基于人工智能的雷达设备

基于人工智能的雷达设备故障诊断系统的应用研究毛庆华(中国太原卫星发射中心测量部，宁夏银川750004)摘要：本文应用人工智能的部分研究成果对雷达设备中的故障诊断做了初步地探讨，主要介绍了该系统的总体框架和实现功能，尤其是对实现该系统的关键技术作了重点的研究，该研究为有关复杂设备的故障诊断，提供了一定的理论依据和可靠的方法。关键词：人工智能；雷达设备；故障诊断1引言故障是设备或设备的某一部分不能或不能完成预定功能的事件或状态。对于某些不能修复的产品，如电子元器件、机械部分等称为失效。在工程技术领域，故障诊断可描述为：根据技术设备若干个可以直接测量的信号，推断设备是否正常，确定故障部位，预测故障的发生。一般而言，故障诊断可以实现故障检测（根据所采集到的数据以及已知的电路结构与标称参数，判断电路是否存在故障）、故障监控（对被测对象的主要性能参数进行监视和记录，一旦发生故障就发出故障警示信号）和故障定位（根据故障现象、工作经验、历史记录及诊断知识等确定故障的具体部位）。航天测控系统中的雷达设备作为精密测量系统的重要组成部分，设备复杂，测量要求高，对设备故障的诊断要求快速、准确，否则就可能影响航天试验任务的进程和工作质量，由于雷达设备诊断对象的复杂性，在故障诊断过程中很大程度上依赖于诊断者的工作经验，这种传统的故障诊断方法很难保证诊断结果的合理性及诊断过程的科学性。近年来，人工智能、数字化技术等现代科技的发展，尤其是专家系统在故障诊断方面的研究取得了一定的成就，例如国内外有关研究者应用人工智能的方法、技术来设计故障诊断系统，具有一定的研究价值和应用前景。本文应用人工智能、虚拟仪器技术等对雷达设备的故障诊断从理论到实际应用进行了研究。2系统的总体结构近年来，随着现代电子技术的迅速发展，雷达设备的集成度越来越高，同时随着计算机技术在雷达设备中参与的程度越来越深，现代雷达分机之间的界限变得越来越模糊，逐信息处理中心虚拟测试仪器被测量雷达设备荒备备步向数字化雷达发展。现代我们应用的雷达设备仍然是模拟电路、数字电路及部分数字模块等的综合体，因此，我们在设计故障诊断系统时，要立足于现实设备，又着眼于未来设备集成化，软件化的发展。2.1系统的基本结构故障诊断系统的组成如图1所示，信息处理中心控制虚拟测试仪器和被测量的雷达设备对设备关键点参数进行采样，然后把采样数据送入信息处理中心计算机，信息处理中心运用先进的智能方法和专业技术进行故障检测和定位的综合处理。图1系统的总体结构本诊断系统主要用于在雷达工作过程中检测和记录雷达系统性能，监视雷达运行时各个阶段的故障状况，以便用户如实掌握雷达设备的工作情况（特别是故障情况）它贯穿在雷达的整个工作过程中，在雷达系统中一般有以下几种故障检测诊断的工作方式：2.1.1预检测试在系统加电以后，各系统启动后进行自动测试，并将测试结果全部送往中心计算机，确定设备加电以后初始状态是否正常，有关检测电路是否正常工作。2.1.2周期性巡检根据中心机的指令，周期性地（周期可以人工或自动设置）对设备各关键点、相关点电路参数，及分系统主干电路等进行连续或定期检测，并将每次测试的记录存档并处理，以确定雷达系统的整体运行状况。2.1.3随机检测指用户可以随机地启动故障检测机构，特别是怀疑某一部分有故障时，根据设备的任务状态，可以联机或脱机进行。2.2故障诊断系统的基本功能和组成2.2.1基本功能该系统的基本功能是对实时采集监测的信号进行分类、判断并做出及时诊断；对较复杂的故障现象运用知识库帮助分析，做出决策；通过信息中心的指令或人工控制模拟有关故障诊断结果事例载入人机接口语法检查中心计算机知识获取机构问题处理系统人工神经网络机构测试信号发生器被测雷达设备解释机构虚拟测试平台推理机综合数据库模糊处理机构系统知识库的故障，进行故障仿真和考核训练。2.2.2基本组成故障诊断系统主要采用了面向对象的人工智能技术（如模糊技术、人工神经网络、知识工程等）,集成了综合知识表示方法，包括知识获取机构、人工神经网络知识结构、系统知识库、推理机、人机接口及虚拟测试分系统等。