裝備故障預測技術現狀及發展研究

沈凡宇，周圣林

（中國人民解放軍92728部隊，上海200436）

裝備故障預測技術現狀及發展研究

沈凡宇，周圣林

（中國人民解放軍92728部隊，上海200436）

故障預測是提高復雜武器裝備可靠性及保障效率的重要手段，也是第四代戰斗機具有的顯著特征之一。重點對國內航空裝備故障預測技術現狀進行了分析研究，并結合技術發展的可行性和實用性，提出了7項關鍵技術研究方向。

故障預測；航空裝備；關鍵技術

隨著科學技術的不斷進步，現代武器裝備的性能得到大幅提升。與傳統武器裝備相比，現代武器裝備具有更加復雜的結構組成［1］，更高的自動化和信息化水平，但是一旦發生故障，其故障的檢測、隔離、維修等將變得十分復雜，極大地增加了裝備后勤保障的難度［2］。航空裝備由于工作使用環境的特殊性，其可靠性有著更高的要求。

裝備維護與保障理論和技術經歷了事后維修、計劃維修和視情維修3個階段的發展［3］。事后維修和計劃維修對災難性的故障很難預防，而且可能會引起不必要的停機，增大了維修損壞的風險［4］。此外，事后維修只能對單次故障有效，無法預知下次故障的發生。計劃維修有時候會面臨維修過度的問題，導致不必要的資源浪費。與以上兩種維修策略不同，視情維修使維修工作變被動為主動，其立足于故障機理的分析，根據不解體測試的結果，當維修對象出現潛在故障時就進行調整、維修或更換，從而避免災難性故障的發生。故障預測技術是實現視情維修的基礎，通過對武器裝備當前狀態的分析，預測未來時間內武器裝備可能出現的故障以及剩余使用壽命，從而達到視情維修的目的。

故障預測技術應用范圍廣泛，由于其在降低故障損失，提高經濟效益方面的重要作用，近年來，吸引了越來越多的關注，不斷有專家及學者投身到故障預測技術的研究中來，理論成果層出不窮。本文總結了航空裝備故障預測技術的研究現狀，并在此基礎上，結合技術發展的可行性，提出了7項關鍵技術研究方向，以促進裝備故障預測技術由理論向實際轉化。

1　裝備故障預測技術研究現狀

現有的故障預測技術種類繁多［5］，許多新理論正在不斷涌現。由于航空裝備的特殊性，其對故障預測技術有著更高的要求。近年來，國內有很多針對裝備故障預測技術的理論研究，并取得了一定的成果，主要分為以下幾個方面：

（1）基于模型的故障預測

基于模型的故障預測指采用動態模型或過程的預測方法［6］，它一般要求被預測對象系統的數學模型是已知的，通過計算功能損傷來對關鍵零部件的損耗程度進行評估，建立隨機過程模型或物理模型，實現對部件剩余壽命的預估。一般情況下，對象系統的故障特征與所用模型的參數緊密相關，初始建立模型時可選用典型系統的參數，隨著逐步深入研究系統故障演化機理，再對模型進行修正和調整，以提高預測精度［7］。

鄧小濤［1］等針對電子裝備的故障多屬于隨機的，以設備故障前工作小時作為依據，采用ARMA模型來對故障進行預測，通過對某機載雷達磁控管下一次故障有可能出現的時間進行預測，說明了只要狀態與測量選擇合適，預測的結果是比較準確的。左召軍［8］等采用時間序列分析法來預測某種航空裝備的故障率，對于時間序列的長期趨勢和周期變動采用移動平均法進行消除，然后應用月平均法對季節指數進行求解，并進行相應的調整，然后通過擬合的趨勢方程來進行故障預測，預測結論比較客觀，一定程度上降低了預測的主觀性和經驗性。朱玉斌［9］等以某型雙轉子、雙涵道混合排氣式渦輪風扇發動機為研究對象，將性能健康參數作為狀態量擴展至狀態方程，應用卡爾曼濾波器來估計狀態變量，從而估計出健康參數，然后以健康參數為基礎對發動機氣路故障進行預測。通過將某渦扇發動機數學模型作為仿真對象進行仿真，結果表明該方法能夠預測由于性能偏離導致的漸變性故障，同時卡爾曼參數估計器能在短時間內對性能退化參數和退化量進行較準確的預估。針對Weibull分布適用范圍廣、預測能力強，但是模型參數估計受人為因素影響大等情況，辛龍［10］等提出將平均中位秩和最小二乘法相綜合來對Weibull分布進行參數估計和曲線擬合，以達到提高壽命預測準確度的目的。最后以某型殲擊機航電系統中15個相同的核心部件為研究對象，結果表明該方法壽命預測準確度較高，狀態跟蹤性好。對于只能知道部分信息，維修數據為小樣本的系統，崔亞君［11］等建立灰色預測模型，同時采用后驗差法對所建模型進行檢驗，并對某型航空裝備災變故障時間進行了預測，結果表明該方法具有較高的精度，能夠預測下一次災變故障發生的時間。

