人工智能技术在航空火控系统故障检测中的应用

喻甲其，刘 坤，韩 娟

（航空工业成都飞机工业（集团）有限责任公司，四川成都 610092）

0 引言

航空火控系统具有较高的综合水平、复杂的构成和较高的成本，是航空战斗力的关键和基础，系统的可靠性对飞机的使用及作战性能产生直接影响。根据航空设备的维护标准及技术要求，应对工作状态及性能开展实时检查，保证火控系统具有较好的状态。传统的检测方式是技术人员将所需检测的部件拆除，送至检修厂进行检查。该方式存的不足是具有较高的劳动强度和较长的时间周期，主要依靠技术人员的经验和技术，缺乏较高的准确性，检测结果无法呈现系统所有的工作状态。因此，以人工智能技术为基础的航空火控系统故障检测设备随即产生，针对该设备进行详细分析，以期增强系统运行的可靠性。

1 故障诊断技术研究现状

以人工智能技术为基础的航空火控系统故障检测技术近几年才得以产生和发展，这一技术得以发展的原因是设备的复杂性和技术水平的提升，采用传统的维修技术已无法满足现代设备的维护要求。近年来，随着新型传感器的产生，人工智能技术取得了较快的发展，极大推动了故障诊断技术的发展。可以说，故障诊断技术是多学科融合发展的成果。就故障诊断技术发展的整体水平而言，美国所拥有的技术最为先进。美国多个部门投入较多的资金研究故障诊断技术，设计出了多套高效可靠的故障诊断系统，如F-36 JSF 系统等，这些系统不仅可以有效监测设备的运行状态，而且可以诊断出设备运行中的故障。目前，该技术在各个领域取得了广泛运用。

我国对于故障诊断技术的研究起步较晚，但随着国内学者的不懈努力，故障诊断技术已经取得较快的发展。王成刚等人通过开展研究提出了一种以多值测试为故障诊断测试法，以此代替传统的测试法，避免了信息的丢失。还有一些专家指出通过运用多信号流图的模型来监测一些复杂的电子系统，可以在产品设计初期对各个测试数据进行迅速准确的判断，基本实现了系统的检测需求。目前，我国针对故障诊断技术所进行的研究大多集中在高校，在各专家的持续努力中也提出了一些实用性较强的故障诊断方案，但在武器火控系统领域尚未建立起完善的故障诊断方法，也不具备完善的诊断系统，与发达国家之间存在一定的差距。目前所采取的故障诊断技术主要分为三种。

1.1 以解析模型为基础的方法

这种方法主要是通过对系统的行为及以模型为基础的预期行为之间的差别进行对比分析来实施故障诊断，该方法首先要创建起系统的数字模型，再依据模型对系统的输入进行计算及分析，以取得系统的输出，再和实际输出值进行对比，得到残差并进行处理，从而明确系统是否出现故障以及故障类型。该方法主要有参数估计法、状态预估法等。

使用该方法创建系统化数学模型时，一般还需具备足够的传感器信息，因此从理论上讲，通过运用该方法可以对已具备模型的系统故障进行准确的诊断。但对于目前已经创建了系统的相关模型，必须充分掌握系统的内部构造及联系，实际上大多数复杂系统都难以创建起有效的数学模型，因此，该方法很少应用到实际系统中。

1.2 以知识为基础的方法

随着网络技术及人工智能的快速发展，这种基于知识的故障诊断法得以产生。该方法充分融合了人工智能技术，基于规则及知识开展与人类思维相关的推理，最终找出可能发生的故障，再经过用户进行验证，主要包含故障树诊断、神经网络等方法。

采用这种方法不需要针对诊断对象创建精确的模型，广泛应用于复杂及非线性化的系统，但其中存在的不足就在于知识的获取，而且也不具备较强的实时性及适应性。近年来，该方法取得了飞速的发展，大部分新方法被逐渐应用到系统故障诊断中，但这种方法缺少完善的系统理论框架，还需进一步研究。

