惯导智能故障诊断系统设计

史萌 连晓棠 王汉平 张士邈 钱德华

摘要：本文针对惯导系统开展基于人工智能的故障诊断技术研究，制订了智能故障诊断方案，论述了详细的诊断系统组成，包括在线测试诊断软件开发包、测试诊断服务模块、测试诊断应用管理模块、测试诊断判定规则设置及管理模块、数据采集模块和用户操作集成环境。研究发现，通过复杂的诊断推理算法，惯导智能故障诊断系统可合理地进行故障检测与定位。该诊断系统方案的实施对于航空电子系统综合诊断技术发展具有积极的借鉴作用。

关键词：惯导系统；人工智能；故障诊断；测试性模型；TEAMS

中图分类号：TP206.3文献标识码：ADOI：10.19452/j.issn1007-5453.2020.10.009

基金项目：航空科学基金（2016ZC18005）

激光惯性传感器和激光组合导航系统经过近20年的研制、生产和装机使用，国内对惯性传感器及相关电子线路、组合导航计算、传感器误差补偿、产品调试，以及校准等关键技术有了较为深刻的理解和突破，并取得了较多的工程应用经验。然而，与国外同类产品相比，国内产品在部分使用性能、长期稳定性、可靠性和维修性等方面，仍存在较大差距。目前，国外激光惯导产品（军用或民用，如LN-100G，H-764G等）均采用了基于自标校的免维护设计，大大降低了全生命周期维护费用，同时，产品基本可靠性平均故障间隔时间（mean time between failure， MTBF）均达到10000h以上。

客观地说，上述差距不是原理或理论上的代差，而是由于基础工业落后形成的产品工程化或成熟度的差距。从系统层面或产品顶层设计角度思考，如何解决或弥补上述不足是惯导系统总体设计必须解决的问题，也是不得不面对的问题。在此种认识的基础上，利用当今信息化、智能化技术发展的成果和各类工具，以软促硬，提升产品的综合能力和用户体验度，将是自上而下解决问题的途径。

作为飞行安全关键系统之一，惯导系统的性能优劣不仅影响着飞机的定位精度、飞机的控制性能及机载武器系统的攻击性能，而且直接关系到飞机的安全、作战能力的强弱和战争的胜负。由于惯导系统的特殊复杂性，目前维护的难度越来越大，传统的故障检测与定位方法已经无法适应日益提高的保障要求，亟待开展惯导系统智能诊断技术的研究，为惯导系统的智能诊断策略设计分析，提供重要的技术方法和辅助工具，不仅可以有力地推动惯导系统故障诊断的高新技术研究工作的开展，提高惯导系统的故障诊断水平，而且还可以推广应用于有诊断需求的其他航电系统，产生更大的经济与社会效益。

1研究现状

第二次世界大战以来，由于數字技术、微电子技术和微计算机技术的广泛应用，航空电子设备技术迅猛发展，尤其是航空总线技术的应用，使得大量先进的航空电子系统装备战斗机[1]。20世纪50年代，飞机上的航空电子设备在飞机总成本中占的比例不足10%，到90年代，随着飞机功能的不断增强，航空电子系统所占的成本比例已超过30%，而美国空军的第四代战斗机航空电子系统所占的成本比例已接近50%[2]。可见，航空电子系统在航空工业的发展中已占有愈来愈重要的地位，无论是民用飞机还是军用飞机都依赖航空电子系统来提高其飞行性能和作战性能。现代航空电子系统的高度综合化对航空电子设备的故障检测和故障隔离提出了更高的要求。

航空电子设备故障诊断技术是一门新兴交叉的学科，目前还没有形成完善、系统的理论体系。特别是模拟电路和数模混合电路的故障诊断技术还有待深入研究，早期的人工测试和穷举测试法已难以满足信息化战争的快速要求。近年来计算机技术、信号处理、人工智能、模式识别技术的发展，促进了故障诊断技术的不断发展，特别是电子设备故障诊断的人工智能技术得到了广泛的重视[3-7]。

