李文峰，許愛強，王學偉，蘇振超

(1.海軍航空工程學院 科研部， 山東 煙臺　264001；2.中國人民解放軍92635部隊，山東 青島　266000)

?

基于信息源特征的航空部附件故障預測研究

李文峰1,2，許愛強1，王學偉2，蘇振超2

(1.海軍航空工程學院 科研部， 山東 煙臺264001；2.中國人民解放軍92635部隊，山東 青島266000)

針對艦載機多機種一體化自主保障中機載設備的維修保障需求，提出了基于信息源特征分析的航空關鍵部附件故障預測方法；首先，從信息源數(shù)據(jù)特征、研究對象判定、用于預測的可用信息及不確定性4個角度對信息源特征的復雜性進行了分析；其次，根據(jù)航空部附件故障頻率和平均停機維修時間采用四象限圖實現(xiàn)航空關鍵部附件的判定；最后，基于信息源不同可用信息選擇不同的故障預測方法，并介紹了智能融合的神經(jīng)網(wǎng)絡算法和能夠消除不確定性的非線性濾波方法，提高了航空部附件故障預測方法的通用性和準確性。

信息源；航空部附件；故障預測；通用性；不確定性

0　引言

航空機載設備的復雜化、系統(tǒng)化、綜合化及信息化導致飛行戰(zhàn)斗力對航空裝備安全可靠性的要求愈發(fā)緊迫，為進一步提高飛機戰(zhàn)備完好率和任務成功率，基于狀態(tài)的視情維修正在逐漸取代傳統(tǒng)的基于定期檢修和事后維修，而作為視情維修技術應用的PHM系統(tǒng)已被采用，如美國的F-35戰(zhàn)斗機，據(jù)估計[1]，通過采用預測與健康管理技術等一系列先進技術措施可以使后勤綜合保障規(guī)模減少50%，維修保障人員減少20%到40%，使用維修費用相比過去減少50%，同時，通過縮短維修時間，飛機出動架次率提高了25%。

故障預測是PHM的首要任務和熱點難點，而進行故障預測的出發(fā)點則是系統(tǒng)或部件狀態(tài)的信息來源，因此基于信息源的特征分析是故障預測的基石。文獻[2]從采信的信息源基于故障狀態(tài)信息、基于異?，F(xiàn)象信息、基于使用環(huán)境信息及基于損傷標尺信息4個角度進行故障診斷與預測方法的闡述；文獻[3]將飛機PHM系統(tǒng)的信息來源分為傳感器網(wǎng)絡采集、飛行及維修數(shù)據(jù)兩類；文獻[4]認為數(shù)據(jù)是數(shù)據(jù)驅(qū)動PHM的核心，將信息源分為直接表征退化狀態(tài)的參數(shù)和間接表征退化狀態(tài)的參數(shù)；文獻[5]將預測信息來源數(shù)據(jù)分為離線和在線數(shù)據(jù)、歷史維修/故障數(shù)據(jù)以及模型數(shù)據(jù)；文獻[6]通過真實數(shù)據(jù)和訓練數(shù)據(jù)、離線信息和在線信息兩個角度構建了結構健康監(jiān)測和不確定管理的通用概率框架。機載設備包括各種機載系統(tǒng)或部件，其中航空關鍵部附件的可靠性或壽命是影響機載設備運行好壞的主要因素，鑒于此，本文方法基于信息源特征的角度進行研究對象的區(qū)分以及不同預測方法的選擇。

