系統(tǒng)故障檢測及可靠性課程設(shè)計--水下機器人軟件可靠性及故障診斷方法研究

1、<p>　　系 統(tǒng) 故 障 檢 測 及 可 靠 性</p><p>　　課 程 設(shè) 計（論文）</p><p>　　學(xué) 院 </p><p>　　專 業(yè) </p><p>　　學(xué)生姓名

2、 </p><p>　　班級學(xué)號 </p><p>　　水下機器人軟件可靠性及故障診斷方法研究</p><p>　　摘要：針對于智能水下機器人在軟件系統(tǒng)故障診斷過程中廣泛存在的不確定性和復(fù)雜關(guān)聯(lián)性，采用改進的軟件FMEA方法，對AUV智能規(guī)劃決策控制系統(tǒng)進行了可靠性分析和研究，在總結(jié)了A

3、UV主要軟件故障模式的基礎(chǔ)上，提出了一種基于FMEA的三層貝葉斯網(wǎng)絡(luò)診斷模型。通過貝葉斯網(wǎng)絡(luò)的推理機制，分別對單一故障和復(fù)合故障進行了推理實驗。實驗結(jié)果表明，采用上述方法能有效地提高水下機器人系統(tǒng)軟件可靠性以及故障診斷能力。</p><p>　　關(guān)鍵詞：智能水下機器人；軟件可靠性；失效模式影響分析；故障診斷</p><p><b>　　1 前言</b></p&g

4、t;<p>　　智能水下機器人(AUV)由于工作環(huán)境的復(fù)雜性、外界因素的未知多變性，使得任何細(xì)微的故障都有可能產(chǎn)生災(zāi)難性的后果，所造成的經(jīng)濟損失將無法估量，因此如何提高系統(tǒng)可靠性及故障診斷能力已成為AUV研究領(lǐng)域的重要課題。然而，相對于水下機器人硬件可靠性的研究，軟件可靠性還沒有得到足夠的重視[1]。針對國內(nèi)在水下機器人軟件可靠性研究方面還沒有深入展開的現(xiàn)狀，本文結(jié)合水下機器人軟件系統(tǒng)的特點，運用改進的FMEA技術(shù)，給出了

5、實際可行的水下機器人軟件可靠性分析及評估方案，總結(jié)了AUV的主要軟件故障模式，并在此基礎(chǔ)上，建立了基于FMEA的貝葉斯診斷網(wǎng)絡(luò)。實驗表明，本文方案能有效地提高水下機器人軟件系統(tǒng)可靠性及故障診斷的準(zhǔn)確性，對水下機器人可靠性技術(shù)的發(fā)展起到了一定的推動作用。</p><p>　　2 基于FMEA的AUV可靠性分析</p><p>　　失效模式影響分析(Failure Mode and Effec

6、ts Analysis, FMEA)是一種傳統(tǒng)的系統(tǒng)可靠性、安全性分析方法[2]。根據(jù)FMEA的基本原理及方法要求，本文給出了水下機器人智能決策系統(tǒng)軟件的FMEA實施步驟：(1)確定描述分析對象；(2)確定潛在的失效模式；(3)描述失效的影響；(4)確定原因；(5)風(fēng)險評估。</p><p>　　本文分析對象為AUV智能決策系統(tǒng)軟件模塊，該系統(tǒng)主要包括6大功能模塊：(1)全局路徑規(guī)劃模塊；(2)局部路徑規(guī)劃模塊；

7、(3)緊急情況處理模塊；(4)通訊模塊；(5)目標(biāo)搜索模塊；(6)任務(wù)下達模塊。以路徑規(guī)劃模塊為例，其FMEA表如表1所示。</p><p>　　表1 路徑規(guī)劃模塊FMEA表</p><p>　　3 改進的FMEA風(fēng)險評估方法</p><p>　　3.1 傳統(tǒng)FMEA的局限性</p><p>　　傳統(tǒng)FMEA風(fēng)險評估過程如圖1所示[3]，其主

8、要是通過計算風(fēng)險順序數(shù)RPN(Risk Priority Number)來評估產(chǎn)品或系統(tǒng)的風(fēng)險等級。</p><p>　　RPN是FMEA分析中的一個最重要的評價指標(biāo)，它反映了某項潛在失效模式發(fā)生風(fēng)險性及其危害性。傳統(tǒng)FMEA中RPN是發(fā)生率O、嚴(yán)重度S和難檢度D三者的乘積。由于不同的O、S、D相乘可以得到相同的RPN值，而RPN值相同情況下，各種失效模式對于系統(tǒng)的風(fēng)險作用卻不相同[4]，因此，僅以RPN來判斷各

