舰载卫生装备故障建模与仿真分析

吴 洋 张 伟* 孙 旭 尹晓峰 张谷敏

航空母舰是一种以舰载机为主要作战武器的大型水面舰艇，处于独立单元，经常性的出海远行执行特殊任务，其内部密闭、高温及高湿性的环境，使得卫生装备长年累月处于恶劣环境，其内部元器件损害较大[1]。舰载卫生装备是集电子、机械、信息控制等技术于一体的高精尖科技系统，由大量相互联系但工作性质不同的部件组成，其工作状态存在着非线性、非平稳性、不确定性等特征，使得在实际的操作使用过程中一旦发生故障，故障原因难以查找、分析并及时排除，给装备系统的维修维护造成不便，严重影响部队持续保障能力[2]。

目前，国内外许多研究机构从故障发生机制入手，采用逆向传播(back propagation，BP)神经网络、逻辑算法等非经典数学方法对此类问题进行了研究，取得一些研究成果。本研究针对卫生装备的机械运动模块与电源模块故障，采用故障模式与影响分析(failure mode and effect analysis，FMEA)方法，分析部件故障的基本属性及传播特性，建立其故障属性描述模型及状态参数数据库，采用神经网络算法进行故障传播分析，注入故障模式，查找故障发生原因，模拟故障现象及发生流程，计算故障发生概率，为卫生装备故障分析与研究提供技术支持。

1 舰载卫生装备故障模型的建立与仿真分析

舰载卫生装备故障建模与仿真分析研究利用故障属性，参考工作部件状态参数数据库，通过仿真方法利用神经网络算法分析进行故障导入、故障实验，模拟故障现象、发生流程及计算发生概率等信息，判断故障模型的正确性[3]。

1.1 建立装备故障属性及状态参数数据库

依据舰载卫生装备的功能及结构，全面系统的对所有异常现象进行描述，判断是否构成故障；若判断产生故障，分析装备故障及影响因素，得出故障的基本属性及扩散性信息；最后综合分析故障特点要素，建立舰载卫生装备故障属性及状态参数数据库。

1.2 基于故障扩散性构建故障神经网络流程

故障的扩散性决定了故障现象的多变性和故障发生的过程。在对舰载卫生装备故障研究中，根据故障属性状态参数数据库，运用BP神经网络的方法模拟故障现象及故障发生的过程，从而计算故障发生概率。

1.3 规划故障仿真模型实现故障智能推理过程

故障的仿真实现应当具有良好的交互性和准确的推理能力。操作者根据故障的属性状态参数数据库，输入故障信息，利用算法推理故障的发生过程。采用验证故障信息与仿真结果作比较，判断故障信息检验是否达到可信度，若“是”则接受故障进一步的分析和判断；若“否”则返回进一步修改故障属性状态。故障建模与仿真技术实现流程如图1所示。

图1 故障建模与仿真技术实现流程图

2 故障属性及状态参数数据库

舰载卫生装备在使用过程中，机械运动模块和电源模块或多或少的会因为设计的缺陷、环境因素的影响、人为误操作以及元器件老化损坏等原因发生故障，当卫生装备发生故障时，要追溯到故障发生时的异常表现状态或征兆，结合状态参数属性建立故障数据库。

2.1 故障模式影响分析

舰载卫生装备发生故障后，应当依据故障现象、相关资料和工作原理，进行FMEA，建立相对应的故障模型，分析故障原因，查找故障点以便及时有效的排出故障。FMEA是一组系统性的分析方法，结合故障模式和故障影响，分析判断故障的发生机理及部位，从而更有效的解决装备故障。在故障模型的建立过程中，应当充分考虑故障的基本属性及故障的扩散性。故障的基本属性能够反映出装备的真实故障，主要包括故障位置、故障模式、故障原因、故障发生概率以及故障影响等，见表1。

表1 故障的基本属性

故障扩散性主要有分散、汇聚、冗余等3种形式：①分散，即在一个故障发生之后，可能会连带引起其他部件的故障；②汇聚，则表示多个模块中任一模块发生故障可能会导致后一模块发生故障；③冗余，则必须是多个模块同时发生故障才会导致后一模块发生故障，如图2所示。

图2 故障扩散3种形式示意图

2.2 故障属性描述模型建立

在此，引入关系数据模型，其具有描述完整性、简洁性、可操作性等优点[4]。针对舰载卫生装备故障，可构建起1个六元组的故障属性描述模型，具体可以表示为：F=(W，M，Y，G，X，K)。其中F为故障属性描述模型关系名，关系中各个属性分别为：W表示故障位置，M表示故障模式，Y表示故障原因，G表示故障发生概率，X表示故障影响，K表示故障扩散性。

对于舰载卫生装备中的i个故障，其关系数据模型的故障属性描述模型关系见表2。

表2 故障属性描述模型(F)关系

3 基于BP神经网络的故障模型推理方法

神经网络是由许多相互连接的处理单元组成的拓扑结构[5]。这些处理单元通常线性排列成组，称为层。每一个处理单元有许多输入量，而对每一个输入量都相应有一个相关联的权重。处理单元将输入量经过加权处理，并通过传递函数的作用得到输出量，再传给下一层的神经元。在舰载卫生装备系统故障模型的分析过程中，将故障属性描述模型作为拓扑结构中的一个处理神经元，故障间连接用传递函数表示，故障发生概率表示故障关联程度[6-7](如图3所示)。

