目前,，保障部隊(duì)的裝備故障檢測(cè)定位方法主要采用傳統(tǒng)的檢測(cè)方法，即對(duì)所有需要測(cè)試的部件一一進(jìn)行檢測(cè)對(duì)比,，以確定故障的位置。但這種故障定位方法主要存在兩個(gè)問(wèn)題：(1)抓不住重點(diǎn),。傳統(tǒng)的檢測(cè)方法按預(yù)先設(shè)定的順序進(jìn)行檢測(cè),，直到檢測(cè)完所有的部件，缺乏靈活性。(2)故障檢測(cè)定位時(shí)間長(zhǎng),。檢測(cè)中,，沒(méi)有對(duì)正常部件和故障部件加以區(qū)別，造成了在對(duì)正常部件檢測(cè)過(guò)程中不必要的時(shí)間浪費(fèi),。為了解決這兩個(gè)問(wèn)題,，本文將故障樹(shù)分析法FTA(Fault Tree Analysis)與遺傳算法GA(Genetic

Arithmetic)引入故障的檢測(cè)定位方法中。
    對(duì)于大型復(fù)雜系統(tǒng),，隨著故障樹(shù)的增大,，最小割集的數(shù)量也將迅速增多。故障檢測(cè)定位時(shí),，如何在較短的時(shí)間內(nèi)得出正確的結(jié)論,，提高故障檢測(cè)效率，對(duì)部隊(duì)裝備保障的維修工作具有十分重大的意義,。參考文獻(xiàn)[1]中,，由于BDD的規(guī)模隨著故障樹(shù)的底事件數(shù)目的增加呈指數(shù)增長(zhǎng)，過(guò)程復(fù)雜,、計(jì)算量大,；參考文獻(xiàn)[2]雖然避免了在檢測(cè)過(guò)程中發(fā)生的重復(fù)性，但其檢索時(shí)間較長(zhǎng),；參考文獻(xiàn)[3]在綜合考慮搜索成本,、故障概率及影響程度的基礎(chǔ)上對(duì)最小割集的檢測(cè)過(guò)程進(jìn)行排序，取得了較好的成果,，但所涉及到的矩陣轉(zhuǎn)換等數(shù)學(xué)方法復(fù)雜,、內(nèi)在開(kāi)銷大、容易出錯(cuò),。
    本文綜合考慮以上因素,，采用均勻初始化的方法將整個(gè)故障樹(shù)底事件均勻地分成幾個(gè)等份，再運(yùn)用遺傳算法進(jìn)行搜索并檢測(cè),，如果發(fā)現(xiàn)某個(gè)底事件異常,，則對(duì)包含該底事件的最小割集進(jìn)行順序檢測(cè)，以期盡早定位故障,。
1 故障樹(shù)分析
    故障樹(shù)分析是1961年美國(guó)的WATSON H A提出的,，主要用于大型復(fù)雜系統(tǒng)可靠性、安全性分析和風(fēng)險(xiǎn)評(píng)價(jià)的一種方法,。故障樹(shù)是系統(tǒng)的不希望事件（頂事件）與引起它的各部件或子系統(tǒng)的故障事件（底事件）之間的邏輯關(guān)系圖,，實(shí)質(zhì)上是實(shí)際系統(tǒng)的故障組合和傳遞的邏輯關(guān)系的正確描述[4]。故障樹(shù)分析法以頂事件作為分析目標(biāo),，搜索找出所有可能引起頂事件的直接原因（最小割集）,。
    最小割集是導(dǎo)致頂事件發(fā)生的底事件最小組合,，是故障樹(shù)進(jìn)行定性分析和定量分析的最主要的手段，也是進(jìn)行其他分析的基礎(chǔ)[5],。一個(gè)最小割集就是導(dǎo)致頂事件發(fā)生的主要途徑,，因此，任意一個(gè)最小割集就代表系統(tǒng)的一種故障,。所以,，對(duì)頂事件的故障定位過(guò)程就是逐一對(duì)其最小割集進(jìn)行排查測(cè)試的過(guò)程。
