劉 月，李 燦，郝利超，張智杰，3

（1.陸軍工程大學(xué)石家莊校區(qū)，河北 石家莊050000；2.93786部隊，河北 張家口075000；3.68303部隊，青海 格爾木816000）

PHM技術(shù)是指利用盡可能少的傳感器采集系統(tǒng)的各種數(shù)據(jù)信息，借助各種智能推理算法（如物理模型、神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)等）來評估系統(tǒng)自身的健康狀態(tài)，在系統(tǒng)故障發(fā)生前對其故障進(jìn)行預(yù)測，并結(jié)合各種可利用的資源信息提供一系列的維修保障措施以實現(xiàn)系統(tǒng)的視情維修[1]。綜觀PHM技術(shù)的發(fā)展，該技術(shù)在飛機(jī)系統(tǒng)領(lǐng)域得到較為廣泛的應(yīng)用，而在導(dǎo)彈武器系統(tǒng)/運載火箭系統(tǒng)中并未發(fā)現(xiàn)有過應(yīng)用先例[2]。如何根據(jù)導(dǎo)彈裝備的實際特點對其進(jìn)行健康狀態(tài)監(jiān)測，確定導(dǎo)彈當(dāng)前的健康狀態(tài)并對其進(jìn)行性能評估和故障預(yù)測，進(jìn)而安排合理的維修保障措施，實現(xiàn)導(dǎo)彈裝備的視情維修，都是嶄新的研究課題[3]。

本文的研究目的就是針對這個問題，著眼當(dāng)前部隊信息化、智能化轉(zhuǎn)型建設(shè)特點，以部隊現(xiàn)實需求為出發(fā)點，依據(jù)導(dǎo)彈自身特點，綜合試驗鑒定、測發(fā)等過程，通過不同數(shù)據(jù)傳輸鏈路采集到的導(dǎo)彈大量運行狀態(tài)的監(jiān)測數(shù)據(jù)，針對導(dǎo)彈武器系統(tǒng)的試驗鑒定、服役使用等階段，利用PHM（Prognostics and Health Management）來研究導(dǎo)彈故障預(yù)測與健康管理中的關(guān)鍵方法。為建設(shè)一套健康狀態(tài)評估及性能預(yù)測軟件系統(tǒng)提供方法支持，從而創(chuàng)新導(dǎo)彈健康管理層級化、可擴(kuò)展健康評估與預(yù)測模型的構(gòu)建工具。

1 國內(nèi)外研究現(xiàn)狀

在導(dǎo)彈領(lǐng)域的研究應(yīng)用，主要是借鑒飛機(jī)的有關(guān)研究。在導(dǎo)彈智能檢測方面，北約通過使用RFID系統(tǒng)來監(jiān)測ESSM（Evolved Sea Sparrow Missile，ESSM）的溫度、濕度、震動、撞擊等數(shù)據(jù)，對導(dǎo)彈進(jìn)行監(jiān)測，極大地節(jié)約維修成本的同時，還可以確保導(dǎo)彈存在健康隱患時及時地得到維修，提高了導(dǎo)彈的可靠性，以及武器系統(tǒng)的準(zhǔn)確性。美國空軍通過在海爾法II導(dǎo)彈上研究使用掛飛健康監(jiān)測系統(tǒng)，監(jiān)測、記錄海爾法II導(dǎo)彈在阿帕奇AH-64D直升機(jī)上的掛飛情況，對造成損傷的環(huán)境因素進(jìn)行自動監(jiān)測和記錄，并為地面上的檢測人員提供檢查依據(jù)，可以顯著地降低地勤人員和導(dǎo)彈維修人員的工作量，以及提高維修工作的準(zhǔn)確性。在導(dǎo)彈智能診斷系統(tǒng)研究方面，美國陸軍設(shè)計的導(dǎo)彈存儲和運輸環(huán)境的系統(tǒng)——遙測戰(zhàn)備器材預(yù)測/診斷系統(tǒng)（RRAPDS），將溫度、濕度、振動傳感器整合在導(dǎo)彈內(nèi)部來監(jiān)測、診斷、預(yù)測、分析長時間庫存的導(dǎo)彈的健康狀況，可以對常態(tài)環(huán)境下的溫度、大氣壓力、濕度和振動等參數(shù)進(jìn)行感知，測試人員可以通過遙測的方式獲取有用的信息，并將信息發(fā)送到相關(guān)通訊網(wǎng)，減少了導(dǎo)彈武器及其發(fā)射平臺等維修保養(yǎng)、供給、運輸和存儲等相關(guān)的費用。目前，該系統(tǒng)已被成功地應(yīng)用在愛國者地空導(dǎo)彈（GEM和AC-3），以及陶氏反坦克導(dǎo)彈中[4]。

