基于狀態(tài)的武器電子裝備故障預測研究綜述

侯曉東, 王永攀, 楊江平, 張 宇

(1. 空軍預警學院, 湖北 武漢 430019; 2. 93502部隊, 內蒙古 呼和浩特 010051; 3. 湖北工業(yè)大學電氣與電子工程學院, 湖北 武漢 430068)

0 引 言

傳統(tǒng)武器電子裝備(以下簡稱裝備)的維修保障方式經(jīng)歷了事后維修、定期維修和視情維修這幾個階段[1-2]。目前,在裝備的維修保障中,事后維修和定期維修仍然占據(jù)著主要地位。隨著技術的發(fā)展,裝備結構越來越龐大,模塊化、信息化程度越來越高,傳統(tǒng)維修保障方式已經(jīng)不能適應裝備的發(fā)展[3]。視情維修因能夠預先知道裝備將要發(fā)生的故障,通過采取有效的維修方法來避免故障的發(fā)生,可以避免因故障造成重大損失,減少維修保障費用,有效提高了裝備完好率和任務成功率,受到更多的關注和研究[4]。視情維修是在狀態(tài)監(jiān)測的基礎上,通過故障預測,對裝備的健康狀態(tài)進行評估,視情安排維修以及維修的項目(廣度)和級別(深度),制定出合理的維修策略。在發(fā)達國家的一些重要裝備(如F-22)上得到了深入研究和廣泛應用[5-7]。

故障預測是以當前裝備狀態(tài)為起點,綜合利用各種信息,如狀態(tài)監(jiān)測數(shù)據(jù)、當前環(huán)境信息、工作條件、早先的試驗數(shù)據(jù)和歷史經(jīng)驗等,借助各種推理技術對裝備未來的故障進行預測、分析和判斷,從而制定合理有效的維修策略來避免故障發(fā)生,保證訓練和作戰(zhàn)任務的順利完成[8-9]。國內外一些學者對故障預測的相關研究進行了綜述,但大多局限于故障預測方法的層面,未對故障預測有一個全面的系統(tǒng)的總結和分析[10-16]。對此,在前人研究的基礎上,通過對相關資料的整理和分析,從故障預測的內容、對象、方法3個維度,對歷年來故障預測的研究情況進行綜述,并在此基礎上提出基于狀態(tài)的武器電子裝備故障預測分析方法,以便為廣大學者開展更多的研究提供借鑒。

1 故障預測內容

故障預測的最終目的是指導裝備的視情維修,并提供技術支持。通過對歷年相關文獻的研究和整理,故障預測的內容有著許多不同的劃分方法[17],本文在其基礎上將故障預測劃分為故障時間預測、剩余壽命預測(residual life prediction,RLP)和故障率預測(fault rate prediction,FRP) 3個方面。

1.1 故障時間預測

故障時間預測,包含故障間隔時間預測(fault time prediction,FTP)和故障趨勢預測(fault tendency prediction,FTDP)。FTDP是在裝備歷史運行狀態(tài)的基礎上,預測裝備故障風險和故障時間,其類型可以分為基于數(shù)據(jù)的預測和基于物理失效模型的預測。利用狀態(tài)監(jiān)測數(shù)據(jù)或歷史數(shù)據(jù),通過相應的理論或算法建模仿真,對裝備故障時間進行預測,通過故障時間的預測,可以在故障發(fā)生之前進行維修,能夠避免因故障造成的重大損失,提高裝備戰(zhàn)備完好率和任務成功率。

常用的故障時間預測方法主要有:灰色模型(grey model,GM)及其改進預測方法、馬爾可夫(Markov model, MM)預測方法、故障樹分析(fault tree analysis,FTA)預測方法、粒子群優(yōu)化(particle swarm optimization,PSO)算法預測和人工神經(jīng)網(wǎng)絡(artificial neural network,ANN)預測方法等。文獻[18]針對導彈電子設備的特點,應用GM預測與MM預測的組合預測模型對導彈電子設備故障間隔時間進行預測,并通過實例檢驗了預測結果精度。文獻[19]將基于小樣本數(shù)據(jù)的灰色算法引入到電機可靠性計算中,利用傳統(tǒng)和改進GM進行仿真分析,并在此基礎上利用PSO算法的全局尋優(yōu)能力,提出了以均方差最小為目標函數(shù)的優(yōu)化模型,對電機故障時間進行預測,提高了預測精度。文獻[20]通過故障指標評定方法,利用模糊神經(jīng)網(wǎng)絡模型運用參數(shù)歷史故障指標對參數(shù)指標進行了故障趨勢預測,對未來設備的健康狀況進行可信度較高的評估。對復雜裝備開展故障時間預測研究,能夠及時掌握和預測故障發(fā)生的時間和故障間隔,以便進行合理的預防性維修,提高裝備的性能狀態(tài)。

