中国指挥与控制学会会刊 
平视显示器(HUD,以下简称平显)是歼击机的主显示器,可为飞行员提供执行作战、训练任务所需要的飞机姿态、目标状态和瞄准攻击等图像信息,是重要的人机交互设备。随着军事科技的快速发展,现代战机的功能与性能得到不断提升,HUD需要显示给飞行员的信息数量及种类越来越多,使得HUD的结构更趋复杂,而且频繁操作和恶劣的工作环境等原因导致故障率明显高于其他机载电子设备。如何快速进行故障定位和排除对于确保飞机的完好率和任务执行度起到了决定性作用。通常可用于飞机电子设备故障诊断的方法有故障树分析法、基于人工神经网络的故障诊断法以及基于案例推理的故障诊断等方法[1,2,3,4,5,6]。本文主要研究基于案例推理的故障诊断方法。
1 基于CBR的故障诊断方法
基于案例的推理(Case-Based Reasoning,简称CBR),又称为基于事例的推理,属于类比推理方法,它借鉴以前解决问题的方法来解决新问题,是人工智能领域中新兴的一种问题求解方法。它以其独特的推理方式和成功应用,引起了国际人工智能界的广泛重视[7]。
1.1 CBR的基本思想
要构建CBR系统,首先需要建立故障诊断系统的模型,使各个要素之间产生联系,进而变成一个因果关系网,从而使系统可以进行因果关系推理;然后输入若干已经解决的案例,生成较全面的案例库,利用已建立的案例系统对比筛选给出解决方法[12,13]。CBR会在诊断中不断增加新的例子,又会在学习中持续修正。学习是随着推理同时进行的,随着案例的更新和扩充,在所要解决的这个领域将会更加符合实际,涉及面也更广泛。在案例比较复杂多变难以推理判断的情况下,通过记录此特殊案例,可以直接根据类似特殊案例解决问题,不必进行相似匹配,也不必重新开始进行推理,不会发生配对冲突和重复情况,从而提高效率。CBR系统的分析决策流程如图1 所示,CBR流程简述如下:
1)案例检索:访问案例库进行对比找到与目标问题最为相似的案例;
2)案例重用:根据检索到的案例的求解措施来解决目标案例;
3)案例修正:在推理解决问题中持续对案例实施推理修正,使案例库更加符合实际;
4)案例保存:将当前解决的问题添加到案例库存储。
1.2 案例的表示和存储
案例表示就是按某种固定的格式抽取案例信息,对案例信息进行结构化描述。目的是把领域专家的知识以简洁、灵活和透明且易于诊断推理表达的方法表示出来。案例的信息组成通常比较固定,包括问题的表达、改进问题的措施以及对该措施做出的解答及备注等。常见的表示方法有两种:面向对象表示法和框架表示法[14]。现有的CBR系统,通常采用框架表示法进行表述,它是基于框架理论上演变出来的一种描述方式。
槽表达事物其中一种属性,槽面则是描绘对应属性中的一个方面。框架是表达对象属性的结构,它包含描述事物多方面的槽,然后各槽再结合实际又可以划分为不同槽面。框架中的槽值及槽面也可以代表另一个框架,这就使它们之间有了关联,可以从一个框架出发查询不同的框架。框架不仅有上面所提到的横向之间的联系,纵向之间也可以进行类似查找。上层框架可以将值和属性给下层的框架。这样可以避免重复描述情况的发生,节约时间和空间。
1.3 案例的检索策略
检索是指结合案例实际,寻找可用的信息,从而得到最优路线来解决目标案例[15]。CBR中的检索,就是在解决目标案例的过程中,通过在案例库中匹配到相似度最高的推理来解决问题。CBR推理主要需要完成两个任务,即匹配到的案例要少,而相似度要高。
最近邻法是CBR系统众多算法中较为广泛使用的基本算法,适用于简单的基于属性的案例表示方式。最近邻法的基本思想是找到一种解决目标案例最短距离的方案。它将案例的某方面特点用数据表示为一个点,在这个点附近构建解决问题的路线,当出现某个问题需要解决的时候,能快速准确地找到结果。