在國內(nèi)PHM技術(shù)尚處于研究階段，但其重要性已成為共識。清華大學(xué)、北京航空航天大學(xué)和上海交通大學(xué)等多家院校和研究機(jī)構(gòu)，先后在不同方向?qū)HM的理論方法和應(yīng)用技術(shù)開展了大量研究工作。北京航空航天大學(xué)[5]針對飛行器應(yīng)用領(lǐng)域的相關(guān)算法、模型和管理方式進(jìn)行了探索性研究，比如基于故障物理的電子系統(tǒng)加速試驗和健康監(jiān)控。軍方也對PHM技術(shù)開展了大量的理論及應(yīng)用研究，空軍工程大學(xué)的張亮等[6]針對我軍新一代作戰(zhàn)飛機(jī)的技術(shù)特點及其維修保障需求，對機(jī)載PHM系統(tǒng)體系結(jié)構(gòu)的各種方案進(jìn)行了對比分析，提出了一種由模塊/單元層PHM、子系統(tǒng)級PHM、區(qū)域級PHM和平臺級PHM等4層集成的層次化體系結(jié)構(gòu)；海軍工程大學(xué)呂建偉等[7]對艦船裝備進(jìn)行了單個裝備、裝備系統(tǒng)和全艦系統(tǒng)的逐級評估，最終得到艦船整體的健康狀態(tài)評估結(jié)果；空軍雷達(dá)學(xué)院的王晗中等[8]為克服傳統(tǒng)維修保障方式的缺陷并適應(yīng)現(xiàn)代雷達(dá)裝備維修保障的發(fā)展需求，構(gòu)建了基于PHM的雷達(dá)裝備維修保障系統(tǒng)；解放軍炮兵學(xué)院的彭樂林等[9]根據(jù)無人機(jī)系統(tǒng)故障特點建立了系統(tǒng)設(shè)備拓?fù)浣Y(jié)構(gòu)，并構(gòu)建了無人機(jī)PHM系統(tǒng)邏輯體系結(jié)構(gòu)。

雖然國內(nèi)外各種PHM系統(tǒng)已逐步開始得到應(yīng)用，但還遠(yuǎn)沒有達(dá)到工程實用化的程度。如何根據(jù)得到的監(jiān)測數(shù)據(jù)有效的評估設(shè)備的健康狀態(tài)，進(jìn)而實現(xiàn)有效的、準(zhǔn)確的健康評估與故障預(yù)測，仍需要大量研究工作[10]。

2 關(guān)鍵方法研究

2.1 故障預(yù)測與健康管理架構(gòu)研究

故障預(yù)測與健康管理總體架構(gòu)包含底層硬件支撐、核心算法支撐、五大功能模塊以及頂層服務(wù)。其中，五大功能模塊包括指標(biāo)體系構(gòu)建模塊，針對構(gòu)建的健康評估模型基于專家知識或數(shù)據(jù)驅(qū)動進(jìn)行賦權(quán)；包括性能評估模塊，基于構(gòu)建的評估模型和導(dǎo)彈測試參數(shù)完成多層次、多維度的健康狀態(tài)快速評估；包括評估總覽模塊，對健康評估結(jié)果進(jìn)行直觀可視化展示；包括結(jié)構(gòu)評估模塊，針對不同層次設(shè)備和系統(tǒng)在不同場景下的評估結(jié)果進(jìn)行融合；包括故障預(yù)報模塊，完成不同層級參數(shù)和性能退化趨勢的預(yù)測，并結(jié)合閾值完成故障預(yù)報。

