具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

经过对故障等级和车载装备子系统的复杂度等情况综合考虑后，本发明基于车载装备的发动机供油系统作为故障诊断的诊断对象为例进行说明。对复杂设备进行故障诊断的过程实际上就是根据一定的故障征兆，推理得到某个或某些故障原因的过程。因此要想将它用于车载装备其他系统故障的诊断，只需按照发动机供油系统故障诊断模型构建的步骤进行设计，就可以实现对其他系统的故障诊断与故障征兆的预测。

基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

便携式维修辅助设备(PMA)作为一种具有交互能力和自动处理数据能力的工具，不仅可以满足在不同环境下对信息化装备的维修训练、维修指导和维修管理能力的要求，还可以在战场环境下实现快速修复和远程技术支持，PMA的应用大大提高了武器装备的保障能力，在复杂的装备维修领域中具有极大的应用前景。

PMA的硬件框架有：小屏显示终端，语音、视频加密，网络接收，大屏显示终端，显示驱动，计算机主板，基本接口，适配器等，如图1所示。

如图2所示，PMA系统管理应用软件主要包括用户基本信息管理、交互式电子技术手册(IETM)查询系统、维修技术人员基本信息管理系统、备件工具查询申领系统、维修技术文档实时记录分析系统、维修监控系统、远程技术支持专家系统和常见技术故障诊断系统。

目前，PMA的诊断过程如下：

(1)系统通过专用接口适配器与被测装备传输测试和诊断信息，测试信息由系统内配套的IETM软件平台进行交互式处理，形成故障诊断策略；

(2)对所得故障诊断策略进行自动匹配，匹配到已有案例进行维修和排故，没有匹配到相同案例的情况下，根据故障现象，寻找相似案例，为维修人员提供一个或多个解决方法；

(3)如果匹配到IETM中明确指出的已有案例，指导维修人员按照已出现维修案例的维修步骤进行下一步操作；

(4)若故障信息较复杂，则运用贝叶斯网络诊断来进行案例检索。通过对采集到的原始数据信息进行分类处理，利用专家系统知识定制相应的特征提取规则，将采集到的数据信息进行特征向量提取，生成相应的特征样本库。将测试数据信息经过特征向量提取，作为各个故障诊断模型的输入数据信息，计算出所输入的特征向量在不同故障分类模型中的相似度，以计算出所有案例的相似度为依据，寻找到与新故障问题最相似的案例，若案例相似度大于某一阈值，则提取案例，生成初步的排故方案。如果没有匹配案例，则直接调用思想库来生成初步排故方案。最后，由维修人员在初步排故方案制定的基础上进行加工，以得到最终的排故方案。PMA的诊断过程如图3所示。

IETM软件平台内的故障诊断系统主要由三个组成部分：专家系统的维修向导模式、故障自动诊断模式和远程维修协同支持系统。

专家系统的第一个重要组成部分是知识库，它存储着从专家那里得到的关于某个领域的专门知识；专家系统的第二个组成部分是推理机，它具有依据一定的策略进行推理的能力，即能够根据知识推导出结论，也可以根据已有案例指导维修人员进行排故。

PMA的诊断过程中，案例相似度的计算方法如下：

计算故障征兆间的相似度的公式为：

D_si(C_ni,C_pi)＝1-|v(C_ni)-v(C_pi)|；

其中，D_si(C_ni,C_pi)为待诊断装备C_n产生第i个故障征兆与案例C_p的第i个故障征兆的相似度；C_ni为待诊断装备C_n的第i个故障征兆；C_pi为案例C_p的第i个故障征兆；v(C_ni)为待诊断装备C_n的第i个故障征兆的可信度；v(C_pi)为待诊断装备C_n的第i个故障征兆的可信度。

案例相似度的计算公式为：

其中，D_s(C_n,C_p)为待诊断装备C_n与案例C_p的相似度；W_i为待诊断装备C_n中第i个故障征兆的权重因子；M为故障征兆的总数，

将上述两个公式合并得到案例相似度的计算公式：

由案例相似度的计算公式计算得到的结果，当结果等于1.0时，表示案例C_n与案例C_p完全匹配；当结果等于0.0时，表示案例C_n与案例C_p完全不匹配。

对于匹配完成某个案例，需要根据专家经验设定一个相似度阀值λ，当案例的相似度小于这个相似度阀值λ的时候，表示案例库中的该案例不足以给新案例提供有用参考，这样就不用输出该案例给用户参考。

