雷耀麟，劉 廈*，胡 炎，柴興華

(1.中國電子科技集團公司第五十四研究所，河北 石家莊 050081) (2.中國電子科技集團公司航天信息應(yīng)用技術(shù)重點實驗室，河北 石家莊050081)

0 引言

隨著新軍事革命的不斷進步，在局部高科技戰(zhàn)爭中，武器裝備必須具有良好的戰(zhàn)備狀態(tài)、任務(wù)成功率、機動性和快速反應(yīng)能力[1]，以預(yù)測科學(xué)為核心的PHM技術(shù)應(yīng)運而生，通過傳感器融合、數(shù)據(jù)挖掘、專家知識及保障維修決策，實現(xiàn)對武器裝備的綜合安全保障[2]。

PHM技術(shù)最早由美軍提出，并在20世紀(jì)70年代開始應(yīng)用于大黃蜂戰(zhàn)斗機的發(fā)動機檢測系統(tǒng)，當(dāng)時主要功能為剩余壽命評估、操作極限監(jiān)控、傳感器失效檢測和熄火檢查，缺少故障預(yù)測；20世紀(jì)90年代，美國國防部提出綜合診斷概念并將PHM應(yīng)用到三軍，與此同時，PHM技術(shù)延伸到了飛機狀態(tài)管理；2014年，美國F-35聯(lián)合戰(zhàn)機開始試用具備故障預(yù)測能力的最新版PHM系統(tǒng)[3]。目前，美軍F-35聯(lián)合戰(zhàn)機搭載的PHM系統(tǒng)被公認(rèn)為世界頂級水平，分為裝備內(nèi)置PHM系統(tǒng)和裝備外部PHM系統(tǒng)。其中，裝備內(nèi)置PHM系統(tǒng)是通過對飛行數(shù)據(jù)的收集和有效挖掘，實現(xiàn)無人機狀態(tài)監(jiān)控、故障預(yù)測和趨勢跟蹤等，保障無人機安全飛行和提高任務(wù)完成率；裝備外部PHM系統(tǒng)的功能是通過接收裝備內(nèi)PHM系統(tǒng)的上報數(shù)據(jù)，結(jié)合人工目視觀測、故障診斷和趨勢分析等為地面保障人員提供維修決策，實現(xiàn)機下自主保障和視情維修。該系統(tǒng)架構(gòu)已受到國內(nèi)外學(xué)者的廣泛研究和借鑒。

隨著各軍事強國對PHM技術(shù)研究的日益關(guān)注和推進，PHM技術(shù)已經(jīng)由早期單一的視情維修功能，演變?yōu)楹w系統(tǒng)實時狀態(tài)監(jiān)控、故障診斷、故障預(yù)測、剩余壽命估計、輔助決策、信息應(yīng)需傳輸與管理等能力的現(xiàn)代PHM技術(shù)[4]。

無人機作為一種典型的高新技術(shù)武器裝備，設(shè)備眾多、組成復(fù)雜，只有建立起與之相匹配的PHM系統(tǒng)，才能充分發(fā)揮無人機的作戰(zhàn)效能[5]。國內(nèi)外學(xué)者也已在無人機PHM領(lǐng)域開展了諸多研究，取得了大量的研究成果[6-8]。針對地面綜合保障和設(shè)備維修的研究與應(yīng)用已經(jīng)相對成熟，而針對無人機飛行狀態(tài)實時故障預(yù)測方面的研究和應(yīng)用還比較少。針對無人機飛行過程中智能告警的需求，研究并設(shè)計了無人機故障預(yù)測系統(tǒng)。在系統(tǒng)架構(gòu)上，采用分層拓?fù)浣Y(jié)構(gòu)，實現(xiàn)了對全機的故障預(yù)測；在技術(shù)體系上，設(shè)計了數(shù)據(jù)支撐、數(shù)據(jù)規(guī)律挖掘、時序分析、趨勢外推和綜合決策等5層算法體系來支撐遙測數(shù)據(jù)的智能解譯。

1 無人機故障預(yù)測系統(tǒng)結(jié)構(gòu)設(shè)計

無人機故障預(yù)測系統(tǒng)借鑒美軍F-35 PHM系統(tǒng)的裝備內(nèi)置PHM系統(tǒng)，側(cè)重對無人機的飛行過程進行智能監(jiān)控。該系統(tǒng)可在數(shù)據(jù)鏈技術(shù)的支撐下，布設(shè)到當(dāng)前測控站系統(tǒng)中。

