飛機復合材料構件健康預測與管理綜述*1

?

飛機復合材料構件健康預測與管理綜述*1

朱兵，董恩生，孫超，徐偉

(空軍航空大學，吉林 長春130022)

摘要：先進復合材料具有比模量高、耐高溫、耐疲勞等優點，在現代飛機上的用量越來越大。隨著飛機服役年限的增加，復合材料構件會產生裂紋、內部分層等損傷。而對于復合材料構件異常的漏判往往會造成機毀人亡的災難性后果。健康預測與管理技術能夠實現對飛機復合材料的狀態進行實時監測，及時發現復合材料的異常，實現視情維修，進而保證飛行安全。闡述了健康預測與管理技術中幾種常用的傳感器技術及健康預測方法，并比較它們的優缺點，以及應用條件，為今后更方便地進行研究打下基礎。

關鍵詞：復合材料；損傷；實時監測；視情維修；健康預測與管理技術；傳感器

0引言

隨著科學技術的不斷發展，具有比模量高、耐高溫、耐疲勞等優點的先進復合材料在先進飛機上(機翼、尾翼、燃料箱、設備艙等)的用量越來越大。例如，在軍用飛機上，瑞典研制的JAS-39獅鷹戰斗機，復合材料占機身結構質量的30%；美國研制的V-22魚鷹式傾轉旋翼機，復合材料占機身結構質量的45%；美國研制的F-22，復合材料占機身結構質量的26%；歐洲四國研制的超聲速戰機EF-2000，復合材料占機身結構質量的43%；美國研制的輕型偵察攻擊直升機RAH-66，復合材料用量達機身結構質量的51%；A400M軍用運輸機的復合材料用量達到全機質量的30%[1-2]。在民用飛機上，波音公司研制的B777飛機，其復合材料占結構質量的11%；波音B787飛機，復合材料占結構質量的50%；空客公司研制的A380，復合材料占結構質量的22%[3]。隨著服役年限的不斷增加，復合材料構件會產生裂紋、內部分層等損傷，會影響飛行安全。傳統的故障診斷是在故障發生后才去找出故障的部位，這樣就會造成人力、物力、財力等不必要的損失和浪費。國外的一項統計表明，飛機生命周期平均花費的27%都用在定期的維護上。由于材料的各向異性、纖維的導電性以及模型的絕緣性，使得復合材料維護和修理要比金屬材料更具挑戰性[4]。所以對復合材料的健康狀態進行有效監測及預測顯得至關重要。因此，必須對復合材料的異常或損傷進行有效預防來保證飛機的整體安全[5]。健康預測與管理(prognostic and health management，PHM)技術能夠實現對飛機復合材料構件的狀態進行實時監測和預報，及時發現異常，保證飛行安全，降低飛機復合材料部件的維修和使用費用。

1健康預測與管理技術的國內外研究現狀

健康預測與管理技術成為國內外研究的熱點。澳大利亞的國防科學與技術組織(defence science and technology organisation，DSTO)的L. Molent等首次運用結冰-達格代爾模型給出了飛機構件裂縫深度的對數與飛機實際服役年限的線性關系，并由此確定帶有裂縫的飛機構件有效剩余壽命或者適當的維護期限，該方法已經被廣泛地用于服役飛機金屬構件的裂縫檢測及其有效剩余壽命的監測[6]；美國學者Jack Edmonds,Gail A. Hickman等論證了將一組壓電傳感器陣列附在V-22魚鷹直升機的復合材料結構部件上用于敏感和驅動，并對復合材料結構部件的振動響應進行統計學分析，用來探測、評估復合材料結構的損傷[7]；美國公司Comp Air commissioned Chandler Monitoring Systems Inc(CMS)的K. Chandler等基于安裝在飛行器上的一組光纖Bragg光柵傳感器陣列和詢問系統，設計和開發了一個新穎的對復合材料構件健康狀態監測系統和火災探測系統，能實現對復合材料健康狀態的有效預測，該系統是飛機復合材料構件的第1套光學監控系統[8]。國內也有多家大學和研究機構開展健康預測與管理技術研究，重慶郵電大學的黃大榮等基于卡爾曼濾波原理和專家系統知識提出了一種混合預測方法，能夠較好地解決故障先兆知識獲取困難的問題，實現故障預測的在線實時控制，有效預防系統故障發生[9]；中國民航大學的張天剛等將基于貝葉斯框架下的LS-SVM(least squares support vector machine)回歸模型用于液壓系統的健康預測，并給出了模型的選擇算法，取得了較好的預測效果[10]；沈陽飛機研究所崔建國等將混沌理論與聲發射技術結合起來，使用小波分析對采集的聲發射信號進行去噪，使用混沌理論提取關聯維數，并用神經網絡進行健康預測，很好地預測了飛機水平尾翼的健康狀態[11]。可見，國外對PHM技術早已應用到實際問題的處理之中；國內大都處于理論研究階段，投入實際應用很少。

