韓松，王族統(tǒng)，端木京順

(空軍工程大學(xué)工程學(xué)院，西安 710038)

組合神經(jīng)網(wǎng)絡(luò)在狀態(tài)維修中的應(yīng)用

韓松，王族統(tǒng)，端木京順

(空軍工程大學(xué)工程學(xué)院，西安 710038)

為了進(jìn)一步加強(qiáng)武器裝備維修管理，引入基于狀態(tài)的維修(Condition Based Maintenance，CBM)概念，介紹了裝備健康評估技術(shù)的研究現(xiàn)狀;在此基礎(chǔ)上，為了克服單一BP神經(jīng)網(wǎng)絡(luò)無聯(lián)想記憶功能的缺點(diǎn)，引入Hopfield網(wǎng)絡(luò)加以組合，構(gòu)建了組合神經(jīng)網(wǎng)絡(luò)狀態(tài)的評估模型，提出了狀態(tài)評估的具體步驟，并進(jìn)行可行性分析;最后，以某型飛機(jī)發(fā)動(dòng)機(jī)燃油控制系統(tǒng)為例進(jìn)行了健康狀態(tài)評估，取得了較為理想的評估效果。

狀態(tài)維修;組合神經(jīng)網(wǎng)絡(luò);狀態(tài)評估;武器裝備

0 引言

隨著現(xiàn)代工業(yè)和科學(xué)技術(shù)的飛速發(fā)展及現(xiàn)代戰(zhàn)爭對武器系統(tǒng)作戰(zhàn)性能的更高要求，武器裝備的結(jié)構(gòu)日趨復(fù)雜，功能漸臻完善，自動(dòng)化程度不斷提高。但是，與此同時(shí)，也大大增加了系統(tǒng)的不確定性、任務(wù)的復(fù)雜性以及故障危害的嚴(yán)重性，給裝備的維修保障帶來了巨大的挑戰(zhàn)［1］。因此，世界各國軍隊(duì)都非常注重研究高新技術(shù)裝備的維修和把高新技術(shù)應(yīng)用于裝備維修，通過改進(jìn)維修來滿足裝備作戰(zhàn)使用的新要求?，F(xiàn)階段采取修復(fù)性維修和定期維修等傳統(tǒng)的維修方式不能完全滿足維修需求，狀態(tài)維修改進(jìn)了定期維修中只將裝備的運(yùn)行時(shí)間作為維修依據(jù)的缺陷，解決了定期維修中維修不足和維修過剩的問題，為裝備維修提供了一種新型的維修方式。本文將BP神經(jīng)網(wǎng)絡(luò)和Hopfield網(wǎng)絡(luò)組合起來，用于CBM中的狀態(tài)評估，并結(jié)合發(fā)動(dòng)機(jī)燃油控制系統(tǒng)進(jìn)行了實(shí)例應(yīng)用。

1 CBM概述

1．1 定義

基于狀態(tài)的維修(Condition Based Maintenance，CBM)是武器裝備預(yù)報(bào)初始故障的主動(dòng)維修的一種形式，是基于實(shí)時(shí)或接近實(shí)時(shí)評估裝備狀態(tài)的一系列維修活動(dòng)［2］。裝備狀態(tài)通過嵌入式傳感器或外部測試以及利用便攜裝置測量而獲得，其目的是只有出現(xiàn)了明顯故障征兆時(shí)才進(jìn)行維修，從而精確預(yù)測裝備的維修需求。與傳統(tǒng)的定期維修相比，它在制定維修策略的同時(shí)，考慮到裝備的當(dāng)前技術(shù)狀態(tài)和運(yùn)行時(shí)間，在裝備發(fā)生故障前進(jìn)行維修，有效發(fā)揮裝備的使用壽命，節(jié)約維修費(fèi)用，提高完好率和可用度，提高任務(wù)成功率。因此，狀態(tài)維修在軍用裝備領(lǐng)域有著廣闊的前景，并逐漸成為維修理論研究的熱點(diǎn)［3］。

