基于贝叶斯网络的民机复杂系统故障诊断方法与流程

本发明涉及民用飞机复杂系统的故障诊断领域，尤其涉及基于贝叶斯网络的民机复杂系统故障诊断方法。

背景技术：

近几年随着监测技术的迅速发展，现代商业大型飞机都开始配备有飞机状态监测系统(aircraftconditionmonitoringsystem，acms)，通过飞机上布设的大量传感器以及探测器，acms可以在飞机运行期间收集大量的飞行数据，包括环境、载荷、状态和性能等数据，数据保存在各种记录仪中。除了数据记录、存储之外，特定故障相关的某时段内的飞行数据还可以通过飞机通信寻址报告系统(aircraftcommunicationaddressingandreporting，acars)进行实时的空地数据的传输。对于航空公司的运营商来说，通过对飞行数据进行挖掘并分析其趋势可以监测系统或部件的退化趋势并进行主动维护。因此，应用飞行数据进行飞机系统故障诊断和预测，辅助机务人员完成预防维修工作，对于保障飞机的运行安全性、使用性、经济性和准点率具有重要意义。

目前我国的主流机型波音737系列、空客320系列都设计安装了大量的机载监测设备，例如各种类型传感器、控制器以及仪器仪表等。这些状态监测设备可以监控飞行数据、维修检查操作等，监测数据可以为飞行品质监控、飞行安全风险评估、故障诊断与预测以及维修管理等提供依据。例如，飞机空调系统飞行采集数据包括各类温度、位置、压力传感器监测数据，各类阀门开度、过热保护等控制器监测信号数据，以及各类仪器仪表等数据。采集后的飞行数据被记录在不同类型的记录器。这些记录器包括dfdr(dataflightdatarecorder)、qar(quickaccessrecorder)、wqar(wirelessquickaccessrecorder)和dar(dataaccessrecorder)等。除了空调系统直接采集的相关参数之外，能够影响到空调系统工作状况的参数还包括环境载荷参数、航空发动机n1和n2转速、飞行高度、飞行速度等。这些参数都是空调系统性能评估与状态监控的主要输入信号。可以为空调系统故障分析、事件分析、维修管理等提供决策依据。

目前，国内航空公司在对飞机起落架系统、空调系统等复杂系统进行航线故障诊断时主要依赖厂家提供的排故手册以及工程师自身经验积累，存在较多不确定性，因此整个排故较为缓慢，有时一个阀门的故障甚至导致飞机停场一天，极大的影响了航空公司正常飞行计划和经济效益。

因此，现有技术中缺乏一种诊断方法,能够有效的利用飞机飞行过程中所采集的数据以及工程师的经验,来快速准确的排故,保障航空公司正常飞行计划的安排。

技术实现要素：

本发明提供了基于贝叶斯网络的民机复杂系统故障诊断方法，能够有效的利用飞机飞行过程中所采集的数据以及工程师的经验,来快速准确的排故,保障航空公司正常飞行计划的安排。

为达到上述目的，本发明采用如下技术方案：

s1、根据空调系统工作原理以及飞机amm(aircraftmaintenancemanual、飞机维修手册)手册、fim(faultisolationmanual、故障隔离手册)手册，确定需要对飞机复杂系统采集的参数，通过飞机个系统中内置的传感器所检测到各类参数，然后对飞行记录器中所采集的参数进行分析，找出跟系统相关的各种采集参数，即筛选出其中能够影响到空调系统工作状态，包括环境荷载参数，以及包括各类温度、位置、压力传感器监测数据，各类阀门开度、过热保护等控制器监测信号数据等只要与系统相关的参数等参数进行采集与分析，建立监测参数体系，然后从该监测参数体系中找出跟系统有较强相关性的参数作为贝叶斯网络故障表现层，贝叶斯网络故障表现层为子节点。

s2、一般来说，飞机复杂系统的故障类型以及故障模式都较多，以引气系统故障为例，能够引起引气管道压力低以及超温的故障原因多达几十种。为了降低所建贝叶斯诊断网路的复杂度以及增加诊断准确性，重点针对飞机复杂系统中能够影响到飞机正常放行的关键故障进行总结，对于一些不会影响到放行的可保留故障不进行考虑。采集飞机复杂系统中能影响飞机正常放飞的故障作为关键故障,将关键故障的故障模式、故障表现形式以及故障引起的监测参数变化，作为贝叶斯网络故障原因层，贝叶斯网络故障原因层为父节点。