1.1 功能設(shè)計

無人機故障預(yù)測系統(tǒng)主要分為數(shù)據(jù)管理、離線分析、在線分析和智能決策4個分系統(tǒng)，如圖1所示。

圖1 無人機故障預(yù)測系統(tǒng)功能設(shè)計

各分系統(tǒng)及功能模塊具體描述如下：

(1) 數(shù)據(jù)管理分系統(tǒng)。數(shù)據(jù)管理分系統(tǒng)是無人機故障預(yù)測系統(tǒng)的基礎(chǔ)，負(fù)責(zé)統(tǒng)籌管理歷史遙測數(shù)據(jù)、樣本庫和知識庫。

(2) 離線分析分系統(tǒng)。首先對歷史遙測數(shù)據(jù)進行預(yù)處理，包括數(shù)據(jù)歸一化、數(shù)據(jù)缺項填補、野值濾除等；然后根據(jù)飛行階段標(biāo)志參數(shù)將歷史遙測數(shù)據(jù)劃分為5種工況(起飛、爬升、定高、下降和降落)，并且分別統(tǒng)計各工況下參數(shù)的數(shù)值特性和變化規(guī)律等；最后結(jié)合統(tǒng)計分析結(jié)果，利用神經(jīng)網(wǎng)絡(luò)、機器學(xué)習(xí)和時序分析等方法構(gòu)建故障預(yù)測模型；

(3) 在線分析分系統(tǒng)。針對實時獲取的下傳遙測數(shù)據(jù)，提取遙測信號時間序列的低頻分量進行趨勢分析；利用離線訓(xùn)練的故障預(yù)測模型對當(dāng)前無人機狀態(tài)進行故障預(yù)測與健康評估；

(4) 智能決策分系統(tǒng)。綜合分析無人機狀態(tài)監(jiān)測和故障預(yù)測結(jié)果，對無人機當(dāng)前健康狀態(tài)進行綜合評估，主動向地面站發(fā)出故障預(yù)警和操作建議。

1.2 拓?fù)浣Y(jié)構(gòu)設(shè)計

無人機故障預(yù)測系統(tǒng)未設(shè)置部件級故障預(yù)測，僅考慮設(shè)備級以上的故障預(yù)測。

如圖2所示，在飛行過程中，通過對設(shè)備狀態(tài)空間(也即與設(shè)備相關(guān)的遙測參數(shù))的實時監(jiān)測與故障預(yù)測，可以獲得該設(shè)備的健康狀態(tài)；融合所有設(shè)備的健康狀態(tài)信息，通過推理機和專家系統(tǒng)可以進一步評估分系統(tǒng)的健康狀態(tài)；最后，根據(jù)各個分系統(tǒng)的健康狀態(tài)，對無人機系統(tǒng)進行綜合健康管理。

圖2 無人機故障預(yù)測系統(tǒng)拓?fù)浣Y(jié)構(gòu)

2 系統(tǒng)的故障預(yù)測原理

國內(nèi)外諸多PHM領(lǐng)域研究學(xué)者已經(jīng)進行了大量故障預(yù)測算法研究，取得了豐碩的成果。比如Shang Shuai等人[9]將長短時記憶網(wǎng)絡(luò)(LSTM)用于剩余壽命預(yù)測，使時間序列信息被充分利用；Xue Xiaoling等人[10]將極限學(xué)習(xí)機(ELM)應(yīng)用在2014年IEEE PHM挑戰(zhàn)賽的質(zhì)子交換膜燃料電池數(shù)據(jù)集上，實現(xiàn)了剩余壽命預(yù)測；Ting An[11]將一種融合遺傳算法的BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于電氣設(shè)備的故障預(yù)測，與BP神經(jīng)網(wǎng)絡(luò)預(yù)測算法相比獲得了更低的預(yù)測誤差；袁慶洋等人[12]用多段維納過程模型取代傳統(tǒng)的單一階段維納過程來預(yù)測電機剩余壽命，提高了預(yù)測精度；李琪等人[13]提出了一種變工況下基于相似性的剩余壽命預(yù)測方法，在2008年 PHM 挑戰(zhàn)賽的商用渦輪發(fā)動機數(shù)據(jù)集上獲得了比相似性算法更高的預(yù)測精度。

