基于故障树模型的航空雷达在线入侵诊断系统设计

徐新星

(安徽财贸职业学院，安徽 合肥 230000)

飞机雷达系统结构复杂，各功能模块之间存在大量的信息交互。网络是现代航空运输技术发展的方向。空中雷达网包括航空中心网和计算机网络。互联网要求信息传输快速、准确、高密度。机载雷达中心节点通过战术数据链连接，实现全网动态更新。数据和信息在网络上确保实时传送信息[1]。空中雷达受到外部数据入侵的威胁，会对航空航天造成严重损害。航空雷达的迅速发展使其受到越来越多的攻击，所以，采用一种高效的入侵检测技术就显得尤为重要。现有方法利用计算机网络将不同分散的雷达位置组合起来，虽然具有良好诊断效果，但也受到动态环境的影响，导致诊断精准度较低；利用双向关联记忆网络应用技术构建了远程航空雷达网络的在线入侵诊断模型，并利用实时网络入侵检测与诊断技术，为远程航空雷达网络防御外部网络入侵提供了一种途径。虽然使用该系统能够免受外部环境影响具有良好诊断效果，但容易受到网络外部行为特征影响，导致诊断效果变差。针对该问题，提出了基于故障树模型的航空雷达在线入侵诊断系统设计。

1 系统整体架构设计

随着雷达设备复杂性的不断提高，其入侵诊断变得越来越困难，并且设备分布广泛，难以及时、有效地诊断故障。远程诊断系统充分利用了网络信息技术的优势。为此建立远程诊断服务中心[2]。它由诊断中心和现场设备工作站组成。本系统以远程诊断中心为核心，提供设备的智能化诊断服务。其整体架构如图1所示。

图1 雷达在线入侵诊断系统整体架构

如图1所示，用户可以通过浏览器访问诊断中心专家系统的网站，通过网络-远程诊断专家系统，获取子系统的一般或异常信息。雷达子系统的组件通过便携式检测仪器进行检测[3,4]。

如果设备出现故障，远程诊断中心将提供诊断服务，现场工作站将接收诊断服务器的指令协助诊断。如果设备出现严重故障，安装现场的维护人员将无法正确处理，因此需要远程诊断[5]。将本地诊断系统连接到远程诊断系统后，远程诊断系统通过计算机接口与诊断交互。在远程诊断过程中，诊断专家可以通过推理和分析获取现场设备的实时信息或历史记录，以及现场远程诊断反馈[6]。

2 硬件结构设计

雷达站是一个复杂的大型系统，包括发射、接收、测量和倾斜度测量等功能站，彼此之间的距离较大。设计远程故障诊断服务中心，各种功能诊断站和其他故障诊断资源维护站[7]。在每个功能站中，诊断站点都基于Web服务提供各种诊断服务。针对特定的诊断问题，通过网络多站点协作，可以形成具有领导协作能力的动态诊断链。图2中显示了硬件结构。

图2 硬件结构

由图2可知，每个站点首先独立完成系统设备的状态监测、故障处理、维护决策等工作。通过千兆光纤传输网络发送服务请求，诊断台也是大型系统的一个服务单位[8]。其服务功能是发布到中央服务器，然后由服务管理中心进行注册，也就是服务注册。值班员对各职能部门的中心服务站进行实时监控，在发现问题或接收到服务请求时，进入信息数据库，查找相关的服务信息，激活贝叶斯网络推理决策机制，生成处理意见，供现场保障人员使用。由于缺乏必要硬件设备，故只有在远程协助下才能解决现场人员无法解决的问题，从而提高雷达系统整体效能。

2.1 FS-N40光纤传感器

使用的FS-N40型光纤传感器位于光纤的末端，而光纤只是光的传输线，其将被测物理量转换成光的幅度、相位或幅度。采用光纤技术，可实现基于探测器的遥测。用光纤作为感测元件，不仅可以传送光，而且可以作为光电传感器[9-11]。在光纤自身外部环境的影响下，被测物理量通过调制光波导特性影响传感器，从光源接收的光束通过光纤传输到调制器，被测参数随光的变化而变化，进入调制区的光的特性和光学特性会发生变化，产生调制光，光纤被传输到光电探测器进行解调，从而得到测试参数。