s3、通过对飞机复杂系统的工作原理进行分析，在了解系统工作原理的基础上，对不同类型的故障所引起的传感器所检测到的不同检测参数的变化进行分析。根据现有样本,通过对样本中不同故障所引起的监测参数变化进行分析，然后结合工程人员所积累的排故经验，对网络中故障原因层(父节点)、故障表现层(子节点)各节点之间的关系进行分析，添加节点之间的有向连接，建立基于专家经验的贝叶斯故障诊断网络，即为依据分析结果建立贝叶斯诊断网络。

s4、根据系统历史故障记录所记录的故障类型以及故障原因，找出故障航班所采集的监测数据，利用故障的数据建立训练矩阵。训练矩阵利用贝叶斯网络结构学习算法，对贝叶斯诊断网络进行结构学习，得到基于结构学习的贝叶斯故障诊断网络。

s5、对基于知识经验建立的贝叶斯诊断网络和基于实际故障数据结构学习算法建立的贝叶斯故障诊断网络，利用网络融合的相关知识将贝叶斯诊断网络和贝叶斯故障诊断网络进行网络融合，得到最优贝叶斯诊断网络。

s6、对最优贝叶斯网络后，利用实际数据以及贝叶斯网络相关参数学习的算法对网络进行参数学习，得到各节点间的条件概率表，得到完整的贝叶斯诊断网络；

s7、得到网络条件概率表后，利用网络推理算法对故障和故障表现层各节点的映射关系表进行计算,得到故障原因层的后验概率，即为诊断结果,概率最大的点就是最优贝叶斯网络给出的最大可能故障原因。

其中，贝叶斯网络中主要就是父节点和子节点，父节点指的是顶层事件，子节点指的是当父节点发生变化时会与之有关系的某些节点会发生相应的变化，则这些节点就称之为子节点。引申到故障诊断里面，则故障部件就是父节点也就是故障原因层，当该部件发生故障时会引起某些监测参数变化，则这些参数就是相应的子节点也就是故障表现层。

进一步的，在s1中，采集参数包含环境、载荷、状态和性能。

进一步的，在s3中，贝叶斯诊断网络是基于专家经验所建立的，贝叶斯诊断网络主要依据复杂系统的工作原理以及航空公司工程人员积累的排故经验来对网路故障原因层和故障表现层进行有向边的连接。

进一步的，贝叶斯网络结构学习算法包括k2算法、mcmc算法、tan算法：

k2算法是一种基于数据的结构学习算法，在数据完备的情况下，根据事先确定好的初始网络节点顺序，然后利用定义评价网络优劣的函数对各节点进行评分，选择得分最高的点作为父节点，当评分分数不能再提高时，终止添加父节点，以此类推来找出所有父节点。常用的评价函数如下所示：

式中，bs为网络结构，d为实例数据，πi为第i个节点的父节点集。从公式可以看出，k2算法是通过局部的最优来求解全局的最优。此外，在运用k2算法进行网络结构学习时，如果能够事先通过专家经验确定节点顺序，则算法则会过滤掉为每个节点单独选择父节点以及循环检查这一步，大大降低算法难度和计算时间。

mcmc是基于统计物理和生物学的一种搜索算法，基本过程是通过构建一个收敛于后验分布的马尔科夫链，接着通过montecarlo方法对已构建的马尔科夫链进行抽样。获得网络样本序列(t0,t1,…tn)，然后在该序列中选择后验概率最大的序列作为网络最优结构。mcmc算法能够解决完备数据下的结构学习问题，而且mcmc算法不需要具备该领域的先验知识使得算法应用面更为广阔，但是该算法的初始网络结构对整体计算影响较大，而且在计算中容易陷入局部最大化。

进一步的，在s5中,贝叶斯故障诊断网络融合的规则包括:

s51、根据专家经验所构架的网络结构，节点与有向边全保留；

s52、根据结构学习得到的有向边，如果与专家经验所建立结构一致，则保留；不一致，按照空调系统自身工作原理与专家经验判断是否合理进行取舍。

进一步的，贝叶斯网络参数学习算法包括贝叶斯估计和最大似然估计：

贝叶斯估计可以将网络中先验信息与用来学习的训练数据融合起来，然后利用贝叶斯公式来对网络参数进行学习。随着计算次数的增加，先验信息的作用逐渐减弱，训练数据作用开始变大。贝叶斯估计解决了只使用先验信息给网络参数学习带来的主观认知偏见以及只使用训练数据可能给网络带来的过拟合现象。适合用于具有一定概率统计特征的数据。但其缺点就是先验概率确定存在主观性，对于小样本数据具有一定优势。