以上算法均要提供充足的歷史退化模型或故障數(shù)據(jù)集。然而，在研究無人機飛行中的故障預(yù)測問題時，我們無法獲得大量的故障數(shù)據(jù)，也很難對無人機系統(tǒng)狀態(tài)進行物理或數(shù)學(xué)建模。為此，我們提出了一種間接故障預(yù)測方法。

2.1 故障預(yù)測技術(shù)體系

設(shè)計的故障預(yù)測技術(shù)體系如圖3所示，自底向上：

第一層是數(shù)據(jù)支撐層，包括數(shù)據(jù)預(yù)處理、故障案例分析和故障特征遷移，主要是為故障預(yù)測提供數(shù)據(jù)資源和故障知識；

第二層是數(shù)據(jù)規(guī)律層，通過時域分析、頻域分析、數(shù)理統(tǒng)計、數(shù)值分析、參數(shù)間關(guān)聯(lián)關(guān)系分析，挖掘遙測數(shù)據(jù)的數(shù)值特性和數(shù)據(jù)規(guī)律；

第三層為時間序列分析層，采用分段非線性函、多參數(shù)LSTM時序建模等深度挖掘遙測數(shù)據(jù)的時間序列特性；

第四層為趨勢外推層，通過趨勢分析和外推算法，預(yù)測未來某時刻系統(tǒng)的健康狀態(tài)，由此實現(xiàn)故障預(yù)測；

第五層為智能決策層，根據(jù)故障預(yù)測結(jié)果，綜合評估無人機健康狀態(tài)，自主發(fā)出故障預(yù)警，給出下一步操作建議。

圖3 故障預(yù)測技術(shù)體系

針對不同的設(shè)備，其故障預(yù)測的實現(xiàn)途徑略有不同，但大體上都符合圖3所示的技術(shù)體系。

2.2 故障預(yù)測技術(shù)流程

提出的故障預(yù)測技術(shù)流程如圖4所示，主要分為離線學(xué)習(xí)和實時分析2個部分。

圖4 提出的故障預(yù)測技術(shù)流程

無人機故障預(yù)測核心算法介紹：

(1) 健康因子提取。提取可以直接或間接反映設(shè)備健康狀態(tài)的關(guān)鍵參數(shù)；

(1)

式中，函數(shù)Γ(·)表示非線性擬合模型。

(2)

設(shè)備的退化模型為：

(3)

設(shè)LΔm為第m次模型驗證的平均誤差。則令判決閾值為：

Th=p·max(LΔm)，

(4)

式中，p為設(shè)定虛警率。使用少量真實故障樣本Sl對Th進行干預(yù)，得：

(5)

(4) 外推預(yù)測

選擇合適的外推算法模型，如趨勢外推法等，令：

Ω(t+T)=K(Ω(t))。

(6)

3 仿真實驗

根據(jù)遙測數(shù)據(jù)的變化特性模擬生成了故障數(shù)據(jù)集，所有參數(shù)均進行了數(shù)據(jù)標(biāo)準(zhǔn)化操作，以下實驗均以此數(shù)據(jù)集為數(shù)據(jù)基礎(chǔ)。仿真實驗以發(fā)動機設(shè)備為例，非線性回歸模型是預(yù)訓(xùn)練好的DNN網(wǎng)絡(luò)模型。取轉(zhuǎn)速(s)、排氣溫度(t)、滑油壓力(p)和節(jié)風(fēng)門(a)作為發(fā)動機設(shè)備的健康因子，發(fā)動機設(shè)備的健康狀態(tài)可通過{s,t,p,a}組成的狀態(tài)空間來評估。

3.1 多閾值參數(shù)異常檢測

由于發(fā)動機設(shè)備在不同的飛行狀態(tài)和飛行控制模式下，其工作的動力學(xué)模型存在差異。因此，針對發(fā)動機設(shè)備的異常檢測首先需要將遙測數(shù)據(jù)序列劃分為20種工況(5種飛行狀態(tài)、4種飛行控制模式)。利用海量歷史遙測數(shù)據(jù)對轉(zhuǎn)速、排氣溫度、滑油壓力、節(jié)風(fēng)門進行統(tǒng)計分析。統(tǒng)計4種參數(shù)在20種工況(5種飛行狀態(tài)、4種飛行控制模式)下的數(shù)值特性，具體包含：每種工況下的平均值(Mean)、最大值(Max)和最小值(Min)。以滑油壓力參數(shù)為例，其20種工況的統(tǒng)計閾值如表1所示，由于表1由歷史大數(shù)據(jù)統(tǒng)計生成，也可以直接作為告警閾值。