   底事件是故障樹(shù)的最小組成單元,，對(duì)應(yīng)著設(shè)備系統(tǒng)的一個(gè)部件單元,，是部隊(duì)裝備測(cè)試保障工作的直接對(duì)象。圖1所示為某型導(dǎo)彈的系統(tǒng)故障樹(shù)模型,，T為頂事件,，Gi(i=1,2,3)為中間事件，Bj(j=1,2,…6)為底事件,。

    基于故障樹(shù)的故障檢測(cè)就是對(duì)底事件逐一與其標(biāo)準(zhǔn)范圍進(jìn)行比對(duì),，超出正常范圍即說(shuō)明該底事件異常。但這并不一定會(huì)導(dǎo)致頂事件的發(fā)生,，因?yàn)轫斒录l(fā)生的直接原因是由某一個(gè)最小割集故障造成的,。用sign(i)表示第i個(gè)底事件的檢測(cè)狀態(tài)，如果該底事件尚未檢測(cè)用0表示,，否則用1表示,；fault_sum表示故障樹(shù)底事件檢測(cè)狀態(tài)的和，如式(1)所示：
  
式中,，event為故障樹(shù)的底事件總數(shù),。本文的故障檢測(cè)定位的思路是：通過(guò)改進(jìn)的遺傳算法使式(1)快速達(dá)到最大值的同時(shí)，盡早找出導(dǎo)致頂事件發(fā)生的最小割集,。
2 遺傳算法
    對(duì)于特定的問(wèn)題,，遺傳算法從可能潛在解的一個(gè)種群開(kāi)始，而一個(gè)種群由經(jīng)過(guò)基因編碼的,、一定規(guī)模的個(gè)體組成[6],。每個(gè)個(gè)體實(shí)際上代表一個(gè)問(wèn)題實(shí)體，也就是一個(gè)可行解,。借助自然遺傳學(xué)的遺傳算子進(jìn)行復(fù)制,、交叉和變異，以適應(yīng)度函數(shù)最優(yōu)為準(zhǔn)則,，逐代進(jìn)化產(chǎn)生代表新的解集的種群,。由此反復(fù)進(jìn)化迭代，直到滿足終止條件[7],。
2.1 均勻初始化
    采用遺傳算法搜索故障樹(shù)底事件的目的是從全部的可能事件中盡快找出頂事件發(fā)生的原因,。所以,，從全部的底事件群體中均勻地挑出一些個(gè)體作為初始種群是一個(gè)可行而有效的方法，即均勻初始化,。設(shè)步長(zhǎng)為正整數(shù)ΔE，將所有底事件作為整個(gè)群體進(jìn)行編碼,，從起始位置開(kāi)始每隔ΔE個(gè)個(gè)體選擇一個(gè)個(gè)體作為進(jìn)化的初始種群,。這樣，可將整個(gè)群體分為若干相同大小的小群體,，基于遺傳算法的故障檢測(cè)定位就在這些小群體上同時(shí)進(jìn)行,。
2.2 遺傳算法的改進(jìn)
2.2.1 需求分析
　　故障搜索定位過(guò)程初期，要求從全局的大范圍跳躍式搜索,，迅速定位故障,；搜索到后期，如果尚未定位故障,，應(yīng)當(dāng)對(duì)剩余的底事件進(jìn)行地毯式搜索,，避免遺漏底事件。在進(jìn)行遺傳操作時(shí),，初期應(yīng)注重保持種群的多樣性,，后期應(yīng)注重種群的收斂性設(shè)計(jì)。所以,，在操作過(guò)程中需動(dòng)態(tài)地調(diào)整交叉概率Pc,、變異概率Pm及選擇概率Pe。