现代电子设备以集成电路为核心，其规模的增大、集成度的提高，使得设备的性能及结构也越来越复杂。设备中任意一个元器件故障，都有可能导致部分功能失效或整个电子设备失灵。伴随着电子技术的逐步发展，电子电路集成度的日益提高，对电子设备的可靠性、测试性（故障诊断）和维修性的要求也日益迫切。目前，航空电子设备主要依赖机内测试（BIT）实现故障检测与故障隔离，但BIT存在严重的虚警问题，虚警率有时高达60%，而现有的技术水平，尚不能完全消灭BIT虚警[8]。同时，针对惯导系统的故障诊断技术研究也存在严重不足，传统惯导系统的故障检测依赖于BIT，故障隔离定位不准确。

人工智能及计算机技术的飞速发展，为惯导故障诊断提供了新的理论基础，产生了基于知识的智能故障诊断方法。由于此方法不需要建立精确的数学模型，并具有“智能”的特性，因此其是一种很有生命力的方法[9-11]。本文设计开发了基于知识的智能故障诊断系统，通过计算机能力的提升，把现有的测试排故的经验和数据集成升级为系统自身的功能，从而全面提升惯导系统的诊断能力，可为飞机飞行安全提供一种重要保障。

2惯导智能故障诊断系统

基于知识的智能故障诊断方法主要可以分为专家系统故障诊断方法、模糊故障诊断方法、信息融合故障诊断方法、故障树故障诊断方法、神经网络故障诊断方法和基于Agent故障诊断方法[5-11]。

本文以航空工业西安飞行自动控制研究所典型惯性传感器和组合导航系统为研究对象，以提升惯导系统全面故障诊断能力为目标，充分利用对惯导系统积累数据的认知，通过现有计算机能力的提升，把现有的测试分析排故的手段和方法集成升级为系统自身的功能，建立了惯导系统故障诊断专家系统。该系统将日常生产调试、故障分析诊断、误差分析回归和维护修理的过程和数据过程进行梳理与整理，利用智能化技术将其设计实现为嵌入式的自身固有功能，从而全面提升惯导系统的诊断维护能力，实现惯导产品自适应和智能化，为产品综合能力提升和全生命周期费用降低奠定技术基础。惯导智能故障诊断系统组成结构如图 1所示，包含以下6个主要部分：在线测试诊断软件开发包TEAMS-RDS-RT-SDK；测试诊断服务模块CinaRT-SV；测试诊断应用管理模块CinaRT-CL；测试诊断判定规则设置及管理模块CinaRT-IRuler；数据采集模块HILWorks-RTWin；用户操作集成环境CinaRT-IDE。

惯导智能故障诊断系统首先通过数据采集模块HILWorks-RT-Win和信号隔离箱采集被测试对象信号；经过测试诊断应用管理模块CinaRT-CL处理后传递给测试诊断服务模块CinaRT-SV；CinaRT-SV在线访问RDS的SQL数据库，读取测试诊断模型，实现对采集数据的测试性诊断。

以往的测试诊断软件需要开发人员自己设计诊断逻辑，然后编码实现。因此，需要在设计诊断逻辑时，设计并列出所有可能的测试结果与故障源的对应关系，随着系统复杂度的提升，这非常复杂以至于难以完成。

而本文的智能故障诊断软件通过测试性模型生成的相关性矩阵有效地解决这个问题，提供高性能的诊断并能方便地完成在线测试和维护。在对被测系统建模过程中，被测系统的所有测试点及其在系统测试性模型中的逻辑关系，都映射到了相关性矩阵中。因而在测试诊断过程中，智能故障诊断软件能够将实时地测试数据映射到数据库SQL中的被测系统测试性模型，根据对应相关性矩阵得到诊断结果，并利用所得到的测试结果（正常的或故障的）完成故障的隔离。

3智能故障诊断方案

惯导智能故障诊断系统的工作原理，如图2所示。

3.1 TEAMS-RDS-RT-SDK模块

TEAMS-RDS-RT-SDK是基于TEAMS测试性建模软件的系统在线测试诊断软件开发包，广泛用在航空航天和兵器装备系统研究及检测维修系统中，尤其是近年来，在军工装备的在线预测与健康管理（PHM）系统的故障诊断和预报系统中得到大量的成功应用。

