基于專家系統的船載衛通站伺服系統故障診斷研究

李紅民 陳亮

摘? ?要：針對船載衛通站伺服系統故障診斷依賴人工經驗且效率低的問題，提出了一種基于專家系統的故障診斷方法。通過分析伺服系統常見故障及診斷流程，依據專家經驗從系統狀態監測數據中提取故障診斷的特征向量，采用面向對象的方法對專家系統的知識庫中的規則建模，最終運用深度優先算法完成故障診斷推理。實驗證明：該方法能快速準確的識別伺服系統故障，提高了故障診斷的效率，對提高伺服系統可用性和可靠性具有重要意義。

關鍵詞：船載衛通站;伺服系統;故障診斷;專家系統

中圖分類號：TP391? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A

文章編號：1003—6199（2020）02—0006—06

Abstract：Aiming at the problem that fault diagnosis of ship-borne satellite communication station servo system relies on manual experience and is inefficient，a fault diagnosis method based on expert system is proposed. By analyzing the common faults and diagnostic process of servo system，the feature vectors of fault diagnosis are extracted from the system condition monitoring data based on expert experience，and the rules in the knowledge base of expert system are modeled by object-oriented method. Finally，the depth-first algorithm is used to complete fault diagnosis reasoning. Experiments and results show that this method can identify servo system faults quickly and accurately，improve the efficiency of fault diagnosis，and is of great significance to improve the availability and reliability of servo system.

Key words：shipborne satellite communication station;servo system;fault diagnosis;expert system

船載衛通站伺服系統[1-2]通過隔離載體搖擺，穩定天線波束指向，高精度跟蹤所用衛星，以保證岸船間的通信及其他業務需求。伺服系統結構復雜，功能模塊多，涉及專業領域繁雜。因此設備故障診斷的難度大，定位的時間長。然而，實際應用中衛通站必須長時間在線，一旦發生故障必須迅速恢復。如何快速定位、診斷和處置故障始終是通信保障關注的重點之一。

當前某船衛通站配備的天線機械振動監測與故障診斷系統無法隔離船體振動，存在一定的缺陷[3-4]。目前衛通站伺服系統的故障診斷仍很大程度上依賴于崗位人員經驗。為了降低系統故障診斷對人工的依賴，提高效率，提出一種基于專家系統的船載衛通站伺服系統故障診斷方法。

1? ?船載衛通站伺服系統故障分析

1.1? ?伺服系統故障分析

船載衛通站伺服系統的故障主要包括設備故障、線路故障和跟蹤故障等。設備故障指采集伺服系統狀態參數的各設備發生的錯誤或功能性故障，如碼盤故障、陀螺故障、限位故障、接收機故障和自主慣導故障等;線路故障是指導致設備連接環路或信號傳輸線路中斷或異常的故障，如線纜中斷故障和接口故障;跟蹤故障是指導致天線無法正常捕獲、搜索和跟蹤衛星的異常，如接收機故障和航向船位信息故障。三者之中跟蹤故障危害最大，若衛通站在跟蹤過程中突然失鎖將導致全船對外通信業務中斷，影響整個任務實施。因此，將以船載衛通站伺服系統的跟蹤故障診斷為研究目標。

目前伺服系統跟蹤故障診斷主要是崗位人員根據伺服監控軟件采集的狀態數據結合經驗來判斷，診斷的效率和準確度很大程度上取決崗位人員的經驗和知識。通過分析衛通站伺服系統設計原理及監控軟件獲取的狀態監測數據，構建了某船衛通站伺服系統跟蹤故障樹，如圖1所示。跟蹤故障主要包括天線驅動故障和跟蹤接收機失鎖故障兩大類，導致故障的具體因素有驅動設備掉電、線纜接口松動、線路中斷、電機反饋異常、陀螺、碼盤、接收機、低噪放大器異常等17種不同的類型。

1.2? ?故障診斷流程

船載衛通站伺服系統故障診斷實施過程可歸納為狀態數據采集、狀態數據預處理、狀態識別和診斷決策四個關鍵環節[5]，如下圖2所示。

1）狀態數據采集：船載衛通站伺服系統在運轉過程中必然會有振動、電流、速度、位置等各種量的變化，由此產生各種不同的狀態信息，通過傳感器采集狀態監測數據，并將數據傳輸到天線控制單元，為伺服故障診斷提供數據支持。