最大似然估计的基础是基于统计分析的方法。通过事先给定父节点集的值来计算节点不同取值的概率，然后把计算结果作为该节点条件概率。mle的目的就是寻找使似然函数最大所对应的参数值。通过对似然函数求导获得极值的方法来实现。随着观测值的增加，参数收敛于极值的概率也增加。

进一步的，贝叶斯网络推理算法包括多树传播、联合树传播、mcmc算法。

多树传播算法：多树传播算法的核心思想就是网络节点之间的消息传递，通过给网络中任一节点配置处理机，然后处理机根据此节点自身的cpt以及相邻节点传送到的信息进行融合，计算得到节点的后验概率，之后再将计算结构传递到相邻节点。在贝叶斯网络实际传播过程中，当新的节点证据反馈到网络中，该节点的处理机会对其后验概率进行计算并传播到相邻的其他点，相邻的节点接收到上一个节点传递到的信息由处理机产生相应的后验概率，并继续传播给相邻的节点，以此类推，直到全部节点都接收到证据节点的影响。

联合树算法的核心是基于多数传播的推理，对于多联通网络有较好的应用。首先将贝贝叶斯网络有向图转换成无向图，接着将无向图三角化获得团节点，然后建立联合树。在推理中首先将联合树的团结点初始化，接着在定义的团节点上进行消息传播，当系统最终处于稳定状态求解团结点的条件概率。

蒙特卡罗是一种基于随机模拟的推理算法，主要思想分为采样和统计。该方法首先会对节点的条件概率表进行采样，从而来获得一个样本数据，然后通过统计处理求解感兴趣节点的概率值。根据大数定律当样本数据达到一定程度，由统计得到的概率估计就会收敛于自身精确概率值。因此对于结构复杂、数据量大的贝叶斯网络，mcmc算法相对容易实现网络的推理。

本发明的有益效果是：

贝叶斯网络具有优秀的学习和推力性能，在复杂系统的故障诊断中有良好的效果，本发明利用了贝叶斯网络优秀的诊断和推力能力，将飞机复杂系统所采集的飞行数据作为贝叶斯网络故障表现层，即子节点，将复杂系统中对飞机正常飞行有重要影响的关键故障作为贝叶斯网络故障原因层，即父节点，再通过贝叶斯结构学习以及参数学习算法建立复杂系统贝叶斯故障诊断网络模型，贝叶斯故障诊断网络模型加载推力算法，对系统的故障进行诊断并且隔离。本发明解决了民机复杂系统航线故障诊断和隔离耗时耗力的问题，只需在航后对数据记录仪所采集的数据进行分析，然后输入故障和故障表现层各节点的映射关系表，最优贝叶斯网络就会给出相应的诊断结果，相比起查阅手册更加方便快捷，且通过实际数据的变化得到的诊断结果也更加具有科学性，可为航空公司节省维修成本，快速准确的排故，提高飞机利用率，保障航空公司正常飞行计划的安排。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为基于贝叶斯网络的民机复杂系统故障诊断流程图；

图2为本发明实施例中空调系统关键故障类型图；

图3为本发明实施例中基于专家经验的贝叶斯诊断网络图；

图4为本发明实施例中最优贝叶斯诊断网络图；

图5为本发明实施例中诊断结果图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合具体实施方式对本发明作进一步详细描述。

一种基于贝叶斯网络的民机复杂系统故障诊断方法，流程图如图1所示，包括：

s1、根据空调系统工作原理以及飞机amm(aircraftmaintenancemanual、飞机维修手册)、fim(faultisolationmanual、故障隔离)手册，确定需要对飞机复杂系统采集的参数，通过空调系统内置传感器检测到的各类参数，找出与系统具有较强相关的各类监测参数。根据不同飞行阶段下引气温度(bat、bleedairtemperature)、引气压力(bap、bleedairpressure)、空调系统进口温度(inlet、inlettemperature)、压缩机出口温度(ramt、ramairtemperature)、组件温度(pkt、packtemperature)、混合总管温度(mfdt、mixmanifoldtemperature)、驾驶舱反馈信息(ckpt_feedback、cockpitfeedback)、热交换器基线偏差值(delta_ramt、deltaramairtemperature)、以及组件流量(pk_flow、packflow)变化状态作为网络故障表现层(子节点)。其中各故障表现层节点类型以及节点变量状态如表1所示。表中，normal表示特征参数正常、abnormal表示特征参数异常；up表示参数比正常变化范围上限值高；down表示参数比正常变化范围下限值低；tk_(takeoff)表示起飞阶段；cr_(cruise)表示巡航阶段。

