基于特征提取的裝備可靠性不確定度量方法

江 蓮，李榮修

?

基于特征提取的裝備可靠性不確定度量方法

江 蓮1，李榮修2

（1. 92337部隊，遼寧大連116023；2. 92001部隊，山東青島266003）

針對當前大型復雜裝備可靠性動態變化特性難以量化評估的問題，提出基于特征提取的裝備可靠性不確定度量方法，通過提取特征參數，建立運行狀態與特征參數之間的邏輯回歸模型，改進系統多狀態評估方法，識別裝備運行過程中的隱患狀態，為預防性維修提供決策支持。

特征提取 可靠性 不確定度量 多狀態系統

0 引言

隨著科技發展和制造水平提高，大型裝備的部件數量龐大且構成原理復雜，其可靠性處于動態變化狀態，難以用量化的方法掌握其規律，增加裝備安全管理風險。現有可靠性評估方法通常分為兩類，一類為二元狀態法，此類方法假設裝備具有正常和故障兩種狀態[1,2]，其精度顯然不適用于大型復雜裝備可靠性評估；另一類為多狀態法，是由二元狀態法演變而來，此類方法假設系統具有多個狀態[3-5]，其可靠性隨時間而動態變化，對系統可靠性的評估更加精確，但多個狀態必定涉及多個變量和多維計算，導致其評估函數異常復雜，往往難以應用于工程實踐。

裝備使用過程中一些運行狀態參數，如溫度、壓力、電壓、電流等，能夠實時表征裝備的可靠性狀態，當參數值超限或不穩定時，預示著裝備已經發生故障或存在嚴重故障隱患。在分析裝備運行狀態數據的基礎上，提出基于特征提取的裝備可靠性不確定度量方法，通過篩選提取特征參數，定義裝備正常、隱患、故障三種運行狀態，建立運行狀態與特征參數之間的邏輯回歸模型，使模型具備快速判定裝備可靠性狀態的能力，并識別裝備運行過程中的隱患狀態，為預防性維修提供決策支持。

1 裝備運行狀態特征描述與提取

裝備的運行狀態與各項性能參數有關，以某電力推進系統為例，裝備的可靠性與電壓、電流、溫度有直接的關聯關系，如果某項參數超出警戒范圍，裝備將發生故障。裝備運行參數數量眾多，不可能全部引入模型，需要篩選提取。特征參數提取的目的一是引入表征裝備運行狀態的主要參數，忽略次要參數，避免一些次要參數的異常數據干擾分析結果；二是降低計算量，使參與計算的變量數盡可能少，數據分析方法更加簡單易行。

本文特征提取方法分為粗篩選和精篩選兩個步驟：①依據裝備故障原理及專家經驗粗篩選出可能對裝備故障預判有指導意義的參數，將這些參數分為兩類，第一類確定性參數，是裝備故障的判定可以由這些參數確定，參數值超出固定范圍將明確作為故障處理；第二類待確定參數，根據使用經驗判斷這些參數的變化有時與裝備故障有關聯或存在一定關聯概率。②采用主成分法精篩選第二類參數。精篩選之前先進行相關性分析，判斷參數之間是否相關，否則不能進行主成分分析。表1為待確定參數的相關性分析結果，參數之間的相關性很高，如果直接引入特征參數，共線性問題將導致分析結果偏離實際。由表2中各參數的相關系數可知，必須運用主成分分析法對表中待確定參數進行降維，將原來的多個互相關聯的參數組合成相互獨立的少數幾個能夠充分反映裝備運行狀態的參數。

2 裝備可靠性不確定度量

裝備可靠性具有不確定性，裝備實際運行過程中盡管各項參數未超出警戒范圍且未出現故障現象，但實際狀態卻處于故障發生的邊緣，隨時有可能發生故障。通常情況下將裝備的運行狀態分為正常和故障兩種，對于電子類或不可修復的裝備具有簡單易行的優勢，但對于機械設備，特別是電力推進系統來說，兩種狀態不能滿足實際裝備安全管理工作的需求。裝備在實際使用過程中，操縱人員不僅要掌握裝備是否已發生故障，而且希望在第一時間預測到故障發生，即掌握裝備在故障發生之前的不穩定狀態。因此，定義裝備在故障發生之前的不穩定狀態為“隱患”，用于度量裝備可靠性的不確定性。