1．2 實(shí)施內(nèi)容［3－4］

實(shí)現(xiàn)裝備的基于狀態(tài)維修，主要包括3方面的內(nèi)容:狀態(tài)監(jiān)控;故障診斷和預(yù)測;維修決策。

狀態(tài)監(jiān)控是指對裝備的某些特征參數(shù)(如振動(dòng)、噪聲和溫度等)進(jìn)行測取，將測定值與規(guī)定的正常值進(jìn)行比較，以判別裝備工作是否正常。裝備的許多故障，在發(fā)生前都會(huì)有特定的征兆，其相應(yīng)的參數(shù)會(huì)發(fā)生一系列的變化。狀態(tài)監(jiān)控是借助有效、可靠的儀器及技術(shù)手段，采集代表裝備狀態(tài)或故障信息的參數(shù)，要求選擇的這些狀態(tài)參數(shù)應(yīng)能真正表明裝備故障狀態(tài)。

故障診斷，就是要對裝備產(chǎn)生故障的原因、部位、嚴(yán)重程度等一一做出判斷，為管理決策提供依據(jù)，是對裝備“健康”狀況的診斷。故障診斷技術(shù)是對已經(jīng)采集到的狀態(tài)或故障信息的各種綜合參數(shù)進(jìn)行分析、模式識別和綜合預(yù)測評價(jià)。故障預(yù)測就是通過建立的模型及各種智能方法對處于潛在故障的裝備進(jìn)行剩余壽命預(yù)測。

狀態(tài)監(jiān)控、故障診斷的最終目的就是維修決策。由故障診斷得出了裝備的故障率與使用時(shí)間、使用環(huán)境和使用方式等因素之間的關(guān)系，因此，只要給出裝備參數(shù)惡化的極限值就可以進(jìn)行維修決策。用戶可根據(jù)最大可用度、任務(wù)可靠度、維修費(fèi)用最低來決策，故可根據(jù)目標(biāo)的不同做出不同的維修決策。

1．3 OSA-CBM組成［3］

在狀態(tài)維修的理論研究過程中，美國賓夕法尼亞州的MMOSA等一些組織聯(lián)合提出了狀態(tài)維修開放系統(tǒng)結(jié)構(gòu)(Open System Architecture for Condition Based Maintenance，OSA-CBM)，如圖1所示。該體系結(jié)構(gòu)將CBM系統(tǒng)分為7個(gè)功能模塊，其中前3個(gè)模塊主要解決了裝備運(yùn)行技術(shù)狀態(tài)數(shù)據(jù)的獲取問題;健康評價(jià)模塊和預(yù)測模塊是系統(tǒng)的核心部分，通過處理前面3個(gè)模塊所提供的數(shù)據(jù)，得到裝備現(xiàn)在和未來某個(gè)時(shí)刻的技術(shù)狀態(tài)，為制定有效的裝備維修策略提供依據(jù);決策支持模塊主要是根據(jù)評估、預(yù)測的結(jié)果制定合適的維修策略;數(shù)據(jù)展示模塊用于展示各個(gè)模塊中的各種數(shù)據(jù)，便于人機(jī)交互。

圖1 OSA-CBM組成［3］Fig．1The composition of OSA-CBM

2 狀態(tài)維修中的健康評估技術(shù)研究現(xiàn)狀

健康狀態(tài)評估的目的是分析經(jīng)過預(yù)處理的裝備數(shù)據(jù)，判斷裝備的技術(shù)狀態(tài)。在早期的狀態(tài)評估中，大多依靠專家經(jīng)驗(yàn)判斷裝備的技術(shù)狀態(tài)，判斷結(jié)果依據(jù)專家的水平高低存在很大的主觀性。隨著狀態(tài)監(jiān)測技術(shù)和數(shù)據(jù)分析技術(shù)的發(fā)展，通過對數(shù)據(jù)的分析，科學(xué)評估裝備技術(shù)狀態(tài)的方法成為研究的熱點(diǎn)。

評估算法是評估的核心問題。目前常見的評估算法主要有:模糊綜合評價(jià)法［5］、灰色評估方法［6－7］、人工神經(jīng)網(wǎng)絡(luò)算法［8］、免疫算法。此外，基于正負(fù)理想點(diǎn)的距離評估算法、援例推理、數(shù)據(jù)挖掘，灰色聚類決策、物元理論等技術(shù)也在狀態(tài)評估中得到了研究和應(yīng)用。