2.2 DS1102Z-E数字示波器

DS1102Z-E数字示波器模拟带宽为200 MHz，最高实时采样率为1 GSA/s，最大存储深度为24 Mpts，全面兼顾波形全局和细节不漏失任何波形变化，最高波形捕获率为30000 wfms/s，随时刷新波形，避免故障情况发生。DS1102Z-E数字示波器将电子信号转换为图像，由高速电子组成的窄电子束与含有荧光材料的屏幕表面碰撞产生微小光斑。在测量信号的作用下，电子束在屏幕上绘制被测信号的瞬时时间曲线。为了扩展数字示波器的带宽，只需在初始部分改进A/D开关的特性。利用多重示波器管，能在荧光屏上同时显示两个以上不同频率的信号波形，且无时差，定时准确。

2.3 红外摄像仪

选择200万像素的优质摄像头的S2型号红外摄像仪，具有CAD 红光蓝牙摄像头瞄准60 m，使用该摄像仪可将光电转化主板和内外双光路校正光学作为补偿，减少信号干扰，信号更加稳定，测量数据也处于稳定状态。1000组数据存储及导出，可直接在机器内读取，也可使用USB连接电脑导出。

一体化红外线照相机是一种集照相机、护目镜、红外线照相机、散热片等为一体的照相机。其基本原理是利用普通 CCD黑白相机对红外光的光谱特征(即对可见光和红外线的感知)，结合红外线灯作为“光源”进行夜视成像。红外线灯具的功率、角度、摄像机配置及具有一定焦距的红外线镜头，能够在动态环境下实现雷达扫描结果快速成像。

2.4 雷达电路测试台

雷达回路试验台主要用于雷达模拟电路的现场测试及更换维修的测试及维修设备，仿真电路试验台主要由台式机组成，它通过 GPIB、RS232C、USB，以太网端口等接口与计算机相连，构成支持VISA软件标准的测试系统，由此测试雷达电路。

3 系统功能设计

雷达站是由大量电子设备组成大型系统，通常包括许多子系统。分系统间的相互关系与协调具有明显的复杂性和层次性。当出现故障时，故障可能出现在不同级别之间。针对这一问题，提出了一种基于故障树模型的故障诊断方法。

3.1 雷达层次故障树模型构建

结合故障树分析方法，将层次法与故障树诊断方法相结合，建立了层次故障树模型[12-15]，如图3所示。

图3 雷达层次故障树模型

由图3可知，在雷达发生故障时，先确定雷达结构模块，再确定各子单元的功能，然后比较各子单元的故障序列，最后采用故障诊断方法进行分析。如果雷达旋转定位不准确，则先在伺服分系统结构模块中定位故障，再将故障定位到液压装置上，匹配液压装置相应的故障树，诊断故障原因。从而能够准确定位故障位置，使诊断更具有针对性和目的性，避免盲目搜索与匹配故障，提高诊断效率。

3.2 确定故障特征向量

关系分析是故障树定量分析中的一个重要环节，常见的重要度包括：组件概率重要度、组件结构重要度和组件函数重要度。采用故障树分析法(FTA)对故障进行诊断，其依据的是最有可能发生事件的原理。利用贝叶斯条件概率公式求得了系统在出现故障现象时，故障原因发生的概率，并与诊断结果相对应。因为故障树的所有最小割集都反映了系统的所有故障模式，并且所有故障模式都是相互排斥的，所以由含有最小割集的割集组成结构函数如下：

(1)

(2)

式(2)中，P(T)表示发生概率；FV表示故障原因定位重要程度依据。

采用重要性方法确定故障产生的原因是构造故障树以其特征为顶事件，以其原因为底事件，采用故障树分析方法(FTA)对故障树进行定性和定量分析，得到故障树的底事件阵线，其值的重要性、次序与故障原因的优先级相对应。

