一种基于决策树的飞机级故障诊断建模方法研究

摘  要：

现代飞机是由许多子系统组成的复杂系统，系统结构层次多，关联度高，故障之间存在横向和纵向传播性。因此，在健康管理技术实施过程中，应最大程度利用故障特征监测技术，并借助各种算法和智能模型来监控、诊断、预测和管理飞机的运行状态。鉴于此，将机器学习中的决策树算法应用到故障诊断技术中，建立了复杂的数学模型，提出了一种基于飞机状态参数构成的决策树的飞机级故障诊断建模方法，对飞机健康管理应用的发展具有一定的参考意义，有利于健康管理系统朝着更加综合化、智能化、网络化和标准化的方向发展。

1  飞机健康管理发展概况

飞机健康管理系统作为飞机实现视情维修、提高设备使用效率、降低维护成本的关键使能系统，近年来受到了航空工业部门、航空运营公司和众多航空研究机构的重视[1-3]。飞机维护保障系统现有技术包括内置测试（BIT）和系统数据记录，它们主要是反应式的，如飞机上的黑匣子。尽管飞机内置测试在故障检测和隔离中是有效的，但它们会产生大量的错误故障排除，这就增加了支持成本，降低了飞机的准备就绪度。在没有系统功能故障存在的情况下指示故障（可能是由于环境影响，即假警报），无法在地面或维护车间复现垂直可测试性问题或间歇性故障，故障隔离性差，这些因素都可能引起错误的故障排除。因此，错误的故障排除会降低人们对BIT的信心，从而降低对整个验证平台准备好投入使用的信心。另一方面，针对包括订购零件、生成适当的维护工作报告、通知维护某些系统出现的故障等在内的任务，具备自主处理支持的能力可以节省成本，增加整个系统的可用性并提高系统性能。飞机健康管理系统可以准确地检测系统故障，明确故障隔离的根本原因，在某些系统中，还可以预测即将发生的故障。

民用飞机健康管理系统的主要功能包括故障诊断、飞机状态监控、交互式维护、健康评估、构型报告、数据加载、显示管理等，可实现实时监控，并支持维修决策和视情维修，其架构图如图1所示。

飞机健康管理系统主要完成对飞机的各个成员系统，包括飞机动力系统、机电系统（如燃油系统、供电系统、液压系统等）、航电系统（如IMA、通信系统）和结构系统（如舱门、起落架等）信息的采集、监测、分析、诊断等工作。飞机健康管理系统通过机载数据网络总线连接各个飞机成员系统、驾驶舱显示系统、座舱打印机和机载通信接口设备，将机载健康管理功能结合为一个整体。机上各个成员系统的故障信息、状态信息可通过驾驶舱显示系统显示，也可通过座舱打印机打印，记录的飞机故障信息、状态信息还可通过ACARS、WLAN等空地通信设备或外场便携式维护终端（Portable Maintenance Access Terminal，PMAT）与地面通信，供地面深入分析和外场维修使用。

飞机健康管理系统的主要目标包括减少维护人员工时、降低维护技能和培训要求、更快地恢复飞机运行状态、减少备用件的消耗、通过更准确的故障诊断和预测来提高任务的可靠性。飞机健康管理可以节省大量的生命周期成本，从而提供高投资回报。要完全实现飞机健康管理系统，故障诊断能力是关键。

2  故障诊断技术研究现状

故障诊断技术研究起步较晚，并大多为学术性研究或尚处于实验室阶段，跨系统故障诊断、余寿预测等核心技术的成熟度或先进性相对不足；关键技术攻关和预先研究多针对特定试点成员系统或部件开展，缺乏全局性技术研究规划，对技术应用的系统性、工程化研究还很不充分；缺乏实验和历史数据积累，建模实验和综合验证实验基础薄弱；国内军、民机型号健康管理系统的研制和集成工程经验相当有限；成员系统供应商的质量特性工程水平以及对健康管理系统的功能和数据支持能力参差不齐，对飞机健康管理能力需求的理解也不尽一致；飞机健康管理系统研制体系尚不完整，缺乏体系化统筹和管控，系统并行协同设计、适航保障等能力欠缺。