9、種失效模式的風(fēng)險順序明顯存在著不足。另外，傳統(tǒng)FMEA又很難對主觀或定性的描述語言變量做出準(zhǔn)確判斷，這也極大地限制了FMEA的使用效果。</p><p>　　圖1 風(fēng)險評估過程圖</p><p>　　基于傳統(tǒng)FMEA的局限性，本文從改進風(fēng)險順序數(shù)RPN確定方法的角度出發(fā)，研究了基于模糊集理論和灰色關(guān)聯(lián)理論的FMEA方法[5]，試圖在水下機器人軟件系統(tǒng)中對風(fēng)險進行定量評估，使風(fēng)險的評估更加接

10、近實際情況。</p><p>　　表2 模糊語言術(shù)語的清晰化</p><p>　　3.2 基于三角模糊數(shù)的FMEA評價模型</p><p>　　將水下機器人各種失效模式的O、S、D三變量作為模糊語言變量，每個語言變量包含5種評價語言術(shù)語，即{極低(R)，較低(L)，一般(M)，較高(H),很高(VH)}。</p><p>　　在確定了水下機器

11、人軟件系統(tǒng)主要的失效模式、失效原因的基礎(chǔ)上，由從事水下機器人軟件測試及故障診斷的工作人員、科研人員組成專家小組，來確定主要故障模式的模糊評價語言術(shù)語集及其對應(yīng)的模糊數(shù)。</p><p>　　模糊數(shù)形式有很多，本文采用三角模糊數(shù)[6]對模糊語言術(shù)語進行定量化處理。若模糊數(shù)A可由(a,b,c)決定，且隸屬函數(shù)值為：</p><p><b>　?。?）</b></p&

12、gt;<p>　　則稱A為三角模糊數(shù)，記A=(a,b,c)，當(dāng)a=b=c時，A為一個精確數(shù)。這樣，模糊語言術(shù)語對應(yīng)的三角模糊數(shù)，可以借助專家的知識和經(jīng)驗來確定。</p><p>　　模糊數(shù)的非模糊化是應(yīng)用灰色關(guān)聯(lián)理論計算的基礎(chǔ)，國內(nèi)外有許多學(xué)者對非模糊化算法進行了深入的研究[7] 。本文根據(jù)三角模糊數(shù)分布特點，由式(2)：</p><p><b>　?。?）<

13、/b></p><p>　　將三角模糊數(shù)(a,b,c)化為單值，即可得出最終的評價結(jié)果，見表2。</p><p>　　O、S、D可以采用相同的模糊語言術(shù)語集和模糊數(shù)，這樣建立了模糊語言對應(yīng)的模糊數(shù)，就可以對水下機器人主要失效模式做出評價。本文從水下機器人6大模塊中選擇了主要的故障模式，分別為：(1)全局路徑規(guī)劃不合理；(2)避障失敗；(3)無法處理緊急情況；(4)通訊超時；(5)未能

14、搜索到目標(biāo)；(6)任務(wù)沒有順利下達。這6種主要故障模式的模糊等級評價表，如表3所示。</p><p>　　表3 故障模式模糊等級評價表</p><p>　　3.3 基于灰色關(guān)聯(lián)度的PRN排序</p><p>　　對典型的幾種失效模式進行評價后，便可以根據(jù)灰色關(guān)聯(lián)理論計算各種失效模式的灰色關(guān)聯(lián)度，通過排序來確定各種失效模式的風(fēng)險順序，制定改進措施。</p>

15、<p>　　灰色關(guān)聯(lián)分析是用關(guān)聯(lián)度大小來描述事物之間、因素之間關(guān)聯(lián)程度的一種定量化的方法。它以系統(tǒng)的定性分析為前提、定量分析為依據(jù)，進行系統(tǒng)因素之間、系統(tǒng)行為之問曲線相似性的關(guān)聯(lián)分析[8]。</p><p>　　根據(jù)灰關(guān)聯(lián)理論及對水下機器人失效模式的評價，按照表2中模糊語言術(shù)語對應(yīng)的清晰數(shù)，建立水下機器人主要故障模式的比較矩陣A。</p><p>　　上面建立了比較矩陣，因為

