機載設備健康指數的綜合評價方法研究

王華+陳建平+扈延光

摘 要：飛機機載設備主要的預防性維修策略是基于狀態的維修策略，要求對設備的狀態開展綜合評價。考慮到目前機載設備的狀態評價缺乏綜合指標，引入健康指數（HI）用于表征機載設備的狀態，結合以可靠性為中心的維修技術提出HI評價框架。結合云理論和專家評價法研究了HI影響因素的劣化等級、權重等級的綜合評價算法，給出算例用以演示評價流程，驗證了算法的有效性。最終建立起綜合評價方法，適用于機載設備健康指數的綜合評價，為制定合理的維修策略提供支撐。

關鍵詞：機載設備 健康指數 基于狀態的維修 云模型 綜合評價

中圖分類號：V240.2 文獻標識碼：A 文章編號：1674-098X（2017）04（c）-0020-04

預防性維修策略中的視情維修，即基于狀態的維修，是目前飛機機載設備的主要維修策略。我國軍用標準GJB 1378A—2007《裝備以可靠性為中心的維修分析》規定并強調了在裝備投入使用后，應調整預防性維修間隔期。確定合理的維修間隔期，應對設備的狀態進行綜合評價。由于影響機載設備可靠性狀態的因素中含有大量定性、定量因素，目前實踐中既缺乏一個綜合指標來表征設備的狀態，又缺乏一個評價框架用于對狀態的影響因素進行歸類、劃分，導致信息收集及綜合評價工作開展不充分，難以利用好設備的使用、維護信息。

健康狀態，是指在規定的條件下和規定的時間內，裝備能夠保持一定可靠性和維修性水平并穩定、持續完成預定功能的能力[1]；健康指數（Health Index，HI），是指衡量和表征被研究對象健康狀態的一個數值[2]。電力行業和航空器健康管理領域都有HI指標，HI反映了設備運行時保持特定性能的滿意程度，是設備的使用、維護等信息的組合。在不同的應用案例中，HI可設定不同的取值范圍。文獻[3]認為HI是設備實際狀態相較于期望的正常狀態的劣化程度，HI取1時設備狀態最佳，取0時應當停機檢修。針對電力設備，文獻[2]將HI的取值范圍設定為（0，10）。只要對設備開展健康評估，將評估的結果表達為一個具體數值，該數值理論上可作為健康指數。

目前已有大量文獻研究了設備的健康評估方法。文獻[4]運用變精度粗糙集方法來開展航空發動機健康評估；文獻[5]運用模糊層次分析法建立起綜合評價模型，應用于機械設備的健康評估。健康評估通常分為兩大步驟：首先選出哪些特征參量能否反映設備的健康狀態；然后運用多屬性綜合評價方法確定HI。考慮到目前機載設備歷史信息多是不完備的，評價HI同時用到定性和定量信息，客觀賦權法難以實現，所以該文采用主觀賦權法中的專家評價法[6，7]。該文首先建立HI的評價框架，然后結合云理論給出專家評價法流程及主要算法，最后通過案例驗證算法的有效性。

1 健康指數的評價框架

機械類、機電類和電子類產品的故障機理有所差異，因此HI影響因素集不同。綜合評價設備健康狀態，通常選取能夠表征設備運行狀態的特征參量，如文獻[3]中采用壓力、轉速、溫度等指標，文獻[8]中采用航空發動機燃油流量指標。然而，僅考慮一些易于獲取的量化指標是不足夠的，HI的影響因素還包含許多定性或復雜的綜合因素。如文獻[1]綜合考慮了地理和環境因素、使用和維修因素；文獻[5]認為設備或零部件的健康狀態與可靠性、維修性、安全性、檢測性、經濟性、技術性能這六大方面有關；在HI理論應用相對成熟的電力行業CBRM體系中，評價HI還考慮了“家族病史”和“潛在缺陷”因素[2]。

通常軍用飛機具有機械、電氣、軍械、通訊導航、火控、無線電、儀表、氧氣和高空救生等分系統共幾百項機載成品，按照以可靠性為中心的維修（RCM）思想，預防性維修大綱只需針對重要功能產品，即故障影響任務完成、安全性或導致重大的經濟后果的產品。因此，健康指數的影響因素應包含產生“任務后果、安全后果”和“經濟后果”三方面的因素。該文參考國家電網公司頒布的《主要輸變電設備狀態評價導則》中的扣分方式，按照“不健康狀態的種類越多，健康指數越高；不健康狀態越嚴重，健康指數越高”的原則，將總的扣分值視為HI值；該方法在評價同一設備的新狀態時，只需要在舊狀態扣分值的基礎上觀測并調整扣分值，便能快速得到新狀態的HI值。影響因素應扣分值為劣化等級和權重等級的乘積，未劣化時不扣分。表1將劣化等級和權重等級各分成四級，在實踐中該表的數值可隨具體產品而更改。