在OSA-CBM中，健康評價(jià)模塊和預(yù)測模塊是系統(tǒng)的核心部分，通過對原始數(shù)據(jù)的處理得到用于支持維修決策的信息，裝備技術(shù)狀態(tài)評估和預(yù)測結(jié)果的準(zhǔn)確度直接決定著所制定的裝備維修策略是否適用、有效，進(jìn)而影響整個(gè)狀態(tài)維修的效果。從狀態(tài)維修的研究現(xiàn)狀看，裝備技術(shù)狀態(tài)的評估和預(yù)測，尚沒有統(tǒng)一、有效的方法，這是目前制約CBM實(shí)施的瓶頸問題［3］。

3 組合神經(jīng)網(wǎng)絡(luò)健康狀態(tài)評估基本原理

3．1 裝備健康狀態(tài)劃分［9］

裝備由正常狀態(tài)到故障狀態(tài)的過程可以用P-F曲線表示。故障萌發(fā)點(diǎn)表示裝備剛剛出現(xiàn)故障，潛在故障點(diǎn)P表示有明顯征兆，F(xiàn)點(diǎn)表示裝備喪失功能的故障發(fā)生點(diǎn)，如圖2所示。

圖2 裝備狀態(tài)劣化過程Fig．2The proceeding of equipment condition deterioration

根據(jù)P-F曲線，將裝備的健康狀態(tài)劃分為4類。對應(yīng)裝備健康狀態(tài)，可以將平時(shí)裝備維修過程采集、積累的數(shù)據(jù)分成4類。這就得到了神經(jīng)網(wǎng)絡(luò)所需要的輸入與輸出。

3．2 組合神經(jīng)網(wǎng)絡(luò)的基本訓(xùn)練原理

狀態(tài)評估的過程可以理解為對評估對象的狀態(tài)進(jìn)行分類和識別［10］。具體來說，從反映裝備健康的眾多特征中提取出那些對狀態(tài)分類識別最有效的特征，把它們作為系統(tǒng)的輸入;把系統(tǒng)可能的狀態(tài)預(yù)先分類，把這些不同的類作為系統(tǒng)的輸出，那么對應(yīng)于不同的特征輸入，系統(tǒng)將有不同的分類輸出。

本文中采用BP神經(jīng)網(wǎng)絡(luò)和Hopfield網(wǎng)絡(luò)進(jìn)行組合，用于對采集到的數(shù)據(jù)進(jìn)行狀態(tài)評估。BP神經(jīng)網(wǎng)絡(luò)又稱為誤差反向傳播(Back Propagation)神經(jīng)網(wǎng)絡(luò)，它是一種多層的前向型神經(jīng)網(wǎng)絡(luò)。在BP網(wǎng)絡(luò)中，信號是前向傳播的，而誤差是反向傳播的。圖3給出了誤差反向傳播學(xué)習(xí)過程原理圖［11］。一般用3層具有Sigmoid函數(shù)非線性輸入、輸出特性的節(jié)點(diǎn)，就可以以任意精度逼近任何連續(xù)函數(shù)。Hopfield網(wǎng)絡(luò)由美國物理學(xué)家Hopfield于1982年首先提出，突出的優(yōu)點(diǎn)之一是利用網(wǎng)絡(luò)的吸引子及其吸引域?qū)崿F(xiàn)信息的聯(lián)想記憶功能。

圖3 誤差反傳學(xué)習(xí)過程原理Fig．3The principle of error back propagation learning

因此，在BP神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上，引入可以實(shí)現(xiàn)聯(lián)想記憶功能的Hopfield網(wǎng)絡(luò)，將裝備的4個(gè)健康狀態(tài)看作是網(wǎng)絡(luò)的4個(gè)穩(wěn)定的平衡狀態(tài)，這些平衡狀態(tài)稱之為吸引子，吸引子具有一定的吸引域。記憶過程就是將記憶和存儲(chǔ)的模式映射為網(wǎng)絡(luò)吸引子的過程;聯(lián)想過程就是給定輸入模式，網(wǎng)絡(luò)按照動(dòng)力學(xué)的演化規(guī)則運(yùn)行到穩(wěn)定狀態(tài)，收斂到吸引子，從而回憶起存儲(chǔ)模式的過程。具體原理可以從圖4來看。

圖4 Hopfield網(wǎng)絡(luò)中的吸引子與吸引域［12］Fig．4Attractors and attracting domains in Hopfield network

3．3 狀態(tài)評估具體模型

根據(jù)BP網(wǎng)絡(luò)和Hopfield網(wǎng)絡(luò)的訓(xùn)練原理以及CBM中的數(shù)據(jù)流程，給出實(shí)現(xiàn)狀態(tài)維修中的健康狀態(tài)評估的具體模型。如圖5所示。