結(jié)合測試任務(wù)下采集的多型號、多產(chǎn)品、多批次、多單機(jī)的實際試驗數(shù)據(jù)條件，一是實現(xiàn)對頭伺、一伺等典型單機(jī)下的閾值指標(biāo)進(jìn)行解析配置管理，進(jìn)而支持單機(jī)級性能評估、參數(shù)趨勢預(yù)測、故障預(yù)報等工作開展，并支持用戶對多產(chǎn)品間、多測試日期間的單機(jī)性能狀態(tài)進(jìn)行豐富的可視化查看與對比分析；二是實現(xiàn)對測試任務(wù)以及整彈產(chǎn)品的指標(biāo)體系進(jìn)行交互式框圖建模管理，進(jìn)而支持場景級、整彈級性能綜合評估、結(jié)構(gòu)評估以及故障預(yù)報等工作開展，并支持用戶對多產(chǎn)品間、多測試日期間的場景級、整彈級性能狀態(tài)進(jìn)行豐富的可視化查看與對比分析。

2.2 指標(biāo)體系構(gòu)建方法研究

2.2.1 基于專家重要度的權(quán)重生成算法

如圖1所示，基于專家重要度的權(quán)重生成算法，利用層次分析法的系統(tǒng)性優(yōu)勢，根據(jù)整彈系統(tǒng)級單串聯(lián)、并聯(lián)、混聯(lián)等多種結(jié)構(gòu)層次，結(jié)合專家知識給出各單機(jī)或組合結(jié)構(gòu)的重要度序列，生成相應(yīng)單機(jī)或系統(tǒng)的權(quán)重序列。其中基于層次分析法的權(quán)重計算方法，建立整彈系統(tǒng)級及內(nèi)部單機(jī)串聯(lián)、并聯(lián)、混聯(lián)結(jié)構(gòu)框圖（如圖2所示，三角形表示整體間隔標(biāo)識，必須成對出現(xiàn)），根據(jù)專家知識給出各部分重要度。

對于無支路串聯(lián)，各單機(jī)先并聯(lián)，再與其他單機(jī)串聯(lián)的結(jié)構(gòu)，首先利用層次分析法計算各并聯(lián)結(jié)構(gòu)內(nèi)各單機(jī)的權(quán)重序列，再由并聯(lián)結(jié)構(gòu)整體的重要度根據(jù)層次分析法計算出串聯(lián)結(jié)構(gòu)各組成部分的權(quán)重序列。

對于有支路串聯(lián)，各部分并聯(lián)后整體串聯(lián)的結(jié)構(gòu)，利用層次分析法計算各支路串聯(lián)單機(jī)的權(quán)重序列，再計算并聯(lián)結(jié)構(gòu)內(nèi)部各支路部分的串聯(lián)整體或單機(jī)的權(quán)重序列，最終計算串聯(lián)結(jié)構(gòu)各組成部分的并聯(lián)整體或單機(jī)的權(quán)重序列。

圖1 基于專家重要度的權(quán)重生成算法流程圖

2.2.2 基于統(tǒng)計分布的自適應(yīng)閾值生成算法

基于統(tǒng)計數(shù)據(jù)驅(qū)動的自適應(yīng)閾值生成算法，通過多種典型的概率分布函數(shù)與定量的擬合優(yōu)度檢驗算法，確定擬合實時監(jiān)測參數(shù)效果最優(yōu)的分布類型，進(jìn)一步通過確定置信度生成最優(yōu)分布下的參數(shù)閾值。

基于統(tǒng)計分布和優(yōu)度擬合的自適應(yīng)閾值生成算法流程如圖3所示。

根據(jù)上述基于統(tǒng)計數(shù)據(jù)驅(qū)動的自適應(yīng)閾值生成算法，得到監(jiān)測參數(shù)的經(jīng)驗閾值和統(tǒng)計閾值，采用專家打分法賦予兩類閾值相應(yīng)的權(quán)重，采用兩類閾值的加權(quán)平均作為整彈核心單機(jī)監(jiān)測參數(shù)的實時閾值，從而完成閾值指標(biāo)的自適應(yīng)構(gòu)建，為監(jiān)測參數(shù)的實時異常檢測提供判據(jù)。