16、FMEA的風(fēng)險排序數(shù)是相對于一定的參考基準(zhǔn)來說的，從系統(tǒng)可靠性角度考慮，參考矩陣應(yīng)該選擇失效模式各變量的最優(yōu)或最差值作為參考基準(zhǔn)。本文選擇最差值最為參考基準(zhǔn)建立參考矩陣A0：</p><p>　　關(guān)聯(lián)性實質(zhì)上是曲線問幾何形狀的差別，因此可以將曲線間差值的大小，作為關(guān)聯(lián)程度的衡量尺度?？梢远x以下關(guān)聯(lián)系數(shù)的計算公式[9]：</p><p><b>　?。?）</b>&l

17、t;/p><p>　　式中，為xi對于x0在k點的灰色關(guān)聯(lián)系數(shù)；為分辨系數(shù)，取值在0至1之間，是可以事先確定的參數(shù)，本文取0.5。</p><p><b>　　計算可知</b></p><p>　　根據(jù)以上公式可以得出水下機器人失效模式各變量與參考基準(zhǔn)間的關(guān)聯(lián)系數(shù)：</p><p>　　在衡量失效模式的風(fēng)險排序時由于各變量的

18、影響程度不同，因此，可以考慮帶有權(quán)值的關(guān)聯(lián)度計算公式：設(shè)失效模式3個變量的指標(biāo)權(quán)重為 ，則第，種失效模式與參考基準(zhǔn)的關(guān)聯(lián)度可由下式得到：</p><p><b>　　(4)</b></p><p><b>　　其中。</b></p><p>　　由專家根據(jù)經(jīng)驗知識事先確定。水下機器人失效模式各變量的權(quán)系數(shù)分別為：則根據(jù)公式

19、(4)可計算得到各失效模式相對于參考基準(zhǔn)的關(guān)聯(lián)度，按照水下機器人各失效模式關(guān)聯(lián)度從大到小進行排序，就可以確定風(fēng)險順序。表4為改進的失效模式風(fēng)險排序；表5是按照傳統(tǒng)FMEA方法得到的風(fēng)險排序。</p><p>　　表4 基于灰色關(guān)聯(lián)的風(fēng)險排序</p><p>　　表5 傳統(tǒng)FMEA的風(fēng)險排序</p><p>　　通過比較可以發(fā)現(xiàn)，在傳統(tǒng)FMEA中，避障失敗和搜索目標(biāo)失

20、敗的嚴(yán)重度和難檢度相差不多。傳統(tǒng)FEMA中，避障失敗排在3，而在改進的FMEA中，由于綜合考慮了O、S、D三個變量對失效模式的影響，避障失敗的嚴(yán)重度要大于搜索目標(biāo)失敗，因此避障失敗的風(fēng)險排序上升為2?？梢?，改進后的FMEA方法，能夠綜合比較，選擇風(fēng)險作用較大的潛在失效模式作為改進對象，提高判斷的準(zhǔn)確性。</p><p>　　4 基于FMEA的AUV貝葉斯診斷網(wǎng)絡(luò)</p><p>　　4.1

21、 基于FMEA的AUV貝葉斯診斷網(wǎng)絡(luò)模型</p><p>　　貝葉斯網(wǎng)絡(luò)本質(zhì)上是因果關(guān)系網(wǎng)，它對于解決復(fù)雜系統(tǒng)不確定性和關(guān)聯(lián)性引起的故障有很大的優(yōu)勢。前面利用FMEA已經(jīng)得出了水下機器人智能決策控制系統(tǒng)的主要軟件故障模式、故障原因和故障影響。原因?qū)е鹿收系陌l(fā)生，故障模式的出現(xiàn)又導(dǎo)致了對系統(tǒng)的影響。因此，根據(jù)水下機器人故障的狀態(tài)信息及因果關(guān)系，建立了一個基于FMEA的貝葉斯診斷網(wǎng)絡(luò)，它包括3個基本事件層：故障征兆層

22、、故障層、故障原因?qū)?。所?gòu)造的貝葉斯診斷網(wǎng)絡(luò)模型如圖2所示。</p><p>　　圖2 水下機器人故障診斷系統(tǒng)的貝葉斯網(wǎng)絡(luò)圖</p><p>　　4.2 AUV故障診斷系統(tǒng)的貝葉斯推理</p><p>　　在貝葉斯診斷網(wǎng)絡(luò)建立完成之后，就可以進行相應(yīng)的故障診斷推理[10]。設(shè)E為故障征兆，F(xiàn)i 為導(dǎo)致征兆E產(chǎn)生的n個故障組成的互不相容且完備的故障集，由貝葉斯公式可