上述案例相似度的计算公式存在如下缺陷：

假设待诊断装备C_n的故障征兆数目为M，案例C_p的故障征兆数目为N，待诊断装备C_n与案例C_p中具有相似性的征兆数目为K，总有：K≤MIN(M，N)。

当K＝M，K≤N时，表示待诊断装备C_n的故障征兆都能在案例C_p中找到相似的故障征兆，这个可能是案例C_p包含了待诊断装备C_n。当K＝M，K≥N时，表示待诊断装备C_p的故障征兆都能在案例C_n中找到相似的故障征兆，这个可能是案例C_n包含了待诊断装备C_p。因此，当征兆数目相差比较大、相似征兆较少的时候，应该对相似度进行具体分析，防止发生表面不相似而实际相似，或者表面相似而实际不相似的情况出现。

将上述故障征兆间的相似度的计算公式和案例相似度的计算公式改写成如下形式：

D_si(C_ni,C_pi)＝1-|v(C_ni)-v(C_pi)|；

由改写后的公式可以看出，当待诊断装备C_n和案例C_p中相同故障征兆的可信度都为0的时候，故障征兆和案例的相似度都为1，这显然是错误的。因为当故障征兆的可信度为0或者很小的时候，其故障征兆本身就是不可信的，必然导致一个错误的结论。因此，在案例匹配过程中，应该对相似度的计算进行必要的修正。

本发明针对上述缺陷，将修正因子引入相似度计算过程，解决了当故障征兆数目相差比较大、相似征兆较少时，发生表面不相似而实际相似，或者表面相似而实际不相似的问题，提高了故障诊断的准确性。

图4为本发明实施例提供的维修辅助装备故障诊断方法的流程图。

参见图4，本实施例的维修辅助装备故障诊断方法，包括：

步骤101：获取待诊断装备的状态特征。

发动机供油子系统的工作原理是指不断地输送经过滤清的汽油，根据发动机各种不同工况的要求，配置出一定数量和浓度的可燃混合气，供给气缸燃烧做功。供油系统常见的故障现象有发动机抖动、冒黑烟、发动机动力不足以及不能正常起动等等。

因此，本实施例中可以获取与发动机是否故障有关的状态特征有：发动机怠速发抖、加速不良、不能起动、起动困难、容易熄火、车辆最高时速降低、车辆油耗大和排气管冒黑烟等。

发动机怠速发抖出现的原因是单缸喷油器损坏导致单缸不喷油空气滤清器堵塞；发动机加速不良出现的原因可能有多种情况包括：单缸不喷油空气滤清器堵塞、喷油量偏少、没有喷油量、喷油量偏多等；不能起动的原因是电子控制单元(ECU)故障或油泵不泵油导致没有喷油量；起动困难的原因主要是喷油量过多或过少；车辆最高时速降低是因为单缸不喷油空气滤清器堵塞或喷油量偏少导致的发动机动力不足；排气管冒黑烟的原因是喷油量过多。

根据对一些统计数据的分析，总结出了发动机供油系统常见的故障表，如表1所示。根据上述状态特征可以提取的状态特征向量有：单缸不喷油空气滤清器堵塞、喷油量偏少、没有喷油量、喷油量偏多等。

表1发动机供油系统故障表

步骤102：由所述待诊断装备的状态特征确定所述待诊断装备产生各个故障征兆的可信度。其中，故障征兆为所述待诊断装备可能产生的故障征兆，而对于一个故障征兆是否可能产生可以由经验确定，故障类型与故障征兆之间的关系、故障类型的可信度是基于贝叶斯网络模型确定的。

首先，对用于故障诊断的贝叶斯网络模型进行介绍。

质朴型贝叶斯网络结构作为贝叶斯网络模型，即“故障—征兆”模型，如图5所示。图5中的质朴型贝叶斯网络模型的上层代表故障类型，下层代表故障征兆，将故障类型和征兆之间有依赖关系的节点用有向弧连接起来，然后依据专家知识给出有依赖关系的两个节点之间的条件概率，以及该设备发生各种故障的先验概率，接着利用搜集到的样本数据，依据相应的判定准则建立贝叶斯网络模型。