1　信息源特征分析

1.1信息源數(shù)據(jù)特征分析

信息源的數(shù)據(jù)來源主要是基于各類傳感器采集到的數(shù)據(jù)，主要分為三類：1)基于測試的數(shù)據(jù)，是指利用自動測試系統(tǒng)在外場或內(nèi)場對機載設備進行加電測試；2)基于飛行參數(shù)的數(shù)據(jù)。飛行參數(shù)包括了飛行通訊數(shù)據(jù)，飛機姿態(tài)信息，飛機各系統(tǒng)、發(fā)動機的運行狀態(tài)數(shù)據(jù)[7]。由于現(xiàn)有飛機在設計時并未考慮到部件故障的預測功能，導致飛參數(shù)據(jù)無法監(jiān)測一些關鍵部件的故障信息進行建模和分析；3)現(xiàn)在正在設計或加裝的嵌入式傳感器，主要是考慮傳感器的安放位置，能否用盡量少的傳感器獲取系統(tǒng)或部件健康感知的最大信息是一個準則。不管是測試數(shù)據(jù)或者傳感器數(shù)據(jù)，可分為緩變數(shù)據(jù)、突變數(shù)據(jù)，而緩變數(shù)據(jù)又可分為部分可觀測信息、全壽命信息，單源監(jiān)測信息、多源監(jiān)測信息，適合在線或離線。

圖1　信息源數(shù)據(jù)特征分析

1.2用于判定研究對象的信息源特征分析

基于故障/維修的信息源特征分析是指對于一類可修復部附件來說，在對機載設備進行基層級維修、中繼級維修及基地級維修的時候，可分別記錄不同維修情況下機載部附件的故障頻率及平均停機維修時間，設備的故障頻率是指在某一指定周期內(nèi)，部附件因緩變退化直至發(fā)生故障的次數(shù)，平均停機維修時間是指從部附件發(fā)生故障開始進行部附件可修復維修的平均時間。

圖2用于判定研究對象的信息源特征分析

1.3用于預測的信息源可用性分析

表1　故障預測方法中所需的信息源種類

1)退化系統(tǒng)的物理模型。例如一階馬爾科夫過程：

dj=g(dj-1,γj-1);d0～pD0(d0)

式中，dj為tj時刻的退化狀態(tài)，pD0(d0)為t0時刻退化的初始分布，g(·)為非線性函數(shù)，描述了每一時間步長的退化增量值，γj,j=1,2,...為一系列相互獨立的狀態(tài)噪聲向量。上述模型可以包括與部附件內(nèi)在特性(材料，物理，化學，幾何等等)相關的參數(shù)，這些參數(shù)在同類部附件的不同個體中會發(fā)生變化，而這種變化是由概率密度函數(shù)來表示的，同時，模型也能夠描述退化過程依賴的外部參數(shù)，包括環(huán)境，使用操作上的，這些參數(shù)在部附件運行周期中會發(fā)生變化。雖然這些參數(shù)與部附件退化狀態(tài)不直接相關，但是也可能影響部附件的演化。在這些參數(shù)中，有些參數(shù)可以通過傳感器直接測量觀察，有些卻不能。在部附件動態(tài)的退化過程中，某些參數(shù)的時變信息或統(tǒng)計分布信息為部附件的RUL預測提供了先驗信息。

2)在部附件或者與部附件相同或類似的其他部附件運行周期中，基于不同時刻t1:i監(jiān)測得到的觀測值z1:i，這些可觀測的過程參數(shù)可以是部附件退化狀態(tài)的直接量測值，比如材料板的裂紋長度，也可以是間接反映部附件退化狀態(tài)的參數(shù)，比如軸承運行的振動參數(shù)，或電池退化的容量參數(shù)。

3)失效閾值dth。

4)觀測方程，即包括某一時刻tj傳感器采集的可觀測過程參數(shù)的觀測量zj與部附件真實退化狀態(tài)dj之間的關系表達式。

(1)

式中，h(·)為已知的函數(shù)，一般是非線性的，nj為量測噪聲向量。

1.4信息源不確定性分析

在機載設備運行過程中，運行環(huán)境的變化導致部附件的狀態(tài)退化呈現(xiàn)非線性和不穩(wěn)定性，很難直接監(jiān)測到系統(tǒng)的退化狀態(tài)，而表征退化狀態(tài)的參數(shù)值也往往受到噪聲的干擾，因此，需要對信息源的不確定性進行分析，產(chǎn)生不確定性的來源[9-12]主要包括傳感器數(shù)據(jù)采集與處理過程中的不確定、模型結構的不確定、模型參數(shù)的不確定以及失效標準的模糊性等等，針對故障預測中產(chǎn)生的不確定性的特點，尋找能夠?qū)︻A測結果的不確定性進行表達的預測方法尤為重要。