其基本构成如图2所示。图2故障诊断系统基本组成（1）人机接口用于用户或专家与机器进行对话，进行知识添加、知识查询及控制处理。（2）中心计算机主要完成有关综合运算、推理、控制及诊断、决策等功能。（3）虚拟测试平台以虚拟仪器为基础，对设备的重要参数进行采集测试，并将测试结果存放到综合数据库中，测试软件用于向被测量对象设备提供必要的电源、激励、负载来模拟实际工作环境，采集必要的响应并进行数据采集和处理。（4）综合数据库包括：咨询输入数据；初始数据；标准正常数据；通过自动测试获得的动态数据；推理的结论；运行历史记录和经验数据等。（5）系统知识库包括：控制知识；问题求解与故障知识；故障知识模型；方法知识；诊断原则；权系数赋值；隶属函数；选择知识等。（6）语法检查器完成输入知识的语法检查。（7）推理机完成各种搜索算法、控制策略、规划以及基于各种规则的综合推理。3关键技术研究3.1虚拟仪器技术设备信息检测系统作为故障诊断系统重要组成部分，包括检测点的选择、测试信号的确定和产生、被测对象输出响应的采集、处理以及测试和诊断算法的实现，测试和诊断结果的自动显示和记录等内容。要把设备的真实状态、重要参数、规律曲线等逼真地反映出来，运用一般的设备内部或外部测试技术往往不能满足要求。虚拟仪器技术是近几年发展迅猛的一项新技术。虚拟仪器（VI）是指用户利用PC强大的网络环境和在线帮助功能，建立图形化的虚拟仪器面板，实现对仪器的控制、数据处理与显示。图1中的虚拟测试仪器是基于个人计算机的新一代测控仪器，它是由用户自己定义，自由地组合计算机平台、硬件（信号调理板、数据采集板等）、软件等构成的系统。可以实现被测量设备有关信息的采集、显示、处理和分析等功能。虚拟仪器的结构是开放式的，它把计算机平台具有标准接口的硬件模块与开发测试软件结合起来构成仪器系统，具有灵活性、模块化、开放性、复用性、通用性和开发、测试、应用方便的特点。用于虚拟仪器的硬件模块有4类接口：串行通讯端口GPIB（IEEE488-2）、VXI总线、插入式信息采集板卡和串行工业网络。在这些硬件的基础上，利用必要的控制元件构成了测控系统的基本组件，可建立满足需要的信息监测系统。本设计中以基于虚拟仪器技术的LabVIEW为开发平台，利用LabVIEW简洁直观的图形化G语言开发了基于虚拟技术的雷达设备信息检测系统。3.2系统的知识表示如何将测量的数据及有关专家的知识用计算机语言表示是本系统的核心问题之一，知识表达旨在寻找知识与其表达之间的映射关系，实质是将知识化为计算机内部表示形式。作为较复杂的雷达设备，如果出现故障，可能有一个或多个，也可能非常具体或比较模糊。因此确立规范的知识表示非常关键。假定雷达设备的故障诊断系统的知识采用与或树的逻辑来表示。A=P（b1,b2,...bn）表示如果存在故障A，则可能的故障原因有,,,21nbbb可表示为：A=b1∨b2∨…bn（1）),,,(21naaaQB表示如果有故障原因B，则必引起故障现象,,,21naaa可表示为naaaB21（2）由摩根定理，式①和式②分别有：)(21nbbbA（3）nbaaB21(（4）由此可知，所有知识可由①、②表示，并都可用正向、反向推理加以应用。知识表示应该尽量满足精确表达、严格推理、有利更新等需求。目前运用人工智能的知识表示方式有框架、语义网络、一阶谓词逻辑、产生式规则、问题归约法和面向对象等。考虑到雷达知识的特点及推理的方便性，本系统采用产生式规则、框架和面向对象的综合知识表示。面向对象（Object-Oriented）方法学显式提供了力图还客观世界本来面目的“对象”的概念，程序设计者可以按照问题空间中对象的丰富特征比较自由地定义解空间的对象，从而用面向对象的方法学构造软件系统或知识系统能够比较自然地反映人们思考问题的方式。在面向对象的知识系统中，各种资源和智能实体均称为对象。