1.3 以分析信号为基础的方法

该方法指利用信号频谱分析、小波变换等手段提取信号的幅值、频率等特征，进而对这些特征进行分析以找出故障，其中主要包含主元分析、小波变换等方法。

采取这种方法不需要创建系统化数学模型，具有较强的简便性和实时性。该方法大多应用于故障检测工作，但在故障的辨识及定位方面存在较大的不足，因此单独采用该方法无法取得较好的效果，通常都要与其他方法结合起来使用，以提升故障诊断的准确性。

2 故障诊断常用方法

2.1 专家系统

是一种借助计算机技术来模拟人的行为并以此解决问题的系统。专家系统故障诊断法指的是计算机系统利用人类专家处理问题的经验汇总成知识，再依据所采集到的信息来模拟人类处理问题的方法开展相应的推理计算，最终判明故障原因。

在飞机火控系统开展故障诊断的过程中，专家系统得到了深入的应用，但采用这种方法极易受到专家知识库的影响，如果不具备全面、正确的专家知识，将会极大降低故障诊断的准确度，而且该系统在实际应用的过程中，取得专家知识是一个最大的难点。

2.2 故障树分析法

这种方法指的是通过对对象进行诊断来建立相关的模型，之后将系统产生的故障作为顶节点，故障现象属于中间节点，然后根据故障信息的类型实施分解，直至得到以故障源作为叶子节点的诊断方法。故障树的结构见图1。

故障树依据系统出现故障时所形成的各种故障问题，持续向下进行细分，最后得到了处于叶子节点的故障源。当具备全面及精确的故障树模型的时候，故障树分析法取得了较好的诊断效果，但是通常情况下，对于一些系统过于复杂的故障树，其具备较强的繁琐性，很难创建起完善的故障树模型，从而在某种程度上极大约束了这一方法的运用。

图1 故障树结构

2.3 神经网络

在故障诊断的过程中，神经网络主要作为一种分类器来识别出系统的故障，也可以与其他方法相结合形成组合型的故障诊断法。该方法首先要针对现存的故障样本开展学习，之后再针对故障样本获取相应的特征，最后再经过已结束训练的神经网络实施故障样本分裂，最终取得相应的结果。

神经网络有着较强的适应能力，当具备充足及有效的样本时，可以较好地解决复杂的分类问题，但这也是存在于神经网络的最大缺点，由于无法取得较多的训练样本，而且这种方法常常会出现局部最优，无法实现整体优化。

2.4 多信号流图的模型

该模型所针对被监测对象的构成板块、测试及被监测对象之间存在的特征进行分析，并基于此采取有向性方法对其进行表示，再依据系统中信号的检测结果对故障实施诊断。该模型同时融入了以解析和以信号的两种诊断方式，在复杂系统中有着较广泛的运用。

3 航空火控系统故障检测装置功能板块

航空火控系统故障检测装置构成单元主要有主控处理单元、数据收集分析处理单元、接口转换单元等。

3.1 主控处理单元

故障诊断设置选择S3C2440A 来作为嵌入式控制器，它是某半导体企业推出的一种微处理器，其内核是ARM920T。S3C2440A 的构成主要有16/32 位的RISC 体系构造与相应的指令集，其MMU（Memory Management Unit，内存管理单元）适用于WinCE，EPOC 32 和Linux。

3.2 数据收集分析处理板块

故障检测设置主要是利用USB 模块来收集数据，其应用于现阶段的Unix 等多个类型的操作系统及相应的软件环境。该板块所具有以下功能：

（1）USB 数据采集板块安装了一个自动化通道/程控增益的扫描电路，该电路主要对采样过程中的多路选通器进行控制，具备较高的效率。

（2）模拟输入：单端和差分分别有48 和24 路。

（3）拥有4 路模拟输出，其中可选择的模式主要有电流及电压两种。

（4）提供可靠的编程计数器，其中主要包含了3 个16 位计数器。

（5）输入及输出分别为16 路。

（6）在对开机进行模拟后，可以利用跳线设置相关的输出值，该数值应保持量程值的1/2 或者最小值。用户可以先后对这四个通道的输出设定相对应的范围，分别为：0～5 V，0～10 V，+5 V，+10 V，0～20 mA。