1.2 剩余壽命預測

剩余壽命是裝備從被檢測那刻起到發(fā)生故障的時間長度。裝備剩余壽命的預測依賴于裝備檢測時的服役年限和到該檢測時刻為止的狀態(tài)信息[21]。作為故障預測與健康管理(prognostic and health management,PHM)和基于狀態(tài)的維修(condition based maintenance,CBM)研究的重要內容,RLP是實施視情維修的前提和基礎,能夠為裝備維修保障的科學決策和精確化管理提供可靠的依據(jù)。我國針對RLP方面的研究還比較少,處于起步階段,與國外相比,在理論創(chuàng)新和新技術、新方法的應用方面都存在較大差距。

常見的RLP方法有:隱馬爾可夫模型(hidden Markov model,HMM)、人工神經(jīng)網(wǎng)絡(artificial neural network,ANN)模型、比例風險模型和狀態(tài)空間模型等。文獻[22]通過對肖特基二極管物理機理的分析,提出用恒定電應力溫度斜坡法的壽命預測模型。文獻[23]通過HMM理論對GaAs激光器的剩余使用壽命(residual useful life,RUL)進行了預測,給出了模型的有效性分析。文獻[24]通過耦合HMM實現(xiàn)了對模擬電路系統(tǒng)中各退化狀態(tài)進行狀態(tài)識別和剩余壽命預測,解決了單一通道的HMM在模擬電路系統(tǒng)中預測精度不高的問題。這些方法從不同的角度,通過建立模型,對裝備的剩余壽命進行了預測,得到了很好的預測結果。由于裝備的工作環(huán)境、工作模式等使用情況的差異,導致裝備的使用壽命各不相同,對裝備的剩余壽命進行預測,能夠有效地掌握裝備的及時故障信息,具有極大的工程意義。

1.3 故障率預測

裝備由于受自身結構、使用環(huán)境和操作人員等因素的影響,不可避免地會出現(xiàn)故障,對裝備的故障率進行分析和研究,借助一定的技術手段就可以預測裝備未來的故障率,從而為有效的指導裝備視情維修提供依據(jù)。故障率一般包含兩個方面的內容:一個是對于系統(tǒng)龐大、部組件數(shù)量眾多的裝備系統(tǒng),故障率可以指相對于同類型的部件將要發(fā)生故障的部件數(shù)量,通過對故障率進行預測,可以提前準備好維修需要的資源或者更換的備件,避免裝備因故停機造成的損失;另一個是對裝備系統(tǒng)中的某個重要的部件或者分系統(tǒng),故障率可以是指該部件或分系統(tǒng)的發(fā)生故障的概率的大小,通過FRP,可以在該裝備故障前做好準備,避免該部件或分系統(tǒng)因故障而造成的嚴重后果。如大型相控陣雷達(large-scale phased array radar,LPAR),其T/R組件有成千上萬個,對其進行FRP可以預測將要發(fā)生故障的T/R組件的數(shù)量,再通過陣元失效影響模型可以得知對天線陣面的影響程度,針對實際情況準備相應的維修策略。

文獻[25]在傳統(tǒng)故障率函數(shù)的基礎上,提出了一種自回歸滑動平均模型(auto-regressive moving average model,ARMA)的FRP模型,并通過實例對模型的有效性進行了驗證。文獻[26]從備件的角度在備件需求影響綜合因素研究的基礎上,建立了備件故障率和需求預測模型,為裝備維修備件的籌措、分配、存貯、調撥等各項工作的順利開展提供準確的數(shù)學依據(jù)。

2 故障預測對象

故障預測研究立足于預測對象,并對對象本身的故障進行預測。視角不同故障預測對象有著不同的類型,分析歷年研究文獻,可以從元件級、部件級、分系統(tǒng)級和系統(tǒng)級4個層次對裝備故障預測的對象進行劃分。

2.1 元件級(part level,PL)

單個制件或連接在一起具有規(guī)定功能通常不能進行分解的多個制件統(tǒng)稱元件。對于裝備而言,元件是最小組成單元,又稱元器件,如電容、晶體管、繼電器、磁控管等。電子元件的性能決定了裝備的工作性能,電子元件的故障最終將導致裝備的故障。元件是部件和分系統(tǒng)的最小組成部分,其性能的好壞直接關系到整個裝備的運行安全和可靠性,其故障特征是多種多樣的,一個小元件發(fā)生故障,能引起分系統(tǒng)乃至整機的故障,其后果不可估量,從元件級入手進行故障預測,能夠從最底層開始對故障進行深入的剖析和研究,對部件級和分系統(tǒng)級的故障預測有著重要的意義。