2　關鍵機載部附件判定

構建航空部附件PHM系統(tǒng)的第一步是確定機載關鍵部附件，依據(jù)機載部附件性能或停機時間來確定對飛行安全最有影響的部附件。依據(jù)文獻[13-14]提出的四象限圖來確定關鍵部附件，在四象限圖中顯示了相關部附件故障的故障頻率及平均停機時間。通過圖示機載部附件的數(shù)據(jù)后，當前維修策略的有效性就凸顯出來。其中，將圖像分成4個象限的橫軸和縱軸的位置由使用者基于研制或維修要求進行確定。

圖3　判定關鍵航空部附件的四象限圖方法

從圖3右上角開始，逆時針標記4個象限。象限1包含的部附件不僅故障頻率很高，且故障會導致嚴重的停機時間。通常情況下，研制生產(chǎn)期間會關注和解決象限1中的問題部附件，但也可能是部附件的制造缺陷或者持續(xù)使用不當造成頻繁故障和較長停機時間。象限2中的部附件故障頻率較高但停機時間較短，對于這樣的部附件，維修建議是庫存?zhèn)浼渥?。象?中的部附件故障頻率較低且停機時間也較短，當前的周期性保障和維修適合這樣的部附件。對于象限4中故障頻率低但導致停機時間長的機載部附件，應該采用預測維修，對于這樣的機載部附件，也是我們所確定的關鍵機載部附件。一個實例如圖所示，對于具體的情況，軸承、陀螺儀、電源以及齒輪箱等應是作為預測與健康管理的關鍵部附件。

3　故障預測方法

表2　用與故障預測的不同可用信息分類

針對上述不同可用信息源特征進行事件的分類設置。

事件1:已知航空部附件的退化模型、觀測方程、失效閾值、部附件的部分可觀測序列。此類信息源特征的主要針對的是典型的退化機制，比如裂紋的擴展以及電池容量的退化。

事件2: 航空部附件的部分可觀測序列、相似部附件歷史全壽命觀測序列及運行至故障的時間已知。此類信息源特征的主要針對的壽命周期較短的部附件，其失效軌跡可以被觀察到。

事件3: 航空部附件的部分可觀測序列、觀測方程及失效閾值已知。此類信息源特征的主要針對的比較可靠的設備，其運行周期較長，比如可靠性較高核電設備。機械傳動系統(tǒng)中部附件包括軸承、齒輪等，儀表電子系統(tǒng)中的部附件包絡地平儀中的動調(diào)陀螺儀、機械動力裝置中的發(fā)動機部附件等。

在航空部附件故障預測[15-16]中，所用到的方法有非線性的智能方法神經(jīng)網(wǎng)絡以及處理小樣本數(shù)據(jù)的支持向量機，處理不確定性的方法有基于貝葉斯準則的相關向量機和非線性濾波方法，在這里，介紹兩種典型的故障預測方法：神經(jīng)網(wǎng)絡和非線性濾波方法。

1)神經(jīng)網(wǎng)絡：

神經(jīng)網(wǎng)絡[17-18]是一種比較成熟、改進方法較豐富的非線性擬合方法，在給定訓練數(shù)據(jù)的基礎上，利用一個類似暗箱的學習器對數(shù)據(jù)進行非線性學習，然后在獲得測試數(shù)據(jù)的基礎上，將以訓練好的學習器進行測試數(shù)據(jù)的分類或回歸。

圖4　基于神經(jīng)網(wǎng)絡的故障預測流程

2)非線性濾波：

非線性濾波[19-21]方法廣泛應用于導航、目標跟蹤及信號處理領域，在故障預測領域的最早源于使用似然比的故障檢測方面，首先，在貝葉斯準則下，將所有不確定的信息設定為隨機變量，而將所有可用信息用概率密度分布來表示，通過量測信息的更新，將k-1時刻的后驗分布轉(zhuǎn)化為k時刻的先驗概率密度分布，在狀態(tài)估計的基礎上，對系統(tǒng)或部件的剩余使用壽命進行預測。非線性濾波一種次優(yōu)濾波器，主要包括確定性采樣的無跡卡爾曼濾波[22]、中心差分卡爾曼濾波[23]、容積卡爾曼濾波[24]及隨機采樣的粒子濾波方法[25-26]。

