复杂信息化舰船装备故障分析对比研究

庞天照，赵新文

(海军工程大学 核科学技术学院， 武汉 430033)

随着社会快速发展和战争形态的转变，以信息化为代表的高新技术不断涌现，使得舰船装备信息化程度不断提高，体系构成也越来越复杂，舰船装备故障分析对象多元且难度加大，导致传统的故障分析模型已不能有效地满足现实需求[1]。迫切需要改进传统检测方法，更加准确地分析复杂信息化舰船装备故障，提高舰船装备维修和保障效能，为打赢信息化条件下局部战争提供保证。国内外对装备故障诊断与分析开展了大量卓有成效的研究[2-4]。利用灰色关联度模型对舰船装备进行故障诊断分析时，一般倾向采用平均加权方法处理灰色关系系数[5]，导致产生较差的预期诊断效果，且对船用装备故障诊断分析结果缺少实例对比，故障分析结论与实际具有一定偏差。本文对比研究复杂舰船装备两种故障分析方法，首先理论上对比研究传统故障分析模型与改进模型，然后进行实例分析，探讨依托传统方法的改进模型在现代舰船装备故障分析中的应用可行性，提高舰船装备故障诊断效率及其可信度。

1 传统模型与改进模型的对比

综合信息化舰船装备非常复杂，一般由若干子系统构成，并且各子系统结构和相应功能各不相同，通过局域网相连接构成体系，其综合化和一体化性质使得复杂信息化舰船装备功能强大，作战能力或保障效能远远高于一般舰船装备。但复杂舰船装备尤其是信息化高技术舰船装备由于构成要素和链接点众多，某种程度上不可避免地存在“一损俱损”或“牵一发而动全身”的体系脆弱性[6～9]。为打赢未来信息化条件下的高技术战争，充分发挥信息化舰船装备效能，对战损或故障的复杂舰船装备或子系统进行故障预测或分析是十分必要的，可有力保障舰船装备的持续稳定性能。

1.1 传统灰色关联模型

多数信息化复杂舰船装备系统为灰色系统，根据其故障和征兆之间无确定的映射关系，一般采用灰色关联模型进行故障分析[10]，以故障和征兆之间发展趋势的异同来分析判断故障。分析复杂系统内部各因子之间的关联系数及关联度，并通过其大小有效确定对故障影响程度的主次因素。本方法对样本量要求不十分苛刻，一般不需要样本服从某种分布规律，且只需要较少的计算量即可获得分析结果。建立传统一般灰色关联模型，首先设定状态数据为参考序列X0=[x0(1),x0(2),…,x0(n)]，标准故障样本集作为分析比较序列Xi=[x1(1),x1(2),…,xi(n)] (i=1,2,…,m)，并设定εik为各参考序列与比较序列的灰色关联系数，表示各个时间段内比较序列与参考序列的相吻合程度。εik定义如下：

(1)

(2)

式(1)、式(2)中：ρ∈(0,1)为分辨系数。为计算方便，一般灰色关联模型常取0.5；εik为k点的灰色关联系数；γi为参考序列和比较序列之间的对应元素的灰色关联度，传统灰色关联分析中取各点灰色关联系数的算术平均值。

1.2 优化改进的模型

系统运行过程中受到各种不确定性因素的扰动，并且参考序列和比较序列每个计算点的关联系数对整个灰色关联度的影响是不同的[11]。传统灰色关联模型通常将各个点的灰色关联系数进行简单算术平均后直接作为灰色关联度值，不能准确地反映系统参考序列和比较序列的关系。产生的信息损失会导致无法充分考虑系统特征波动对结果的影响，以及不能反映基于不同时的点关联系数对复杂系统的重要性，使得复杂舰船装备系统故障分析结果与系统真实情况严重不符，即系统故障诊断分析的精确性较低[12]。因此需要优化改进传统灰色关联模型，计算参考序列和比较序列的灰色关联度时，采用添加权重的灰色关联度理论。主要在以下三方面对传统模型进行优化。

第一步：改进各序列的点关联系数的计算方法，为传统关联度模型引入权重并重新定义：

(3)

第二步：由式(3)可知计算加权灰色关联度值，需确定权重值wk。灰色关联度模型的比较序列对参考序列的影响应维持稳定，且影响期望是均衡客观的[13]。因此采用熵权法对引入权重进行赋值，通过建立相应拉格朗日函数并计算矩阵行列式，最终得到最大化约束条件下的权重向量：

Ω=M-1A

(4)

第三步：式(1)的分辨系数ρ在传统灰色关联模型中取固定值0.5，降低了模型的抗干扰性。为增加模型反应系统关联性的灵活性和真实性，需优化分辨系数ρ。根据系统参考序列和比较序列的具体情况进行动态调节取值，提高系统分辨能力。ρ的动态取值如下：

(5)

改进传统灰色关联度模型后，可计算加权灰色关联度值，并按大小排序。系统关联度最大值对应的故障被认为诊断故障，从而完成复杂舰船装备的故障分析。

2 案例分析

2.1 故障分析系统的建立

复杂信息化舰船装备系统集成多功能于一体，各部件故障机理复杂、种类多样且相互之间依存度大，精确的故障诊断需尽可能多地获取变量。必然增大系统分析的不确定性，增加“误诊”风险[14]。为促进舰船装备故障快速精准分析，提高舰船装备系统的可维修性和保障性，必须建立适应复杂信息化舰船装备系统故障特征的故障诊断系统，为操纵者提供及时准确的监测变量和可靠信息。根据优化改进模型建立复杂信息化舰船装备系统故障分析系统，如图1所示。