该模型由零件状态层、故障层和故障征兆层三部分组成：上层C_i是零件状态层表示故障案例样本集，即故障成因，中层S₈～S₁₁表示故障层状态，下层S₁₂～S₁₆是故障征兆层表示征兆样本集，即故障现象。根据发动机供油系统故障信息可构建贝叶斯网络模型，如图6所示，在图6中，C₁为ECU故障，C₂为单缸喷油器损坏，C₃为油泵不泵油，C₄为汽油滤清器堵塞，C₅为油管漏油、C₆为燃油压力调节器真空管脱落，C₇为燃油压力调节器弹簧疲软，S₈为单缸不喷油空气滤清器堵塞，S₉为喷油量偏少，S₁₀为没有喷油量，S₁₁为喷油量偏多，S₁₂为发动机抖动，S₁₃为发动机冒黑烟，S₁₄为发动机动力不足，S₁₅为发动机不能启动，S₁₆为发动机起动困难。

从图6可以看出，故障案例原因和故障征兆直接的因果关系一目了然，由于供油系统故障的复杂性和不确定性，导致故障案例原因和故障征兆之间存在多对一、多对多的关系。例如，S₉“喷油量偏少”对应C₂“单缸喷油器损坏”、C₄“汽油滤清器堵塞”、C₅“油管漏油”以及C₇“燃油压力调节器弹簧疲软”4个父节点，同时该子节点出现问题又会影响下一级子节点，S₁₄“发动机动力不足”和S₁₆“发动机起动困难”的发生。同样，大多数父节点也都与多个子节点具有复杂的因果关系。

其中故障诊断网络计算所需要的先验概率值，一般都是在专家经验指导的基础上对系统故障进行统计分析得到。先验概率是根据历史的资料或主观判断来确定的各事件发生的概率。先验概率一般分为两类，一是客观先验概率，是指利用过去的历史资料计算得到的概率；二是主观先验概率，是指在无历史资料或历史资料不全的时候，只能凭人们的主观经验来判断取得的概率。在没有任何证据信息时，各个故障类型节点的故障发生的先验概率及可信度如表2所示。

表2各故障类型的先验概率及可信度

表3和表4列举了网络模型部分子节点的条件概率表。其中表3说明节点S₉在其父节点C₇、C₅、C₄和C₂的各种组合取值状态下的条件概率值，表4说明了节点S₁₄在其父节点S₉、S₈各种组合取值状态下的条件概率值。其余节点的条件概率值依照相同方法可以获得，这里只列举了部分节点的条件概率表。

表3节点S₉的条件概率值及可信度

表4节点S₁₄的条件概率值及可信度

基于上面介绍的贝叶斯网络模型，步骤102，具体的：在MYCIN系统中，基于推理网络确定规则，基于规则按照推理顺序得到各故障征兆的可信度。

在实际应用中，以规则强度来衡量故障现象出现故障征兆的量度，提出了断言强度的概念，可信度在这里被细化为规则强度和断言强度。可信度的计算过程就是规则强度向断言强度传播的过程。

规则由断言构成，那么推理的初始条件和最终结果均由断言表示，如下列规则：

(CS；(S,S(X),ctS))

这里，CS为贝叶斯网络中层的故障层(条件)，S为故障征兆(结论)，S(X)为故障征兆的概率，ctS为规则强度，引起结论故障征兆S具有不确定性的原因有：

(1)条件CS中对应的可能是由用户给出的，而用户对于某一现象的定性并不十分精确，故结论S也具有不精确性；

(2)规则本身具有不确定性(表现在规则强度上)，导致结论S也带有不确定性；

(3)条件CS可能是其它规则的结论部分，而通过其它规则推理出CS的过程必然使CS蒙上不精确性。

因此有必要对结论附加一定的可信度，以准确地反映推理出故障征兆的真实程度。这里结论S是相对的，在推理过程中，通过匹配它可能会作为另一条规则的条件而出现，但不论是条件或结论，它们均为断言。为表征断言的真实程度而附加一定的可信度，本发明中称之为断言强度。

本发明中采用MYCIN系统中确定性理论计算可信度，在该系统中知识是由规则表示的，它的一般表示形式：

if CS₁ and CS₂ and … CS_n then CF(S(X))

其中CS_i(i＝1,2,…,n)是故障层证据，S为故障征兆结论，S(X)为故障征兆的概率，CF(S(X))为出现故障征兆的可信度(也称之为故障征兆概率的可信度)。该规则表示：当证据CS₁到CS_n肯定存在时，结论征兆S出现S(X)概率的可信度为CF(S(X))。S(X)是该规则产生故障征兆的概率，由领域专家给出。