（7）当系统开启热启动时，USB 数据收集板块可以维持上个循环的数字量输出设置。

（8）模拟输出：拥有4 路通道，12 位分辨率，其输出范畴为0～5 V，0～10 V，-5～+5 V，-10～+10 V，0～20 mA。

（9）计数器：拥有3 路通道数，16 位分辨率，技术范畴≤65535，采取减数计算器和频率测量法，电平形式为TTL 电平。

（10）数字量输入/输出：输入及输出通道均为16 路，电平形式则采取TTL 电平。

（11）供电电压9～40 V。

3.3 位置角量信号形成板块

该板块主要为系统提供多渠道的位置模拟角量，其构成部分主要有功率适配线路、电阻网络等，该板块形成的位置角量信号主要用于对姿态传感器的角量进行模拟，并利用故障检测设备进行输出，并将结果呈现在便携式终端上，进而对转换控制板所具有的精准度及功能进行有效检测。

3.4 通信测试板块

该板块主要对火控系统内部各单体之间的通信指令进行模拟，以检测火控系统内部的CAN 接口，对其中存在的各CAN 节点所传输的检测报文进行模拟，并接收各个检测单体所反馈出的信息，通过对比分析，明确火控系统各CAN 节点是否具备完善的通信功能。

3.5 接口转换板块

该板块主要是将检测设备中各功能模块的数据接口转变为相关的USB 接口。

3.6 电源处理板块

该板块主要包含DC/DC 电源板块及各相关处理电路，其功能是将内部供电转变为检测装置中各板块所需的工作电源。

4 航空火控系统故障检测装置组成设备

由于航空火控系统故障检测装置运用了串行的工作形式，无法提升运行速率及装置随时运行的要求。随着系统控制质量要求的不断提升，人工智能专家系统中设置的规则库持续扩大，冲突越来越显著。因此，该故障检测装置通过运用神经网络及专家系统相互结合的形式，充分发挥神经网络的功能，即并行处理大批化的输入信息、分布式储存等优点，以确保航空火控系统得到迅速、精确地检测，提升被检战机的反应水平。装置原理见图2。

图2 航空火控系统故障检测装置工作原理

4.1 通用适配器

由于火控系统存在大量的接口种类，故障检测设备必须与该系统形成较好的信号交错；输入及输出信号实施阻抗匹配转换；信号持续衰退、电平转换等需要借助通用的适配器实现。适配器的输入输出端采用标准的接口元件及同轴电缆，使适配器具备较高的性能。此外，适配器内部通过较好的措施进行隔离，使电磁具备较好的兼容性。

4.2 数据库

数据库的功能是储存与故障检测相关的数据信息，主要包含静态与动态两种数据。其构造应有助于系统的处理及推理，在管理软件的背景下，数据库的作用是接收及储备火控系统的各个信息，并由此推理出相应的结论结果，并将其作为一种装置来开展故障检测工作。由于数据库不仅可以储存大量的信息，而且也有助于查找，应尽可能降低数据库的规模，因此设计数据库时必须采取有助于查找及升级信息的措施。

4.3 知识库

知识库中储存了大量与故障诊断相关的专家经验及知识，其中经验是指该领域专家在长期工作中积累的经验；理论知识主要从相关描述及研究火控系统方面的书中获取。设计知识库时应依据以上经验及知识，将其转换为控制规则及参数调整规则，并储存在知识库内部。

4.4 规则库和推理机

4.4.1 推理机

该装置指的是在专家系统中完成的基于知识推理的元件，是系统中存在的某个控制程序，在控制策略下基于中间数据库内的信息来收集及选择知识库内对处理问题有用的知识，并将其运用到诊断推理中。推理机是依据检测装置当前的运行及之前的故障信息，即数据库内的信息，在规则库内检索控制手段及参数调整的方法。推理机所有的输入及输出都基于事实进行，但输出则是输入事实处于推理机的控制下，依靠规则推测的事实。为了使检测设备具备较好的推理技术及实现实时推算，推理机的结构采取了确定性与概率性两种推理机制，对各个形式的事实规则及各类事件之间的因果关系展开推理，通过将正向及反向推理及规则评价推理进行较好的结合，以增强装置的置信度。