在上述方法的实现中,需要给出各点之间距离的定义。通过相似度拟合,计算完成任务路线的距离,找出最近的线路。在案例相似度拟合中通常用欧拉距离来判断它的相似性[16]。两个n维向量x1、x2的欧拉距离d12由下式计算:
d12=
其中,提供案例的输入向量权值由用户提供,输出向量的则一般由0-1函数表示。
1.4 案例的学习
案例的学习是指新知识的扩充和旧知识的不断修正[17]。基于案例推理的故障诊断系统自学能力强,能不断完善案例库。案例的学习主要是两个方面的内容,一个是案例库中需要补充新的案例以增大求解范围;二是对已有的案例实施推理改正,使它符合现在的实际情况,提高解决目标案例的准确度。
目前,案例的学习过程中主要存在两个方面的问题:
1)误判:是指在推理过程中,至少存在一个案例匹配成功,得到相应的推理结果,但结果错误;
2)漏判:是指在进行案例推理过程中,出现了故障,但没有案例与当前问题匹配成功,系统不能给出答案。产生这种情况的原因,一是当前案例在案例库中没有出现过相似案例,二是相似度达不到匹配成功的要求。
当每一个问题求解完之后,应当根据上述情况确定是否需要添加一个新的案例,或对现有的案例进行调整以及如何调整,从而实现案例的自学习过程。
2 CBR在HUD故障诊断中的应用
航空电子设备故障较多是多发性故障,经验丰富的保障人员一般可以通过故障现象能较快地判断出故障原因,而不需要花费大量时间去研究原理再慢慢排除。较多故障现象和原因都是相对应的,比较容易判断。但是歼击机装备的平显,结构复杂,使用频率高,故障也呈现复杂多变的特点,想要将每个故障按照规律简单判断是不可行的。相较于故障树和人工神经网络故障诊断,CBR更适用于平显的故障诊断决策。CBR会在推理和学习中形成新案例,并且在学习中和推理的过程中不断进行校验和修正,使诊断结果更符合实际情况,更加科学,故障树成型后,不会对故障树结构与参数进行学习和修正[18]。
2.1 基于层次分类模型的案例库的建立
在平显CBR故障诊断系统中,并不是把故障案例都简单地存储在案例库中。为了能够快速检索和方便维护,需要划分层次类别,以基于层次关系的方式来建立案例库。首先将故障案例按照机型进行分类,即案例库的第1层;然后按照设备类型进行分类,即案例库的第2层;最后对平显故障现象进行归纳,即案例库的第3层。具体到每个案例而言,它存储的主要信息如表1 所示。
表1 案例的主要信息 |
| 名称 | 含义 |
|---|---|
| 案例编号 | 唯一标识案例的代码 |
| 机型 | 故障案例所属的机型 |
| 设备 | 故障案例所属的设备类型 |
| 故障现象 | 故障案例的最基本的特征 |
| 诊断结论 | 故障诊断后得到的结论 |
| 诊断方法 | 排除故障的方法 |
| 发生频率 | 单位时间(年)该案例发生的次数 |
| 专家评价 | 专家对该案例进行诊断的反馈 |
2.2 故障案例的检索和匹配
航空装备CBR故障诊断系统可以采用归纳索引法和最近邻法相结合的检索方法,其检索过程可以分为故障类别确定、候选案例群获得、候选案例特征提取、候选案例相似度计算、候选案例按相似度排序、相似度超过阈值案例输出等步骤,其流程如图2 所示。
2.3 基于CBR的平显故障诊断系统的实现
平显CBR故障诊断系统可以分为用户诊断和案例库维护两大模块[19]。这两个模块通过案例库建立起联系,前者通过案例库进行推理故障诊断,解决用户所要解决的问题;后者利用诊断后所得到的反馈,对案例库实现补充和修正,不断完善案例库。
用户诊断模块面向的对象是一般的用户,提供所需的故障诊断服务,主要由索引分配、特征提取、相似度计算等模块组成,其工作流程如图3 所示。案例库维护模块则面对的是后台这一定领域的专家,根据收集的资料和反馈结果不断进行改正权值以及案例的扩充修正,不断完善案例库。案例库维护模块的工作流程如图4 所示。
为方便保障人员开展工作,基于CBR的故障诊断软件在开发时考虑了如下2个因素:
1)结合设备保障实际,按由易到难的顺序给出故障排除建议;