    圖2中,，隨著種群迭代次數(shù)的增大,，交叉、變異能力逐漸減弱,，選擇復(fù)制能力逐漸增強(qiáng),使得在種群進(jìn)化的前期,，賦予了較大的交叉、變異能力,。目的是增強(qiáng)種群的多樣性,，有利于克服局部極小，使算法能盡早地從全局范圍內(nèi)搜索定位故障,；而在進(jìn)化的后期,，順序搜索能力增強(qiáng)，同時(shí)有利于提高收斂性,。這種自適應(yīng)遺傳操作,，不僅在迭代前期有較強(qiáng)的全局捕捉搜索能力，而且在后期有較強(qiáng)的查漏補(bǔ)余能力,，具有收斂性好,、避免局部極小等特點(diǎn),，符合本設(shè)計(jì)的目的需求。
3 故障檢測(cè)定位方法設(shè)計(jì)
    故障樹(shù)的任意一個(gè)最小割集的發(fā)生,，都會(huì)導(dǎo)致頂事件的發(fā)生,，而最小割集由一個(gè)或多個(gè)底事件組成，雖然底事件的發(fā)生有著不同的概率,，但實(shí)際表明有可能發(fā)生概率小的事件,。所以，對(duì)故障樹(shù)的所有底事件進(jìn)行快速檢查是一種科學(xué)的方法,， 具體的故障檢測(cè)定位流程如圖3所示,。

    其中，檢測(cè)最小割集就是對(duì)該最小割集中的所有底事件進(jìn)行檢測(cè),。如果本最小割集中的所有底事件均異常,，則判斷該最小割集為異常。適應(yīng)度函數(shù)選為已經(jīng)檢測(cè)完的底事件的數(shù)目,。
    (1)初始化：將故障樹(shù)的所有底事件按順序緊密地排列在一起,，并分配順序號(hào)作為整個(gè)群體，從中等步長(zhǎng)間隔均勻地選取出一部分個(gè)體作為初始種群,。
    (2)選擇：依式(4)概率復(fù)制選取父代個(gè)體的下一個(gè)個(gè)體的染色體,，加入子代種群。
    (3)交叉：依式(2)概率對(duì)父代個(gè)體的部分基因進(jìn)行交換,，形成新個(gè)體,，加入子代種群。
    (4)變異：依式(3)概率對(duì)父代個(gè)體的部分基因進(jìn)行變異,，產(chǎn)生新的個(gè)體,，加入子代種群。為防止溢出,，變異應(yīng)控制在步長(zhǎng)以內(nèi),。
    遺傳操作過(guò)程中，應(yīng)保持整個(gè)種群的數(shù)目不變,。另外,，在對(duì)故障樹(shù)的底事件進(jìn)行檢測(cè)時(shí)，對(duì)已檢測(cè)的底事件進(jìn)行標(biāo)記,，以防止在交叉或變異過(guò)程中的重復(fù)檢測(cè)帶來(lái)的時(shí)間損失,；圖3中，同一個(gè)底事件可能存在于不同的最小割集當(dāng)中,，如果某個(gè)底事件異常,，就要檢測(cè)所有包含該底事件的最小割集，具體方法請(qǐng)參考文獻(xiàn)[2],。
4 仿真分析
    某型導(dǎo)彈子系統(tǒng)故障樹(shù)的底事件為188個(gè),，最小割集為350個(gè),，限于篇幅原因,本文未給出故障樹(shù)。故障檢測(cè)定位算法中采用實(shí)數(shù)編碼,，即正整數(shù)i(i=1,2,3,…,188)表示該故障樹(shù)的第i個(gè)底事件,。均勻初始化時(shí)，取步長(zhǎng)ΔE=21,，即初始種群(i=1,22,43,64,85,106,127,148,169),，
適應(yīng)度函數(shù)選擇見(jiàn)式(1)。如果底事件在標(biāo)準(zhǔn)范圍之內(nèi)如果為健康(用0表示),，否則該底事件異常(用1表示)。出現(xiàn)故障底事件,，將檢測(cè)包含該底事件最小割集的其他底事件,，以期盡早定位故障原因。