在MYCIN中，它的规则通过推理策略被连成推理网络，采用了不精确推理模型来进行推理：

(1)证据是单个条件时：当规则if CS then CF(S(X))被使用时，结论S(X)的可信度CF(S(X))不仅取决于规则的可信度CF(S(X),CS)，也取决于证据CS的可信度CF(CS)：

CF(S(X))＝CF(S(X),CS)·max{0,CF(CS)}。

(2)证据是多个条件的逻辑组合时：证据是and连接，逻辑组合后的可信度为：

CF(CS)＝CF(CS₁ and CS₂ and … CS_n)＝min{CF(CS₁),CF(CS₂),…,CF(CS_n)}

证据是or连接，逻辑组合后的可信度为：

CF(CS)＝CF(CS₁ or CS₂ or … CS_n)＝max{CF(CS₁),CF(CS₂),…,CF(CS_n)}

(3)两条规则具有相同的结论：设有如下两条规则：

rule 1:if CS₁ then CF[S(X),CS₁]

rule 2:if CS₂ then CF[S(X),CS₂]

先分别计算出两条规则结论的可信度：

CF₁(S(X))＝CF(S(X),CS₁)·max{0,CF(CS₁)}

CF₂(S(X))＝CF(S(X),CS₂)·max{0,CF(CS₂)}

然后采取下式计算结论可信度：

CF₁₂(S(X))＝CF₁(S(X))+CF₂(S(X))

假设故障征兆与故障层征兆CS₁,CS₂,CS₃,CS₄,CS₅,CS₆有关，其中一个案例C的故障层征兆为CS₁,CS₂，另一个案例C的故障层征兆为CS₃,CS₄,CS₅,CS₆，如图图7的(a)部分和(b)部分所示的推理网络，求出S(X)的可信度CF(S(X))，具体步骤如下：

根据图7所示的推理网络可得出如下规则：

rule 1:if CS₁ and CS₂ then CF(S(X))；

rule 2:if CS₃ and CS₄ and CS₅ and CS₆ then CF(S(X)))；

在推理过程中，征兆的概率S(X)需从专家经验处得到，采用正向推理得出最终推理结果。推理顺序如下：

(1)根据CS₁和CS₂的值求出规则1结论S(X)的可信度；

rule 1中有CS₁故障层征兆的概率值CS₁(X)、CS₂故障层征兆的概率值CS₂(X)以及故障征兆层概率的加权因子ω_i(i＝1,2,3…,n)，ω_i由专家给出。对于前提条件：

C＝CS₁(X,ω₁)and CS₂(X,ω₂)and … and CS_n(X,ω_n)

可信度的计算公式为：

可求出规则1结论S(X)的可信度。

(2)同理根据CS₃,CS₄,CS₅,CS₆的值求出规则2结论S(X)的可信度；

(3)对于结论相同的两条规则，通过(1)(2)所得求和得出故障征兆概率S(X)的最终可信度。

步骤103：由所述待诊断装备产生各个故障征兆的可信度、案例库中各个案例的故障征兆的可信度以及修正因子，计算所述待诊断装备与各所述案例的相似度。

(1)确定案例库中每个案例的故障征兆的可信度。

案例库中每个案例的故障征兆的可信度都是在专家经验指导的基础上对系统故障进行统计分析得到，以发动机供油系统故障征兆可信度为例，如表5所示。

表5发动机油液系统故障征兆可信度

(2)对于案例库中的案例C_p，由所述待诊断装备产生第i个故障征兆的可信度、案例C_p的第i个故障征兆的可信度以及修正因子，计算所述待诊断装备产生第i个故障征兆与案例C_p的第i个故障征兆的相似度。具体计算公式为：

D_si(C_ni,C_pi)＝β_i(1-|v(C_ni)-v(C_pi)|)；

其中，D_si(C_ni,C_pi)为待诊断装备C_n产生第i个故障征兆与案例C_p的第i个故障征兆的相似度；C_ni为待诊断装备C_n的第i个故障征兆；C_pi为案例C_p的第i个故障征兆；v(C_ni)为待诊断装备C_n的第i个故障征兆的可信度；v(C_pi)为待诊断装备C_n的第i个故障征兆的可信度；β_i为修正因子；

