航空电子设备是现代化战机的“中枢神经”，承担着“通信导航识别、目标探测及电子战”等任务功能，目前进行电子设备维修保障的主要方法是基于信号处理，即利用专用检测仪测试其输出信号的性能指标参数，通过判断其测量值是否在正常范围进行故障诊断。这种方法的缺点是信息利用率不高，未考虑将参数信息加以综合利用，对于复杂设备来说，难以准确定位故障。

随着人工智能技术的发展，使用智能控制进行诊断已经成为研究热点^{[1, 2, 3, 4]}。文献^[1]利用模糊理论对雷达接收机进行故障源定位；文献^[2]采用D-S证据理论进行无线发射机故障诊断；文献^[3]提出一种基于故障树的自动驾驶仪故障诊断方法。由于设备之间的相互影响、测试误差等原因，测试信号所提供的信息往往不精确、不完整，因此利用单一信息或者多信息的简单处理，并未考虑这些不确定因素的存在，必将导致故障诊断正确率降低，甚至出现故障误报和漏检等现象。信息融合技术综合利用多个传感器从检测系统多方面获得同一对象的信息和数据，因而可提高诊断的正确率，改善系统故障诊断的不确定性^{[5, 6, 7]}。文献^[5]介绍了信息融合方法在电厂设备中的应用；文献^[6]采用了基于D-S证据理论在航空发动机的故障诊断方法。本文提出一种基于模糊神经网络局部诊断和D-S融合决策的故障诊断方法，并将局部诊断结果的距离值和正确率引入D-S基本概率赋值获取中，通过在某型号电台的应用，验证了经过融合后的故障诊断可信度增加，准确性提高。

图 1所示是信息融合故障诊断框架。由3个环节构成：1) 数据级。生成被测对象的故障征兆空间。即由检测装置采集特征信号，根据专家经验选择最佳特征量，即故障征兆空间，并划分为若干子空间作为下一环节的输入。2) 局部融合。采用若干个并行子模糊神经网络(fuzzy-neural network，FNN)对电台不同故障模式进行初步诊断，并将结果进行归一化作为决策级的各个证据体。3) 决策融合。利用D-S证据理论对局部输出进行融合处理，并根据判定规则得到最终诊断结果。

图 1

图 1 信息融合故障诊断框架

单个FNN^[8]可以实现多种故障的诊断判别，但是有一定缺点：当设备的故障特征参数比较多时，必然造成FNN结构庞大，使网络训练时间长，有时甚至超出内存容量，无法训练；特征参数增多，样本之间的矛盾也随之增加，使网络的泛化能力变差，诊断正确率降低^[9]。

FNN融合故障诊断将整个故障征兆空间和故障空间划分为若干个故障征兆子空间和故障子空间，针对每一对故障征兆子空间和故障子空间建立子FNN，每个子网络解决各自征兆子空间和故障子空间的映射关系，这样就把一个大FNN转化为若干个小FNN，从不同侧面进行故障诊断。

基于FNN局部融合故障诊断是一种典型的特征层融合方法，其实质是模式识别问题。局部融合采用多个自适应模糊神经网络并联的形式^{[10, 11]}，随着输入量增大，会使模糊规则成指数增长，产生规则爆炸。采取减法聚类^[12]进行规则优化，根据样本数据即可确定聚类中心，初始化隶属度函数的参数，继而可以确定网络的初始结构。经过规则优化后的FNN结构分为4层，即输入层、模糊化层、模糊规则层及输出层。

为了综合不同子网络的冗余和互补信息，采用D-S证据理论^[13]对各子网络的诊断结果进行关联处理，融合判决，得到最终诊断结果。

设Θ为识别框架，在故障诊断中，Θ即为设备故障模式集合。Θ中所有故障模式称为幂级${2^\Theta }$。如果函数m:${2^\Theta } \to [0,1]$满足：$m(\phi ) = 0$,$\sum\limits_{A \subset \Theta } {m(A)} = 0$，m(A)称为A的基本概率赋值，A为可能的故障，(A,m(A))称为证据体。采用组合规则对证据体进行融合。

设m₁、m₂分别为同一识别框架Θ上的两个基本概率赋值分配，焦元分别为A₁,A₂,---A_k和B₁,B₂,---,B_k,，则组合后的基本概率赋值为：

基本概率赋值的获取是证据理论关键点，且直接影响融合决策的准确性和有效性。由模式识别知识可知，若两个模式x和y相似，则它们的特征相近。设x、y包含的特征有m个，定义两个模式的欧氏距离^[14]为：

设${\rm{ou}}{{\rm{t}}_{ij}}$为第i个分类器第j个故障模式的识别输出，${A_j}$为识别框架中元素所对应证据体的标准特征向量，则第i个网络的第j个模式与识别框架中标准模式的欧式距离为：

由于各FNN样本输入不同以及不同故障在系统的不同部位体现程度强弱的差异，因此每个FNN分类器对不同故障模式的识别能力也不同。为了提高融合效率，将该信息加入融合中非常重要，采用各网络识别阶段样本正确率衡量可靠性系数。设第i个网络对第k个已知故障模式为${\beta _{ik}}$，从距离函数到基本概率赋值函数的映射$[R \to [0,1]$是一个非线性映射过程。则证据i对故障j的基本概率赋值及不确定性分别为：

航空电台用于飞机与飞机、飞机与地面的通信联络，是机载通信的重要设备。某型号机载超短波电台电路模块包括主接收机、救生接收机、频率合成器、发射机和电源。进行模块级故障诊断的步骤是进行电源模块诊断，在电源无故障情况下，再对其他模块进行诊断。工作模式有4种，即主收、双收、定向和救生，以“主收”工作方式为例，此时救生接收机不工作。