圖2 基于專家重要度的權(quán)重生成算法示意圖

圖3 統(tǒng)計分布閾值生成算法流程圖

2.3 健康評估算法研究

2.3.1 串并混聯(lián)結(jié)構(gòu)層級模型的綜合性能評估算法

導(dǎo)彈根據(jù)任務(wù)計劃需要完成多項測試，基于具體測試場景，根據(jù)系統(tǒng)組成單元之間的功能相關(guān)性、各個模塊的重要度以及結(jié)構(gòu)重要度，構(gòu)建描述系統(tǒng)構(gòu)成以及各單元邏輯關(guān)系的層級模型，如圖4所示。

圖4 串并混聯(lián)結(jié)構(gòu)層級模型的綜合性能評估算法流程圖

若構(gòu)成層級模型的各個模塊為串并混聯(lián)結(jié)構(gòu)時，且結(jié)構(gòu)中存在并聯(lián)結(jié)構(gòu)整體作為層級模型的一個分支，需要在前后為其添加重要度節(jié)點，并配置相應(yīng)的重要度。具體計算方法為：

步驟1：基于并聯(lián)結(jié)構(gòu)層級模型的綜合性能評估算法計算并聯(lián)結(jié)構(gòu)整體的風(fēng)險健康度，具體算法為：

步驟2：基于串聯(lián)結(jié)構(gòu)層級模型的綜合性能評估算法，計算串并混聯(lián)結(jié)構(gòu)整體的風(fēng)險健康度，即實現(xiàn)串并混聯(lián)層級模型的綜合性能評估，具體算法為：

2.3.2 基于自組織映射網(wǎng)絡(luò)（SOM）的自適應(yīng)性能評估算法

基于自組織映射SOM的健康評估方法將當(dāng)前狀態(tài)下提的特征值映射為可度量的物理參量距離功能，支持與以裝備正常狀態(tài)特征參數(shù)為依據(jù)構(gòu)建健康基線對比度量、自適應(yīng)評估功能。SOM網(wǎng)絡(luò)是一種自組織競爭人工神經(jīng)網(wǎng)絡(luò)，它以無監(jiān)督競爭學(xué)習(xí)的方式進(jìn)行網(wǎng)絡(luò)訓(xùn)練，具有自組織的功能，適用于做最近鄰分類器。自組織映射的學(xué)習(xí)過程有別于BP網(wǎng)絡(luò)，其不需要提前給定任何目標(biāo)輸出，可以不必知道輸入矢量的類型關(guān)系。當(dāng)輸入矢量輸入到網(wǎng)絡(luò)后，網(wǎng)絡(luò)利用隨機(jī)選取的權(quán)值進(jìn)行計算，并找到獲勝神經(jīng)元，然后調(diào)整權(quán)值，用收縮領(lǐng)域和學(xué)習(xí)因子（隨時間而收縮）的辦法，最終使權(quán)值形成一組能映射輸入的數(shù)據(jù)，當(dāng)網(wǎng)絡(luò)自組織形成時訓(xùn)練就結(jié)束。

該算法的基本思想是網(wǎng)絡(luò)競爭層中的各神經(jīng)元通過競爭來獲取對輸入模式的響應(yīng)機(jī)會，最后剩一個神經(jīng)元成為競爭的勝利者，并對那些與獲勝神經(jīng)元有關(guān)的各連接全朝著更有利于它競爭的方向調(diào)整。

從網(wǎng)絡(luò)結(jié)構(gòu)上來說，自組織映射網(wǎng)絡(luò)的最大特點是神經(jīng)元被放置在一維、二維或更高維的網(wǎng)絡(luò)節(jié)點上。如圖5所示為使用最為普遍的二維網(wǎng)絡(luò)模型。輸入層神經(jīng)個數(shù)為m，競爭層由a×b=N個神經(jīng)元組成的二維平面陣列，輸入層與競爭層各神經(jīng)元之間實現(xiàn)全連接。該模型包含輸入輸出兩層，而不包含隱含層。在輸入層中有m個輸入節(jié)點，其中任一輸入節(jié)點用j表示。輸入層接受輸入向量X=[x1，...，xm]T。從空間的角度看，該輸入空間是m維的，輸入節(jié)點通過權(quán)值wij（i=1，2，...，N；j=1，2，...，m）和網(wǎng)絡(luò)的N個神經(jīng)元相連。將權(quán)值wij根據(jù)相連的神經(jīng)元劃分為N個權(quán)向量，任一權(quán)值向量為Wi=[wi1，wi2，...，wim]T（i=1，2，...，N）。在輸出層分布著網(wǎng)絡(luò)的N個神經(jīng)元，其中任一神經(jīng)元用i表示，其輸入為。