設備維持健康狀態的能力，應在規定的條件下進行評價，當設備執行任務的環境、使用維護等條件發生變化時，設備的健康指數也會受到影響。在提煉故障模式時，僅利用設備自身已發生的故障信息并不足夠，還需要參考同廠、同型設備的故障信息。機載設備的FMECA結論、RCMA結論和RCM分析結果等，是開展健康指數評價的重要信息來源。本文提出的評價框架見表2。設備健康指數為全部單項HI取值之和。

機載設備的主要性能參數（可測量的參數），根據其異常后可能出現的后果，填入表2中“任務后果、安全后果”和“經濟后果”欄的“特征參數”行；以“任務后果”為例，“特征參數”行可填入壓力、速度等能夠反映設備執行任務能力的量化參數；當某種因素、狀態無法用定量的參數來描述時，可用定性的語言描述將其總結成故障模式，填入“故障模式”一行，如漏油、銹蝕、劃傷等。三種后果中，特征參數與故障模式是互補關系，應盡量使二者無交集，避免同一不健康因素被多次記錄、多次扣分。

“環境因素”“使用、維護、維修”“同廠、同型設備被通報的故障、缺陷信息”欄中主要填寫除設備自身性能參數之外的定性、定量因素；針對“環境因素”，通常機載設備的主要環境因素為溫度、濕度、振動、高度和過載等，主要的環境應力為振動應力、熱應力、潮濕應力、低氣壓應力和炮振應力；在評價時，應綜合考慮各環境因素出現的概率、應力水平、應力變化情況和記載設備對環境應力的敏感程度[9]。針對“使用、維護、維修”，使用信息如設備已使用壽命、剩余壽命、停放時間、用戶對設備使用情況評述等；維護信息包括基本維護信息，如機載設備已開展的清潔、潤滑、除銹、防潮和恢復保護層等，還包括性能檢查和調整信息，如對機載設備的零部件進行了技術參數調整等[10]；維修信息主要是指機載設備歷次維修記錄，包括換件信息、維修深度和性能恢復程度等。這些信息都能直接或間接反映機載設備當前的健康狀態。

2 基于云模型的專家評價法

對健康指數影響因素的“劣化等級”及“權重權重”進行評定時，制定客觀的量化規則是難以實現的，因為影響因素中包含了定性因素，且諸如“亞健康、比較重要”等定性概念帶有模糊性，快捷有效的方法是專家評價法，即專家根據經驗進行主觀判斷而得到權重或等級，再對各個專家的評判結果進行整合，得到一個綜合值。需解決的問題如下。

各定性概念具有模糊性，各專家的評價結果具有隨機性，當隨機性過大時說明意見不統一，此結果應屬無效，需要進一步的溝通及評定，直到意見相對統一。此處的“模糊性”和“隨機性”如何評價？

專家的人數較少，即樣本量較少，評價結果可能不穩定，假設這些樣本服從一定的分布規律且已經被發掘出來，那么利用該已知的分布規律便可人為生成大量的同類樣本。由大數定理可知，樣本量足夠大時，樣本平均數將接近總體平均數。此處該如何確定分布規律？

針對問題（1），云理論可描述隨機性、模糊性并存的情形；定性概念的模糊性、專家的評價結果的隨機性，可用正態云模型中的熵En來評價，En越大，隨機性和模糊性也就越大。針對問題（2），正態云具有普適性，它能保留原始小樣本中的隨機性和模糊性規律，不失為一種好的選擇。

2.1 評價流程

文獻[11]對正態云模型各特征量的詮釋為：期望Ex代表專家評價的平均水平；熵En代表評價的離散程度，反映專家的水平；超熵He表示與正常發揮時的偏離程度，綜合反映專家的心理素質和思考狀態等因素。當En足夠小時，代表各專家的意見已統一；如果兩次He相近，說明專家的思考狀態已平穩。專家在狀態平穩的情況下達成了統一的意見，才是可取的。圖1所示為專家評價流程。待評價的項目為：劣化等級的取值，權重等級的取值，每個HI影響因素對應的劣化等級和權重等級。