2健康預測與管理技術中應用的傳感器類型

傳感器，是將感受到的物理量、化學量、生物量等信息，按照一定的規律，轉換成便于測量和傳輸的信號的裝置。傳感器能夠敏感環境、電氣、機械和電子等參量，能將被測的非電量轉換成電信號，是健康預測與管理系統結構中的重要組成部分[12]。隨著傳感器技術的發展，傳感器在飛機復合材料構件的健康監測中發揮著越來越重要的作用。常用的傳感器如下：

2.1光纖傳感器

光纖傳感器能將來自光源的光送入調制器，使待測參數與進入調制區的光相互作用后，導致光的光學性質(如光的強度、波長、頻率等)發生變化，被調制的光經過光纖送入光探測器，經解調后，獲得被測參數。由于光纖具有質量輕、柔韌性好、直徑小等優點，光纖傳感器在測量過程中可實現普通光電傳感器無法到達的區域[13]。

2.2超聲波傳感器

超聲波傳感可以被應用于主動和被動模式，因此在傳感技術領域獲得相當大的關注。對材料中傳輸的超聲波信號進行分析作為傳統的無損檢測方法，長期以來被用于檢測和評估飛機上復合材料構件損傷。然而，這種方法利用超聲波傳播掃描結構部件，逐點對材料性能或損傷位置進行表述，并不是連續的，也不能用于機載。因此，斯坦福大學在對多執行器接收機傳導(multi-actuator receiver transduction，MART)層進行研究時，使用嵌入式的超聲波傳感器陣列，使傳感器建立起發射—接收的連接關系，用于評估構件的損傷，取得了很好的效果[14]。超聲波傳感器技術在構件健康監測中的研究主要包括：①小型化、堅固耐用、可嵌入式傳感器；②優化傳感器的布局，使其能夠檢測結構部件的全部損傷特性，而不僅僅是超聲波傳播路徑上的損傷；③對附著在或嵌入在航空器薄壁結構上的傳感器發生的超聲波導波建立傳輸模型。

2.3壓電傳感器

壓電傳感器的基本原理是壓電材料的壓電效應，它能實現機械能與電能之間的相互轉換，被用來測量力和壓力、位移、加速度等與力有關的參數[13]。壓電傳感器具有質量輕，能耗小，能感應很小的張力及很小的加速度等優點，可以被用于飛機構件的健康預測與管理系統中。

使用壓電材料的傳感器最大的好處是，只簡單地改變激勵信號的時域范圍，就可廣泛地將其應用在不同類型的損傷探測技術中。另外，張力監控技術和聲發射技術通過壓電傳感器在沒有激勵源的情況下也能進行損傷探測[15]。

