1、1基于 FTA 与 BAM 神经网络融合的飞机故障诊断方法摘要：飞机由大量彼此关联的组件组合而成，其大规模特性使得基于故障树（FTA）和基于神经网络的故障诊断方法在应用于其故障诊断时分别存在空间爆炸问题和训练样本整理困难问题.本文融合故障树和 BAM神经网络，由故障树归纳出系统所有的故障模式，整理出 BAM 神经网络所需的具有规范性、独立性、正交性的训练样本， 然后用 BAM 神经网络实现飞机故障的快速和准确诊断.实验评估结果表明，融合方法有良好的可扩展性，而且故障判别率提升了 20%. 关键词：飞机；故障诊断；故障树；BAM 神经网络 中图分类号：TP391 文献标识码：A 飞机系统可分为飞
2、机发动机系统、机械系统、电子通信系统、火控系统和特设电源系统，其中飞机发动机系统又可分为 7 个子系统：发动机本体、点火系统、燃油系统、滑油系统、进气系统、排气系统和操纵系统.如此结构庞大复杂的系统，给维修人员快速精确的诊断和定位飞机故障带来了挑战，导致故障平均修复的时间长，限制了飞机效能的充分发挥 1.因此研究自动化程度高、受环境影响小、处理速度快的飞机故障诊断方法非常重要. 针对汽车发动机故障诊断而提出的故障树诊断（FTA）方法 2应用于飞机故障诊断时，由于描述故障树数据的知识库非常庞大，使得故障树最小割集抽取的规则数目随着系统规模呈级数增长，从而导致后面根据2规则进行推理的速度变慢，无法
3、及时地提供诊断结果 3.相比之下，基于人工神经网络 4的故障诊断方法因具有非线性映射分布式存储、并行处理和自学习功能的优点，广泛应用于故障实时诊断.其中 BP 人工神经网络故障诊断方法 5具有网络结构简单、准确度较高的优点而最受欢迎，但是当多故障同时发生时，其收敛速度比较慢，诊断准确度会下降.BAM神经网络 6适合于多故障诊断，不过在应用于飞机故障诊断时，构建神经网络时需要海量的训练样本，这些样本在遍历性、致密性和相容性方面有较高要求，纯人工整理很难实现.本文通过融合 FTA 分析法与 BAM 神经网络方法，实行快速而准确的飞机故障诊断.FTA 能对每个故障现象做分析处理，除去冗余的故障数据，
4、可方便地为 BAM 神经网络得到独立的具有正交性的故障样本.这样既可以克服 BAM 神经网络中整理训练样本难问题，同时也能克服 FTA 方法无法快速诊断的问题，实现飞机故障的快速、准确诊断. 1 基于 FTA 和 BAM 融合的故障诊断方法 1.1 故障诊断模型 以 BAM 神经网络为飞机故障诊断系统的核心， 由 FTA 提供辅助支持.在这一系统中，FTA 一方面为神经网络提供所需的预处理，另一方面为神经网络提供训练样本的整理.BAM 神经网络在第一阶段通过训练样本建立知识库，进而通过在知识库基础上的联想记忆进行故障诊断.故障诊断模型如图 1 所示.其中 FTA 量化模块完成对故障事件的编码，
5、为 BAM 神经网络提供训练样本并存储在训练样本库中.BAM 神经网络模块完成故障知识库的组建，以及在知识库的基础上利用联想记忆得出诊断结果.故障知识库3用于存储 BAM 神经网络记忆的故障诊断关联数据.解释器则向用户解释推理的结果. 从图 5 中可以看出，随着故障症状数目的变化，3 种诊断方法的诊断判定时间差异很大.在 FTA 方法中，诊断判定时间随故障症状数的增多而显著增长.对于飞机这样的复杂系统，FTA 方法的故障判定时间将会变得太长而不能承受.其原因是 FTA 缺乏扩展性，当系统变得复杂时候，引起空间爆炸问题.相反，系统故障症状数对 BP 网络和 FTABAM 这两种方法的故障判定时间
6、影响却很少.系统故障症状数目从 100 变化到 500，这两种方法的故障判定时间仅只增加了 1 s.这反映出这两种方法具有良好的可扩展性. 3 结论 本文提出了一种基于 FTA 和 BAM 神经网络融合的飞机故障诊断方法.该方法应用故障树分析方法对样本数据进行提炼，过滤掉冗余的故障数据，为 BAM 神经网络诊断提供具有规范性、独立性、正交性的训练样本，以此提高诊断速度和诊断精度高.该诊断方法具有可扩展性，对于复杂的飞机系统故障诊断，它克服了 FTA 方法中存在的空间爆炸问题.实验评估结果表明，故障判定率在 BP 诊断方法中为 0.521，在 FTA 诊断方法中为0.493，本文所提的融合方法将
7、其提高到了 0.614，故障诊断精准率有明显提高. 参考文献 1刘艳春，杨德辉，刘艳丽. 基于神经网络的某型飞机发动机故障诊断研究 J.电子设计工程，2011，20（11）：89-92. 4LIU Yanchun，YANG Dehui，LIU Yanli. Failure diagnose research for the plane engine of basic neural neworkJ. Electronic Design Engineering， 2011，20（11）：89-92.（In Chinese） 2崔涛，刘刚，邹鸿雁.故障树分析方法在汽车故障诊断中的应用 J.长春工业大
8、学学报：自然科学版，2009， 30（6）： 661-664. CUI Tao，LIU Gang，ZOU Hongyan.A fault tree analysis method applied in automobile fault diagnosisJ. Journal of Changchun University of Technology：Natural Science Edition， 2009， 30（6）： 661-664.（In Chinese） 3张春华，刘伟.基于故障树的故障诊断专家系统J.兵工自动化.2009，28（11）：15-17. ZHANG Chunhua，LI
9、U Wei. Fault diagnosis expert system based on fault treeJ. Ordnance Industry Automation， 2009，28（11）：15-17.（In Chinese） 4杨兴，朱大奇，桑庆兵.专家系统研究现状与展望 J.计算机应用研究，2007，24（5）：4-9. YANG Xing， ZHU Daqi， SANG Qingbing. Expert system status and prospects J. Computer Applications Research，2007，24（5）：4-9.（In Chines
10、e） 5WU L， SUN F， CHEN S. Application of BP neural network in fault diagnosis of FOG SINSC/ In7th intl Conf on Intelligent Control and Automation. New York：IEEE，2008， 59322-9326. 6ISAR N， SEYYED A S， SYLVAIN C. A chaotic feature extracting BAM and its application in implementing memory searchJ. Neura
11、l Processing Letters，2012， 36（1）：69-99. 7LSLAM M M， YAO X， MURASE K. A constructive algorithm for training cooperative neural network ensembles J.IEEE Trans on Neural Network，2003，14（4）：820-834. 8SUN G， ZHANG R， LUO F. Evaluation method of coal mine production safety based on BP neural network C/ 2009 Intl Conf. on Information Technology and Computer Science.New York： IEEE， 2009， 514-517. 9ERMEST J， FRIEDMAN H J.89 the java expert system shellEB/OL.http：/herzberg.ca.sandia.gov/docs/52/index.html.