2）狀態數據預處理：將采集到的狀態監測數據進行分類處理、加工，獲得能夠表征系統狀態的特征參數。如對機械振動采樣數據從時域變換到頻域獲取特征頻譜。

3）狀態識別：經過狀態數據預處理后的設備特征參數與規定參數閾值進行比較，進而判斷設備當前所處的狀態，是否存在故障，識別故障類別。制定完備的故障判別準則和診斷策略是準確識別故障的關鍵，判別算法和準則庫的大小則是識別效率的決定因素。如伺服系統驅動電機的額定電流，跟蹤接收機信噪比門限值與信噪比峰值的差值等都是故障識別的重要準則。

4）診斷決策：根據對設備實時狀態的判斷，完成對故障設備的輔助定位，給出合理的診斷對策和措施。

2? ?基于專家系統的伺服故障診斷方法

2.1? ?狀態數據采集與處理

船載衛通站伺服系統狀態數據采集主要包括機械振動信息采集、設備狀態信息采集和實時數據信息采集。

機械振動信息采集主要是通過在天線方位、俯仰、交叉三軸傳動鏈上加裝機械振動傳感器采集振動加速度，數據采集器將三軸原始數據匯總后通過CAN總線傳輸到機械振動檢測單元進行進一步的處理。如圖3所示，船載衛通站的方位、俯仰和交叉軸的主備電機、減速器和齒輪箱均安裝有的振動加速度

設備狀態信息采集包括內部數據和傳輸數據兩部分。內部數據是CAN總線通過心跳檢測信號定時檢測各個傳感器和設備的在線狀態來實現;外部數據（如船位、航向和姿態數據等）則是通過檢測相應數據接口寄存器數據更新情況來實現。如圖3所示，天線控制單元CAN0和CAN1端口通過收集兩條CAN總線上各個設備的狀態信號和查詢GPS、羅經、慣導數據更新狀態以實現通信狀態信息的采集。

實時數據信息采集包括機柜端和天線端兩部分。天線端是通過陀螺、碼盤、限位開關等傳感器上報的實時測量數據;機柜端則是通過采集驅動器和綜合控制單元的內部電信號數據。如圖3所示，兩部分實時數據均是由CAN總線匯總到天線控制單元。

天線控制單元負責匯總和預處理設備狀態信息和參數信息，并與經過預處理后的機械振動信息一同傳輸到伺服監控計算機。伺服監控計算機通過監控軟件實時匯總、處理、記錄各類狀態數據，從而為提取故障特征參數提供了數據支持。通過對17種故障（如圖3所示的故障樹葉節點）的歷史數據預處理，提取出對應的特征參數，建立一一對應的特征向量。

2.2? ?故障診斷知識庫構建

當船載衛通站伺服系統發生故障時，故障特征參數必定發生異常，伺服監控軟件獲取的狀態數據指標能夠反映出設備故障。由此，通過狀態監測數據對照歷史故障篩選出異常;進而根據專家經驗和知識提取出相應的一組參數（即為一個特征值向量，該向量的元素可為實數值、區間值和邏輯值）作為伺服系統故障識別的判斷規則。將所有的先驗知識和專家經驗轉化為故障診斷的規則，進而構建知識庫。

專家系統是一種“基于知識“的人工智能診斷系統[6][7]，船載衛通站伺服系統故障診斷專家系統包括7個部分，如圖4所示。

1）知識提取系統：將專家的經驗轉換成知識庫的知識和規則，進而提取特征向量、制定量化比對規則等;

2）知識庫：存儲知識和規則;

3）數據庫：存放系統當前狀態的事實數據;

4）推理機：根據知識和規則從當前狀態數據推出特定的結論，判斷故障是否發生;

5）解釋器：對推理過程進行解釋;

6）黑板：存放推理過程中間結果;

7）人機交互接口：用戶與專家系統人機交互的界面。

專家系統中知識庫[8]和推理機是核心和關鍵。對于知識和規則本文采用面向對象的方法描述，將船載衛通站伺服系統故障識別的知識和規則封裝為對象類，并通過對象之間的繼承關系和約束關系表示它們的結構和聯系，如圖5所示。