(3)由所有故障征兆的相似度计算所述待诊断装备与案例C_p的相似度。具体计算公式为：

其中，D_s(C_n,C_p)为待诊断装备C_n与案例C_p的相似度；W_i为待诊断装备C_n中第i个故障征兆的权重因子；M为故障征兆的总数。

步骤104：将所述相似度最大的案例对应的排故方案确定为所述待诊断装备的排故方案。

步骤103和步骤104是将待诊断装备与案例库(故障案例库)进行匹配的过程，即在案例库找寻与待诊断装备相近似的案例。在找寻过程中，会遇到很多和目标案例相近似的案例，虽然不是最相似的，但在某些属性上是类似的，因此最终的结果和类似的案例可以看作是一组属性相似的案例集合。如果在系统中引入阀值这样一个概念，认为目标案例与案例库中的案例的相似度大于阀值Φ就可以认为基本相似，获取相似度大于阈值的案例匹配信息，对全部相似度计算结果进行排序，选取匹配度最大的案例作为初步排故方案。该过程的一个具体实现过程如图8所示，图8与图3提供的现有的PMA的诊断过程最大区别在于，图3在匹配失败时，给出初步排故建议后结束，而图8中在存在未匹配到的案例时，基于网络规则得到可信度，基于可信度采用改进的相似度算法(步骤103中的相似度计算公式)最终实现排故方案的推送，提高了故障诊断的准确性。

本实施例提供的维修辅助装备故障诊断，案例相似度的计算是以案例的属性为基础的，主要针对故障征兆属性。通过利用改进相似度算法(将修正因子引入相似度计算)可以解决当征兆数目相差比较大、相似征兆较少时，发生表面不相似而实际相似，或者表面相似而实际不相似的问题，提高了故障诊断的准确性。

本发明还提供了一种维修辅助装备故障诊断系统，图9为本发明实施例提供的维修辅助装备故障诊断系统的结构图。

参见图9，所述系统，包括：

数据获取模块201，用于获取待诊断装备的状态特征。

可信度确定模块202，用于由所述待诊断装备的状态特征确定所述待诊断装备产生各个故障征兆的可信度。

相似度计算模块203，用于由所述待诊断装备产生各个故障征兆的可信度、案例库中各个案例的故障征兆的可信度以及修正因子，计算所述待诊断装备与各所述案例的相似度。

排故方案确定模块204，用于将所述相似度最大的案例对应的排故方案确定为所述待诊断装备的排故方案。

作为一种可选的实施方式，所述相似度计算模块203，具体包括：

可信度确定单元，用于确定案例库中每个案例的故障征兆的可信度。

征兆相似度计算单元，用于对于案例库中的案例C_p，由所述待诊断装备产生第i个故障征兆的可信度、案例C_p的第i个故障征兆的可信度以及修正因子，计算所述待诊断装备产生第i个故障征兆与案例C_p的第i个故障征兆的相似度。

案例相似度计算单元，用于由所有故障征兆的相似度计算所述待诊断装备与案例C_p的相似度。

作为一种可选的实施方式，所述征兆相似度计算单元中，所述待诊断装备产生第i个故障征兆与案例C_p的第i个故障征兆的相似度的计算公式为：

D_si(C_ni,C_pi)＝β_i(1-|v(C_ni)-v(C_pi)|)；

其中，D_si(C_ni,C_pi)为待诊断装备C_n产生第i个故障征兆与案例C_p的第i个故障征兆的相似度；C_ni为待诊断装备C_n的第i个故障征兆；C_pi为案例C_p的第i个故障征兆；v(C_ni)为待诊断装备C_n的第i个故障征兆的可信度；v(C_pi)为待诊断装备C_n的第i个故障征兆的可信度；β_i为修正因子；

作为一种可选的实施方式，所述案例相似度计算单元中，所述待诊断装备与案例C_p的相似度的计算公式为：

其中，D_s(C_n,C_p)为待诊断装备C_n与案例C_p的相似度；C_ni为待诊断装备C_n的第i个故障征兆；C_pi为案例C_p的第i个故障征兆；v(C_ni)为待诊断装备C_n的第i个故障征兆的可信度；v(C_pi)为待诊断装备C_n的第i个故障征兆的可信度；β_i为修正因子；W_i为待诊断装备C_n中第i个故障征兆的权重因子；M为故障征兆的总数；

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。