TEAMS-RDS-RT-SDK作为测试诊断应用管理模块CinaRT-CL和测试诊断服务模块CinaRT-SV通信的中间桥梁，提供了RDS信息通信协议。制定了CinaRT-CL和CinaRTSV通信的相关准则，作为一个开发平台，通过分别提供相关的应用程序接口API函数，实现了CinaRT-CL和CinaRT-SV之间数据传输的无缝对接，确保了数据传输的安全性。

TEAMS-RDS-RT-SDK主要功能：定义测试诊断通信数据结构，定义测试诊断数据信息流初始化流程，定义测试诊断通信建立的条件，保证数据通信的安全。定义访问TEAMS数据库SQL的API接口，实现测试点状态与模型MAP信息的映射。

3.2 CinaRT-SV模块

CinaRT-SV把测试诊断过程分为两个层面程序模块实现，每个层面负责不同的诊断任务。套接字服务层完成系统在线测试诊断数据交互，故障诊断核心层通过访问RDS的SQL数据库中被测系统模型及套接字服务器层解析的测试点状态信息，形成测试诊断结果。

套接字服务层主要功能包括：解析CinaRT-CL采集的实物系统各类信号数据，为本系统模型中对应的各个测试节点的状态。发送这些状态结果到故障诊断系统核心层，在诊断结束后故障诊断系统返回的诊断结果到套接字服务器层，套接字服务器层再把诊断结果发送到CinaRT-CL。

故障诊断系统核心层功能：接收套接字服务器层发送的系统测试点状态结果，依靠读取RDS软件SQL數据库存储的模型信息，把各个测试节点的状态映射到MAP文件，经过相关性D矩阵分析，对系统进行健康状态诊断，诊断完成后把诊断结果，按照RDS协议，返回给套接字服务器层。

3.3 CinaRT-CL模块

作为在线故障诊断应用客户端，CinaRT-CL的功能主要包括：读取CinaRT-Iruler产生配置文件、初始化HILWorksRT-Win硬件板卡，采集、存储数据；按照CinaRT-Iruler模块规定的判定规则，对被测对象测试点状态（正常或故障）进行判断；将测试点状态判断结果封装成CinaRT-SV可以直接读取的数据结构，然后发送给CinaRT-SV，同时也可以读取、存储CinaRT-SV返回的故障诊断结果；CinaRT-IDE模块交互。

3.4 CinaRT-Iruler模块

CinaRT-Iruler是测试诊断判定规则设置及管理模块。CinaRT-Iruler模块主要功能包括：在线测试性诊断系统相关软硬件的配置管理；读取用户接口控制文件，并可新建、浏览、查询、编辑、删除；根据输入信号定制测试点数据的判定规则；生成CinaRT-CL所需的配置文件；可导入已有配置文件，提高软件重用性和继承性。

3.5 HILWorks-RT-Win模块

数据采集系统作为一个可定制的系统平台，HILWorksRT-Win采用一套基于compactPCI总线实时计算机，系统根据运行的操作系统，可以配置高性能低功耗PowerPC处理器，也可配置高性能Intel X86处理器，其他IO板卡包括ADC、DIO、FlaxRay、CAN接口。

3.6 CinaRT-IDE模块

CinaRT-IDE是最终面向用户，实现人机交互，完成故障诊断，数据监控、诊断结果显示等功能的用户操作集成环境，基于网络诊断的设计思路，主要功能包括：支持本地或远程终端用户在线下载系统测试性模型数据；支持本地或远程终端用户在线对数据采集系统HILWorks-RT-Win进行配置，操纵HILWorks-RT-Win，实现对CinaRT-Box传递的测试诊断对象数据的控制；支持本地或远程终端用户在线对ICD进行测试性诊断数据配置；支持本地或远程终端用户在线对测试性诊断数据进行图形化显示；支持本地或远程终端用户在线测试诊断等功能。