基于模型的故障預測方法的優勢和弊端都很明顯。其優點是如果能夠建立被預測對象系統的精確的模型，那么該方法可以深入描述對象系統的本質，同時能夠實現實時的故障預測。相反，對于大型設備以及精密部件等而言，其系統內部組成結構復雜，很難建立精確的模型，若模型的精度不夠，則預測結果就會有很大的偏差，因此，該方法的應用具有較大的局限性。

（2）基于數據的故障預測

基于數據的故障預測技術是目前研究比較熱門，比較深入的一類故障預測方法。基于數據的故障預測技術不需要對系統的模型或經驗知識等有足夠的了解，它以采集到的系統數據為預測基礎，結合運用多種數據分析處理方法提取數據中的特征信息并進行相關的預測［12］。

鑒于馬氏距離能夠消除量綱帶來的影響，同時能夠綜合考慮到各種特性之間的聯系，在狀態類型判別方面具有一定的優勢。針對航空裝備的故障狀態類型判別問題，文獻［13］提出了一種基于馬氏距離的故障預測方法，并對相應的預測流程進行了介紹，最后將該方法應用于某型飛機火控系統的故障預測中，分別實現了在線故障預測和離線故障預測。針對傳統支持向量回歸機只反映了特征參數隨時間變化的趨勢，而沒有考慮參數間的相互關系，以及電子裝備性能特征參數間的耦合關聯等問題，文獻［14］將D-S證據理論與參數的縱向歷史狀態數據和橫向的相關參數數據相結合，設計出雜合支持向量回歸機預測算法，同時利用特征參數的時間和空間相關性來提高預測精度。最后將該方法應用于某型飛機電子對抗系統中管理控制計算機的參數預測，并與橫向和縱向支持向量回歸機進行比較，結果表明其預測精度優于橫向和縱向支持向量回歸機。

（3）基于人工神經網絡及其改進方法的故障預測

人工神經網絡是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。應用神經網絡進行故障預測，要根據系統構造適當的網絡結構，收集歷史數據作為訓練樣本并對網絡進行訓練，當精度滿足要求后進行預測。神經網絡具有很強的非線性擬合能力，能映射任何復雜的非線性關系，其魯棒性和記憶力較強，具有一定的容錯能力，而且學習規則簡單，具有強大的自學習能力。此外，神經網絡也有沒能力來解釋推理所得結果，網絡的訓練周期較長，極易陷入局部極小值等缺點。

范愛鋒［15］等根據時間序列數據對輸出預測值的貢獻隨數據的時間不同而不同，提出了基于指數衰減的神經網絡預測模型，并將該模型應用于某型雷達磁控管的故障趨勢預測。文獻［16］將灰色Verhulst模型與小波神經網絡相結合來解決小樣本故障數據在BP神經網絡訓練中的缺陷，提出了基于灰色Verhulst-小波神經網絡組合預測模型，并在某型航空設備工作電壓的故障預測中對該模型進行了驗證。文瑩［17］等應用粗糙集理論對神經元結構進行改進，將粗糙變量作為神經元的輸入，通過交叉連接方式構造粗糙神經網絡，以此來對實際設備特征參數進行預測，并將該方法應用到了某型航空電子設備的故障趨勢預測。胡雷剛［18］等應用免疫算法對神經網絡隱含層激勵函數進行改進，得到免疫神經網絡，并將該模型應用于某型航空裝備特征參數的跟蹤預測。針對基本神經網絡和灰色系統故障預測模型的不足，文獻［19］提出采用實數編碼方式和自適應的交叉率、變異率來對遺傳算法進行改進，然后將改進后的遺傳算法應用于神經網絡的權重學習以得到遺傳神經網絡。采集裝備的特征參數數據來對網絡進行訓練，最后將遺傳神經網絡應用到某型航空電子裝備特征參數退化趨勢的預測中。結果表明，在對某型航空裝備同一特征參數進行預測時，遺傳神經網絡預測結果的均方誤差百分比相對較小，粗糙神經網絡預測結果的平均絕對誤差百分比相對較小，而免疫神經網絡預測結果的整體性能相對較好，此外，三者都較BP神經網絡的性能有一定的改善。