图3 三层神经网络示意图

3.1 故障输入层

在仿真软件中，操作者通过人机交互模块键入故障模型信息。

3.2 故障隐含层

从输入层键入的信息经过内部分类判断和算法计算，融合一定相关程度的其他故障模型信息得到复杂故障信息。

3.3 故障输出层

经过隐含层后得到的最终由输入故障可能引发的所有可能的故障，包括故障现象及其出现概率等信息。

4 舰载卫生装备故障仿真技术实现

舰载卫生装备的故障仿真是依据所发生故障的属性描述模型，通过读取操作人员输入的故障信息，利用故障神经网络进行推理运算，重现故障现象及发展流程，最终输出故障详细信息的过程[8](如图4所示)。

图4 智能故障判别流程图

舰载卫生装备与普通卫生装备大同小异，仅仅所应用的领域有所不同，当其发生故障时，需要针对故障产生进行诊断，以确定故障点，进行排除修复。但故障的产生与故障诊断往往又是相反的过程，因此，可以采用故障诊断这个逆过程来检验故障推理仿真过程的正确性。此舰载卫生装备故障仿真研究就是以在实际操作中所出现的故障信息为检验信息，把故障发生原因作为故障注入信息输入到仿真推理系统，进而得出故障发生部件，能够及时有效的排出故障，保障舰载卫生装备的正常运行。

5 舰载卫生装备故障建模与仿真实例分析

以舰载数字X射线摄影(digital radiography，DR)机为例，分析其机械运动模块故障，进行一系列的故障建模，并采用BP神经网络算法进行故障传播分析，注入故障模式数据库进行仿真分析。

DR机的机械运动模块由球管运动模块和支架协同运动模块组成，其中控制箱控制球管运动的同时，将信息传导给支架协同运动控制模块，进而控制支架跟随球管做相应的追踪协同运动。支架与球管的相互协同运动的同时又相互进行运动反馈制约，在彼此的运动范围内做正确方位运动。其球管运动模块、支架协同运动模块以及控制箱组模块的工作状态分别用a1、a2和a3表示。电路控制系统由单片机控制，主要有总控制箱、运动传感器、球管控制电路和支架控制电路组成，其工作状态分别用a4、a5、a6和a7表示。其结构原理图如图5所示。

图5 DR智能机械运动系统图

DR机在实际机械运动过程中比较复杂，现用部分运动控制模块简化其运行状态，在仿真应用时，数字0表示模块工作状态正常，数字1表示部件工作状态异常。依据控制台的显示状态a8，做出故障传播BP神经网络示意图，得出故障信息输入量X与状态信息输出量Y之间的函数关系：Y=f(wij+xi)。其中X=(x1，x2，x3，x4，x5，x6，x7)表示a(1～7)各个部件的运行状态输入量，X表示故障信息输入量，Y表示状态信息输出量，wij表示相邻自变量之间的函数关系，如图6所示。

图6 DR智能机械运动系统示图

将由已知函数Y=f(wij+xi)推导出故障传播函数：Y=hardlim(wij+xi)为硬极限传输函数。应用仿真软件，注入故障信息球管不能运动，由球管控制电路故障引起(a6=1)，得出的状态信息输出，故障点球管控制电路呈红色框，传播故障点控制箱工作异常由绿色框表示(如图7所示)。

6 结语

图7 DR机械运动故障仿真图

航空母舰在远行执行重要战略任务，一旦卫生装备发生故障而不能及时修复，直接会影响到航空母舰的卫生保障能力及作战力。因此，针对舰载卫生装备发生故障必须及时有效的查明原因排除故障的特点，提出采用故障建模与仿真技术，通过FMEA，建立故障属性描述模型数据库，采用神经网络推理故障发生流程，分析判断故障位置部件，及时有效的排出故障，保障装备正常运行[9-10]。通过对装备故障进行分析，总结出故障发生部件、概率及所需配件，确定相关应对措施，编写《航空母舰骨干卫生装备战训一体使用管理规范》一书。规范化的使用舰载卫生装备，使得舰载卫生装备一体化统一管理，保障在战训时期正常使用。舰载卫生装备的故障建模，为其维修保养提供了理论指导，具备良好的使用价值，为分析和研究舰载卫生装备故障提供技术参考[11]。

[1]朴成日，沈治河.基本作战样式下航母编队兵力配置方法[J].指挥控制与仿真，2013，35(2)：58-62.

[2]张长尧.长远航编队官兵的健康管理[J].中国疗养医学，2014，23(3)：273-274.

[3]陈元琳.基于人工神经网络的动态系统仿真模型和算法研究[D].大庆：大庆石油学院，2006.

[4]李本威，韦祥.航空发动机故障分析和诊断综合训练系统[J].实验技术与管理，2017(1)：119-123.

[5]熊国江，石东源.基于径向基函数神经网络的电网模糊元胞故障诊断[J].电力系统自动化，2014，3(5)：59-65.

[6]姜晓东，任力.基于BP神经网络的小电流接地故障选线方法[J].山东理工大学学报(自然科学版)，2017(1)：67-70.

[7]吕婷.基于故障树和贝叶斯网络的堆垛机故障建模与推理方法研究[D].绵阳：西南科技大学，2015.

[8]赵广燕，孙宇锋.电路故障仿真中的故障建模、注入及判定方法研究[J].微电子学与计算机，2007，24(1)：143-146.

[9]赵洪玲.模拟电路故障仿真注入技术研究与实现[D].北京：北方工业大学，2016.

[10]唐志全，张伟.大型医疗设备维修保养管理过程控制[J].中国医学装备，2017，14(9)：30-36.

[11]胡红波，方铁.护航编队医疗装备维修保障的主要问题和思考[J].医疗卫生装备，2012，33(10)：96-97，128.