3.3 在线入侵诊断流程设计

故障树顶事件是最终要完成的任务，以系统的故障形式、深度优先搜索、故障诊断与正确的人机交互策略相结合，根据确定的故障特征向量，设计在线入侵诊断流程：

step 1：排除简单故障

在分析了所有故障诊断实例后，发现有许多故障可以直接排除，如人为操作、环境、系统误报等(这里称为主观故障)造成的故障。对简单故障进行搜索，确定故障是否为主观故障。如有，直接剔除，诊断终止，也符合实际操作流程。否则，将部件损坏、部件干扰等客观故障作为重点诊断对象，可大大提高诊断效率。

step 2：确定故障单元

在结构模块规则库中根据用户报告的故障症状搜索确定功能部件，进一步缩小故障范围。

step 3：确定故障树

匹配所有顶事件，分析故障诊断时间，进而确定故障树。

step 4：确定最小割集

结合式(1)、式(2)可得到含有最小割集的割集组成结构函数，由此确定最小割集。

step 5：排序

根据故障诊断重要程度，排列割集中的序列。

step 6：排除故障

在重要度排序的基础上，寻找具有最高重要度的最小割集对应观察表，通过人机交互为用户提供故障诊断方法。确认使用者是否有故障，如果有，则得到诊断结论，诊断结束。否则，先删除所使用的切割集项，进入step 5，继续进行故障诊断，当割集中没有可以判断的事情时，诊断结束。

4 实验分析

将VisualC++6.0作为实验平台，根据实际情况对基于故障树模型的航空雷达在线入侵诊断系统设计合理性进行实验验证分析。

4.1 雷达运行界面及参数

利用VisualC++6.0平台中的用VisualC++编制串行通讯程序，应用程序当接收到一个字符的光纤传感器和光电探测器获取的被测参数时，就产生一个低级硬件中断，然后由系统中串行驱动程序取得控制权，并将接收到的数据放入输入数据缓冲区，接着将控制权返回给正在运行的应用程序，并通过雷达运行界面显示。当雷达测试完毕后，就直接进入测试主界面，该界面可以显示雷达发射机全部被检测信息并附有故障指示灯，如图4所示。

图4 雷达测试主界面

由图4可获取雷达运行参数，如表1所示。

表1 雷达运行参数

4.2 测试结果与分析

分别使用远程支持系统、双向联想记忆网络应用技术和基于故障树模型诊断系统对雷达发出波形检测，如图5所示。

(a)远程支持系统

由图5可知，使用远程支持系统、双向联想记忆网络应用技术受到故障影响，系统低刷新率造成死区时间延长；使用基于故障树模型诊断系统不会受到故障影响，系统高刷新率缩短死区时间。

基于此，对不同在线入侵诊断方法的诊断精准度对比分析，结果如表2所示。

表2 不同方法诊断精准度对比分析

由表2可知，使用基于故障树模型诊断系统最高诊断精准度为0.95，而其余两种方法最高诊断精准度均低于0.66，说明使用基于故障树模型诊断系统诊断精准度较高。

5 结 论

雷达故障日益复杂，在线故障诊断的要求也越来越高。提出了一种基于故障树模型的航空雷达在线入侵诊断系统，并结合层次故障树诊断方法实现雷达故障的精确定位。该系统解决了存储知识不方便和缺少统一数学模型的问题，为智能故障诊断提供了一种新的知识处理方法。

在此基础上，开发了基于层次结构的故障树诊断方法，并探讨了基于层次结构的故障树知识存储方法。但该系统投入使用的时间较短，尚未完全成熟。雷达数据具有一定机密性，尤其要注意数据文件安全，并对系统使用数据库文件加密。但由于访问工具限制，加密技术一直未被成功应用，需要在后续研究进程中加以实现。