基于貝葉斯網絡的火箭發動機失效預警

盧明章，宋永軍，趙海軍

(中國人民解放軍91049部隊，山東 青島 266102)

0 引言

固體火箭發動機是導彈的重要組成部分，也是貯存過程中最容易發生問題的部位[1]。在長時間服役的情況下，裝備各部件的可靠性面臨嚴峻的考驗，分析發動機在貯存過程中的失效規律，對其剩余壽命進行準確的評估至關重要[2]。火箭發動機的失效預警是當前研究的熱點，國內外學者在發動機可靠性、零部件失效判定等方面取得了很多研究成果[3-5]，不過尚缺乏一種能系統性地對火箭發動機失效風險實施預警的方法。

貝葉斯網絡(Bayesian-net)是一種將因果知識和概率知識相結合的信息表示框架，它主要由2部分構成：網絡結構和條件概率表，貝葉斯網絡已經成為不確定知識表達和推理領域最有效的理論模型之一[6-8]。在小子樣條件下，火箭發動機各部件的失效概率存在許多不確定信息，可以用條件概率把各種相關信息納入到同一個貝葉斯網絡，貼切地反映各種要素之間的因果關系和條件相關關系，并利用貝葉斯規則在網絡中進行正向或逆向推理，從而得出發動機部件的失效風險概率，實現對火箭發動機失效的有效預警。

1 火箭發動機失效預警建模

貝葉斯網絡構建任務分為網絡結構的構建和概率獲取[9-10]。利用故障樹中火箭發動機的結構和零部件失效模式以及零部件之間的故障關系建立貝葉斯網絡結構，并借助零部件失效風險以及零部件之間的相關影響，確定貝葉斯網絡節點概率[11]。

1.1 節點選擇和貝葉斯網絡的構建

火箭發動機失效預警貝葉斯網絡中失效風險節點的選擇要考慮裝備超期服役的現狀，遵循科學性、代表性的節點選取原則，保證失效預警的有效性。

根據火箭發動機的基本構造，可以給出整個發動機失效預警的貝葉斯網絡結構，如圖1所示。其中，初始節點為失效風險誘因節點，即影響發動機或部件失效的零部件失效，它是發動機失效直接的風險源；次層節點為失效風險指標節點，即發動機部件的失效；終端節點為發動機的全面失效。

1.2 網絡節點設置和賦值

在對節點進行設置過程中，要根據不同節點的性質，設置不同的風險狀態。通常根據危險嚴重性和危險可能性(分別由危險響應試驗和破壞試驗確定)來綜合評估固體火箭發動機的風險等級，GJBz20296-95中，將危險可能性分為5個等級：A(頻繁)、B(很可能)、C(有時)、D(極少)和E(不可能)[2]。在此，發動機全面失效、燃燒室殼體、噴管以及點火裝置等關鍵節點的風險狀態分為5種：非常高(VH)、高(H)、中等(M)、低(L)和非常低(VL)；為了簡化模型，對于初始節點與過渡節點，如點火藥失效等節點的風險狀態分為3種：高(H)、中(M)和低(L)。

由于歷史故障數據和失效試驗次數很少，火箭發動機失效屬于小子樣事件，論文主要通過主觀判斷以及向裝備管理保障方面的專家征詢意見后，采用專家評分法[12]為各節點賦予一個相對主觀的先驗概率值(如表1，表2所示)，并給出節點之間的條件概率和聯合概率。

圖1 火箭發動機失效預警貝葉斯網絡Fig.1 Bayesian-net of failure pre-warning of rocket motor

表1 五狀態節點相應狀態下的先驗概率Table 1 Prior probability of nodes which have 5 states

部件節點名失效風險的先驗概率/%非常高(VH)高(H)中等(M)低(L)非常低(VL)燃燒室殼體RanKe5.221.512.220.640.5噴管PenGuan6.32.74.946.539.6點火裝置DianHuo11.225.3929.824.7發動機全面失效FaDongJi152182828

根據火箭發動機失效預警網絡中的故障傳播條件概率，利用NETICA軟件，可以給出完整的發動機失效預警的網絡拓撲(限于篇幅，文中沒有給出具體的條件概率和聯合概率表)，如圖2所示。

表2 三狀態節點相應狀態下的先驗概率Table 2 Prior probability of nodes which have 3 states

圖2 失效風險先驗概率Fig.2 Prior probability of failure risk

2 貝葉斯網絡推理

構建火箭發動機失效風險貝葉斯網絡之后，就可以利用其進行推理計算。既可以根據觀測到的發動機零部件失效事件或失效概率的變化，修正貝葉斯網絡中相應的風險誘因節點的先驗概率值，根據條件概率和聯合概率，觀察其他節點的失效概率變化，分析失效節點對其他節點的影響；也可以在有證據情況下，通過調整終端節點的先驗概率賦值，根據其他節點的變化，分析各影響因素的狀態。

2.1 貝葉斯正推理

在已知零部件失效或失效風險增大的情況下，對發動機失效風險貝葉斯網絡進行正向推理，能夠分析各零部件失效風險對發動機的影響程度。例如由于推進劑老化，襯層與推進劑之間發生脫粘，導致襯層的失效風險增大，網絡中襯層節點的先驗概率由1%，2%，97%變化為80%，15%，5%，則推進劑藥柱失效風險為“高”的概率變為

Prob(YaoZhu="H")=

∑(Prob(YaoZhu="H")|ChenCeng)*

(Prob(ChenCeng="H","M"or"L"))=72.6%.