故障識別對象類是一種結構化的數據結構，每個故障的屬性類由各個故障子類（對應Slot）組成，每個故障子類擁有若干條判斷準則（對應Facet），而每個判斷準則基于某一個特征值，這些特征值組成特征向量[9]。圖1中的驅動故障對象結構可以表示為：

CLASS：驅動故障

繼承：跟蹤故障

SLOT1：停車故障

FACET1：掉電故障判斷

FACET2：驅動設備故障判斷

SLOT2：抖動故障

FACET1：驅動設備故障判斷

FACET2：線路故障判斷

FACET3：主機故障判斷

SLOT3：飛車故障

FACET1：驅動設備故障判斷

FACET2：抱緊螺絲故障判斷

FACET3：電機反饋線路故障判斷

驅動故障是跟蹤故障的子類，對象的槽（Slot）是導致驅動故障具體故障，側面（Facet）則是基于特征值判斷規則的進一步故障原因判斷（可以理解為故障定位）。以此類推，已知的伺服故障均由故障識別對象表示，圖1中17中故障對應的特征向量以對象類的形式封裝成知識和規則，進而構建知識庫。對于后續發現的未知故障（圖1中未出現的故障），經專家診斷之后同樣可以采用對象類表示，從而補充和完善知識庫?；谔卣飨蛄康墓收吓袛嘁巹t，特征向量的每個元素的準確度對與故障識別都至關重要。因此，知識庫中知識和規則的特征向量需要在運行過程中不斷修正。

2.3? ?故障診斷推理算法

在知識處理系統中，知識對象組織成樹狀結構，每個節點代表系統的一個對象，搜索是對有向圖的遍歷，是從某節點開始沿著有向弧遍歷圖中的每一個節點，直到找到滿足條件的節點集合[10]。推理機推導問題可抽象為狀態空間中從初始狀態出發到終止狀態的路徑搜索。船載衛通站伺服故障診斷知識庫本身是一個有限狀態集，路徑相對簡單，故采用深度優先搜索（Deep First Search DFS）作為推理機的搜索算法。搜索過程中采用單步控制，即通過標志位判斷，逐步執行樹結構的每個節點及其方法。算法流程如下：

Step1? ?調入當前推理節點（Node0根節點）;

Step2? ?判斷單步控制標志位為真，則令線程控制等于1，在無推理中斷的請求下開始推理;

Step3? ?將當前節點置入存儲對象的數組中，并調入當前節點的屬性槽和方法槽;

Step4? ?執行節點的先序算法，解釋執行方法中相應的腳本語言，如執行成功則返回1，失敗返回0;

Step5? ?若返回標志為0，則轉到Step8，否則繼續;

Step6? ?若當前節點非葉子節點，則令其第一個子節點為當前推理節點，轉回到Step2繼續推理;否則繼續;

Step7? ?判斷單步控制標志位為1，令線程控制等于1，在無推理中斷的請求下執行當前節點的后序算法;

Step8? ?判斷Stack是否為Null，若為Null，則表示己經遍歷一遍以Node0為根節點的對象樹，推理結束，否則令數組中的節點出棧，并置為當前節點;

Step9? ?判斷當前節點是否有兄弟節點，若沒有，則跳出，結束搜索;若有，調入當前節點其屬性槽和方法槽，判斷單步控制標志位為真，線程控制等于1，在無推理中斷的情況下執行節點的中序算法，繼續，若無則轉到Step8;

Step10? ?令當前節點的右兄弟節點為當前節點，轉到Step2繼續。

3? ?實驗與分析

從3.8 m衛通站伺服系統狀態監測歷史數據中提取故障識別知識庫中17種跟蹤故障對應的故障特征值向量，利用MATLAB仿真平臺實現故障推理算法。選取600條已知故障狀態數據和1400條正常狀態數據作為實驗樣本，樣本中包含17種跟蹤故障和3種非跟蹤故障（U1，U2，U3），樣本統計詳情具體如表1所示。