表1故障表现层节点变量类型以及节点变量状态

s2、根据空调系统中能够影响到飞机正常放行的关键故障进行总结，由于空调系统构造复杂且关系众多，因此故障也是多种多样，小到滤网故障大到acm(aircyclemachine空气循环机)卡滞，故障多达几十种。为了提高贝叶斯网络诊断精确度以及降低建模复杂程度，对维修记录表中的数据进行了划分和总结，排除诸如滤网等不会影响到飞机正常派遣的可保留故障，重点针对引气相关以及制冷子系统相关能够造成空调系统性能下降或造成驾驶舱报警的故障进行分析，特别是对飞机正常放行有重要影响的关键故障。从中挑选出具有代表性的故障来进行贝叶斯网络建模,如图2所示。

选择这9个关键故障，另加上一个others作为其他故障，共确定了10个节点作为故障原因层(父节点)。其中各故障原因层节点类型以及节点变量状态如表2所示。表中，open表示活门故障卡滞在开位；close表示活门故障卡滞在关位；fault表示故障。

表2故障原因层节点变量类型以及节点变量状态

s3、在确定好故障原因层和故障表现层各节点变量类型以及节点变量状态后，通过对飞机空调系统的工作原理进行分析，在了解系统工作原理的基础上，对不同类型的故障所引起的传感器所检测到的不同检测参数的变化进行分析，然后结合工程人员所积累的排故经验，对网络中故障原因层(父节点)、故障表现层(子节点)各节点之间的关系进行分析，添加节点之间的有向连接，建立基于专家经验的贝叶斯故障诊断网络。如图3所示,其中图中上层1-10号节点表示贝叶斯网络的父节点，分别对应表2中给出的变量，表2中每一个变量括号里面的数字分别对应父节点的1-10号节点；图中下层1-15号节点表示贝叶斯网络的子节点，分别对应表1中给出的各变量，表1中每一个变量括号里面的数字分别对应子节点的1-11号节点。连线表示节点对另一个节点有影响，箭头表示影响的方向。

s4、根据系统历史故障记录所记录的故障类型以及故障原因，找出故障航班所采集的监测数据，然后对贝叶斯网络中有用的参数进行处理，利用故障的数据建立训练数据矩阵。训练矩阵利用贝叶斯网络结构学习算法对训练矩阵中所记录的数据进行结构学习，建立基于结构学习的贝叶斯故障诊断网络，即利用历史故障信息数据进行训练数据集构建，在对航空公司提供的空调系统历史故障数据整理后，训练数据集如表3所示。

表3训练数据集

接下来，本案例中利用tan(treeaugmentednaivebays、属性贝叶斯网络)结构学习的算法来对网络进行进一步的优化。tan结构学习中重要的一环就是计算各变量之间的互信息值。互信息值一般指的是有用的信息度量，放在贝叶斯结构学习中可以理解为一个变量中包含另一个变量的信息量。tan算法的第一步就是先计算各变量间的互信息值，然后进行网络的构建。网络的构建这一步一般分成三个步骤：(1)对各变量间的互信息值按照降序的原则进行排序，然后按照顺序依次取变量对在不产生闭环的原则下构建最大权重跨度树，直到选择完全；(2)按照第一步构建的结构是一个无向图，接下来就是为结构各变量间的连接线添加方向。选择任意一个属性节点，由属性节点向外的方向就是网络中各变量之间的方向；(3)最后就是为属性节点添加父节点即可。利用整理的训练数据集按照上述步骤建立基于结构学习的贝叶斯故障诊断网络。

s5、对基于知识经验建立的贝叶斯诊断网络和基于实际故障数据结构学习算法建立的贝叶斯故障诊断网络利用网络融合的相关知识进行网络融合，得到最优贝叶斯诊断网络。按照结构融合规则对两个网络进行融合，得到优化后贝叶斯故障诊断模型。规则如下：(1)根据专家经验所构架的网络结构，节点与有向边全保留。(2)根据结构学习得到的有向边，如果与专家经验所建立结构一致则保留，不一致，按照空调系统自身工作原理与专家经验判断是否合理进行取舍。融合后得到最后贝叶斯网络，如图4＝所示,其中图中上层1-10号节点表示贝叶斯网络的父节点，分别对应表2中给出的变量，表2中每一个变量括号里面的数字分别对应父节点的1-10号节点；图中下层1-15号节点表示贝叶斯网络的子节点，分别对应表1中给出的各变量，表1中每一个变量括号里面的数字分别对应子节点的1-11号节点。连线表示节点对另一个节点有影响，箭头表示影响的方向。