通過對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，能夠自動地對網(wǎng)絡(luò)的輸入進(jìn)行分類，從而達(dá)到聚類的效果。在訓(xùn)練開始前，輸出節(jié)點被賦予一個很小的隨機(jī)權(quán)值。輸入樣本后，使輸出節(jié)點進(jìn)行競爭，并調(diào)整獲勝節(jié)點及其鄰域內(nèi)節(jié)點的權(quán)值。訓(xùn)練完成時，輸出層節(jié)點分布能夠較好地保留數(shù)據(jù)在原空間中的拓?fù)浞植紶顩r。

針對裝備健康評估，利用正常狀態(tài)下的裝備運行參數(shù)數(shù)據(jù)訓(xùn)練SOM網(wǎng)絡(luò)，構(gòu)建健康狀態(tài)基線，訓(xùn)練次數(shù)為100次，訓(xùn)練維度為[10，10]。將待評估裝備參數(shù)數(shù)據(jù)輸入到訓(xùn)練好的SOM神經(jīng)網(wǎng)絡(luò)，與健康基線模型對比，通過度量待測數(shù)據(jù)與健康基線模型的重疊度即可獲取該組待測數(shù)據(jù)和最佳匹配單元之間的距離，進(jìn)而獲取最大量化誤差MQE。將MQE歸一化，即可獲取當(dāng)前狀態(tài)下的CV值。CV值為1表示處于健康狀態(tài)，CV值越小，表示性能衰退越嚴(yán)重。

2.4 故障預(yù)測方法研究

2.4.1 基于跟蹤粒子濾波的故障預(yù)報模型

在實際預(yù)測過程中，由于壽命衰退過程本身存在較大的個體差異，單獨給出狀態(tài)估計值的預(yù)測方式就會略顯武斷，能夠為制定設(shè)備維護(hù)決策提供的信息有限，而若能以概率分布的形式給出對未來時刻系統(tǒng)狀態(tài)的預(yù)測則更容易讓人接受。然而目前主流的大部分預(yù)測方法，諸如序貫神經(jīng)網(wǎng)絡(luò)、時序模型等預(yù)測手段，往往無法給出預(yù)測結(jié)果的概率分布，或者其預(yù)測區(qū)間計算物理意義不明確。

對此，提出一種基于跟蹤粒子濾波的故障預(yù)測方法，其同樣采用迭代外推預(yù)測手段，在保持預(yù)測準(zhǔn)確度的基礎(chǔ)上，引入了預(yù)測結(jié)果的概率密度分布形式，在FXQ故障預(yù)測中具有更好的應(yīng)用價值和物理意義。

基于跟蹤粒子濾波的故障預(yù)報模型流程如圖6所示。

圖5 基于自組織映射網(wǎng)絡(luò)（SOM）的自適應(yīng)性能評估算法流程圖

圖6 基于跟蹤粒子濾波的故障預(yù)測方法流程圖

2.4.2 基于案例相似度的故障預(yù)報模型

對于整彈電氣系統(tǒng)測試數(shù)據(jù)的預(yù)測是以系統(tǒng)的特征作為預(yù)測模型的輸入，預(yù)測模型直接輸出剩余壽命的預(yù)測結(jié)果，這類方法不需要提前定義失效準(zhǔn)則。特征層的預(yù)測方法直接建立特征和剩余壽命的映射關(guān)系，主要包括神經(jīng)網(wǎng)絡(luò)方法和基于案例的學(xué)習(xí)（IBL）的方法等等。本文擬采取IBL/CBR中的基于相似性的預(yù)測方法進(jìn)行的故障預(yù)測。

基于相似性的預(yù)測方法是一種專門為工程系統(tǒng)壽命預(yù)測設(shè)計的非參數(shù)方法。該方法，首先從歷史訓(xùn)練樣本中提取大量的退化軌跡，歷史樣本的失效時間是已知的，數(shù)據(jù)是全壽命的（但初始退化狀態(tài)未知），然后將退化軌跡組合在一起形成退化軌跡矩陣；對于待預(yù)測樣本，通過計算它和字典中每一退化軌跡的極小距離[距離定義的方式有很多種，擬采用極小加權(quán)歐式距離（minimal weighted Euclidean distances）或者其和梯度的組合等等]來比較它和矩陣中每一退化軌跡的相似性（距離測度）；接下來，計算當(dāng)前測試樣本在每一退化模型（局部模型）中的剩余使用壽命；最后，最終的RUL將由融合多個局部退化模型的RUL預(yù)測結(jié)果得到，如圖7所示。