圖5　基于非線性濾波的剩余使用壽命預測流程

4　結果與分析

根據(jù)第2節(jié)中判定的關鍵機載部附件，從中選擇電源系統(tǒng)中的鋰離子電池為研究對象，對其進行故障預測方法的選擇和仿真。

1)當鋰離子電池的信息源包括電池容量的狀態(tài)退化模型、觀測方程、失效閾值以及部分量測信息，這時我們依據(jù)第3節(jié)中的事件1，選擇非線性濾波比如粒子濾波進行鋰離子電池的剩余使用壽命預測。

選取文獻[27]中的鋰電池作為研究對象，電池容量作為反映電池退化特征的指標，其退化模型為：

(2)

其中：a和b為模型參數(shù)，t為時間，λ為表示電解質(zhì)阻抗RE或轉(zhuǎn)移阻抗RCT的內(nèi)在電池性能。

假設a的真實值為1，b的真實值為0.012，根據(jù)公式迭代計算電池容量的真實值，在容量真實值中加入高斯噪聲ε～N(0,0.052)。參數(shù)的真實值只被用于產(chǎn)生量測數(shù)據(jù)。狀態(tài)空間模型為：

(3)

其中：tk=tk-1+Δt。在這種情況下，由于狀態(tài)方程中含有模型參數(shù)，通過模型參數(shù)的不確定性過程噪聲vk能夠被處理，所以選擇忽略過程噪聲。量測方程為：

(4)

量測數(shù)據(jù)的采集周期是5個周，量測歷史數(shù)據(jù)如表3所示。

經(jīng)上述分析可知，未知的參數(shù)變?yōu)棣?[x,θ(=[b]),σ]T。粒子濾波基于貝葉斯理論進行流程計算，如圖1所示，給予參數(shù)的初始分布，粒子數(shù)為5 000，首先，在預計階段，在k-1步時參數(shù)的后驗分布被用于計算k步時參數(shù)的先驗分布；其次，更新量測數(shù)據(jù)的似然函數(shù)；然后，根據(jù)權重大小來對粒子進行重采樣；最后，估計k+1步參數(shù)的先驗分布。

鋰電池失效的容量閾值為電池容量的30%，即0.3 Ah，量測信息數(shù)據(jù)共10個樣本點，預測的初始起點為鋰電池容量周期T=45周，45周之前為量測歷史數(shù)據(jù)，從第45周開始，運用粒子濾波算法，預測每個周期的鋰電池容量，根據(jù)45周之前的電池容量數(shù)據(jù)進行狀態(tài)跟蹤，估計出未知參數(shù)。參數(shù)b的估計值為0.012，量測誤差標準差的估計值為0.065。然后設置好算法中所需的初始參數(shù)，粒子濾波算法中的粒子數(shù)設為5 000個，電池容量狀態(tài)初始值為1 Ah，從T=45周開始執(zhí)行粒子濾波算法，迭代計算不斷更新鋰電池容量的狀態(tài)值，隨時間每5個周都輸出一個新計算的容量值，在此迭代過程中持續(xù)判斷電池容量值是否達到或超出其容量閾值，如達到或超出，則終止計算過程，最后，基于粒子濾波的鋰電池剩余使用壽命預測如圖6所示。

圖6　電池容量剩余使用壽命預測

2)當鋰離子電池沒有合適的狀態(tài)退化模型及量測模型存在，只具備電池容量部分可觀測數(shù)據(jù)或相似部件的歷史數(shù)據(jù)時，我們依據(jù)第3節(jié)中的事件2，選擇合適的神經(jīng)網(wǎng)絡算法進行鋰離子電池的狀態(tài)預測或退化趨勢預測。這里，選擇小波神經(jīng)網(wǎng)絡對鋰離子電池容量進行狀態(tài)預測，仿真數(shù)據(jù)參考表3及上一步中的仿真全壽命數(shù)據(jù)，仿真結果如圖7所示。