圖5 基于組合神經(jīng)網(wǎng)絡(luò)的狀態(tài)評估模型Fig．5The model of condition evaluation based on combined neural network

第一層是采用BP神經(jīng)網(wǎng)絡(luò)，通過平時(shí)維修工作中傳感器獲取的各種歷史數(shù)據(jù)以及其對應(yīng)的狀態(tài)獲得BP網(wǎng)絡(luò)的訓(xùn)練樣本。訓(xùn)練后的BP網(wǎng)絡(luò)可以較高精度對新采集到的數(shù)據(jù)進(jìn)行狀態(tài)預(yù)測。第二層采用Hopfield網(wǎng)絡(luò)，通過原先的狀態(tài)分類設(shè)計(jì)Hopfield網(wǎng)絡(luò)，使得Hopfield網(wǎng)絡(luò)對所有的狀態(tài)具有聯(lián)想記憶功能。新采集到的數(shù)據(jù)先通過BP網(wǎng)絡(luò)進(jìn)行預(yù)測，再將BP網(wǎng)絡(luò)預(yù)測的狀態(tài)用Hopfield網(wǎng)絡(luò)進(jìn)行聯(lián)想，通過聯(lián)想將預(yù)測的狀態(tài)與原有狀態(tài)對應(yīng)起來，并將Hopfield聯(lián)想的狀態(tài)以圖像的形式顯示出來，便于進(jìn)行維修決策。

3．4 狀態(tài)評估具體步驟

基于組合神經(jīng)網(wǎng)絡(luò)的裝備健康狀態(tài)評估的具體步驟如下。

1)通過平時(shí)維修工作的數(shù)據(jù)收集獲得對應(yīng)4個(gè)狀態(tài)分類的數(shù)據(jù)，經(jīng)預(yù)處理提取狀態(tài)集數(shù)據(jù)，歸一化為網(wǎng)絡(luò)輸入模式。

2)建立神經(jīng)網(wǎng)絡(luò)系統(tǒng)，用已知樣本集訓(xùn)練網(wǎng)絡(luò)，使其達(dá)到預(yù)設(shè)的診斷精度，得出標(biāo)準(zhǔn)狀態(tài)分類。

3)通過傳感器實(shí)時(shí)輸入數(shù)據(jù)，經(jīng)網(wǎng)絡(luò)處理后，獲得此時(shí)的裝備健康狀態(tài)。

3．5 可行性分析

人工神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射能力，能逼近任意非線性函數(shù)，因而能根據(jù)狀態(tài)信號較好地反映出裝備實(shí)際工作狀態(tài)。該組合神經(jīng)網(wǎng)絡(luò)用于狀態(tài)評估有以下優(yōu)點(diǎn):1)不需要建立反映系統(tǒng)物理規(guī)律的數(shù)學(xué)模型; 2)該組合神經(jīng)網(wǎng)絡(luò)比其他方法更能容忍噪聲，而傳感器測量值常伴隨大量噪聲;3)該組合神經(jīng)網(wǎng)絡(luò)具有極強(qiáng)的非線性映射能力，可以以數(shù)字的形式直接顯示裝備的健康狀態(tài)，具有良好的人機(jī)交互。

然而，并非所有產(chǎn)品均適用于開展健康狀態(tài)評估，如果裝備滿足下列標(biāo)準(zhǔn)，就是技術(shù)可行的:1)能夠確定明顯的故障萌發(fā)點(diǎn)和潛在故障點(diǎn)，才能進(jìn)行狀態(tài)分類; 2)P-F間隔比較一致;3)以小于P-F間隔的時(shí)間間隔來監(jiān)測是切實(shí)可行的;4)凈剩的P-F間隔必須足夠長，以便采取某些措施，否則狀態(tài)評估就失去了意義。

4 實(shí)例分析

根據(jù)以上的對具體原理和步驟的分析，本文以某型飛機(jī)發(fā)動(dòng)機(jī)的燃油控制系統(tǒng)作為研究對象。并結(jié)合采集到的數(shù)據(jù)對該方法進(jìn)行驗(yàn)證。通過實(shí)踐調(diào)查，收集到該型發(fā)動(dòng)機(jī)的燃油控制系統(tǒng)中6個(gè)傳感器的歷史數(shù)據(jù)以及與之對應(yīng)的健康狀態(tài)(其中狀態(tài)1為系統(tǒng)健康狀態(tài)數(shù)值)。具體數(shù)據(jù)如表1所示。