上述幾種傳感器技術，其傳感器都需要安裝或附著在飛機上，這或多或少地會增加飛機質量，影響飛機的空氣動力性能。

2.4同面多電極電容傳感器

同面多電極電容傳感器能將被測物理量的變化轉換為電容量的變化[16]。一對電極結構是同面多電極電容傳感器的基本組成單元，由發射電極、接收電極、屏蔽電極和絕緣層構成，見圖1。

圖1　同面兩電極電容傳感器的結構示意圖Fig.1　Schematic with two surface electrode　　　capacitance sensors

基本原理：同面電極的上方為敏感區域，傳感器的電場線深度即為檢測深度。工作時，將兩個電極接到檢測電路中，當復合材料內部出現分層、裂紋等損傷時，損傷部位的等效介電常數將會發生變化，從而引起電容值發生變化。通過測得電容值就可以得到檢測部位的損傷情況[17]。

同面多電極電容傳感器具有靈敏度高、結構簡單、成本低、體積小、性能優良和能在惡劣環境中工作等優點，故將其用于復合材料構件的健康預測與管理系統中，可以在不增加飛機整體質量及不影響飛機空氣動力性能的條件下，完成復合材料健康預測與管理過程中的數據獲取。

3健康預測與管理技術常用方法

健康預測，通過對被預測構件的未來發展趨勢、方向及可能的狀態建立預測模型，基于模型做出科學合理的預測和推斷。健康管理，通過將數據采集和信號處理系統，健康評估與預測系統以及地面維護保障系統集成一個綜合的系統進行統一管理，從而實現健康監測、預測以及后勤維護決策的高度智能化與自動化[18]。飛機構件的PHM系統的結構示意圖如圖2所示。

由圖2可知，PHM就是在診斷的基礎上增加了健康預測和健康信息融合。而健康預測是根據被預測對象未來的運行趨勢和目前的健康狀態，估計其未來的健康狀態以及剩余壽命，它是PHM系統的關鍵部分。

按照工程應用及研究的主流，健康預測技術主要可以分為4類[19-20]：①基于統計模型的預測技術；②基于數學的預測技術；③智能預測技術；④綜合預測技術。如圖3所示。

3.1基于統計模型的預測技術

幅值很小的故障特征很難被識別出來，但是隨著時間的推移，故障特征幅值會逐漸增大。基于統計模型的預測， 是通過對觀測到的歷史數據作出模型假設，然后對模型參數進行估計得到相應的預測值的預測方法。這種預測方法的缺點是當模型假設與實際偏差較大時，預測效果就會很差。它包括時間序列預測法、回歸分析預測法、濾波器預測法等。

3.1.1時間序列預測法

時間序列預測是根據觀測數據的特點為數據建立合理的統計模型，利用模型的統計特性得到數據統計規律，以達到預測目的。隨機時間序列有自回歸模型(autoregressive model,AR)、滑動平均模型(moving average model,MA)和自回歸滑動平均模型(antoregressive moving average model,ARMA)3種模型。電子科技大學的洪濤應用自回歸滑動平均模型(ARMA)對某型液體火箭發動機氧化劑壓力進行預測，進而判斷發動機工作時是否存在故障趨勢，從而對其進行控制[21]。時間序列預測能夠根據產生該序列的系統的歷史行為，較精確地找出相應系統的內在統計和發展規律。但是，該方法的前提是數據序列是平穩的且可以由歷史數據線性表示。否則，預測效果將會變差。

3.1.2回歸分析預測法

回歸分析預測按自變量的個數分為一元回歸預測和多元回歸預測，是通過分析被預測對象中的自變量和因變量的相關關系，建立回歸方程，并將回歸方程作為預測模型，根據自變量的變化來預測因變量。該方法的優點是，如果能將影響健康預測對象的主要因素找到，且能夠獲取其數據資料，就能用該方法進行預測。中國林業科學研究院木材工業研究所的楊忠等，應用近紅外光譜與多變量回歸分析方法相結合，對校正集樣本建立判別模型，有效地檢測出木材的生物腐朽情況，并對生物腐朽的類型進行準確判別[22]。對于飛機復合材料構件，將其內部分層、裂紋等因素作為自變量，健康狀態或損傷狀態作為因變量，建立回歸方程模型，也可以用來對復合材料構件進行健康預測。但是，當找不到影響健康預測的主要因素及其數據資料時，回歸分析就不再適用。