2　故障預測技術的發展方向

盡管這些年來故障預測技術取得了迅猛的發展，許多學者投入到了故障預測技術的研究中，理論成果層出不窮，但是故障預測技術仍然面臨著巨大的挑戰。通過故障預測技術發展的可行性和實用性綜合分析，認為故障預測技術邁上新的臺階，需要從以下幾個方面取得突破：

（1）先進傳感器技術

從現有的故障預測技術理論成果來看，基于數據驅動的故障預測技術所占比例較大。高質量數據的獲取是基于數據驅動的故障預測技術的關鍵，只有提取到的數據品質好，可靠性高，才能為后續的故障預測過程打下堅實的基礎。因此，發展先進傳感器技術，提高傳感器檢測精度和可靠性，多種傳感器集成組合使用，在數據采集源頭這一環節把好關，有助于提高故障預測的準確性。

（2）高效的特征提取方法

數據處理是基于數據驅動的故障預測技術的又一關鍵一環。數據包含著大量的信息，但是由傳感器采集得到的數據或多或少的夾雜著一些干擾數據，如何從大量的數據信息中剔除不相關的干擾，提取出與故障預測相關的信息，并解讀這些信息是數據處理的關鍵。因此，發展高效的特征提取方法，在數據處理時快速準確的從干擾中分離出有用的信息，提取主要特征，是提升故障預測水平的保證。

（3）關聯故障預測

傳統的故障預測技術大多是針對特定對象的單一參數指標，運用單項或組合的預測方法進行趨勢預測分析。但是，表征對象特性的參數多數時候并不只有一種，而且同一系統不同對象的故障之間存在著一定的關聯性。現有故障預測方法種類繁多，但是沒能形成統一的故障預測框架，無法在預測某一部件故障的同時對與其相關聯的故障進行預測。系統某一部分的故障會傳播擴散到與其相關聯的其他部分，進而影響整個系統的工作，研究關聯故障的預測方法和框架，有利于從系統層面對故障進行把握，實現系統級的故障預測。

（4）提高故障預測精度

預測是根據以往和當前的狀態，對未來某一時間段內的狀態進行估計。預測具有很大的不確定性，影響預測結果的因素主要有掌握的信息量的多少、外界因素、預測方法的選擇等。一直以來，高精度、無誤差的對系統故障進行預測是故障預測技術研究的目標［20］，但是從國內外已經應用到實際的故障預測技術來看，其預測的精度還有待于進一步的提高。只有實現對系統故障的高精度預測，才能更好的進行提前預防和維護，最大限度的降低故障損失。因此，提高故障預測的精度是故障預測技術未來發展的主流方向。

（5）建立故障預測技術評價體系

故障預測技術發展至今，已經提出了多種多樣的理論方法，例如，基于模型的故障預測方法，基于知識的故障預測方法、基于數據驅動的故障預測方法等等［21］，但是對故障預測技術的評價卻沒有統一的可遵循的標準。對于多數的故障預測理論方法，由于沒有真正應用到實際中去，并不能僅僅根據簡單的性能指標來判斷其好壞，因此，研究建立故障預測技術評價體系，將有助于更好地辨別不同方法的優劣，同時，建立統一的評價體系，更有利于故障預測技術的正規化發展。

（6）面向實際應用條件

或是由于技術條件限制，或是由于方便計算，建模的過程中或多或少的都進行了相關的假設，故障預測模型的建立過程也同樣如此。但是，只要有假設就會與實際應用不相符，就會與真實環境產生一定程度的偏差，影響結果的真實性和說服力。所以，在故障預測模型的開發建立過程中，應該緊密結合系統實際應用條件，盡可能少的使用或者不使用條件假設，多從技術角度去突破而不是從條件假設角度。

（7）結合虛擬現實技術

絕大多數設備的系統組成結構龐大而復雜，對一個錯綜復雜的系統進行故障預測并不是一件容易的事。但是，應用虛擬現實技術，在虛擬環境中，可以建立虛擬的系統模型，借助于跟蹤球、頭戴式可視設備等，可以很容易了解系統內部的組成結構和相互關系，這對真實系統的故障預測是一個很好的輔助。將虛擬現實技術應用到故障預測的各個環節，對提高算法開發效率，加強數據采集、分析、處理能力，降低虛警率，提高故障預測精度起到了重要作用。因此，將故障預測與虛擬現實技術相結合，不失為一個好的發展方向。

3　結束語

本文主要介紹了故障預測的概念及其對武器裝備維修保障的作用，重點分析了裝備故障預測技術的理論研究情況，從實用性和可行性出發，針對性提出了軍用飛機故障預測技術未來重點發展方向。

［1］鄧小濤，呂波，江帆，等.航空電子裝備的故障預測法［J］.艦船電子工程，2004，24（5）：125-127.