圖7相同實驗環(huán)境下同型號電池容量狀態(tài)預測

在電池的實際使用中，要想獲得電池的全壽命數(shù)據(jù)顯得很難，因此，如果是對當前電池容量進行預測，那么，我們在每次得到新的預測數(shù)據(jù)后，都會將其作為下一步預測的輸入數(shù)據(jù)，這樣會導致預測精度的下降，但這種情況是符合實際的。電池容量預測的實際應用，一般是將一個電池的容量數(shù)據(jù)訓練處容量預測模型，然后在相同實驗環(huán)境下，用訓練好的預測模型去預測同型號的鋰離子電池，實現(xiàn)鋰離子電池容量的狀態(tài)預測或退化趨勢預測。

5　結束語

針對一類具有緩變退化特征的損傷累計航空部附件，信息源特征能夠給出航空機載關鍵部附件的判定，同時，不同的預測方法也是由可獲取信息的特點決定的。因此，從信息源特征分析的角度來建立研究對象和選取預測方法能夠?qū)⒍哂袡C統(tǒng)一起來，在此框架下分析信息源特征的復雜性，擴展預測方法的通用性，消除信息帶來的不確定性，從而提高航空部附件故障預測方法的通用性和準確性。

[1]曾天翔. 國外艦載機使用保障[M]. 北京：航空工業(yè)出版社，2008.

[2]曾聲奎，Michael G. Pecht，吳際. 故障預測與健康管理(PHM)技術的現(xiàn)狀與發(fā)展[J]. 航空學報,2005,26(5):626-632.

[3]王少萍. 大型飛機機載系統(tǒng)預測與健康管理關鍵技術[J].航空學報,2014,35(6): 1459-1472.

[4]彭宇，劉大同. 數(shù)據(jù)驅(qū)動故障預測和健康管理綜述[J]. 儀器儀表學報,2014,35(3):481-495.

[5]Chen Z S, Yang Y M, Hu Z. A Technical Framework and Roadmap of Embedded Diagnostics and Prognostics for Complex Mechanical Systems in Prognostics and Health Management Systems[J]. IEEE TRANSACTIONS ON RELIABILITY, 2012,61(2):314-321.

[6]Wang P F, Byeng D. Youn, Hu C. A generic probabilistic framework for structural health prognostics and uncertainty management[J].Mechanical Systems and Signal Processing, 2012,28:622-637.

[7]胡朝江，陳列，楊全法. 飛機飛參系統(tǒng)及應用[M]. 北京：國防工業(yè)出版社，2012.

[8]Piero Baraldi, Francesco Cadini, Francesca Mangili, et al. Model-based and data-driven prognostics under different available information [J]. Probabilistic Engineering Mechanics, 2013,32:67-79.

[9]許喆平,郎榮玲,鄧小樂. 飛機性能參數(shù)預測的不確定處理[J]. 航空學報, 2012, 33(6):1100-1107.

[10]彭寧，羅清華，彭喜元．網(wǎng)絡化測試體系中不確定性數(shù)據(jù)處理方法淺析[J]. 儀器儀表學報, 2010,31(1):229-240.

[11]羅清華，彭寧，彭喜元．一種多維不確定性數(shù)據(jù)流聚類算法[J]．儀器儀表學報，2013，34(6)：1330—1338.

[12]方甲永, 肖明清, 周越文,等. 電子產(chǎn)品動態(tài)損傷最優(yōu)估計與壽命預測[J]. 儀器儀表學報,2011,32(4):807-812.

[13]Jay Lee, Wu F J, Zhao W Y, et al. Prognostics and health management design for rotary machinery systems—Reviews, methodology and applications[J]. Mechanical Systems and Signal Processing, 2014,42:314-334.

[14]Song BL, Jay Lee. Framework of Designing an Adaptive and Multi-Regime Prognostics and Health Management for Wind Turbine Reliability and Efficiency Improvement [J]. International Journal of Advanced Computer Science and Applications, 2013,4(2):142-149.