3.1.3濾波器預測法

濾波器預測是通過對系統狀態估計誤差的極小化得到遞推估計的方程組，同時得到了系統的預報方程，故可以對系統進行運動或狀態預測[9]。但是，濾波器模型的不準確，會導致估計值發生很大偏差。

3.2基于數學的預測技術

在實際的健康預測和分析過程中，常常會遇到大量經典集合理論所不能解決的邊界不清的模糊性問題，以及預測過程自身的不確定、不精確和噪聲所帶來的困難。這個時候，就需要應用精確的數學方法來解決問題。目前，基于數學的預測技術主要包括：基于模糊理論的預測技術、灰色理論預測法等。

3.2.1基于模糊理論的預測技術

圖2　被預測對象的PHM系統示意圖Fig.2　PHM predicted target system diagram

圖3　健康預測方法的分類Fig.3　Categories health prediction methods

基于模糊理論的預測是在模糊變換原理和最大隸屬度原則的基礎上，根據故障的原因與征兆之間不同程度的隸屬關系，綜合考慮所有征兆的基礎上，對發生故障可能的原因進行判斷和預測。但是，在模糊預測中，由于知識庫是靜態的，使得健康預測系統的數據表達沒有時間參數，所以該方法不適用于動態系統的健康預測。

3.2.2灰色理論預測法

在實際工程應用中，往往很難得到被預測對象的全部有用信息，針對少數據、貧信息不確定性問題，鄧聚龍教授于1982年提出了灰色理論。灰色理論預測是對系統行為建立灰色G(h，n)(h表示階數，n表示變量個數)模型，進行各變量動態關聯分析，實現系統行為的預測。目前，GM(1，1)是最廣泛的灰色模型。重慶大學測試中心的陳慶斌等，利用灰色模型GM(1，1)對空壓機的軸向止推軸承磨損量進行預測，具有很高的預測精度，取得了很好的預測效果[23]。但是，發展系數(數據序列的增長速度)的增加，會導致預測誤差的迅速增大。當發展系數過大時，灰色模型的預測精度會變得很低。飛機在飛行過程中，影響其復合材料構件健康狀況的因素往往有很多，且各個因素所包含的信息之間的關系往往難以確定。理論上，可以將灰色預測理論引入到對飛機復合材料健康信息發展趨勢的預測研究中。

3.3智能預測技術

智能預測技術主要應用在很難得到被預測對象精確的數學模型的情況下。因此，它比依賴于參數模型的預測具有更廣泛的應用范圍。但是智能預測技術在知識量很大時，將會出現推理復雜、無窮遞歸和組合爆炸等問題[24-25]。目前，常用的智能預測方法主要有：基于神經網絡、支持向量機、專家經驗等預測方法。

3.3.1基于神經網絡預測法

神經網絡是由大量模仿人類腦細胞的處理單元組成的非線性、大規模、自適應并具有學習、記憶和并行計算等功能的網絡系統，它能在不同程度上模仿大腦神經系統處理、儲存和查找信息，將其應用到故障診斷、狀態監測以及健康預測中具有很好的效果。其中，利用最速下降算法的BP(back-propagation)神經網絡是應用最為成功的一種[26]。英國劍橋傳感器和通信電子部門的Peter T. Kazlas等，基于BP神經網絡算法實現了對直升機變速箱健康監測[27]；美國智能自動化公司的Tom Brotherton和Tom Johnson基于BP神經網絡算法實現了對先進戰機液壓系統和輔助電源機構的健康監測[28]。但是，BP神經網絡算法存在過于依賴經驗、對樣本的先驗知識、數據量需求很大以及模型建立不準確時預測精度低等固有缺點。由于模糊理論能解決不確定性邊界問題等優點，所以，理論上可以將模糊理論與神經網絡相結合用于對處于復雜、不確定環境中的飛機復合材料構件的健康預測研究。

