[发明专利]多方法联合的航电系统故障诊断方法

说明书

技术领域

本发明涉及航电系统故障诊断方法领域，具体为一种基于FTA、BAM、BP三种方法联合的航电系统故障诊断方法。

背景技术

随着飞机装备的智能化和信息化程度越来越高，需要借助电子系统协助处理的任务也将越来越多，这也将导致由电子系统引起的故障不断增多。另外，随着电子系统不断融入武器系统的核心任务系统，信息化、智能化程度越高的武器装备需要电子系统辅助完成的任务将会越多，电子系统故障也将大大增加其维修保障问题。目前国内针对航电系统故障诊断问题，基本根据故障手册并结合专业维修人员的维修经验来对航空电子设备经常出现的故障进行检查和维修，这必将导致人的因素成为诊断和维修成功与否的关键因素。此外，由于航电系统中的很多故障是维修人员难以发现的隐蔽性故障或潜在故障，而这些隐蔽性故障或潜在故障的存在，严重威胁到整个飞机的安全性与可靠性，很可能导致严重的飞行事故。

通过对目前航电系统故障诊断与维修现状进行调查与研究，虽然智能故障诊断技术在电子设备的应用方面有了长足的发展，但是应用于航电系统故障诊断时，仍存在一些问题，如基于FTA的故障诊断方法，由于知识库的大小会随着故障树数据的增加而变大，同时系统规模越大，由最小割集得到的规则数量也会越大，这将导致根据规则推理时，速度会越来越慢，不能及时有效地得出正确的诊断结果。而基于人工神经网络的方法具有分布式存储能力、并行处理性、自学习能力等特点，所以受到欢迎，但是也存在一定的局限性，如BP神经网络的收敛速度会随着训练样本的数量的递增而递减，而且有时多种故障会一同发生，诊断准确度也会下降。又如BAM网络故障诊断方法，当其应用于航电系统时，在选取样本方面有着诸多要求，如数量足够大、样本的相容性和遍历性等，纯人工整理很难实现。

发明内容

针对航电系统故障诊断存在的故障定位困难、准确性和效率性低的问题以及单一故障诊断方法存在的局限性，本发明提供一种多方法联合的航电系统故障诊断方法，利用FTA(Fault Tree Analysis，故障树分析)、BAM神经网络(Bidirectional Associative Memory，双向联想记忆)、BP神经网络(Back-Propagation，反向传播)三种方法联合。分别建立了FTA与BAM神经网络融合的故障诊断模型、联合BP神经网络的故障诊断模型。当故障现象明显时，采用FTA与BAM神经网络融合的故障诊断模型，首先利用FTA得到系统的故障模式，分析归纳出BAM的训练样本，最后BAM通过联想记忆矩阵并行联想，得到诊断结果，此模型保留了FTA对各种故障事件优秀的分析处理能力，而且发挥了BAM网络对单一或多源故障的快速定位的优势；当故障现象不明显或者故障实例库没有此故障时，采用联合BP神经网络的故障诊断模型，对BP神经网络采集到训练样本即电压、温度等数据进行学习，最后利用训练后的网络进行故障诊断。两种故障诊断模型优势互补，弥补各自的不足之处，能够快速而有效地诊断出航电系统的各种故障，解决了航电系统故障诊断存在的问题，提高了故障诊断的准确性和效率性。

本发明为解决上述技术问题，本发明采用以下技术方案：

多方法联合的航电系统故障诊断方法，当故障现象明显时，采用FTA与BAM神经网络融合的故障诊断模型，首先利用FTA得到系统的故障模式，分析归纳出BAM的训练样本，最后BAM通过联想记忆矩阵并行联想，得到诊断结果；当故障现象不明显或者故障实例库没有此故障时，采用联合BP神经网络的故障诊断模型，对BP神经网络采集到的训练样本进行学习，最后利用训练后的网络进行故障诊断。

进一步的，明显的故障现象包括着火、烟、雾、异味、火花、器件损坏、接口松动、零件老化、零件震动或抖动。

进一步的，不明显的故障现象包括由电源接触不良或内部损坏、短路或断路造成的肉眼无法感知的现象。

进一步的，所述当故障现象明显时，采用FTA与BAM神经网络融合的故障诊断模型，具体步骤如下：

1-1、建立故障树；

1-2、求出最小割集；