表1 滑油參數(shù)20種工況的統(tǒng)計閾值

指令階段人工自主指令遙控起飛0.35～0.83---爬升0.41～0.780.41～0.760.38～0.77-定高-0.48～0.830.40～0.82-下降-0.41～0.540.40～0.540.05～0.18降落0.43～0.78---

本文采用了直方圖統(tǒng)計方法，首先生成參數(shù)的統(tǒng)計直方圖，并根據(jù)頻數(shù)對直方圖進行排序；然后設(shè)置一個恒定的置信度，實驗中取95%；最后，選取頻數(shù)在前95%范圍內(nèi)的直方圖進行統(tǒng)計分析。

與傳統(tǒng)單一閾值參數(shù)監(jiān)控的模式相比，基于多閾值的參數(shù)監(jiān)控模式考慮了不同工況下無人機運動狀態(tài)的差異，具有更精確的故障檢測能力。

3.2 基于深度學(xué)習(xí)的參數(shù)異常檢測

發(fā)動機設(shè)備健康狀態(tài)的2個重要參數(shù)為發(fā)動機轉(zhuǎn)速和滑油壓力。由式(1)～式(5)可知，利用發(fā)動機各參數(shù)間的屬性關(guān)聯(lián)關(guān)系可以對發(fā)動機轉(zhuǎn)速和滑油壓力進行回歸預(yù)測，并根據(jù)預(yù)測值與真實值的偏差，對參數(shù)進行故障檢測。測量值{s,t,p,a}表示無人時實時下傳參數(shù)，預(yù)測值為回歸模型計算出的預(yù)測值{s′,t′,p′,a′}，偏差值表示測量值與預(yù)測值{s′-s,t′-t,p′-p,a′-a}。

參數(shù)異常檢測仿真如圖5所示。從圖5(a)中可以看到，在A位置處，轉(zhuǎn)速的真實值和預(yù)測值之間的偏差較大，顯著高于其他區(qū)域，數(shù)據(jù)異常發(fā)生在4 640時刻；在圖5(b)中，在B位置(4 712)處同樣發(fā)生了較嚴(yán)重的滑油壓力值異常。通過關(guān)聯(lián)分析可知，在4 640～4 712時刻附近，發(fā)動機系統(tǒng)出現(xiàn)了故障征兆。

圖5 參數(shù)異常檢測仿真

3.3 趨勢外推預(yù)測

當(dāng)確定發(fā)動機發(fā)生故障征兆后，如果此時偏差值已經(jīng)超出了故障告警閾值，則立刻向系統(tǒng)發(fā)出故障告警。如果此時偏差并未超出告警閾值，則通過直線趨勢外推，預(yù)測T時間后的狀態(tài)，如圖6所示。

圖6 滑油壓力參數(shù)直線外推預(yù)測

從圖6中可以看出，通過直線趨勢外推計算可知，故障將在5 400時刻(C點)發(fā)生。此時，需要提前處理異常，并實時跟蹤參數(shù)變化趨勢。

4 結(jié)束語

本文主要從系統(tǒng)結(jié)構(gòu)設(shè)計和算法技術(shù)體系2個方面對設(shè)計的無人機故障預(yù)測系統(tǒng)進行了詳細(xì)介紹，并且利用模擬故障樣本集對故障預(yù)測算法進行了仿真實驗。

提出的故障預(yù)測算法充分利用了機器學(xué)習(xí)技術(shù)和數(shù)據(jù)挖掘技術(shù)。我們提出的無人機故障預(yù)測系統(tǒng)在提高監(jiān)控系統(tǒng)故障預(yù)測能力的同時，還存在以下問題：故障樣本的不足導(dǎo)致了故障知識庫不夠豐滿，而系統(tǒng)的故障預(yù)測模型是建立在現(xiàn)有故障知識庫的基礎(chǔ)之上。隨著新故障類型的收集和故障知識庫的擴充，系統(tǒng)的故障預(yù)測系統(tǒng)還有較大的提升空間。