故障推理算法讀取知識庫的規則的逐條識別2000條狀態樣本數據。故障識別率和錯誤率圖6所示。

從圖6統計結果可知，在預設實驗條件下，17種已知故障的總識別率（ALL）為94.0%，13種識別率在90%以上，7種識別率達到100%，故障識別率最低為76.19%（G-S-X）。實驗結果表明：首先，基于專家系統的船載衛通站伺服系統故障診斷方法是有效的，可行的，具備伺服系統故障診斷能力;其次對于某些故障（G-S-X，G-L-X，G-L-K，G-P-M）的識別率不夠高，說明這些故障對應的特征值向量不夠準確，有待進一步改進和完善;最后，針對F-B故障的識別率高達100%，但存在錯誤率過高（71.4%）的問題，說明當前F-B故障對應的特征值向量不準確，判斷規則存在明顯的漏洞，將樣本中的正常數據錯誤判斷為F-B故障，相應的特征向量有待進一步修正。

深度優先算法推理算法對于不同故障識別的平均耗時如圖7所示。

圖7實驗結果表明，故障識別的總平均耗時（ALL）為10.77 s。17種故障識別的平均耗時從左到右依次呈線性上升趨勢，同一故障子類中故障樹排在靠左位置的相比靠右位置的平均識別時間短（如跟蹤接收機失鎖故障中陀螺故障G-T比碼盤故障G-F平均識別時間短），這與深度優先算法的機制及故障樹的組織結構一致;同時，比較同一故障子類中不同故障，特征向量的準確度和計算復雜度越高耗時越長（如停車故障中的驅動設備故障T-Q比掉電故障T-D耗時長）。

4? ?結? ?論

為了提高船載衛通站伺服系統故障診斷的效率和自動化程度，在分析了船載衛通站常見故障和故障診斷流程的基礎上，提出了一種基于專家系統的伺服系統故障診斷方法。該方法通過對伺服系統狀態監測數據處理，提取故障診斷知識和規則對應的特征向量，采用面向對象的方法對故障識別的知識和規則進行描述和建模，構建專家系統的知識庫，進而運用深度優先的推理算法完成故障診斷推理。仿真實驗結果證明了該方法的有效性和可行性。后續研究將針對專家知識庫中診斷規則存在的缺陷進行改進，進一步擴展專家知識庫中故障識別的知識和規則，同時開展推理算法的并行化研究，提高故障推理速度，為系統的實際應用奠定基礎。

參考文獻

[1]? ? ILCEV S D，Shipborne satellite antenna mount and tracking systems[J]. Transnav the International Journal on Marine Navigation and Safety of Sea Transportation，2012，6（2）：165-173.

[2]? ?HUANG J B，ZHU Z J. Hardware design of earth-station servo system for shipborne satellite communication[J].? Communications Technology，2013，6（1）：174-181.

[3]? ?YANG B S，HAN T，HUANG W W. Fault diagnosis of rotating machinery based on multi-class support vector machines[J].? Journal of Mechanical Science and Technology，2005，19（3）：846-859.

[4]? ? 劉軍. 故障診斷方法研究及軟件開發[D]. 大連：大連理工大學，2003.

[5]? ? 卞長萬. 遙測天線系統故障智能診斷與維護研究[D]. 重慶：重慶大學，2008.

[6]? ? 桂衛華，劉曉穎. 基于人工智能方法的復雜過程故障診斷技術[J].? 控制工程，2002，9（4）：2-5.

[7]? ? 王益玲，趙英凱. 智能故障診斷系統中的知識發現方法[J].? 控制工程，2004，11（ 9）：406-408.

[8]? ? 趙濤，周新聰，嚴新平. 面向對象的油液監測故障診斷系統知識表達模型[J].? 武漢理工大學學報（交通科學與工程版），2002，26（5）：603-606.

[9]? ? 陳耀武，汪樂宇. 基于組合式神經網絡的轉子系統狀態預測模型[J].? 中國電機工程學報，2001，21（1）：30-39.

[10]? 孫銀山，李平，竇仁菊，等.? 采用綜合偏差的自調節灰色預測控制算法[A]. 04′中國企業自動化和信息化建設論壇暨中南六省區自動化學會學術年會專輯[C]. 北京：中國自動化學會，2004.