，陕西 西安 710089

2.西北工业大学，陕西 西安 710072

随着科学技术的不断发展，现代航空设备结构越来越复杂，自动化和智能化程度也不断提升，可靠性要求也越来越高，一旦发生故障，将可能造成人身伤亡和巨大的经济损失。因此，航空设备故障诊断系统的作用愈发重要。故障诊断系统又称为专家诊断系统，是一种智能化应用系统，基于知识库模拟人类思维方式来解决问题[1]。

故障诊断系统于20世纪90年代在国外兴起，近年来，受到了国内学者的广泛关注。王磊研究故障诊断的知识表示，采用拓扑知识表示，运用Petri进行知识推理，也证实了该方法在实际应用中可以提高诊断效率和精确度[2]；宗群提出了基于故障树的电梯故障诊断方法，建立了诊断系统模型和诊断知识库，开发了基于故障树的电梯故障诊断系统[3]；李红卫提出多种智能故障诊断技术，并对各种诊断技术进行分析和改进，并对各种诊断技术给出综合评价[4]。虽然国内对诊断系统已经有了广泛的研究，但是在航空设备故障管理领域的研究尚处于初级阶段，仍存在着一些不足，主要表现为：首先，在现行航空设备故障管理模式中，较多以整台设备为管理对象，没有精确到部位，无法实现航空设备保养、维修、故障处理的精细化管理。其次，在航空设备故障诊断系统中，故障诊断知识获取困难，亟待解决。最后，现有的航空设备故障诊断系统主要针对故障诊断，而缺乏基于故障诊断信息的故障预测、预防以及故障数据挖掘的研究，没有提出一个专门面向设备故障全生命周期的故障诊断模型。针对现有研究的不足，本文引入了设备物料清单（Bill Of Material，BOM），构建了一个基于BOM的故障诊断系统模型，旨在能够实现航空设备故障的全生命周期管理。

1 故障诊断系统模型设计

构建的基于BOM的故障诊断系统模型，如图1所示。

基于BOM的故障诊断系统主要由知识库、知识维护系统、推理机、数据挖掘系统，以及人机系统界面组成，其中，知识库、推理机和数据挖掘系统是诊断系统的核心组成部分。知识库主要用于储存和管理领域专家的经验与知识，知识库建立的完善性、可靠性决定了整个诊断系统的性能。推理机采用一定的编码程序，以知识库为推理依据，由输入的故障信息进行推理，最终获得故障解决措施。数据挖掘主要用于分析知识库的故障记录，挖掘潜在价值。

图1 故障诊断系统模型Fig.1 The fault diagnosis model

基于BOM的故障诊断系统的基本工作流程为：（1）基于故障树分析来获取知识，并将数据存入知识库中；（2）用户通过人机界面接口向诊断系统输入故障数据，推理机根据正向推理机制，激活相应的规则，进而给出诊断结果，并提供故障解决措施；（3）基于诊断过程和诊断结果对知识库进行定期更新和完善；（4）基于知识库开展知识挖掘和分析。

因此，可以看出，基于BOM的故障诊断系统涉及到三个核心过程，即知识获取、知识推理和知识挖掘。知识获取主要是对相关领域专家知识的获取和故障实例的收集；知识推理是根据用户提供的信息或根据推理策略对知识库中的知识进行选择；知识挖掘是对知识库中的故障信息进行分析，从而发现潜在的有用信息。

2 知识获取

目前，故障诊断技术大致可以分为三类[5]：基于信号处理的故障诊断方法、基于解析模型方法，以及基于知识诊断方法。随着人工智能技术等前沿学科的发展与突破，基于知识的诊断方法成为研究热点。目前，基于知识诊断的方法大多采用故障树分析法（Failure Tree Analysis，FTA）获取故障知识。FTA是一种自上而下逐层分析展开的图形表示方法，其将引起系统故障的所有因素从面到点逐级细化，以故障模式影响与后果分析为基础，以系统的某个状态为着眼点，寻找导致系统故障或者子系统失效的所有可能原因[6]。然而，目前故障树的建立一般都是依据专家经验，分析顶事件发生的原因，逐层分析，找出每层事件，直到找出底事件为止[7]。运用专家经验构建故障树，要求专家对设备非常熟悉，然而专家难以提供完整的故障信息，故障知识获取较为困难，因此，具有一定的局限性。为了解决知识获取困难的问题，本文基于BOM构建故障树，从而完整地提供了整个航空设备的故障信息。一般来说，故障树分析可以分为三个步骤：故障树建立、故障树定性分析和故障树定量分析。