3.3.2基于支持向量機預測法

支持向量機，是在統計學習理論和結構風險最小化的基礎上，從小樣本出發的機器學習方法。由于它具有學習結構簡單、泛化能力高、唯一最優解及適合高維數據處理等優點，將其應用于裝備的故障模式識別和狀態監測中具有很廣闊的前景[29]。廣西民族大學的農吉夫將支持向量機與主成分分析相結合，對區域降水變化進行了有效地預測[30]；華北電力大學的宋曉華等，將蛙跳算法引入到支持向量機中，對我國能源消費總量進行了預測，取得了良好的效果[31]。由于向量機模型核函數的參數及懲罰系數是影響模型的性能主要因素，故核函數選取不當也會降低預測精度。在實際的生產、使用過程中，不易獲得完備的飛機復合材料購件故障樣本數據信息，相比而言，小樣本數據非常容易獲得。所以，在小樣本的條件下，支持向量機理論上可用于飛機復合材料構件健康預測與管理的研究中。

3.3.3基于專家經驗預測法

專家經驗預測是將人類對某個對象的故障診斷和健康預測方面多位專家的知識、經驗、推理方法等綜合后編制成計算機程序，它對裝備過去和現在的情況進行檢測和分析，根據計算機的推理為決策者提供決策建議。防空兵指揮學院的徐鳳建等，在專家系統理論的基礎上，利用知識推理，給出了雷達裝備故障預測專家系統的建造步驟、系統功能、工作過程以及運行結果的知識表示，為雷達裝備的故障預測提供了一個可行的方法[32]。但是，由于裝備在制造、裝配、安裝上的差異和工作條件上的差別，使得故障模式不盡相同，從而使得數據更新和獲取變得復雜和困難。知識獲取困難和知識庫更新能力差是專家系統預測的主要缺點。

3.4綜合預測技術

飛機構件所處的外部環境往往是復雜且迅速變化的，這樣就會導致健康預測的不確定性因素大幅度增加。此時，利用傳統的單個模型進行預測會造成信息來源范圍小，以及單一預測模型的選擇對預測結果過于敏感等缺陷。所以，采用單個預測模型常常不能得到理想的預測結果。為了提高預測的準確性，將不同的預測模型組合起來，再結合不同的傳感器獲取特征信息，最后將不確定信息融合進行預測。

東北大學的易平濤等在單項預測法的基礎上，提出了基于密度算子的組合預測，進一步提高了預測結果的準確性[33]。

綜合預測方法雖然能夠克服單個預測模型在復雜、迅速變化的環境中不適用的缺點，但是它也有一些不足。對于組合預測，其整體預測精度取決于單項預測精度及權重，而權重選擇不合理仍會造成預測結果的不準確。對于多傳感器融合，其系統建模的方法還不完善。對于證據理論預測，推理步驟繁多會使D-S證據預測的工作量變得很大[34]。

基于健康預測與管理技術，飛機復合材料構件健康預測與管理的一般方法如圖4所示。

圖4　飛機復合材料構件健康預測與管理的一般方法Fig.4　General method for aircraft composite structures prediction and management of health

4結束語

先進復合材料在現代飛機上的用量越來越多，采用健康預測與管理技術對復合材料構件的健康狀態進行預測，能在構件出現裂紋、內部分層等損傷時，及時確定故障部位。本文闡述了幾種健康預測的技術和傳感器技術，它們在國內外不同領域均獲得了良好的應用。例如，在國外，美國公司CMS將傳感器技術與預測技術結合起來，設計和開發了一個新穎的復合材料健康監測系統；在國內，防空兵指揮學院的徐鳳建等，利用專家知識，為雷達故障預測提供了一個可行的方法等。預測技術可以實現對構件的健康狀態的監測和剩余壽命的預測，同樣將其應用于復合材料構件健康狀態和剩余強度的預測也是可行的。

參考文獻：

[1]沈軍,謝懷勤.先進復合材料在航空航天領域的研發與應用[J].材料科學與工藝,2008,17(5):737-740 .