［2］王昌榮，趙玉龍，蔣有才.故障預測技術在武器裝備中的應用及發展［J］.價值工程，2015，（5）：41-43.

［3］孫強，岳繼光.基于不確定性的故障預測方法綜述［J］.控制與決策，2014，（5）：769-778.

［4］梁旭，李行善，張磊，等.支持視情維修的故障預測技術研究［J］.測控技術，2007，26（6）：5-8.

［5］Hassan A E，Holt R C.The top ten list：dynamic fault prediction［C］.2013 IEEE International Conference on Software Maintenance.IEEE Computer Society，2005：263-272.

［6］Vichare N，Pecht M.Prognostics and health management of electronics［J］.IEEE Transactions on Components and Packaging Technologies，2006，29（1）：222-229.

［7］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，2010，24（1）：1-9.

［8］左召軍，薛政宇.基于時間序列的航空裝備故障預測研究［C］.無錫：中國控制會議，2004.

［9］朱玉斌，方中祥，侯朝煥，等.基于部件參數估計的航空發動機故障預測技術研究［J］.測控技術，2012，31（1）：128-131.

［10］辛龍，周越文，翟穎燁，等.基于Weibull分布的航空裝備部件壽命預測研究［J］.電光與控制，2014，（12）：102-105.

［11］崔亞君，祝華遠，于建立.基于灰色系統理論的某型航空裝備災變故障時間預測［J］.裝備制造技術，2008，（9）：55-56.

［12］王亮，呂衛民，滕克難，等.基于數據驅動的裝備故障預測技術研究［J］.計算機測量與控制，2013，（8）：2087-2089.

［13］辛龍，周越文，孔慶春，等.基于馬氏距離的航空裝備故障預測研究［J］.計算機測量與控制，2014，22（7）：2052-2054.

［14］薛輝輝，肖明清，段軍峰.基于雜合支持向量回歸機的電子裝備故障預測［J］.計算機工程，2012，38（8）：283-286.

［15］范愛鋒，孟亞峰，張宏偉.神經網絡在雷達裝備故障趨勢預測中的應用［J］.火力與指揮控制，2011，36（10）：180-181.

［16］李靜雯，楊善紅.基于灰色Verhulst-小波神經網絡的裝備故障預測研究［J］.電子技術應用，2014，40（8）：91-93.

［17］文瑩，肖明清，胡雷剛，等.基于粗糙神經網絡的航空電子設備故障預測研究［J］.計算機測量與控制，2010，18（4）：807-809.

［18］胡雷剛，肖明清，謝斕.基于免疫和神經網絡的航空設備故障預測研究［J］.計算機工程與應用，2011，47（20）：231-233.

［19］程進軍，夏智勛，胡雷剛.基于遺傳神經網絡的航空裝備故障預測［J］.空軍工程大學學報：自然科學版，2011，12（1）：15-19.

［20］周俊杰，王德功，常碩.淺析基于模型的航空電子裝備故障預測［J］.裝備制造技術，2010，（5）：34-35.

［21］陶來發，樊煥貞，呂琛，等.機電系統故障預測技術的現狀與分析［J］.控制工程，2011，18（4）：636-63.

Researches on the Present Situation and Development of the Equipment Fault Prediction Technology

SHEN Fan-yu，ZHOU Sheng-lin
（The Chinese people's Liberation Army 92728 Troops，Shanghai 200436，China）

Fault prediction is the important way to improve the reliability and the guarantee efficiency of complex weapon equipment，and it's also one of the striking features of the fourth generation fighter.This paper processed analysis and researches focusing on the present situation of the fault prediction technology of domestic aviation equipment，and proposed 7 key technologies for futher research referring to the feasibility and practicability of the technological development.

fault prediction；aviation equipment；gordian technique

E92

A

1672-545X（2016）08-0123-04

2016-05-13

沈凡宇（1991-），男，黑龍江人，碩士研究生，主要研究方向為計算機應用技術；周圣林（1967-），男，江蘇人，碩士，高級工程師，主要研究方向為航空綜合保障。