2)通过故障现象与案例库的对比分析,按照故障权值占比判断故障原因,并给出故障排除建议[20]。
梳理装备同类型平显的飞机累计十年的故障案例,利用Visual Studio平台建立案例库,如图5 所示。平显常见的故障现象有无画面、画面模糊、黑屏、画面亮度低等。例如,在软件界面故障现象处输入平显无画面故障现象,则会依次给出辉放板故障、电子组件故障、偏放板故障、高压电源故障、电源故障和系统电缆故障的故障原因辅助机务人员决策,故障诊断界面如图6 所示。同理,当输入其他故障现象就会给出对应的故障原因并按由易到难的顺序输出。在界面故障现象处输入平显模糊故障现象,则会依次给出高压电源故障、辉放板Ⅰ故障、偏放板Ⅰ故障和CRT管故障的故障原因;若在界面故障现象处输入平显画面较暗,系统则会依次输出平显亮度调节旋钮故障、显控处理机故障、平显供电故障、平显内部高压模块故障、平显内部辉亮模块故障以及平显内部CRT故障;若在界面故障现象处输入平显黑屏,则会依次输出任务计算机的视频驱动模块或平显字符发生器模块故障、平显自身故障以及任务计算机到平显的连接电缆故障,其他的故障现象用相同的方法编程即可完成。
如果由易到难排除的准确度无法达到精度要求时,还可以选择根据相似度进行故障诊断的方法,通过计算它的欧拉距离来判断相似性。例如在画面模糊故障的相似度计算中,高压电源故障占比为21.8%,偏转放大器板Ⅰ故障占比为30.9%,辉亮放大器板Ⅰ故障占比为36.4%,CRT管故障占比为10.9%。则它的输入向量x1为(0.218,0.309,0.364,0.109),输出向量x2、x3、x4、x5分别为(1,0,0,0)、(0,1,0,0)、(0,0,1,0)、(0,0,0,1),由式(1)所述,此时高压电源故障欧氏距离d12、偏转放大器板Ⅰ故障的欧氏距离d13、辉亮放大器板Ⅰ故障的欧氏距离d14、CRT管故障的欧氏距离d15。的计算如式(2)~(5)所示。
d12= = =0.923
d13= = =0.818
d14= = =0.748
d15= = =1.034
各个具体故障相似度分析如表2 ~5 所示,其中欧氏距离越大则相似度越低,并据此进行最终排序。
表2 画面模糊故障相似度分析 |
| 故障原因 | 高压电源 | 偏转放大器板Ⅰ | 辉亮放大器板Ⅰ | CRT |
|---|---|---|---|---|
| 欧氏距离 | 0.923 | 0.818 | 0.748 | 1.034 |
表3 无画面故障相似度分析 |
| 故障 原因 | 电源 | 电子 组件 | 高压 电源 | 辉亮 放大器 | 偏转放 大器板 | 系统 电缆 |
|---|---|---|---|---|---|---|
| 欧氏 距离 | 1.067 | 0.859 | 0.994 | 0.766 | 0.887 | 1.090 |
表4 画面较暗故障相似度分析 |
| 故障 原因 | 显控 处理机 | 辉亮 电路 | 高压 模块 | 亮度 调节旋钮 | CRT | 平显 供电 |
|---|---|---|---|---|---|---|
| 欧氏 距离 | 1.016 | 0.851 | 0.937 | 0.851 | 0.978 | 0.896 |
表5 黑屏故障相似度分析 |
| 故障原因 | 平显 | 任务机视频 驱动模块 | 平显字符 发生器模块 | 电缆 |
|---|---|---|---|---|
| 欧氏距离 | 0.679 | 0.892 | 0.938 | 1.022 |
3 结束语
本文将基于CBR的故障诊断方法应用于歼击机HUD,通过对已有故障案例进行梳理,基于Visual Studio平台建立了可不断丰富的数据库,开发的基于CBR的故障诊断系统在实践中可以协助一线保障人员快速诊断故障原因,有助于缩短HUD故障排除的时间。