4智能故障诊断应用

惯导智能故障诊断系统的工作流程，如图3所示。具体步骤如下所述：（1）首先进行常规的初始化工作，然后调用init_message函数（此函数填充Message_data结构以满足TEAMS RT Server的需要）对message结构进行初始化；（2）在RT中调用msgutil_set_connect_info函数（此函数提供与TEAMS RT Server建立连接需要的信息）建立与Server的连接，以便于后面的通信；（3）调用msgutil_send_recv_all_ msg函数（此函数是TEAMS RT Client与TEAMS RT Server通信的主函数，Client填充诊断需要的数据，Server通过此函数返回诊断结果），给Server发送注册命令，通知Server将开始一个新的故障诊断；（4）调用msgutil_send_recv_all_ msg函数（此函数是TEAMS RT Client与TEAMS RT Server通信的主函数，Client填充诊断需要的数据，Server通过此函数返回诊断结果），给TEAMS RT Server发送启动诊断的命令；（5）把测试结果组织到Msg_data_test（此结构存储测试结果）结构中；（6）调用函数get_on_off_switches_for_a_ system_mode_Rt转换模式，如果模型中需要转换模式；（7）调用函数msgutil_send_recv_all_msg，把测试结果发送到TEAMS RT Server，同时获取Server的诊断结果；（8）根据诊断结果，可判定测试性模型中模块的4种状态：bad， unknown，suspect和good；（9）判断诊断是否结束，如果没有结束，返回第（5）步，组织新的测试结果，进行新的故障诊断；（10）测试及诊断结束，退出程序。

以某型惯导系统为例，开展智能故障诊断应用，惯导系统的测试性模型如图4所示，故障诊断系统如图5所示，诊断结果如图6所示。

5结束语

与传统依靠工程师的经验进行故障测试和诊断的设计相比，本文提出的基于知识的智能故障诊断技术，根据诊断知识库和测试数据判决结果，可以有效开展推理分析，得出哪些故障是确定发生的，哪些故障是确定没有发生的，以及哪些故障是怀疑的，有效实现在线状态监测和故障诊断，并且根据预定的各种参数指标极限值/阈值来提供故障报警功能[12-14]。

这样不仅保证了系统故障测试与维修的合理性，同时能够直接利用软件工具就能够辅助进行测试性分析与诊断工作，大大降低了在设备使用寿命中对测试与诊断维修人员的技术门槛要求，提供了设备使用和维修工作的有效支持和保障。该方案的实施推广对于航空电子系统综合诊断技术发展具有积极的借鉴作用。

参考文献

[1]田存英，邱冬.基于范例推理的智能故障诊断在机载系统中的应用研究[J].航空科学技术，2017，28（12）：68-72. Tian Cunying， Qiu Dong. Application research of intelligent fault diagnosis based on case-base reasoning in airborne system[J]. Aeronautical Science & Technology， 2017，28（12）： 68-72.（in Chinese）

[2]李玲，赵嵩正.基于BOM的航空设备故障诊断系统模型研究[J].航空科学技术，2017，28（12）：55-60. Li Ling， Zhao Songzheng. Research on fault diagnosis system model of aviation equipment based on BOM[J]. Aeronautical Science & Technology， 2017， 28（12）55-60.（in Chinese）

[3]朱大奇.航空电子设备故障诊断新技术研究[D].南京：南京航空航天大学，2002. Zhu Daqi. Research on avionics fault diagnosis[D]. Nanjing： Nanjing University of Aeronautics and Astronautics， 2002. （in Chinese）

[4]鄂加强.智能故障诊断及其应用[M].长沙：湖南大学出版社， 2006. E Jiaqiang. Intelligent fault diagnosis and its application[M]. Changsha： Hunan University Press， 2006. （in Chinese）

[5]覃祖旭，张洪铖.信息融合的一般过程及在故障诊断中的应用[J].测控技术，1995，14 （3）：15-18. Qin Zuxu，Zhang Hongyue. General process of information fusion and its application in fault diagnosis[J]. Measurement and Control Technology， 1995，14（3）： 15-18.（in Chinese）

[6]吳今培.智能故障诊断与专家系统[M].北京：科学出版社，1999. Wu Jinpei. Intelligent fault diagnosis and expert system[M]. Beijing： Science Press， 1999. （in Chinese）

