基于混合推理的枪械故障诊断

李圆圆，王亚平，王家浩

（南京理工大学，南京 210094）

枪械是近距离作战时的单兵手持式军械，使用过程中一旦出现故障，不仅拖延战机，影响战斗成功，还会危及到战士的人身安全，因此枪械产品对可靠性的要求非常高。枪械是由枪管、发射机构、复进机构、闭锁机构等组成的复杂机械系统，这些机构共同配合，完成自动循环动作，时序上既有串联又有并联，而且为了减轻质量、缩小尺寸，枪械机构中大量采用碰撞的形式进行运动和力的传递。同时，枪械的使用环境复杂多变，要满足高温、低温、沙尘、雨水、盐雾、河水等使用环境下的可靠性要求。因此，在枪械研制过程中，枪械出现故障后很难快速地作出判断，故障诊断的正确性与及时性，对于设计者的知识水平和经验程度有很大的依赖性。

枪械故障具有如下特点：1）因果关系复杂，存在交叉性，同一故障可能由多种原因叠加而成。如卡弹故障，可能是由于自动复进速度低、弹匣口部变形、枪机推弹凸笋磨损等原因造成的。1个故障源可能引起多个故障现象，如自动机后坐能量不足，可能造成卡壳、空膛、卡弹等故障。2）故障影响因素具有随机性，枪械使用过程中会受到多种多样的随机因素的影响，包括环境因素（温度、腐蚀等）、载荷因素（火药气体力、磨损、润滑等）、制造因素（尺寸、装配质量等）等。

目前枪械的故障诊断方法有定性分析法和定量分析法。定性分析法主要是故障树分析法，根据故障现象和枪械工作原理进行逻辑分析，按照自动机机构的执行顺序，逐项检查，结合已有的检查结果和现象，排除其他因素，逐渐逼近，最终找到故障原因。定量分析法主要是采用建模仿真手段，建立枪械机构可靠性分析模型，通过调整影响因素取值，使得故障再现。故障树分析法虽然实用性强、结构简单，但由于枪械结构的特殊性，目前建立故障树的通用性较差，导致推导结果不准确。另外，随着新结构、新原理枪械的不断出现，故障树也会越来越庞大，常规的顺序推理需要对事件进行逐一遍历，推理效率低。可靠性建模仿真方法具有机理清晰的优点，但是由于枪械故障是小概率故障，需要采用大量的仿真分析样本，才能实现故障的再现，且在影响因素的选择上，仍然要依靠分析人员的经验，存在耗时长、效率低的问题。

为了提高枪械故障诊断的准确性和推理效率，本文提出基于规则（RBR）和实例（CBR）混合推理的枪械故障诊断方法。基于RETA算法进行RBR推理，采用可拓方法建立枪械故障实例物元模型，对数值型和区间型不同组合形式的局部相似度进行准确表征。采用最近邻近法进行实例相似度计算，并研制开发了枪械故障诊断专家系统。本文研究可为枪械故障分析提供手段，对于提高枪械的可靠性具有应用价值。

1 基于混合推理的枪械故障诊断原理

基于规则的推理（RBR）知识表达简洁明了、容易理解、可解释性强，但是由于枪械故障推理规则是由枪械历史故障归纳总结得到的，规则整理与表达专业性较强，其扩展性差。基于实例的推理（CBR）将已有的大量诊断实例、可能发生的故障和排除方案作为知识来源，通过数据关系的匹配，寻找相似问题解的方法。实例建模过程简单，其推理能力随着实例的增多而增强，并能够应用在规则难以获取的领域，其缺点是解释性差。本文针对枪械故障因果关系复杂、随机性大和迭代更新快等特点，采用以RBR为主、CBR为辅的推理模式，充分结合两者的优点，提高枪械故障诊断的准确性和推理效率。

提出的基于混合推理的枪械故障诊断流程（见图1）如下：

图1 混合推理流程 Fig.1 Mixed inference processes

1）用户输入枪械基本信息、可获得的故障现象和数据。

2）首先进入RBR推理模块，利用RETE算法进行规则筛选与匹配，检查所得节点是否为唯一底事件。若是，则查询对应维修意见，将故障原因与维修意见输出给用户；若所得节点不是为唯一底事件，则进入CBR推理模块。用户确认故障原因是否正确，若正确，将此问题存入实例库中，推理结束；若不是此故障原因，则进入CBR推理模块。