表1 樣本數(shù)據(jù)Table 1Sample data

得到樣本數(shù)據(jù)后，具體分析步驟如下。

1)將每個(gè)狀態(tài)對應(yīng)的前3個(gè)樣本作為訓(xùn)練樣本，將每個(gè)狀態(tài)對應(yīng)的最后1個(gè)樣本作為驗(yàn)證樣本。

2)對4個(gè)狀態(tài)類別進(jìn)行編碼。為便于形象化表示系統(tǒng)狀態(tài)，代碼維度設(shè)定為12，用“1”和“－1”的個(gè)數(shù)分別反映系統(tǒng)健康程度和失效程度。如表2所示。

表2 狀態(tài)類別編碼表Table 2Condition categories coding

3)根據(jù)選取的訓(xùn)練樣本數(shù)據(jù)，通過Matlab BP工具箱構(gòu)建BP網(wǎng)絡(luò)，并對其進(jìn)行訓(xùn)練。訓(xùn)練過程中，網(wǎng)絡(luò)誤差的變化情形如圖6所示。

圖6 BP網(wǎng)絡(luò)訓(xùn)練過程中誤差的變化曲線Fig．6Result of BP network trainings

經(jīng)過11次迭代，網(wǎng)絡(luò)達(dá)到了期望的誤差目標(biāo)。

4)根據(jù)狀態(tài)類別對應(yīng)的編碼，利用Matlab Hopfield工具箱設(shè)計(jì)Hopfield網(wǎng)絡(luò)。并利用imresize等函數(shù)將編碼轉(zhuǎn)化為圖像形式。具體顯示圖像如圖7所示，由上至下依次為狀態(tài)1、2、3、4，由左至右依次為樣本1、2、3。全白的條形表示裝備處于正常狀態(tài)，全黑的條形表示裝備處于功能故障狀態(tài)。

圖74 個(gè)健康狀態(tài)對應(yīng)的圖像Fig．7Four images corresponding to different health conditions

5)利用驗(yàn)證樣本對網(wǎng)絡(luò)進(jìn)行驗(yàn)證。將樣本4作為輸入向量按狀態(tài)1、2、3、4的順序輸入該組合網(wǎng)絡(luò)，經(jīng)過BP網(wǎng)絡(luò)預(yù)測，再由Hopfield網(wǎng)絡(luò)聯(lián)想，最后，顯示出的圖像如圖8所示。

圖8 評估結(jié)果顯示Fig．8Evaluation results

圖8由上至下依次為狀態(tài)1、2、3、4的顯示圖像，與輸入完全對應(yīng)?？梢钥闯鲇?xùn)練后的組合網(wǎng)絡(luò)對裝備健康狀態(tài)的評估結(jié)果是正確的。

5 利用評估結(jié)果進(jìn)行維修決策

根據(jù)顯示出的圖像進(jìn)行維修決策:

1)當(dāng)圖像是全白的時(shí)候，說明裝備處于正常狀態(tài)，此時(shí)，例行檢查即可;

2)當(dāng)圖像呈現(xiàn)1/4左右的灰度時(shí)，說明裝備處于故障萌發(fā)狀態(tài)，此時(shí)，應(yīng)當(dāng)加強(qiáng)監(jiān)控;

3)當(dāng)圖像呈現(xiàn)3/4左右的灰度時(shí)，說明裝備處于潛在故障狀態(tài)，此時(shí)，應(yīng)當(dāng)根據(jù)狀態(tài)預(yù)測剩余壽命，視情況適時(shí)進(jìn)行修理;

4)當(dāng)圖像全灰時(shí)，說明裝備已經(jīng)處于功能故障狀態(tài)，此時(shí)，應(yīng)當(dāng)及時(shí)更換故障件，恢復(fù)飛機(jī)完好。

6 結(jié)束語

本文提出的組合神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能力強(qiáng)，訓(xùn)練速度快，對裝備的健康狀態(tài)評估結(jié)果準(zhǔn)確度也很高。本文在以下3個(gè)地方有待改進(jìn):

1)在傳感器得到的原始數(shù)據(jù)處理方面，可以引入灰色系統(tǒng)理論、模糊理論、粗糙集理論、隨機(jī)集理論等;