常见的故障诊断技术主要可分为三类：

第一类是基于规则的故障诊断[4-5]。基于规则的诊断（RBR）即生产式方式。早期的故障诊断专家系统都是基于规则的，这些规则都是从专家的经验中总结出来，用来描述故障和征兆的关系。它的优点是直观形象，推理速度快，要求数据存储的空间相对较小，易于编程和易于开发出快速原型系统；不足是对历史经验依赖性强，当知识库中没有相应的与征兆匹配的规则时，容易造成误诊或诊断失败。

第二类是基于模型的故障诊断[6-7]。基于模型的诊断（MBR）主要用于在故障诊断方面难以获取历史经验的场合，通过对不同分系统和部件等建立数学模型，对其求解进行故障诊断，MBR主要包括基于故障树的诊断和基于神经网络的诊断。

第三类是基于案例的故障诊断[8]。基于案例的诊断（CBR）是通过访问知识库中过去同类问题的求解方法，从而获得当前问题求解的一种诊断方法，一个CBR系统是一个包括案例表示、索引、存储、组织、推理、案例学习的完整的系统，体现了更高级的知识环境，是多种人工智能技术的综合应用。而先进的故障诊断技术主要是基于BIT和飞机状态监测功能进行模型推理和数据挖掘的一批新兴技术[9]。

3  基于决策树的故障诊断技术

在飞机健康管理系统中，飞机状态监控功能可实时监控成员系统设备的特征参数数据，故障诊断软件利用特征参数数据之间建立的模型，结合成员系统实时上报的BIT数据，可实时诊断出该设备发生的故障。飞机特征参数数据和实际发生的历史故障结果可共同作为训练数据集，希望从给定的训练数据集中学习得到一个诊断模型，用以对成员系统特征参数数据进行分类，利用该模型，当实时监测到成员系统上报的BIT数据时，故障诊断软件可判断某个故障是否发生，显然，这属于二分类任务问题。决策树基于树的结构进行决策，在面临这类决策问题时是一种自然处理机制。

3.1  决策树

决策树[10]是一种运用概率与图论建立树结构，并对树中不同方案进行比较的机器学习方法，用来描述对实例对象进行分类的树形结构，由节点和边两部分组成。其中，节点可分为内部节点和叶子节点两种类型，内部节点表示属性信息，即飞机状态监控软件监控到的特征参数信息，叶子节点则表示输出结果，即故障类别。决策树示例如图2所示。

3.2  基于决策树的故障诊断模型算法设计

输入：

故障样本集D={(x1,y1),(x2,y2),…,(xm,ym)}

特征参数集A={a1,a2,…,ad}

过程：

函数生成树GenerateTree(D,A)

生成节点node；

（1）if A = ∅或D中样本在A上的取值相同，then

将node标记为叶节点，其类别标记为D中故障样本最多的类；return

end if

（2）If D中故障样本全属于同一类别C，then

将node标记为C类叶节点；return

end if

（3）从A中选择最优划分特征参数a*

for a*的每一个值a*v do

为node生成一个分支；令Dv表示D中在a*上取值为a*v的故障样本子集

If Dv为空then

将分支节点标记为叶节点，其类别标记为D中故障样本最多的类；return

else

以GenerateTree(Dv,A{a*})为分支节点

end if

end for

输出：以node为根节点的一棵决策树。

基于决策树的故障模型算法的生成是一个递归过程，在该算法中，有三种情形会导致递归返回。

第一种情形：当前特征参数集为空，或是所有故障样本在所有特征参数上取值相同，无法划分。

第二种情形：当前节点包含的故障样本全属于同一类别，无须划分。

第三种情形：当前节点包含的故障样本集为空，则不能划分。

由上述算法可以看出，基于决策树的故障诊断算法的学习关键在于最优特征参数的划分。一般而言，随着划分过程的不断迭代，希望决策树分支的节点所包含的故障样本尽可能属于同一类别，即节点的纯度越来越高。