SHEN Jun,XIE Huai-qin. Constitutive Relationship Development and Application of Advanced Composite Materials in the Aerospace[J].Materials Science and Technology, 2008,17(5):737-740.

[2]陳吉平,蘇佳智,鄭義珠,等.復合材料在A400M軍用運輸機上的應用[J].航空制造技術,2013,56(15):82-85.

CHEN Ji-ping, SU Jia-zhi, ZHENG Yi-zhu,et al.Composite Materials on the A400M Military Transport Aircraft Applications[J]. Aeronautical Manufacturing Technology,2013,56(15):82-85.

[3]汪萍.復合材料在大型民用飛機中的應用[J]. 民用飛機設計與研究,2008(3):11-15.

WANG Ping.Application of Composite Materials in Large Civil Aircraft[J].Civil Aircraft Design and Research,2008(3):11-15.

[4]HALL S R,CONQUEST T J.The Total Data Integrity Initiative—Structural Health Monitoring, the Next Generation[C]∥Proceedings of the USAF ASIP，1999,2.

[5]NAKAMURA N,OGISU T,YONEDA H, et al. Impact Monitoring of the Aircraft Composite Structure Using FBG Sensor/PZT Actuator Hybrid Sensor System[C]∥The 14th International Symposium on: Smart Structures and Materials & Nondestructive Evaluation and Health Monitoring. International Society for Optics and Photonics,2007: 65270B-65270B-8.

[6]MOLENT L, SINGH R, WOOLSEY J. A Method for Evaluation of in-Service Fatigue Cracks[J]. Engineering Failure Analysis,2005, 12(1): 13-24.

[7]EDMONDS J, HICKMAN G. Damage Detection and Identification in Composite Aircraft Components[C]∥Aerospace Conference Proceedings, 2000 IEEE,2000,6:263-269.

[8]CHANDLER K, FERGUSON S, GRAVER T, et al. On-line Structural Health and Fire Monitoring of a Composite Personal Aircraft Using an FBG Sensing System[C]∥The 15th International Symposium on: Smart Structures and Materials & Nondestructive Evaluation and Health Monitoring. International Society for Optics and Photonics, 2008:69330H-69330H-6.

[9]黃大榮,黃席樾,范敏,等.基于卡爾曼濾波和專家系統的混合故障預測研究[J].計算機仿真,2005,22(9):150-152.

HUANG Da-rong,HUANG Xi-yue,FAN Min,et al.Fault Prediction Based on Kalman Filtering and Hybrid Expert System[J].Computer Simulation,2005,22(9):150-152.

[10]張天剛,侯曉云.貝葉斯框架的LS-SVM回歸在民機液壓系統預測中的應用[J]. 科技導報,2013,24(14):56-60.

ZHANG Tian-gang, HOU Xiao-yun.Bayesian Framework of LS-SVM Regression in Civil Aircraft Hydraulic Systems Prediction[J].Technology Review,2013,24(14):56-60.

[11]崔建國,董世良,呂瑞,等.基于混沌理論的飛機健康預測方法[J].數據采集與處理,2009,24(3):270-274.

CUI Jian-guo, DONG Shi-liang, Lü Rui,et al.Health Prediction Method Based on Chaos Theory Aircraft[J].Data Acquisition and Processing,2009,24(3):270-274.

[12]ESPERON-MIGUEZ M, JOHN P, JENNIONS I K. A Review of Integrated Vehicle Health Management Tools for Legacy Platforms: Challenges and Opportunities[J].Progress in Aerospace Sciences, 2013(56):19-34.