[7]王飚舵.基于专家系统和神经网络的机车电路故障诊断系统研究[J].北方交通大学学报，1996，20（4）：495-501. Wang Biaoduo. Research on locomotive circuit fault diagnosis system based on expert system and neural network[J]. Journal of North Jiaotong University， 1996， 20（4）： 495-501.（in Chinese）

[8]纪常伟.基于故障树和神经网络的故障诊断技术研究[D].啥尔滨：啥尔滨工业大学，1995. Ji Changwei. Research on fault diagnosis technology based on fault tree and neural network[D]. Harbin： Harbin University of Technology， 1995. （in Chinese）

[9]薛凯旋，黄考利，连光耀，等.基于信息融合技术的装备BIT故障诊断系统应用研究[J].计算机测量与控制，2008，16 （5）： 598-600. Xue Kaixuan， Huang Kaoli， Lian Guangyao， et al. Application research of equipment BIT fault diagnosis system based on information fusion technology[J]. Computer Measurement and Control， 2008， 16（5）： 598-600.（in Chinese）

[10]鈕永胜，赵新民.采用基于神经网络的时间系列预测器的故障诊断新方法[J].仪器仪表学报，1998，19（4）：383-387. Niu Yongsheng， Zhao Xinmin. A new method of fault diagnosis using time series predictor based on neural network[J]. Journal of Instruments， 1998， 19（4）： 383-387.（in Chinese）

[11]师汉民.人工神经网络及其在机械工程领域中的应用[J].中国机械工程，1997，8（2）：5-10. Shi Hanmin. Artificial neural network and its application in mechanical engineering [J]. China Mechanical Engineering， 1997， 8（2）： 5-10.（in Chinese）

[12]杨一平，戴汝为.神经元网络专家系统及其在反应堆事故诊断中的应用[J].电子学报，1990，18（6）：62-67. Yang Yiping， Dai Ruwei. Neural network expert system and its application in reactor accident diagnosis[J]. Acta Electronica Sinica， 1990， 18（6）： 62-67.（in Chinese）

[13]赵卫东，陈国华.粗糙集与神经网络的集成技术研究[J].系统工程与电子技术，2002，24（10）：103-108. Zhao Weidong， Chen Guohua. Research on integration technology of rough set an neural network[J]. Systems Engineering and Electronic Technology， 2002， 24（10）： 103-108.（in Chinese）

[14]石君友.测试性设计分析与验证[M].北京：国防工业出版社2011. Shi Junyou. Testability design analysis and verification[M]. Beijing： National Defense Industry Press， 2011. （in Chinese）

（责任编辑王为）

作者简介

史萌（1987-）女，硕士，高级工程师。主要研究方向：惯导系统六性设计。

Tel：029-61889347E-mail：sm1077@163.com

连晓棠（1972-）女，学士，高级工程师。主要研究方向：惯导系统六性设计。

王汉平（1982-）女，硕士，高级工程师。主要研究方向：惯导系统六性设计。

张士邈（1974-）女，硕士，高级工程师。主要研究方向：惯导系统六性设计。

Design of Intelligent Fault Diagnosis for Inertial Navigation System

Shi Meng*，Lian Xiaotang，Wang Hanping，Zhang Shimiao，Qian Dehua AVIC Xian Flight Automatic Control Research Institute，Xian 710076，China

Abstract： In this paper， the fault diagnosis technology based on artificial intelligence is studied for inertial navigation system（INS）， and the intelligent fault diagnosis scheme is worked out， and the detailed scheme composition is discussed， including online test diagnosis software development package， test diagnosis service module， test diagnosis application management module， test diagnosis decision rule setting and management module， data acquisition module and user operation integrated environment. It is found that the intelligent fault diagnosis system of INS can detect and locate the fault reasonably through the complex diagnosis reasoning algorithm. The implementation of the diagnosis system scheme has a positive reference for the development of comprehensive diagnosis technology of avionics system.

Key Words： inertial navigation system； artificial intelligence； fault diagnosis； testability model； TEAMS