圖7 基于案例相似性方法的剩余壽命預(yù)測流程圖

3 硬件支撐實現(xiàn)研究

LXI是基于以太網(wǎng)的一種新型測試總線，它的優(yōu)點在于方便連接，易于實現(xiàn)遠(yuǎn)程控制，且費用和成本都低于VXI、PXI和GPIB?；贚XI平臺搭建測試系統(tǒng)，包括機(jī)架式服務(wù)器、開關(guān)和數(shù)據(jù)采集平臺、多路復(fù)用模塊、數(shù)字IO模塊、矩陣開關(guān)模塊、時序測量模塊、數(shù)據(jù)輸入輸出接口模塊、數(shù)據(jù)輸出接口。

數(shù)據(jù)輸入輸出接口模塊提供健康評估與性能預(yù)測軟件與其他系統(tǒng)與軟件的統(tǒng)一接口，以規(guī)定的數(shù)據(jù)接口完成數(shù)據(jù)傳輸，實現(xiàn)原始數(shù)據(jù)的讀取與分析結(jié)果的輸出共享。與數(shù)據(jù)分析判讀軟件之間的數(shù)據(jù)接口，完成整彈各層級、各測試場景、各次任務(wù)的判讀測試數(shù)據(jù)、判讀判據(jù)與判讀結(jié)果的讀取與調(diào)用，提供給健康狀態(tài)評估及性能預(yù)測軟件的性能評估、評估總覽等模塊，支持后續(xù)健康評估與性能預(yù)示等算法實現(xiàn)與軟件功能實現(xiàn)。與TDM（test data managerment）系統(tǒng)之間的數(shù)據(jù)接口，完成系統(tǒng)數(shù)據(jù)庫內(nèi)原始測試數(shù)據(jù)的讀取與調(diào)用，提供數(shù)據(jù)判讀軟件中未覆蓋到而本系統(tǒng)需要調(diào)用的數(shù)據(jù)，支持后續(xù)健康評估與性能預(yù)示等算法實現(xiàn)與軟件功能實現(xiàn)。

數(shù)據(jù)輸出接口，具備向其他系統(tǒng)提供分析結(jié)果的能力。軟件系統(tǒng)的分析結(jié)果，包括構(gòu)建得到的健康基線、關(guān)鍵參數(shù)級健康評估結(jié)果、核心單機(jī)級健康評估結(jié)果、系統(tǒng)級健康評估結(jié)果、整彈級健康評估結(jié)果；以及各級別參數(shù)與健康度趨勢預(yù)測結(jié)果和核心單機(jī)級、場景級、整彈級等結(jié)構(gòu)指標(biāo)構(gòu)建結(jié)果，統(tǒng)一由數(shù)據(jù)輸出接口完成向外部軟件的傳輸。

4 結(jié)束語

本文提出的導(dǎo)彈健康評估與故障預(yù)測的關(guān)鍵方法，包括架構(gòu)設(shè)計、指標(biāo)體系構(gòu)建算法、健康評估算法和故障預(yù)測算法，全面考慮了彈上控制系統(tǒng)與地面控制系統(tǒng)工作特點，基本能滿足導(dǎo)彈故障預(yù)測與健康管理要求，難點是彈上PHM技術(shù)應(yīng)用實現(xiàn)。未來隨著導(dǎo)彈試驗數(shù)據(jù)采集、存儲、管理等能力的持續(xù)成熟與發(fā)展，可在當(dāng)前試驗鑒定支持軟件體系下，進(jìn)一步結(jié)合統(tǒng)計閾值自適應(yīng)生成、性能健康基線模型、時序深度模型等先進(jìn)算法技術(shù)，實現(xiàn)更加自適應(yīng)的指標(biāo)體系管理，以及更加精確、自主、智能的導(dǎo)彈狀態(tài)評估與故障預(yù)測。