通过不断迭代上述算法，可形成一棵基于飞机状态参数构成的决策树，为模型开发工具建立故障模型提供依据和来源。

3.3  故障诊断应用软件

飞机上故障诊断应用软件主要包括五大逻辑功能部分，分别是初始化、飞机状态监控、故障诊断、故障记录、故障请求显示[11]。初始化功能是指故障诊断应用软件加载初始化配置文件和多个线程之间如何调度运行等。飞机状态监控功能是指故障诊断应用软件实时监测飞机上的BIT（Builb In Test）数据和飞机状态参数。故障诊断是指依据建立的模型来诊断飞机上是否有故障发生。故障记录是指将发生的故障信息记录下来，便于查询和后期维护。故障请求显示是为了给维护人员显示，以便维修诊断软件诊断出的故障。

飞机上故障诊断应用软件的软件运行框架如图3所示。首先，模型开发工具基于决策树建立飞机上不同成员系统所具有的故障模型；其次，模型开发工具将建立好的故障模型导出，生成一定格式的模型配置文件；然后，故障诊断应用软件加载基于飞机状态参数构成的决策树的故障模型配置文件；最后，飞机BIT注入软件为机载软件提供数据源，可将数据导入系统数据库，在用户操作下按照一定的调度策略将不同频率的BIT数据发送到故障诊断软件，同时响应故障显示功能软件的交互式请求。

3.4  最优特征参数划分选择

从3.2小节得知，基于决策树的故障诊断建模算法的学习关键在于最优特征参数的划分。信息熵是度量故障样本集合纯度最常用的一种指标。假定当前故障样本集合D中第k类故障样本所占的比例为pk（k=1，2，…，|γ|），则信息熵的定义为：

En（t）的值越小，则D的纯度越高。

假定特征参数性a有V个可能的值{a1，a2，…，aV}，若使用a对故障样本集D进行划分，则会产生V个分支节点，其中第v个分支节点包含了D中所有在特征参数a上取值为av的故障样本，记为Dv。可根据上式计算出Dv的信息熵，再考虑到不同的分支节点所包含的故障样本数不同，赋予节点权重|Dv|/|D|，即样本数越多的分支，节点影响越大，于是可计算出用特征参数a对故障样本集D进行划分所获得的信息增益：

一般而言，信息增益越大，则意味着使用特征参数a来进行划分所获得的纯度提升越大。因此，可用信息增益来进行决策树划分属性选择，即在上述决策树算法中选择特征参数：

特征选择在于选取对故障样本数据具有分类能力的特征，这样可以提高决策树学习的效率。如果用一个特征参数去分类，得到的结果与随机分类没有很大差别，那么这样的分类是毫无意义的。因此，需要选取有意义的特征参数对故障样本数据集进行分类，才能更精准且有效地建立故障诊断模型，从而更准确地预测飞机上发生的故障。需要指出的是，在基于飞机状态参数构成的决策树学习过程中，会出现“过拟合”的现象，可通过主动剪枝处理去掉一些分支来降低过拟合的风险，这些都有待开展进一步的研究工作。

4  结语

本文首先介绍了飞机健康管理系统的发展概况、主要功能和目标，进一步指出故障诊断技术作为飞机健康管理的核心技术，在飞机健康管理系统的发展中必不可少。然后，介绍了故障诊断技术的研究现状和技术成熟度。最后，提出了一种基于飞机状态参数构成的决策树的飞机级故障诊断建模方法，用于在飞机健康管理系统中发挥作用。利用该算法，可形成基于飞机状态参数构成的决策树的故障模型配置文件，故障诊断应用软件通过加载该模型配置文件，完成对飞机故障的诊断和处理，将故障诊断结果显示在维护终端，供维护人员查看和使用。

审核编辑：汤梓红