[15]曾慶虎. 機械動力傳動系統(tǒng)關鍵部件故障預測技術研究[D]. 長沙: 國防科技大學,2010.

[16]董磊 任章 李清東. 基于SMO-SVR的飛機舵面損傷故障趨勢預測[J]. 北京航空航天大學學報,2012,38(10):1300-1305.

[17]楊建剛. 人工神經(jīng)網(wǎng)絡實用教程[M]. 杭州: 浙江大學出版社，2001.

[18]Liu J，Saxena A，Goebel K，et al. An adaptive recurrent neural network for remaining useful life prediction of lithium-ion batteries[A]．Annual Conference of the Prognostics and Health Management Society 2010[C].Portland，Oregon，USA，2010：1-9.

[19]張磊，李行善，于勁松，等．一種基于高斯混合模型粒子濾波的故障預測算法[J]．航空學報，2009，30(2)：319-324．

[20]占榮輝，張軍，歐建平,等. 非線性濾波理論與目標跟蹤應用[M]. 北京：國防工業(yè)出版社，2013.

[21]趙琳，王小旭，李亮,等. 非線性系統(tǒng)濾波理論 [M]. 北京：國防工業(yè)出版社，2012.

[22]Dunik J, Simandl M, Straka O. Unscented Kalman filter: aspects and adaptive setting of scaling parameter[J]. IEEE Transactions on Automatic Control, 2012, 57(9): 2411-2416.

[23]王小旭, 潘泉, 黃鶴,等. 非線性系統(tǒng)確定采樣型濾波算法綜述[J]. 控制與決策,2012,27(6): 801-812.

[24]I Arasaratnam, S Haykin. Cubature Kalman Filters[J]. IEEE Transactions on Automatic Control, 2009, 54(6): 1254-1269.

[25]M Dalal, J Ma, D He. Lithium-ion battery life prognostic health management system using particle filtering framework[J]. Journal of Risk and Reliability, 2011, 225: 81-90.

[26]袁慎芳, 張華, 邱雷,等. 基于粒子濾波算法的疲勞裂紋擴展預測方法[J]. 航空學報, 2013, 34(12): 2740-2747 .

[27]Dawn An, Joo-Ho Chio, Nam Ho Kim. Prognostics 101: A tutorial for particle filter-based prognostics algorithm using Matlab[J]. Reliability Engineering and System Safety, 2013, 115: 161-1.

Research on Fault Prognostics of Aviation Accessories Based on the Feature Analysis of Information Source

Li Wenfeng1,2, Xu Aiqiang1, Wang Xuewei2, Su Zhenchao2

(1.Department of Scientific Research, Naval Aeronautical and Astronautical University, Yantai264001,China;2.92635 Troops, Qingdao266000,China)

Prediction method based on the analysis of the characteristics of information source of aviation key accessories fault is proposed for carrier based aircraft heterogeneous integration independent guarantee in airborne equipment of maintenance security needs. Firstly, The complexity of information source is analyzed from four perspectives of information source data, research object decision, the available information and uncertainty. Secondly, According to the Aviation Department of the annex to the failure frequency and average downtime maintenance time using the four quadrant chart to achieve the key parts of the aviation annex. Lastly, Based on the information from different sources of information available choice different fault prediction method, and introduces the intelligent integration of neural network algorithm and is able to eliminate the uncertainty of nonlinear filtering method and improve of the aviation accessories fault prediction method of generality and accuracy.

information Source; aviation accessories; fault prognostics; generality; uncertainty

2015-07-04；

2015-08-20。

總裝武器裝備預研基金(9140A27020214JB14436)。

李文峰(1983-)，男，山東榮成人，博士研究生，主要從事航空裝備故障預測與綜合保障方向的研究。

許愛強(1964-)，男，山東即墨人，教授，博士研究生導師，主要從事自動測試與裝備綜合保障方向的研究。

1671-4598(2016)01-0007-05

10.16526/j.cnki.11-4762/tp.2016.01.003

V215.7

A