3）进入CBR推理阶段，利用可拓学物元模型和最近邻近法，计算问题与实例的相似度，保留并以表格的形式输出相似度≥85%的实例，供用户选择查看。

4）用户选择相关实例查看细节、故障原因与维修建议，确认是否正确。若正确，则将此问题保存至实例库，推理结束；若不正确，则选择下一条相关实例，直至找到正确的故障原因。

5）若选择完所有相似实例仍未找到正确故障原因，则人工排除故障，并将此问题存入实例库中。

2 关键技术实现

2.1 面向对象的故障树知识表达

知识表示的好坏对于推理机的推理效率和知识库的可维护性有着直接影响。知识的表达有很多形式，如谓词逻辑表示法、产生式表示法、框架 表示法、Petri网表示法、面向对象表示法等。本文采用故障树的形式进行规则建模，故障树层次结构清晰，利于以图形化建模的方式进行构建。采用面向对象的知识表示方式对基于故障树形成的规则进行表达，面向对象的知识表示方式具有可准确高效地表达知识、便于对知识库进行操作（修改、添加、删减和搜索等）、对故障原因有准确的定位等优点。以步枪“卡弹”故障为例，建立的故障树如图2所示。由于篇幅原因，本文仅给出“供弹路线不合理”子故障面向对象的表示方式，如图3所示。

图2 步枪卡弹故障树 Fig.2 Rifle jam fault tree

图3 面向对象的故障树知识表达 Fig.3 Schematic diagram of object-oriented fault tree knowledge expression

2.2 基于RETE算法的规则推理

为提高规则匹配算法的执行效率，本文采用 RETE算法进行规则推理。RETE算法的基本思想是充分利用之前匹配过程中的信息（规则、规则模式、事实、匹配情况等），以空间为代价，降低匹配过程中的计算量，提高推理机的匹配效率，其原理如图4所示。对事实和规则进行规则匹配的过程称为模式匹配，产生式内存区（Production Memory）中存放着被访问的规则，工作存储区（Working Memory）中存放需要被推理机匹配的数据。

图4 RETE算法原理 Fig.4 RETE inference flowchart

按故障树各节点间的逻辑关系，将不同节点储存在RETE网络中。卡弹故障树部分节点的RETE网络分布如图5所示，包括Alpha网络和Beta网络。Alpha网络用于储存规则前提，即用户可观测到的故障症兆；Beta网络用于储存不同规则前提组合所得结果。 其推理流程为：

图5 卡弹故障树部分节点RETE网络分布 Fig.5 RETE network distribution

1）检查用户输入数据的类型模式，不同的类型进入不同结点进行后续筛选，提高匹配效率。

2）检查是否完成所有Alpha结点筛选，若筛选完成，则进入下一步；若未完成，则返回步骤1）继续筛选。

3）组合Beta结点。根据步骤2）中所得Alpha结点，在Beta网络中查找是否有组合结果。

4）若有组合结果，则将所得结果Beta结点输 出给用户。

2.3 基于物元模型的实例知识表达

本文收集了大量枪械研制过程中故障分析和处理实例，这些实例既有定性描述，又有定量描述，难以用结构化数据表达，且通常1个表象故障都对应着多个引发故障。实例知识表达是基于普通知识表示方法的一种抽象表达，其实现方式也与现有的知识表达方式（如谓词逻辑表示、面向对象表示等）一样，但这些知识表达方式通常是利用向量特征来描述实例的定量特征，缺乏定性与定量相结合的表示方式，而物元模型将实例中定量特征与定性特征结合描述。因此，本文采用基于可拓方法中的物元模型来对枪械故障实例知识进行表达。

物元模型以物为对象，为的特征，为的量值，将这三者构成一个有序的三元组：=(,,)。作为描述物的一个基本元，称为一维物元，、、三者称为物元的三要素，其中与构成的二元组(,)表示物元的特征。