2.1 基于BOM建立故障树

BOM是一种描述产品组成的结构，是指产品结构的技术性描述文件，描述了产品各个部件、组件、零件之间的结构关系和数量关系[8]。产品的结构、功能特性、加工工艺在设计阶段已经确定，按照设计给出的加工工艺一步一步地进行生产，进而形成产品的层次结构。这一层一层的结构决定了故障传达的路径，为找出故障树的因果关系提供了基础。在进行故障诊断时，不仅需要了解设备的组成结构，由哪些组件组成，更重要的是获取每个元件具有的故障模式以及故障之间的传递规则和逻辑关系，应采取的故障处理措施。因此，本文将设备结构和每个元件具有的故障信息结合起来，提出了基于设备BOM构建故障树的思想，如图2所示。

图2表示了如何在设备BOM的基础上构建故障树，BOM和故障树在层次结构关系上一一对应，基于BOM组织故障知识，将故障知识准确地映射到相应的部位上。图2中左侧为设备BOM，根据设备的维修要求和故障特点，以设备BOM为基础，对诊断对象进行结构分解，直到不能再分解为止，对于不可拆卸的零件则不需要展开。故障树中对于每个节点分别附有节点基本信息和节点故障信息。其中，节点基本信息具体包括节点名称、型号、参数、功能等；故障信息具体包括该节点的故障模式、故障诊断规则以及相应的故障解决措施，而诊断规则的建立是知识库的关键部分，诊断规则体现了故障的传递规则以及对其父节点的影响程度。

2.2 故障树的定性分析

故障树定性分析是确定割集和最小割集，割集是一些底事件的集合，它可以导致顶事件的发生[9]。求割集一般有下行法和上行法两种方法，本文采用上行法。上行法是沿着故障树，采用从下向上的方式，由最底层的底事件开始，向上逐层进行集合运算。如果遇到逻辑或门事件，则表示为事件的并运算。如果遇到逻辑与门事件，则表示为事件和交运算。按照这种方法，自下而上层层汇总，最终用布尔（Boole）函数的形式表示顶事件与底事件之间的关系。

以图2为例，采用上行法来对故障树进行定性分析，可以得到：

图2 基于BOM构建故障树Fig.2 Build a fault tree based on BOM

G1=X1∪G4∪X2

G2=G5∪X3

G3=X4∪X5∪X6

G4=X7∪X8

G5=X9∪X10∪X11

T1=X1∪X2∪X3∪X4∪X5∪X6∪X7∪X8∪X9∪X10∪X11

即 X1，X2，X3，X4，X5，X6，X7，X8，X9，X10，X11 构成故障树的最小割集。

2.3 故障树的定量分析

故障树定量分析的目的是求出系统的性能指标和顶事件发生的概率[10]。根据底事件发生故障的频率计算出底事件的故障发生概率，然后由底事件发生的概率求出最小割集发生的概率和顶事件发生的概率，得出各个最小割集的重要度，考虑到部件排查耗时因素，本文最终采用故障判明效时比来确定优先级，并作为故障排查顺序，进而提高故障诊断效率。以图2为例，具体分析如下：

（1）顶事件发生的概率

假设各个底事件故障发生的概率为：X1=0.1，X2=0.2，X3=0.3，X4=0.2，X5=0.3，X6=0.1，X7=0.25，X8=0.1，X9=0.2，X10=0.1，X11=0.4，则计算的T1发生的概率为：

（2）最小割集的重要度

最小割集重要度的计算即是最小割集发生的概率与顶事件发生概率的比值。最小割集的重要度见表1。

表1 最小割集的重要度Table1 The important degree of minimum cut set

（3）估算各个零部件平均故障检测时间

零部件平均故障检测时间是指该零部件发生故障时，从检测开始到排除故障所用的平均时间[11]。在实际应用中，一般是根据专家经验给出。

假设各个底事件平均故障检测时间为：T1=0.2h，T2=0.1h，T3=0.3h，T4=0.15h，T5=0.3h，T6=0.2h，T7=0.1h，T8=0.1h，T9=0.3h，T10=0.3h，T11=0.1h。

（4）求各底事件对应的故障判明效时比

当系统发生故障时，借助故障树进行诊断，首先根据底事件的概率计算出重要度，可以初步确定故障原因。按照重要度从大到小的顺序逐个排查，但是如果排在前几位的故障零部件平均检查耗时较长，那么平均单位检测时间确定故障概率则偏低，效率较低。因此，为了全面合理地进行故障排除，在考虑重要度时引入各个零部件平均检查时间，即提出了故障判明效时比，判明效时比为零部件重要度与零部件对应的平均故障检测时间的比值，见表2。因此，排查故障的顺序应该按照故障判明效时比，由大到小按顺序进行排查，这样会很大程度地提高定位故障原因的效率。