2.2 主要算法及規則

針對同一評價對象，假設n個專家的評分結果為R，利用該樣本，采用逆向云算法建立云模型。文獻[12]提出的逆向云新算法，具有兩大優勢：無需確定度（隸屬度）信息；盡可能多地利用樣本信息，保證超熵估計值為正實數。該文對文獻提出的算法中的循環結構進行優化，給出如下偽代碼：

Step3：

利用上述算法建立后，可利用正態云發生器算法，生成大量云滴，視為一次評分的分值，視為屬于某個概念的確定度。為了求評分的期望值，常規方法是直接對求均值；文獻[13]經過仿真試驗表明，對大量云滴直接采用正態曲線擬合得到的期望值，誤差要更小，該文采納該方法。

上述方法得到的期望值通常為非整數，假設劣化等級取值的綜合評價結果為（1.94，4.3，7.9，9.9），當兩個待評價的影響因素都屬于亞健康時，應鼓勵專家辨別出二者劣化的細微差異，所以可將表1的取值區間視為連續，允許專家將“亞健康”狀態下劣化相對嚴重的一者扣分值設定得較高（如取5.3）。同理，權重等級量化也可遵循該規則。

3 算例說明

評價對象雖然不同，但是每次的評價和計算流程都如圖1所示，為了便于說明，該節利用簡單算例來說明評價流程。20位專家對定性概念“比較健康”的應扣分值進行了3次評定，每次評定的分值見表3，正態云模型可視化如圖2所示。

第一次評分時專家對“比較健康”的理解差異較大，從圖2a中可看出云滴較為分散，評價質量不佳。經過溝通后進行第二次評分，從表3中看出部分專家修改了評分值，所得到的云模型中的熵已經從0.49降低到0.31，說明評分結果趨于集中，如圖2b所示，超熵從0.15降低到0.06，降低幅度較大，說明本次溝通效果明顯；再進行一輪溝通后，從表3中發現只有少數專家微調評分結果，所得云模型的熵和超熵稍有較低，超熵保持平穩，說明該輪溝通效果不明顯，評價結果穩定，從圖2c中可見云滴聚集程度高、圖形更“瘦”，意味著較佳的評價結果已出現。對圖2c中的云滴采用正態分布曲線擬合，得到期望值為1.94，作為定性概念“比較健康”的扣分值。

4 結語

對飛機機載設備開展狀態評價是制定基于狀態的維修策略的必要前提，該文引入健康指數作為評價設備狀態的綜合指標，建立起一個通用的HI評價框架，對影響機載設備健康狀態的因素進行歸類、劃分。該文詳細闡述了基于云理論的專家評價法在機載設備健康指數評價中的應用方法，給出算例驗證了驗證了算法的有效性，具有較強的現實意義。

參考文獻

[1] 呂建偉，余鵬，魏軍，等.艦船裝備健康狀態評估方法[J].海軍工程大學學報，2011（3）：72-76.

[2] 周莉梅，馬釗，盛萬興.現代配電網健康指數理論最新研究進展[J].供用電，2016（1）：3-7，13.

[3] 張彥如，耿夢曉.基于健康指數的設備運行狀態評價與預測[J].合肥工業大學學報：自然科學版，2015（10）：1318-1323.

[4] 楊洲，景博，張劼.航空發動機健康評估變精度粗糙集決策方法[J].航空動力學報，2013（2）：283-289.

[5] 賓光富，周元，Balbir S.Dhillon.基于Fuzzy-AHP的機械設備多特征參數健康狀態綜合評價研究[J].中國機械工程，2009（20）：2487-2492.

[6] 李遠遠，云俊.多屬性綜合評價指標體系理論綜述[J].武漢理工大學學報：信息與管理工程版，2009（2）：305-309.

[7] 謝學銘，鄭健.基于云模型主觀賦權法的多目標決策研究[J].中國西部科技，2009（25）：7-8.

[8] 鐘詩勝，雷達.一種可用于航空發動機健康狀態預測的動態集成極端學習機模型[J].航空動力學報，2014（9）：2085-2090.

[9] 壽命和可靠性文件匯編.航空工業部第六〇一研究所[Z].1987.

[10] 段學剛.航空電子裝備維修概論[M].北京：國防工業出版社，2010.

[11] 胡石元，姜昕，丁家玲.教師課堂教學質量的云模型評價方法[J].武漢大學學報：哲學社會科學版，2007（3）：455-460.

[12] 陳昊，李兵，劉常昱.一種無確定度的逆向云算法[J].小型微型計算機系統，2015（3）：544-549.

[13] 呂輝軍，王曄，李德毅，等.逆向云在定性評價中的應用[J].計算機學報，2003（8）：1009-1014.