(1)

改變貝葉斯網絡中襯層節點的失效先驗概率，如圖3所示，經過推理計算，可得到其他相關節點的失效概率變化。

圖3 貝葉斯正推理結果Fig.3 Result of Bayesian reasoning

從圖3中可以看出，襯層的失效風險增大會導致推進劑藥柱失效風險增大，進而影響到發動機的全面失效風險。

2.2 貝葉斯證據網絡推理

發動機失效預警網絡也可以進行證據網絡推理，以判斷各種影響因素對全面失效風險的影響程度，以利于保障人員對發動機失效關鍵誘因重點控制，將發動機失效風險降低到最低水平。以發動機全面失效風險概率增大為例，在全面失效節點5種狀態VH，H，M，L，VL的概率由15%，21%，8%，28%，28%變化為75%，13%，7%，3%，2%后，經過逆推理，燃燒室殼體、噴管、點火裝置以及推進劑藥柱、裝藥支撐裝置等部件的失效概率如圖4所示。

圖4 證據網絡推理結果Fig.4 Result of evidence network reasoning

從圖4中可以看出，點火裝置和推進劑藥柱的失效風險為“非常高”的概率分別由11.2%和8.3%上升為78.6%和83.1%，明顯高出燃燒室殼體、噴管、和裝藥支撐裝置等部件的失效概率變化。可以得出結論，點火裝置和推進劑藥柱是發動機失效的主要誘因，應作為平時保障管理的重點對待，及時消除失效隱患。

3 結束語

復雜裝備的故障特性與其結構、性能有著本質的關聯，論文將貝葉斯網絡應用于火箭發動機失效預警，將各類零部件風險誘因對發動機整體的影響納入到具有因果關聯的網絡結構中，在對各級節點賦值的基礎上，基于貝葉斯推理得出了各類指標的影響程度。模型推理結果表明，借助裝備結構關系構建的貝葉斯網絡更貼合其故障關聯性和傳播路徑，可以較好地實現失效預警。

對固體火箭發動機的失效風險進行預警以便能夠及時采取措施化解風險，是提高導彈貯存可靠性的有效途徑，可為保障人員提供參考，提高裝備的管理和保障能力。

參考文獻：

[1] 常新龍, 孫兵曉, 馬章海, 等. 固體發動機失效模式分析及貯存可靠性評價指標體系研究[J]. 質量與可靠性, 2008(5): 24-27.

CHANG Xin-long, SUN Bing-xiao, MA Zhang-hai, et al. Study on Failure Mode and Storage Reliability Evaluation Index System of Solid Motor[J]. Quality and Reliability, 2008(5): 24-27.

[2] 邢耀國, 董可海, 沈偉, 等. 固體火箭發動機使用工程[M]. 北京: 國防工業出版社, 2010.

XING Yao-guo,DONG Ke-hai,SHEN Wei,et al.Application Engineering for Solid Rocket Motor[M].Beijing:National Defense Industry Press,2010.

[3] WU Y T, MILLWATER H R， CRUSE T A. Advanced Probabilistic Analysis Method for Implicit Performance Functions[R]. AIAA，1990, 28(9): 1663-1669.

[4] KNAUSS W G. Fracture and Failure at and Near Interfaces under Pressure[R]. AD-A348939, 1998.

[5] 邢耀國, 李高春, 王玉峰, 等. 固體火箭發動機狀態監測和失效判定技術的發展和展望[J]. 海軍航空工程學院學報, 2006, 21(5): 552-556.

XING Yao-guo, LI Gao-chun, WANG Yu-feng, et al. Progress and Prospect in Technology of Monitoring and Testing for Health and Failure Determination in Solid Rocket Motor[J]. Journal of Naval Aeronautical Engineering Institute, 2006, 21(5): 552-556.

[6] Helge Langseth, Luigi Portinale. Bayesian Networks in Reliability[J]. Reliability Engineering and System Safety, 2007, 92(1):92-108.

[7] 李曼, 馮新喜. 基于貝葉斯網絡的威脅識別[J]. 現代防御技術, 2009, 37(5): 10-13.

LI Man, FENG Xin-xi. Threat Identification Based on Bayesian Networks[J]. Modern Defence Technology, 2009, 37(5): 10-13.

[8] HARTFORD, BAECHER. Risk and Uncertainty in Dam Safety[M].Bodmin: Thomas Telford, 2004.

[9] COWELL R G, VERRALL R J，YOON Y K. Modeling Operational Risk with Bayesian Networks[J]. Journal of Risk and Insurance, 2007, 74(4): 795-827.

[10] BONAFEDE C E, GIUDICI P. Bayesian Networks for Enterprise Risk Assessment[J]. Physica A: Statistical Mechanics and Its Applications, 2007(1): 22-28.

[11] 陸靜, 王捷. 基于貝葉斯網絡的商業銀行全面風險預警系統[J]. 系統工程理論與實踐, 2012, 32(2): 225-235.

LU Jing, WANG Jie. Enterprise Risk Pre-Warning System of Commercial Banks Based on Bayesian Networks[J]. Systems Engineering Theory & Practice, 2012, 32(2): 225-235.

[12] 胡保朝, 楊亦材, 謝蔚民. 固體發動機失效樹專家評分法[J]. 固體火箭技術, 1993(3): 37-43.

HU Bao-chao, YANG Yi-cai，XIE Wei-min. Fault Tree Expert Evaluation Method of Solid Motor[J]. Journal of Solid Rocket Technology, 1993(3): 37-43.