[13]董永貴.傳感技術與系統[M].北京:清華大學出版社,2006.

DONG Yong-gui.Sensing Technologies and Systems[M].Beijing: Tsinghua University Press, 2006.

[14]KO J M, NI Y Q. Technology Developments in Structural Health Monitoring of Large-Scale Bridges[J].Engineering Structures, 2005, 27(12): 1715-1725.

[15]KESSLER S S, SPEARING S M. Structural Health Monitoring of Composite Materials Using Piezoelectric Sensors[R].Submitted for Publication to Materials Evaluation, Department of Aeronautics and Astronautics Massachusetts Institute of Technology, Cambridge/USA, MA, 2139.

[16]劉少剛,安進華,羅躍生,等.單一平面電容傳感器數學模型及有限元解法研究[J].哈爾濱工程大學學報,2011(1):79-84.

LIU Shao-gang, AN Jin-hua, LUO Yue-sheng, et al.Single Planar Capacitive Sensor Mathematical Model and Finite Element Method[J].Harbin Engineering University,2011(1):79-84.

[17]LEMISTRE M B, BALAGEAS D L. Health Monitoring System for Composite Material Using Electromagnetic Field Measurement[C]∥NDE For Health Monitoring and Diagnostics. International Society for Optics and Photonics,2002:272-281.

[18]BELCASTRO C M.Aviation Safety Program:Integrated Vehicle Health Management Technical Plan Summary,NASA Technology Report[R].U.S..National Aeronautics and Space Administration,2006:1-53.

[19]張金玉,張煒.裝備智能故障診斷與預測[M].北京:國防工業出版社,2013.

ZHANG Jin-yu,ZHANG Wei.Equipment Intelligent Fault Diagnosis and Prediction[M].Beijing:National Defense Industry Press,2013.

[20]彭宇,劉大同,彭喜元.故障預測與健康管理技術綜述[J].電子測量與儀器學報,2010，1(24):1-9.

PENG Yu,LIU Da-tong,PENG Xi-yuan.A Review:Prognostics and Health Management[J].Journal of Electronic Measurement and Instrument,2010.1(24):1-9.

[21]洪濤.液體火箭發動機渦輪泵實時故障檢測算法研究[D].成都：電子科技大學,2012.

HONG Tao.Liquid Rocket Engine Turbopump Real-time Fault Detection Algorithm[D].Chengdu:University of Electronic Science and Technology,2012.

[22]楊忠,黃安民,江澤慧.近紅外光譜結合回歸分析預測法判別木材的生物腐朽[J].林業科學,2012,58(10):120-124.

YANG Zhong, HUANG An-min,JIANG Ze-hui.The Near Infrared Spectroscopy Combined with Discriminant Regression Analysis to Predict the Biological Decay of Wood[J].Forestry Science,2012,58(10):120-124.

[23]陳慶斌,秦樹人.灰色預測法在機械測試中的應用[J].中國測試技術,2007,33(5):10-13.

CHEN Qing-bin, QIN Shu-ren.Application of Gray Prediction in Mechanical Tests[J].Chinese Test Technology,2007,33(5):10-13.

[24]吉奧克.專家系統:原理與編程[M].北京:機械工業出版社,2006.

Giauque.Expert System: Principle and Programming[M].Beijing: Mechanical Industry Press,2006.

[25]楊軍,馮振聲,黃考利.裝備智能故障診斷技術[M].北京:國防工業出版社,2004.

YANG Jun, FENG Zhen-sheng, HUANG kao-li.Equipment Intelligent Fault Diagnosis Technology[M].Beijing:National Defense Industry Press, 2004.

[26]QI X.The Establishment of Sorts Performance Prediction Model Based on BP Neural Network and Solution by SPSS[C]∥2nd International Conference on Management Science and Industrial Engineering (MSIE 2013).Atlantis Press,2013.