系统模式分为正常模式F₁和故障模式。故障模式包括接收机故障F₂、发射机故障F₃、频率合成器故障F₄。根据技术要求和专家经验，采用9个指标作为故障特征参数，建立3个子模糊神经网络分类器。射频接收幅度、主收灵敏度和发射功率为分类器1的输入；静噪灵敏度、发射调制度、射频发射幅度为分类器2的输入；主收额定输出、发射自听信号、失锁信号为分类器3的输入。各分类器输入的选择和分配大致遵循以下原则：1) 每个分类器的输入应同时包含各电路模块指标；2) 对于单个分类器，输入信息的类型应尽可能一致。上述输入分配结果是根据仿真情况确定的性能最优方案。

通过查阅从各航空兵部队收集的有关该型电台使用过程中的性能测试数据、故障数据以及进行故障排查时的测试记录，分别整理出对应F₁～F₄模式共计200个样本，其中120个作为分类器的训练样本，80个作为测试样本。使用训练样本对3个子网络进行训练，形成的结构分别为3-18-6-1、3-18-6-1、3-12-4-1。训练完成后，输入测试样本和网络输出量即为信息融合中的局部融合结果。对应各个模式的系统状态输出分别设为1、2、3和4。

图 2

图 2 FNN1预测分类和实际分类对比图

图 3

图 3 FNN2预测分类和实际分类对比图

图 4

图 4 FNN3预测分类和实际分类对比图

图 2～图 4分别给出在3个子网络分类器测试下实际故障类别和预测故障类别对比图。通过与实际的故障数据比较发现FNN1中有8个错分，FNN2中有11个错分，FNN3中有4个错分。

由图 2～图 5可以得出每个分类器对各个故障的正确识别率，将局部分类器输出结果和分类器识别率代入式(3)～式(5)中进行基本概率赋值计算，经过融合后，得到的分类结果和实际分类结果比较如图 5所示。可见，经过融合后，错分数目比单个分类器减少，分类能力提高。

图 5

图 5 融合后的预测分类和实际分类对比图

下面从具体的数据比较融合后的精确度。

1) 讨论子网络中完全分类正确的数据集。为了方便起见，选取F₁模式下第2个样本为例分析。观察单个证据体输出的基本概率赋值及融合后的概率赋值，见表 1中样本1数据，证据集E₁、E₂、E₃分别表示各子网络分类器。从表中可以看出E₁和E₂融合后，F₁状态的概率赋值变大，同时其他状态的概率赋值变小，不确定度降低。E₁、E₂、E₃ 3个证据集融合后，F₁的概率赋值继续增高，由原来最低0.575 9增加为0.900 4，其他状态的概率赋值继续降低，不确定度由原来最高0.105 6降为0.001 2。证明经过融合后故障诊断的可信度增加，系统状态之间的不确定性降低，并且证据集越多，故障诊断的确定性越大。

2) 讨论子网络分类器判断错误的数据项。以F₃模式下第47数据为例，其各证据体和融合后的概率赋值见表 1中样本2数据。证据集E₁、E₃判断为F₃模式，E₂判定为F₂模式。单独根据证据集，无法判定输出模式。经过E₁和E₂融合，根据最大概率赋值原则，状态为F₃，纠正了证据集2带来的错误诊断，但是状态之间的不确定性较大。经过3个证据集融合，F₂的概率赋值由两个证据集融合后的0.498 5增加到0.703 2，不确定性降低至0.001，判断状态为F₃，与实际相符。证明经过信息融合后，可以使一些证据体的错误输出得到修正，有效地解决了局部诊断出现的误判现象。

表1

表1 单个证据体及融合后的基本概率分配

表1 单个证据体及融合后的基本概率分配 样本 证据集 m(F1) m(F2) m(F3) m(F4) m(Θ) 故障判断 实际状态 1 E1 0.583 5 0.214 6 0.079 0 0.029 0 0.093 9 F1 F1 E2 0.575 9 0.211 9 0.077 9 0.028 7 0.105 6 F1 E3 0.616 4 0.226 8 0.083 4 0.030 7 0.042 7 F1 E1&E2 0.781 3 0.152 2 0.037 7 0.011 4 0.017 2 F1 E1&E2&E3 0.900 4 0.080 9 0.012 7 0.003 2 0.001 2 F1 样本 证据集 m(F1) m(F2) m(F3) m(F4) m(Θ) 故障判断 实际状态 2 E1 0.065 6 0.178 2 0.484 5 0.208 3 0.063 4 F3 F3 E2 0.154 0 0.418 5 0.268 6 0.098 8 0.060 41 F2 E3 0.064 6 0.175 6 0.477 4 0.249 7 0.032 7 F3 E1&E2 0.066 2 0.312 7 0.498 5 0.111 9 0.010 7 F3 E1&E2&E3 0.019 3 0.173 9 0.703 2 0.101 3 0.001 0 F3

本文采用的基于FNN分类初步诊断和D-S证据理论融合诊断相结合的方法，实现了对电台故障的诊断，实验验证经融合后的故障识别能力优于单一FNN分类器，克服了单一分类器诊断的片面性和孤立性，表明信息融合故障诊断方法可以提高诊断的可靠性和准确性。只要故障特征空间确定，该诊断方法均可使用，具有通用性的特点，可以应用于其它航空电子设备中，为机载航电故障诊断提供了一种有效的方法。