一个对象的状态和对象具有的知识组成了该对象的静态属性，一个对象所具有的知识处理方法和各种操作则描述了该对象的智能行为。按照面向对象方法学的观点，一个对象形式定义可以用如下四元组表示：对象：MIMSDSID,,,这就是说，一个完整的对象由该对象的标识符ID、数据结构DS、方法集合MS和消息接口MI组成。在面向对象的诊断系统中，问题求解或程序的执行是依靠对象间传递消息完成的，消息流统一了数据流和控制流，它是实现对象之间联系的唯一途径。面向对象的程序设计范式的基本点在于对象的封装性和继承性。通过封装能将对象的定义和对象的实现分开，通过继承能体现类与类之间的层次关系，便于用面向对象的快速原型法构造系统。因此，面向对象的表示比较适合于大型知识系统的开发和维护。本系统中采用标准数据库如SQLServe来构建和管理诊断知识库。利用数据库技术，将各种数据和信息系统化、规范化，并随着经验的丰富可以不断地扩充知识原，维护知识库的一致性和完整性。然而，传统的数据库访问技术存在许多缺点，如编程复杂，只能访问关系数据库等。ADO（activeXdataobject）是Microsoft面向对象的数据库访问新技术。该技术基于COM（componentobjectmodel）,具有COM组件的诸多优点，如跨语言、跨平台、跨操作系统等特点，能够访问包括关系数据库、非关系数据库及所有的文件系统，ADO是一组对象模块，是一系列支持访问数据源的组件。无论采用何种数据库（数据源），只要该数据库具有对应的ODBC或OLEDDB驱动程序，ADO对象就能加以存取。ADO具有先进的与语言无关性和检索处理功能。此外，ADO还具有编程简单、占用内存少的特点。3.3基于事例的推理故障推理的过程就是由已知的故障现象来寻找故障原因的过程，即在知识库的网络图中，从源结点（故障现象）出发，按照一定的搜索策略，沿着知识网络图中的有向弧进行推理搜索，最后达到目标结点（故障原因）的过程。一般在知识系统中，经常采用基于规则的推理（Rule-basedReasoning,简称RBR）和基于模型的推理（简称MBR）。这里的模型含义可以是解析的，或模糊关系的等等。对于诊断系统的推理在设计上要突出特点和实用性，基于事例的推理（简称CBR）是基于求解类似问题的经验获得当前问题求解结果的一种推理模式。这种CBR系统由事例索引机制、检索机制、事例改写和事例库四个核心功能部件构成，其中，事例库提供支持问题求解的一组实例，它是系统过去进行问题求解经验的聚集。根据问题描述，事例检索机制从事例库中查找一个与当前问题相匹配的事例，如果该事例满足问题描述的要求，则将相应的结果输出，否则，根据问题描述，对检索出的事例进行修改，事例改写的结果形成一个全部满足问题描述要求的答案，该结果同时作为一个新的事例索引机制组织到事例库中以备将来使用。显然，检索是CBR进行推理的核心，学习是CBR的一个基本功能。CBR求解问题的方式比较直接，较容易建立和维护。常见的索引技术包括最近邻法、归纳法和知识导引法等，考虑到建立一个有意义的索引机制，必须有足够的典型事例，且检索效率较高，融合归纳法和最近邻两种索引机制，当事例较少时采用最近邻法，而事例达到一定程度且新的事例又往往会引起事例库特征信息分布明显变化时，则采用归纳法对事例库进行重新组织。基于事例的推理也是人工智能研究中基于人工神经网络来解决问题的新方法。基于事例的推理在解决一个新问题时，不仅仅孤立地依赖于问题领域中常识性知识，同时能够使用先前经历过的具体问题中的特定知识，通过回忆先前与新故障相似的情形，并复用那种情形下的信息和知识，来获得新问题的解。基于事例推理将学习和排除故障集成在一起，它保存每一次解决新问题的经验，为解决将来问题时使用，基于事例推理的基本解决问题的机制是依赖于检索—调整—应用—学习周期循环。由于故障现象、部位和原因之间的关系较复杂，根据故障诊断往往有许多不确定性因素的特点，需要研究支持模糊知识和确定性知