[27]KAZLAS P T, MONSEN P T, LEBLANC M J. Neural Network-Based Helicopter Gearbox Health Monitoring System[C]∥Neural Networks for Processing [1993]III.Proceedings of the 1993 IEEE-SP Workshop. IEEE,1993:431-440.

[28]BROTHERTON T, JOHNSON T. Anomaly Detection for Advanced Military Aircraft Using Neural networks[C]∥Aerospace Conference, 2001,IEEE Proceedings. IEEE, 2001,6:3113-3123.

[29]崔建國,李明,陳希成,等.基于支持向量機的飛行器健康診斷方法[J].壓電與聲光,2009,21(2):266-269.

CUI Jian-guo,LI Ming,CHEN Xi-cheng,et al.The Aircraft Health Diagnosis Based on Support Vector Machines[J].Piezoelectric and Sound and Light, 2009,21(2):266-269.

[30]農吉夫.主成分分析與支持向量機相結合的區域降水預測應用[J].數學的實踐與認識,2011,41(22):91-96.

NONG Ji-fu.Principal Component Analysis and Support Vector Machine Combined with the Regional Precipitation Forecasting Applications[J].Mathematics in Practice and Theory,2011,41(22):91-96.

[31]宋曉華,楊尚東,劉達.基于蛙跳算法的改進支持向量機預測方法及應用[J].中南大學學報：自然科學版,2011,56(9):2737-2740.

SONG Xiao-hua,YANG Shang-dong,LIU Da.Improved Support Vector Machine and Its Application Based on Leapfrog Algorithm[J].Central South University：Natural Science ed,2011,56(9):2737-2740.

[32]徐鳳建,車建國,許榮.基于知識推理的雷達裝備故障預測專家系統[J].電子產品可靠性與環境試驗,2010,49(5):29-32.

XU Feng-jian, CHE Jian-guo, XU Rong.Radar Equipment Failure Prediction Based Expert System Knowledge Reasoning[J].Electronic Product Reliability and Environmental Testing,2010,49(5):29-32.

[33]易平濤,郭亞軍,李偉偉.基于密度算子的組合預測方法[J].預測,2011,30(4):60-64.

YI Ping-tao,GUO Ya-jun,LI Wei-wei.Combination Forecasting Method Based on the Density Operator[J].Forecast,2011,30(4):60-64.

[34]ROEMER M J,NWADIOGBU E O,BLOOR G.Development of Diagnostic and Prognostic Technologies for Aerospace Health Management Applications[C]∥Aerospace Conference,2001,IEEE Proceedings. IEEE,2001,6:3139-3147.

Prognostic and Health Management in Composite Aircraft Components

ZHU Bing,DONG En-Sheng,SUN Chao,XU Wei

(Aviation University of Air Force,Jilin Changchun 130022 ,China)

Abstract:With high modulus, high temperature resistance, fatigue resistance and other advantages, more advanced composite materials are applied on the modern plane. With the increase of aircraft fleet age, composite component produces crack and internal delamination damage. Missing the presence of an anomaly could potentially be catastrophic with the loss of pilot and aircraft. Prognostic and health management technology can monitor the state of aircraft composite materials in real time to timely detect composite material abnormalities. Then maintenance can be done according to situation to ensure flight safety. Prognostic and health management technology with several kinds of commonly used sensor technologies and health prediction methods is introduced, and their advantages, disadvantages and application conditions are compared, offering a basis for further research in the future.

Key words:composite material;damage;real-time monitoring;maintenance based condition;prognostic and health management technology;sensor

中圖分類號：V25；V271

文獻標志碼：A

文章編號：1009-086X(2015)-05-0205-08

doi:10.3969/j.issn.1009-086x.2015.05.033

通信地址：130022吉林省長春市南湖大路2222號學員管理總隊11隊E-mail：zhubingtqq@163.com

作者簡介：朱兵(1992-)，男，安徽宿州人。碩士生，研究方向為異常檢測技術。

*收稿日期：2014-10-20；修回日期：2015-03-18