表2 最小割集的判明效时比Table2 The ascertain effect of the minimum cut set

根据故障判明效时比从大到小的顺序得出故障诊断的优先级，故障判明效时比值越大，则对应的优先级越高，则优先进行故障诊断。这样可以高效地定位引起顶事件发生的故障原因，缩小故障诊断的时间。

2.4 知识的存储

系统知识库是以故障树的形式将设备维修过程中维修专家的大量故障解决措施和诊断经验直观形象地表达出来，然后进行整理和精简，提取重要信息，采用计算机可以识别的语言存储在计算机中，形成诊断知识库。有结构化的知识库为支撑，会大大提高信息系统的诊断效率。在实际应用中，首先需要收集资料。通过收集文件资料、书本知识或者与相关领域的专家沟通交流获取其诊断经验，并将这些知识进行整理，以故障树的形式表示出来，然后对故障树进行定性分析，得到最小割集，并得出相应的诊断序列，并对这些数据进行简化，最终将优化的数据存入数据库，完整的、标准的数据是故障管理信息系统进行诊断的基础。知识库中包括物料表、产品结构表、故障信息表、规则表、条件表、直接框架表、间接框架表及判断条件表，见表3～表10。

表3 物料表Table3 The material table

表4 产品结构表Table4 The product structure table

表5 故障信息表Table5 The fault information table

表6 规则表Table6 The rule table

表7 条件表Table7 The condition table

表8 直接框架表Table8 The direct framework table

表9 间接框架表Table9 The indirect framework table

表10 判断条件表Table10 The judge conditions table

3 诊断推理机制

故障诊断系统的知识库主要由故障树定性定量分析的结果构成，作为所有故障推理的依据。用户在系统界面按照要求输入故障信息，系统会根据一定的程序在知识库中实现故障诊断、故障推理，以故障树正向推理为主，实例推理为辅的推理策略，最终给出故障原因以及故障解决措施。

在故障诊断系统中，采用规则加框架的推理过程，具体实现算法如下：输入：故障现象Fault；输出：故障解决措施。步骤1：输入故障信息，与故障信息表匹配，记录相应的故障编号，记为Fault；步骤2：在框架表中查询出Fault对应的框架号Frame；步骤3：在判断条件表中查询出该框架对应的规则号Rule；步骤4：按照Rule的优先级来查询对应的条件事实号Condition；步骤5：条件事实号对应一个框架号，如果是直接框架则可以得到故障原因以及解决措施。如果是间接框架，则继续进行步骤2。

推理过程如图3所示。

图3 故障诊断推理过程Fig.3 The inference procedure of fault diagnosis

4 知识挖掘

故障诊断系统中的知识挖掘主要是针对大量的故障记录，采用统计分析方法挖掘故障记录间蕴藏的潜在信息，找出故障的瓶颈制约因素，并实现对未来可能故障的预测。BOM作为航空设备管理的核心数据，对基于BOM故障树的知识库进行数据挖掘，可以满足不同部门的需要。其中，对于采购部门，往往需要了解航空设备的外购件清单，而基于航空设备BOM统计外购件能够准确地发现当前部件的需求情况，从而为采购部门安排采购计划提供依据；对于设计部门，需要确定航空设备由哪些部件构成，以及构件直接的结构关系，基于BOM故障树的知识库统计部件故障发生的频率，发现薄弱部件，为设计部门对航空设备的结构设计及设备性能升级提供依据；对于维修部门，通常比较关注备品、备件清单，通过对故障记录按照BOM进行分类统计，筛选出易损、易耗件明细表，发现故障规律和故障瓶颈制约因素，为备件管理以及维修大纲的制定提供决策支持[12]，同时，对故障记录的知识挖掘结果，采用图表的方式清晰地显示，能够进一步充实和完善设备故障诊断规则表，同时为保养维护计划的制订提供依据。因此，BOM是企业信息化建设的核心数据，基于BOM进行数据挖掘具有深远的意义[12]。

5 结束语

本文建立了基于设备BOM的故障诊断系统模型，重点研究了诊断系统中的知识获取、知识推理、知识挖掘三部分内容。基于BOM构建故障树，故障树每个节点包含节点基本信息和故障信息，通过对故障树进行定性、定量分析，将结果存入知识库中，并基于知识库进行故障诊断推理，最终得出故障原因及解决措施。基于BOM进行故障诊断，可以使故障管理更加精细化和科学化。通过对故障信息进行统计分析航空设备的故障模式、原因等规律，可以作为航空设备资产管理、航空设备维修管理、新设备选型设计的航空设备性能的升级提供依据，可以为进一步完善预防维修大纲以及备品备件的采购提供决策支持。