s6、在得到最优贝叶斯网络后，利用训练数据矩阵以及贝叶斯网络相关参数学习的算法对网络进行参数学习，得到各节点间的条件概率表，得到完整的贝叶斯诊断网络。在进行参数学习之前首先要得到各父节点的先验概率。先验概率就是各子系统/部件正常和各种故障模式的概率，这是计算贝叶斯网络后验概率的基础。为了使得所建网络各节点的条件概率表能够更加接近实际情况，因此针对网络父节点(故障原因节点)的先验概率，利用航空公司所统计的各部件故障率来确定。然后利用counting学习算法和已有训练数据来确定子节点(故障表现节点)的条件概率表。其中各父节点先验概率如表4所示。

表4父节点先验概率表

接下来，根据表3的训练数据集以及表4所总结的各父节点先验概率表，利用贝叶斯估计的参数学习方法来对网络进行参数学习。贝叶斯估计可以将网络中先验信息与用来学习的训练数据融合起来，然后利用贝叶斯公式来对网络参数进行学习。随着计算次数的增加，先验信息的作用逐渐减弱，训练数据作用开始变大。贝叶斯估计解决了只使用先验信息给网络参数学习带来的主观认知偏见以及只使用训练数据可能给网络带来的过拟合现象。适合用于具有一定概率统计特征的数据。但其缺点就是先验概率确定存在主观性，对于小样本数据具有一定优势。

确定好各个父节点先验概率后，选中子节点，利用贝叶斯估计学习算法和已有训练数据集进行子节点条件概率表学习。至此，一个完整的空调系统贝叶斯故障诊断网络构建完毕。

s7、得到完整的网络后，当有系统有新的故障出现时，首先对网络中故障表现层(子节点)相关的采集参数进行分析，然后确定各参数的“证据”，根据已知故障表现层节点的“证据”然后利用网络推理算法就可以得到各故障原因层的后验概率，即诊断结果。概率最大的点就是网络给出的最大可能故障原因。

本案例利用新的故障样本数据来验证网络的准确性。文中共选择了三种不同部件的故障数据来验证，故障记录如表5所示。

表5测试样本数据

经过对该飞机相关飞行记录数据分析后，得到各故障和故障表现节点的映射关系,如表6所示。表中u表示up，d表示down，n表示normal，a表示abnormal。得到各故障表现节点对应的故障后,直接在各子节点输入对应故障，网路则会按照预设的推理规则计算各故障原因节点的条件概率,计算结果如图5所示。

表6该飞机各故障和故障表现节点的映射关系

从图5可以看出，在输入各故障原因节点所对应故障后，网络给出的诊断结果为pcv(precoolercontrolvalve、预冷器控制活门)发生故障概率最高为91.9％，其次为pce(precoolercontrol、预冷器)，故障概率为7.13％，其他忽略不计，诊断结果与维修记录中a飞机空调系统最终故障定位pcv一致。

综上，本发明的基于贝叶斯网络的民机复杂系统故障诊断方法，通过对复杂系统中能够影响到飞机放行的关键故障总结，然后利用飞机传感器检测到的与系统相关的检测参数建立系统贝叶斯故障诊断模型，其优点与积极效果在于：

利用飞机复杂系统所采集的飞行数据进作为贝叶斯网络故障表现层(子节点)，然后重点针对复杂系统中对飞机正常放行有重要影响的关键故障作为贝叶斯网络故障原因层(父节点)。这种将实际检测参数和故障相对应然后用贝叶斯网络进行推理的故障诊断方法相比起单纯的查阅手册以及工程经验进行排故更加科学。

利用基于专家经验和基于实际数据进行网络结构学习相融合所建立的贝叶斯诊断网络，相比起单纯的专家知识构建的网络，利用数据学习的网络能够挖掘出各变量之间的潜在关系。使得所建网络更加接近实际情况，诊断结果的准确性更高。

最后，当故障发生时，只需要对故障航班所采集的相关参数进行分析，然后找出各参数所对应的故障，在网络中输入故障表现层各节点的故障信息，网络会给出相应的诊断结果。相比起查阅手册进行排故更加方便快捷，解决了民机复杂系统航线故障诊断和隔离耗时耗力的问题，可为航空公司节省维修成本，提高飞机利用率。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。