3 基于特征提取的裝備可靠性不確定度量方法

以某電力推進系統為例對進行基于特征提取的裝備可靠性不確定度量方法說明。

3.1定義裝備運行狀態

將裝備的可靠性狀態分為正常、隱患、故障三類，其表示方法為：

其中1為正常，2為隱患，3為故障，1，2，…3為表征裝備可靠性三種狀態的特征參數。

3.2提取特征參數集

第一步粗篩選根據常見故障及其表征，選出14個特征參數，其中轉速、A~G溫度等8個參數為確定參數，AB電壓、A~D電流等6個參數為待確定參數。第二步精篩選采用主成分分析法提取待確定參數，主成分列表見表3，提取結果為2個主成分，提取了方差的85.866%。主成分函數如下,第一主成分

1=0.8962+0.8863+0.1364+0.9225

第二主成分

2=-0.0882-0.0923+0.9594-0.0845-0.0446+0.9597

待確定參數由6個降維得到2個。最終提取特征參數10個，其中包含確定性參數8個，1、8、9、10、11、12、13、14，待確定參數2個，1、2。裝備的運行狀態描述為i={1、8、9、10、11、12、13、14，1、2}。

3.3特征分析

選擇模型訓練數據集，共185項數據，其中包含故障數據83項，正常數據102項。采用邏輯回歸法對裝備故障、正常兩種狀態下數據進行分析，建立回歸模型。假設裝備發生故障的條件概

率為:

（y=1|x）=P，輸入訓練數據集并計算模型參數，見表4。

3.4不確定度量

由于訓練數據集中只有故障和正常兩種數據，因此，模型輸出的裝備可靠性狀態暫時為:

為處于該狀態的置信度。將正常狀態下的數據根據置信度區間進行重新定義。

應用上述回歸模型對裝備運行狀態數據進行識別，可預測到故障、隱患、正常三種狀態，用于度量裝備運行狀態的不確定性。輸入測試數據集，共145項數據，包含故障、正常、隱患數據量分別為40、43、62，其中隱患數據為裝備發生故障前10分鐘內運行狀態數據。應用模型對該數據集進行運行狀態預測，預測結果見表5。

由表5中數據可知，模型對于裝備故障識別達到87.5%，能夠滿足日常裝備管理要求，并且對于裝備隱患的識別有突出表現，對于運行過程中可能出現故障的狀態預測準確率高達90.3%，能夠有效提示裝備使用人員盡快開展故障檢測或預防性維修。

4 結論

基于特征提取的可靠性不確定度量方法通過粗篩選和精篩選兩個步驟實現了裝備運行狀態特征參數提取，實踐表明該方法對于裝備運行狀態特征提取完備、準確。該方法突破傳統二元狀態的思維定勢，定義正常、隱患、故障三種狀態，達到了量化裝備運行狀態不確定性的目的，在確保故障預測準確率的基礎上，有效地識別出裝備運行的隱患狀態。

[1] 徐宇亮，孫際哲，陳西宏，王光明．電子設備健康狀態評估與故障預測方法[J]．系統工程與電子技術，2012, 34（5）:1068-1072.

[2] 航天發射場裝備狀態質量預測模型研究[J]．計算機測量與控制, 2005,13（12）:1387-1389.

[3] 高鵬，謝里陽．基于改進發生函數方法的多狀態系統可靠性分析[J]．航空學報, 2010,31（5）:934-939.

[4] 張志華. 小樣本多技術狀態性能可靠性的方針評估方法[J]．系統仿真學報, 2007,19（2）:417-420.

[5] Brunelle R D. Review and classification of reliability measures for multistate and continuum models．IEEE Trans , 1999,31:1117-1180．

Uncertain Measurement Method of Equipment Reliability Based on Features Extraction

Jiang Lian1, Li Rongxiu2

（1. No.92337 of PLA, Dalian 116023, Liaoning, China；2. No. 92001 of PLA, Qingdao 266003, Shandong, China）

O242

A

1003-4862（2017）05-0066-03

2016-12-15

江蓮（1984-），女，工程師。研究方向：艦艇裝備可靠性試驗。