23、知[11]：</p><p><b>　?。?）</b></p><p>　　以水下機器人“航跡異常”故障影響節(jié)點E1為例，節(jié)點F1、F2的先驗概率和節(jié)點E1的條件概率分別如表6和表7所示。有了條件概率和先驗概率，根據(jù)條件獨立性假設(shè)，就可以得出每個節(jié)點的邊緣概率。E1的邊緣概率可根據(jù)如下公式得出：</p><p>　　表6 節(jié)點和的先驗概率表&

24、lt;/p><p>　　表7 節(jié)點的條件概率表</p><p>　　這樣，就可以按照貝葉斯推理公式得出條件概率：</p><p><b>　　并可以進一步得到：</b></p><p>　　結(jié)果表明，當(dāng)水下機器人在航行過程中，如果通過監(jiān)控平臺得知水下機器人航跡異常，利用貝葉斯推理機制可得出很大程度上是由于水下機器人的全局路徑

25、規(guī)劃搜索策略模塊失效所導(dǎo)致的，這樣就找到了導(dǎo)致航行異常的原因。該方法可以有效地對故障進行定位，準(zhǔn)確找到故障原因，以便使故障得到及時處理。</p><p>　　5 診斷實驗及結(jié)果分析</p><p>　　實驗在Matlab 6.0平臺下完成，采用Mat1ab語言編制的貝葉斯網(wǎng)絡(luò)工具(Bayesian Networks Toolbox，BNT)實現(xiàn)基于FMEA的貝葉斯診斷網(wǎng)絡(luò)的建立和推理。對水

26、下機器人智能規(guī)劃與決策控制系統(tǒng)主要軟件故障模式進行診斷，并找出導(dǎo)致故障發(fā)生的可能原因。</p><p>　　5.1 單一故障診斷</p><p>　　通過對水下機器人狀態(tài)監(jiān)控系統(tǒng)的觀察，對圖2建立的診斷網(wǎng)絡(luò)進行推理，假設(shè)當(dāng)獲得以下證據(jù)：</p><p>　　(1)evidence{E3}=true，航速不穩(wěn)定；</p><p>　　(2)ev

27、idence{E5}=true，狀態(tài)參數(shù)異常。</p><p>　　將該證據(jù)加入到網(wǎng)絡(luò)中，得出各故障發(fā)生的概率值，如表8所示。</p><p>　　表8 單一故障診斷結(jié)果</p><p>　　由該診斷結(jié)果可知，發(fā)生故障的概率最大，為0.5332。因此得出結(jié)論，在航速不穩(wěn)定，狀態(tài)參數(shù)異常情況下，水下機器人出現(xiàn)無法避障的故障的可能性最大。</p><

28、p><b>　　5.2多故障診斷</b></p><p>　　上面所進行的只是對單一故障的診斷推理，而水下機器人系統(tǒng)由于它的復(fù)雜性，很可能是多個故障同時出現(xiàn)，因此要考慮復(fù)合故障的推理。這里采用最大后驗假設(shè)推理，即將故障節(jié)點可能出現(xiàn)的狀態(tài)進行組合，根據(jù)出現(xiàn)的故障征兆，搜索感興趣的故障節(jié)點的組合狀態(tài)，其中后驗概率最大的那個狀態(tài)組合最有可能會出現(xiàn)故障征兆。</p><p&

29、gt;　　假設(shè)在水下機器人運行過程中，獲得如下證據(jù)：</p><p>　　(1)evidence{E3}=true，航速不穩(wěn)定；</p><p>　　(2)evidence{E4}=true，自救失??；</p><p>　　(3)evidence{E5}=true，狀態(tài)參數(shù)異常。</p><p>　　將以上證據(jù)加入到網(wǎng)絡(luò)中，得出各故障發(fā)生的概

30、率值，如表9所示。</p><p>　　表9 加入證據(jù)后各節(jié)點概率</p><p>　　由表9可知，和同時發(fā)生故障概率的可能性增大，明顯高于其他故障發(fā)生的概率。復(fù)合故障診斷時，可以根據(jù)以上單一故障診斷結(jié)果，沒定概率值低的故障為不發(fā)生，加入為證據(jù)，進行最大故障組合概率推理汁算。如，其表示的含義為：給定證據(jù)E，故障a、b發(fā)生，c不發(fā)生的概率。這樣，根據(jù)上面單一故障診斷結(jié)果，獲得的證據(jù)信息如下，