首先，系统选择故障征兆为关键词，在规则库中通过运用匹配原则取得与此征兆相对应的行为分支，在故障树中所存在的各种行为有着不同的分支，当用户明确行为之后，系统再将行为与事实进行合并，并以此为关键词进行搜索，得到一个全新的事实，至此完成了一个推理周期，等待用户明确全新的行为分支。当规则库内不再存在行为分支时，表示完成推理，这就是故障点。

由于神经网络面对的各个征兆都来自于相同的故障输出，但是输入方式并不唯一，因此就必须依据数据开展正向推理。

推理步骤：①将网络的结构知识、火控系统的故障知识及权值矩阵从知识库中调出；②借助导入规则转换已收集到的故障征兆模式，使其成为神经网络的输入；③对隐含层的神经元输出进行计算；④对网络开展前向计算，取得输出层的神经元输出；⑤依据规则对神经元的输出进行检验，明确结果。

4.4.2 规则库

规则库是依据专家知识库内的知识来获取控制的作用及策略，它主要体现在控制知识，并基于数据库所提供的故障信息来采取有效的控制策略及参数调整措施。

4.5 专家系统训练样本

选择专家系统所开展检测及控制工作的结果作为训练样本，对神经网络进行训练，完成训练后将其运用到故障诊断系统中。

4.6 故障树-规则转换单元

该单元指的是某个图形转化为Access 格式的数据库的板块，通过这个单元可以将手工创建规则库的过程转变为故障树的设计过程。首先将故障树的树形图转变为原始的属性表，再将该表转变为规则表[4]。

5 神经网络的特征及构造

神经网络因其可以有效处理复杂的多模式，且具备较强的想象、推理及记忆功能，已广泛运用于慢变的复杂系统或者不存在模型的故障检测工作中。神经网络的构成包含了多个神经元，而神经元则采取简单的方式对信息实施处理，当神经元输入超出某个阈值时，它就可以被激活。神经元根据层级排列，输入信息则利用网络进行传播。每个神经元所具有的传播函数均对神经网络的非线性产生直接影响。在训练过程中，通过调整网络权值，促使网络输出可以借助最佳形式接近预期值。目前，应用最广泛的是具备一个隐层的BP 网络，在训练信息不完善的条件下，可以对故障进行准确的分类及识别。由于神经网络在该装置中主要用于故障检测，因此，可以将故障的测量值或故障树当做相应的样本，以完成网络的训练。

在航空火控系统故障检测中，为了使神经网络更加接近专家检测的结果，且具备较强的记忆及容错能力，神经网络需要设计为3 层BP 网络，分别为输入层、输出层和隐含层。依据专家系统的设计原理，BP 网络的输入则表现为导弹指挥仪所有工作状态下的原始参数和平显状态下工作画面的原始参数。隐含层则选择40 个节点，这是依据选择的样本点及测控的质量要求选择的。输出层则包含了相应的结果。

6 BP 网络模型及算法

目前，BP 网络是应用最普遍的一种神经元网络，主要包含三点内容：第一，模式鉴别分类，主要对文字、语言等进行有效识别和故障诊断等；第二，函数逼近，主要针对非线性控制建立模型；第三，数据压缩，其功能是实现通信过程中的编码压缩及恢复，图像信息的压缩、储存及其特征的抽取等。对于一个具备T个训练样本的问题、K 个输入、J 个输出及H 个隐藏神经元的网络构造，其相关的数据模型为：

式中：Tij表示第i 个目标矢量的第j 个分量，Oij表示第i 个输出矢量的第j 个分量。

从实质上讲，BP 算法作为一种梯度降低静态寻优的算法，在对权值进行修正时，仅依据时刻所具有的负梯度方向来修正，并对以往的经验加以考虑，从而导致学习阶段产生了一定的震荡，且收敛过于缓慢。为有效处理以上问题，人们通过研究提出了相应的模型：

式中：η 和α 分别表示搜索步长和动量项因子。

7 结束语

本文所设计的检测系统经过长期使用后，验证了其具备较强的稳定性，操作简单且维护方便，不仅可以满足某型飞机火控系统的故障检测需求，而且稍加改善就可以满足其他型号火控系统的故障检测需求，该设备的运用提升了部队的反应水平，深受好评。本文针对该故障诊断系统进行深入研究，以推动该系统的稳定运行。