    為此,，本文以該型導(dǎo)彈的子系統(tǒng)測(cè)試數(shù)據(jù)為依據(jù),，在Windows平臺(tái)下進(jìn)行Matlab仿真，初始化Pcbef=0.5,， Pmbef=0.9,，結(jié)果如圖4、圖5所示,。

    圖4中縱坐標(biāo)1表示故障（異常）,，0表示正常。結(jié)果顯示編號(hào)為288的最小割集為導(dǎo)致頂事件發(fā)生的原因,，其所含的底事件編號(hào)為：4,，24，26,，31,，158，185,。而其他底事件發(fā)生的不正?，F(xiàn)象并未導(dǎo)致頂事件的發(fā)生。仿真結(jié)果與實(shí)際相符,。
    由圖5得出,，在種群進(jìn)化到第3代的時(shí)候已經(jīng)將導(dǎo)致頂事件發(fā)生的最小割集定位；當(dāng)種群進(jìn)化到第4代時(shí),，已經(jīng)檢測(cè)完所有的底事件,，收斂速度較快。為了能更清楚地說(shuō)明問(wèn)題,，本文進(jìn)化代數(shù)選為10,，正常情況下進(jìn)化到第3代時(shí)就已經(jīng)定位故障,，檢測(cè)過(guò)程至此結(jié)束。
    仿真結(jié)果表明,，本文算法進(jìn)化到第3代時(shí)只檢測(cè)了18個(gè)故障樹(shù)的底事件,，即得出將故障定位為編號(hào)288的最小割集異常的結(jié)論，而傳統(tǒng)的順序檢測(cè)方法需要檢測(cè)185個(gè)底事件才可以定位故障,?？梢?jiàn)，本文的故障檢測(cè)定位算法能夠大大節(jié)約故障定位時(shí)間,。
    本文在深入分析了故障樹(shù)及故障檢測(cè)特點(diǎn)的基礎(chǔ)上,，對(duì)遺傳算法作了一定的改進(jìn)，定義了新的自適應(yīng)交叉,、變異和選擇概率公式,， 并設(shè)計(jì)了用一種均勻初始化
的新型自適應(yīng)遺傳算法的故障定位方法。仿真實(shí)驗(yàn)表明,，該方法能夠提高故障定位的效率,，尤其在大型復(fù)雜故障系統(tǒng)中體現(xiàn)得更為明顯。
參考文獻(xiàn)
[1] 劉萍,，吳宜燦,，李亞洲,等.一種基于ZBDD求解大型故障樹(shù)的基本事件排序方法[J].核科學(xué)與工程，2007,，27(3)：282-288.
[2] 王久崇,，樊曉光，萬(wàn)明,等.一種改進(jìn)的故障樹(shù)模糊診斷的方法及其應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用, 2012,48(14):226-230.
[3] 姚成玉,，陳東寧.基于最小割集綜合排序的液壓系統(tǒng)故障定位方法[J].中國(guó)機(jī)械工程,，2010，21(11)：1357-1361.
[4] 劉東.基于故障樹(shù)分析的航空裝備故障診斷及系統(tǒng)開(kāi)發(fā)研究[D].西安:空軍工程大學(xué),2009.
[5] 崔煥慶,，周傳愛(ài).應(yīng)用Petri網(wǎng)求解事故樹(shù)最小割集的方法研究[J].計(jì)算機(jī)工程與設(shè)計(jì),，2011，32（2）：580-583.
[6] 黃友銳.智能優(yōu)化算法及其應(yīng)用[M].北京：國(guó)防工業(yè)出版社,，2008.
[7] HOLLAND J H. Adaption in nature and artificial system[M]. Ann Arbor:The University of Michigan Press,1975.