2)在健康狀態(tài)評估后，可以繼續(xù)進(jìn)行壽命預(yù)測、故障曲線預(yù)測以及發(fā)生故障的可能性分析等;

3)在神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程可以引入遺傳算法等優(yōu)化算法，進(jìn)一步提高訓(xùn)練精度和速度。

從上面提出的3個(gè)改進(jìn)方面可以看出，本文提出的組合神經(jīng)網(wǎng)絡(luò)具有很好的拓展性。在上述的3個(gè)方面進(jìn)行改進(jìn)后，還可以編譯成單片機(jī)程序，用單片機(jī)系統(tǒng)實(shí)現(xiàn)狀態(tài)維修的評估預(yù)測功能，如果對本文提出的設(shè)計(jì)加以改進(jìn)完善，擴(kuò)大應(yīng)用范圍，可使該設(shè)計(jì)在狀態(tài)維修領(lǐng)域發(fā)揮更大作用。

［1］張偉，康建設(shè)，溫亮，等．基于信息神經(jīng)網(wǎng)絡(luò)的狀態(tài)維修［J］．儀器儀表學(xué)報(bào)，2005，26(8):617-619．

［2］美國國防部．基于狀態(tài)的維修評估報(bào)告［R］．2000．

［3］孫凱，袁培賢，張耀輝．狀態(tài)維修中的評估預(yù)測技術(shù)研究與展望［J］．質(zhì)量與可靠性，2009(5):12-16．

［4］張偉，康建設(shè)，賈云獻(xiàn)．軍用裝備基于狀態(tài)的維修策略研究［J］．裝甲兵工程學(xué)院學(xué)報(bào)，2005(3):151-156．

［5］曹立軍，秦俊奇，武彩崗，等．一種基于動(dòng)態(tài)模糊綜合評判的故障預(yù)測新方法［J］．模糊系統(tǒng)與數(shù)學(xué)，2005 (3):151-156．

［6］馬振軍，閆明啟．灰色故障診斷理論在高爐鼓風(fēng)機(jī)在線監(jiān)測系統(tǒng)軟件設(shè)計(jì)中的應(yīng)用［J］．河南建材，2006 (4):49-50．

［7］楊帆，張彩麗，張玉杰．一種優(yōu)化的灰色診斷模型及其在減速箱狀態(tài)識別中的應(yīng)用［J］．機(jī)床與液壓，2008 (9):157-159．

［8］周剛，楊立．集成神經(jīng)網(wǎng)絡(luò)在蒸汽發(fā)生器故障診斷中的應(yīng)用［J］．原子能科學(xué)技術(shù)，2009(11):997-1002．

［9］張鳳鳴，鄭東良．航空裝備科學(xué)維修導(dǎo)論［M］．北京:國防工業(yè)出版社，2005．

［10］李蔚，盛德仁，陳堅(jiān)紅，等．雙重BP神經(jīng)網(wǎng)絡(luò)組合模型在實(shí)時(shí)數(shù)據(jù)預(yù)測中的應(yīng)用［J］．中國電機(jī)工程學(xué)報(bào)，2007(6):94-97．

［11］于永利，朱小冬．系統(tǒng)維修性建模理論與方法［M］．北京:國防工業(yè)出版社，2008．

［12］朱凱，王正林．精通MATLAB神經(jīng)網(wǎng)絡(luò)［M］．北京:電子工業(yè)出版社，2010．

Application of Combined Neural Network in Condition Based Maintenance

HAN Song，WANG Zutong，DUANMU Jingshun
(Engineering Institute，Air Force Engineering University，Xi'an 710038，China)

The concept of Condition Based Maintenance(CBM)was introduced for maintenance management of military equipment．The current situation of study on health condition assessment of equipment was analyzed．Since the single BP neural network has no associative memory capability，the Hopfield network was introduced to construct a combined neural network for condition assessment．The detailed steps for health condition assessment were presented and the feasibility was analyzed．Finally，the health condition assessment was implemented taking the fuel control system of a certain aero-engine as an example，and the result was satisfactory．

Condition Based Maintenance(CBM);combined neural network;condition assessment; military equipment

V267;E926

A

1671－637X(2011)12－0084－05

2010－12－14

2011－01－19

韓松(1981—)，男，江蘇南通人，碩士生，研究方向?yàn)楹娇昭b備維修管理。