由图1可知，故障诊断系统主要由4个阶段组成，且各阶段之间利用串口通信协议完成数据的传输任务[15]。第1阶段获取被分析系统的运行参数数据，第2阶段对获取的数据进行科学预处理，第3阶段引入改进优化加权关联度模型进行分析，第4阶段分析系统故障诊断的结果。

2.2 实例分析

(6)

故障诊断过程中，根据采集到的系统状态数据：0.5、0.75、0.25、0.75、0.5、0.5、0.5、0.5，得到改进灰色关联度数据为ε(x0,x1)=0.727 3、ε(x0,x2)=0.571 4、ε(x0,x3)=0.989 9、ε(x0,x4)=0.666 7、ε(x0,x5)=0.615 4。可知，x0,x3的加权关联度值最大，且故障F3对应的征兆集与采集系统状态数据相同，可判断系统故障为F3。关联系数和权重计算结果如表1所示。

2.3 系统敏感性对比

对复杂舰船装备系统进行故障分析时，不可避免地产生测量噪声，为了对比参数、变量的改变对传统模型和改进优化模型分析结果的影响，需分析结果对测量噪声的敏感性，以测量系统稳定性。分别基于传统模型和改进优化模型对系统添加5%、10%、15%的噪声，敏感性分析结果如图2、图3所示。

表1 关联系数与权重向量

观察图2和图3可知，两种模型系统均对第二和第四个征兆状态参数的敏感度最高，敏感性指数伴随噪声的增加而升高，并且传统模型敏感性数值比改进优化模型的变化快。因此改进模型对系统测量噪声的敏感度较低，即抗噪声干扰性能更强，具有较好的自稳自调性，更能真实地反映系统故障。

2.4 系统分辨率对比

为验证系统分辨故障的能力，离线输入状态数据：0.50、0.75、0.50、0.25、0.75、0.25、0.45、0.5，分别利用传统和改进优化灰色关联模型对复杂舰船装备系统进行故障分析。归一化处理两种模型的关联度，关联度散点连线图见图4。由图4可知两种模型系统的故障关联度总体上排序基本一致，改进优化模型的两种故障距离更远，因此改进优化模型具有更高的分辨能力。

定量计算传统和改进的灰色关联模型对故障的分辨率(其数据见表2)。由表2可知，改进优化模型的系统分辨率均大于或等于传统模型，对各种系统故障的区分度更大，因此改进模型的故障诊断可靠性更高，故障分析结果更具准确性与可信性。

各种情形系统故障分辨率故障组合F4和F2F2和F3F3和F5F5和F1F4和F3传统模型0.23430.11710.08100.15440.1171改进模型0.30660.13010.08790.15060.1765故障组合F4和F1F4和F5F3和F1F2和F1F2和F5传统模型0.18370.02930.06660.05060.2050改进模型0.24610.09550.06960.06040.2111

3 结论

由于信息化舰船装备起步较晚，投入使用时间也较短，故障样本数据较少，为克服样本容量不足的问题，采用灰色关联模型对其进行故障分析。针对传统模型的局限性，对其进行改进优化；通过案例分析表明改进模型具有较好的稳定性和分辨率，获得了较为满意的使用效果，可有效应用于复杂信息化舰船装备系统的故障分析。

参考文献：

[1] 张炜,梁魏.复杂电磁环境下舰船装备保障对策研究[J].舰船装备指挥技术学院学报，2008，19(4)：1-4.

[2] PENG Y,REGGIA J A.A probabilistic causal model for diagnosis problem solving—part I:Integrating symbolic causal inference with numeric probabilistic inference[J].IEEE Trans SMC,1987,17(2):146:162.

[3] 张勇,曹先常.基于遗传算法的系统维修性优化分配问题研究[J].华东电力，2003,12(1):85-87.

[4] 吴定海,张培林,任国全,等.基于遗传算法的概率因果模型在液压泵故障诊断中的应用[J].润滑与密封,2006,177(5):157-159.

[5] 谢春玲,施小成.基于遗传算法的船舶核动力装置冷凝器故障诊断研究[J].船舶工程,2006,28(6):48-50.

[6] 战晓苏.信息化战争与武器舰船装备信息化的若干问题探讨[J].国防技术基础,2010(12):44-47.

[7] 贾秀权,李鑫,胡斌.大型复杂信息化舰船装备军民一体化保障的研究[J].现代电子技术,2013,36(11):25-27.

[8] 李阳,武昌,雷志雄.舰船装备维修保障信息化建设的若干问题[J].四川兵工学报,2013(4):113-115.

[9] 李世英,曲长征,薛文力.信息化舰船装备体系的RMS参数体系框架研究[J].2008,22(6):39-42.

[10] 周宇阳,陈汉平,王炜哲等.故障诊断灰色数学模型[J].中国电机工程学报，2002(6):146-151.

[11] MARKS R J.Intelligence:Computaional versus artificial [J].IEEE Trans on Neural Networks,1993,4(5):737-739.

[12] 徐小涛,田铖,朱学维.IETM在信息化舰船装备保障中的应用研究[J].国防技术基础,2008(9):22-29.

[13] 程晋,严承华,樊攀星.基于CBR的信息化舰船装备故障案例推理复用技术研究[J].计算机与数字工程,2013，41(8)：1308-1311.

[14] FRIEND A D,SCUHGART H H,RUNNING S W.A physiology-based gap model of forest dynamics[J].Ecology,1993,74(3):792-797.

[15] DAISUKE Y,LI G D,KOZO M.On the generalization of grey relational analysis [J].Journal of Grey System,2006,9(1):23-34.

[16] 龚俊名，刘伟． 多桥并联励磁系统功率单元故障诊断方法[J].重庆理工大学学报(自然科学)，2017(6)：171-178．