31、并加入到網(wǎng)絡(luò)中。</p><p>　　(1)evidence{E3}=true，航速不穩(wěn)定；</p><p>　　(2)evidence{E4}=true，自救失敗；</p><p>　　(3)evidence{E5}=true，狀態(tài)參數(shù)異常；</p><p>　　(4)evidence{F1}=false，全局路徑規(guī)劃正常；</p&g

32、t;<p>　　(5)evidence{F2}=false，可以進行避障；</p><p>　　(6)evidence{F5}=false，通訊正常；</p><p>　　(7)evidence{F6}=false，搜索目標(biāo)正常。</p><p>　　然后，再計算故障F3 和F4 的聯(lián)合概率，即的值。加入上面的證據(jù)后,F3 和F4的聯(lián)合概率如表10所示

33、。</p><p>　　表10 加入證據(jù)后的多故障診斷結(jié)果</p><p>　　這樣，故障F3 和F4同時發(fā)生的概率高達0.9460，這一概率要比單一故障診斷情況下的概率高。單一故障診斷下F3 和F4的概率值分別為0.8562和0.9332。即:</p><p>　　通過上面的實驗可知，在上述情況下，故障F3 和F4基本是同時發(fā)生。由此可見，該診斷網(wǎng)絡(luò)可以靈活地對多

34、故障進行診斷，體現(xiàn)了在多故障診斷方面的優(yōu)勢。</p><p><b>　　6 結(jié)論</b></p><p>　　給出了具體的水下機器人軟件可靠性分析及故障診斷方案的實現(xiàn)過程。將FMEA及貝葉斯網(wǎng)絡(luò)技術(shù)應(yīng)用到智能水下機器人的可靠性研究中，提出了基于FMEA的水下機器人貝葉斯診斷網(wǎng)絡(luò)。實驗表明，本文方法對單一故障和多故障都體現(xiàn)出了很好的適應(yīng)性，有效地提高了水下機器人系統(tǒng)軟

35、件可靠性及故障診斷能力，對智能水下機器人可靠性技術(shù)的發(fā)展起到一定的推動作用。</p><p><b>　　參考文獻：</b></p><p>　　[1] 徐玉如，龐永杰，甘永，等．智能水下機器人技術(shù)展望[J]．智能系統(tǒng)學(xué)報，2006，1(1)：11-14．</p><p>　　[2] Chen Z，F(xiàn)eng K M，Zhang G S，et a

36、1．Preliminary safety research for CH HCSB TBM based on FMEA method[J]．Fusion Engineering and Design，2008，83(5/6)：743-746．</p><p>　　[3] Bowles J B，Pelaez C E．Fuzzy logic prioritization of failures in a system

37、 failure mode，efects and criticality analysis[J]．Reliability Engineering＆ System Safety，1995，50(2)：203-213．</p><p>　　[4] Xu K，Tang L C，Xie M，et a1．Fuzzy assessment of FMEA for engine systems[J]．Reliability E

38、ngineering and System Safety，2002，75(1)：17-29．</p><p>　　[5] 門峰．模糊集理論與灰色關(guān)聯(lián)理論的FMEA方法[J]．工業(yè)工程，2008，11(4)：109-112．</p><p>　　[6] Guimaraes A C F，C.Lapa M F．Fuzzy inference to risk assessment on nucle

39、ar engineering systems[J]．Applied Soft Computing Journal，2007，7(1)：17-28．</p><p>　　[7] Chang C L，Liu P H，Wei C C. Failure mode and effects analysis using grey theory[J]．Integrated Manufacturing Systems，2001，

40、12(3)：2lI-2l6．</p><p>　　[8] Shih K c，wlu K W，Huang U P.lnformation of grey relation[M]．Taiwan，China：Chuan-Hua Co Ltd，1996．</p><p>　　[9] Cao J，Cao G，Wang w．A hybrid MCMD integrated borda function

41、 and gray rational analysis for 3PLs selection[C]//Proceedings of the IEEE International Conference on Grey Systems and Intelligent Services，2007:215-220．</p><p>　　[10] Hu Y，Chen J H，Huang J X，et a1．Analyzin

42、g software system quality risk using Bayesian belief network[C]//Proceedings of the IEEE International Conference on Granular Computing，2007：93-96．</p><p>　　[11] Tesfamariam S，Martin-Perez B．Bayesian belief