当某一物以个特征,,,…,及关于(=1,2,3,…,)对应的量值(=1,2,3,…,)来描述，则物元可表示为：

本文将枪械故障实例特征分2类，第一类为枪械说明特征，反映枪械具体的性能指标、结构参数与使用环境；第二类为枪械故障特征，反映枪械故障原因与维修方法。实例库模型为：

式中：=(,)为实例的说明特征集；=(,)为实例的故障特征集。

在枪械故障实例库模型的基础上，建立一个模型用于实例推理。由和组成，其中是目标，是条件。

式中：目标描述了实例推理的目标需求；为枪械说明性信息特征，且=；是目标特征对应的取值；条件描述了实例库中实例的特征与目标特征元的相符程度；是实例库中各特征的索引；描述了实例与目标特征的相似程度。

因此，实例推理的知识表达系统为：

以95式自动步枪为例，根据战技指标和结构特性，选取以下说明特征：使用口径、自动方式、供弹方式、有效射程、平均最大膛压、容弹量、供弹方式、理论射速、枪械使用环境，其说明特征集物元表示为：

2.4 基于最近相邻法的实例推理

实例的检索方法决定着模型的推理效率与准确率，检索方法通常有知识引导法、神经网络法、归纳索引法和最近邻近法。考虑到枪械说明性信息的独立性，本文采用最近邻近法来进行实例检索。实例推理过程基本循环如图6所示。

图6 基于最近邻近法的实例推理流程 Fig.6 Case Reasoning Based on Nearest Neighbor Method

推理系统若以物元模型来表达实例，则相似度是通过计算实例库中每个实例的特征元和目标特征元的接近程度来确定的。对于枪械实例模型，首先计算说明信息特征集之间相似度，定位到具体枪械实例，再对应故障特征集进行关键词匹配，完成检索。相似度的计算公式为：

特征元取值类型分为确定数值和区间2种，其组合类型见表1。

表1 组合类型 Tab.1 Combination types

1）与均为确定数值时：

2）与均为区间值时：

3）为区间值、为确定取值时：

4）为确定取值、为区间值时，在实际中一般不存在此种情况，若出现，按照式（9）计算。

以某枪械故障问题数据为例，将其与95式自动步枪、03式自动步枪、56式自动步枪、CQ 5.56mm自动步枪实例进行相似度对比计算。目标数据、权重以及实例数据取值见表2。其中特征权重采用基于层次分析法的专家打分法获得。

表2 问题与实例取值 Tab.2 Questions and example values

3 枪械故障诊断专家系统开发

本文结合枪械故障机理与提出的混合推理故障诊断方法，研制开发了枪械故障诊断专家系统。为了满足测试系统日后的维护和升级需要，本系统软件采用模块化设计理念，整个系统主要由登录模块、基础信息管理、故障模型管理模块、故障诊断模块和帮助模块5个部分。其中基础信息管理模块包括故障现象管理、故障原因管理、维修建议管理、用户权限管理、用户信息管理；故障诊断模块包含枪械故障诊断与维修建议；故障模型管理模块包括故障树诊断模型的查看与更新、实例模型的查看。

采用枪械历史故障数据作为测试数据，对所设计的专家系统进行试操作。具体步骤如下。

1）挑选一条枪械历史故障数据，在输入界面输入枪械相关信息，如图7所示。

图7 用户输入界面 Fig.7 User input interface

2）点击“开始诊断”，得到的诊断结果如图8所示。

图8 诊断结果界面 Fig.8 Diagnosis result interface

由推理过程可得，在RBR推理阶段未能得到唯一底事件（即故障原因），系统自动进入CBR推理阶段，并给出相似度由高到低3个枪械实例的故障原因，分别为“弹匣晃动”、“弹匣过高”和“弹下前后位置不合理”。由历史故障数据可知，此枪械故障原因为“弹匣晃动”。由此可知，该专家系统准确度较高。

4 结论

本文对于枪械故障因果关系复杂、随机性大和迭代更新快等特点，提出了一种基于RBR和CBR混合推理方法。得出如下结论。

1）将RETA算法引入RBR推理模块，提高了推理效率。

2）采用可拓方法建立枪械故障实例物元模型，将枪械实例的定性特征与定量特征有机结合起来，使实例的知识表达更为简洁明确。

3）利用Visual Basic语言和MySQL数据库编写构建枪械故障诊断专家系统，为枪械故障分析提供手段，对于提高枪械的可靠性具有应用价值。

由于采用基于最近相邻法的实例推理过程中特征权重的确定对于相似性计算非常重要，本文采用了基于层次分析法的专家打分法，但这种方法的主观性较强，后续工作中可进一步探索客观赋权方法的应用。