元件級故障預測是在大量元器件失效數(shù)據(jù)的基礎上借助相應的預測方法和模型來進行預測,由于裝備設計越來越精密,結構復雜,可靠性越來越高,相應元器件的壽命都比較長,一些傳統(tǒng)的故障預測方法,如時間序列預測方法、GM預測方法和ANN預測方法等,已經(jīng)無法對裝備的元器件進行有效的故障預測:一是因為選取裝備全壽命階段中的部分階段的故障數(shù)據(jù)來進行元器件的故障預測不夠科學和準確;二是以上方法都需要大量的裝備運行數(shù)據(jù)來進行預測,而這些數(shù)據(jù)的采集需要裝備運行很長的時間,此時的故障預測已經(jīng)沒有什么意義?；谝陨戏治?需要探索新的圍繞裝備實際的故障預測方法。根據(jù)元件級的失效機理,電子元器件的失效都具有一定的規(guī)律,與人員使用和工作環(huán)境有著密切的關系,所以可以通過改變這些因素的影響,來獲得裝備使用歷史數(shù)據(jù)來進行故障預測,可以采用加速壽命試驗的方法來縮短試驗時間,利用在加速應力條件下獲得的失效數(shù)據(jù)來進行元件級故障預測。相關學者對此已經(jīng)做了大量的研究,文獻[27]利用加速試驗縮短裝備試驗時間,獲取大量故障信息,通過數(shù)據(jù)處理和加權自適應融合算法進行數(shù)據(jù)融合,得到了有效的故障信息,用于故障預測。文獻[28]利用加速試驗來縮短裝備組成單元試驗時間,獲取大量故障規(guī)律信息,基于GM預測理論,將加速試驗中獲得的故障規(guī)律外推,推測出裝備組成單元在正常應力水平下的故障規(guī)律并進行故障預測。研究元件級的故障機理,對元件進行故障預測,并及時的進行維修,能夠最大限度地預防裝備故障的發(fā)生,從而降低維修費用,提高裝備的可靠性。

2.2 部件級(component level,CL)

部件是系統(tǒng)運行所必須的特定功能的任何獨立零件、零件組合、分組件或單元的統(tǒng)稱,如電路板、變速箱、發(fā)動機、齒輪箱、陀螺儀等。部件級故障預測的思想是在確定表征部件級特征參數(shù)的基礎上,對其性能參數(shù)進行變化趨勢分析,利用預測算法來實現(xiàn)部件級故障預測。部件級裝備故障預測從系統(tǒng)性能角度對部件的健康狀態(tài)進行研究,需要選擇部件性能特征參數(shù),利用系統(tǒng)性能參數(shù)變化趨勢變化規(guī)律來進行部件故障預測。這種方法的優(yōu)點是不需要對部件進行建模,不需要進行元件參數(shù)辨識,便于實現(xiàn)復雜部件的故障預測。但是,部件性能特征參數(shù)選擇的不唯一性及特征參數(shù)閾值確定比較困難,使得部件級故障預測結果的不確定性增大。

部件級的故障預測方法主要有:基于ARMA預測方法、基于支持向量機(support vector machine,SVM)預測方法和基于BP神經(jīng)網(wǎng)絡的預測方法等。基于ARMA預測方法[29-30]的原理是在歷史數(shù)據(jù)變化規(guī)律的基礎上,列出回歸方程式,通過求解其中的參數(shù)來得到預測模型,其特點是需要大量的具有一定分布規(guī)律的歷史運行數(shù)據(jù),對預測區(qū)間小于原始數(shù)據(jù)長度的預測才有較好的效果。SVM是由Vapnik于1995年首先提出來的一種機器學習方法[31-32],對于非線性特征的小樣本數(shù)據(jù)具有很好的分類效果,SVM解決的是一種凸優(yōu)化問題,得到的結果是全局最優(yōu)解,解決了同類算法無法避免的局部極值問題,在概率密度函數(shù)估計、模式識別和回歸估計中都有廣泛的應用。基于BP神經(jīng)網(wǎng)絡的預測方法[33]主要通過以下兩種方式來實現(xiàn)故障預測:①通過用作函數(shù)逼近器來對系統(tǒng)不同運行狀態(tài)下的相關參數(shù)進行擬合預測;②通過建立動態(tài)預測模型對系統(tǒng)不同運行狀態(tài)的相關參數(shù)進行預測。基于BP神經(jīng)網(wǎng)絡的預測方法的突出優(yōu)點是具有很強的非線性映射能力,模型的結構可以視具體情況進行調整,其性能隨著結構的差異而不同,同時也存在學習速度慢、網(wǎng)絡推廣能力有限和容易陷入局部極小值等問題。由于部件的故障直接影響整個裝備的性能,對部件進行故障預測,具有十分重要的意義。

2.3 分系統(tǒng)級(subsystem level,SSL)

分系統(tǒng)是在系統(tǒng)內為完成某一主要功能的一組功能部件的組合,如電源分系統(tǒng)、接收機、姿態(tài)控制分系統(tǒng)、通信設備、電臺等。要進行分系統(tǒng)級的故障預測,首先要對裝備系統(tǒng)進行合理的劃分,如雷達裝備可以看作是由多個分系統(tǒng)組成的串聯(lián)系統(tǒng),具體可以劃分為發(fā)射分系統(tǒng)、接收分系統(tǒng)、配電分系統(tǒng)、終端分系統(tǒng)、伺服分系統(tǒng)、天饋分系統(tǒng)、頻率源分系統(tǒng)、信號處理分系統(tǒng)等[34]。各個分系統(tǒng)的結構不同,功能也不相同,其故障模式也不盡相同,在故障預測之前首先要詳細分析故障模式的影響和危害度(failure mode effect and criticality analysis,FMECA),選出故障率高的幾種故障模式,然后據(jù)此采用科學的方法進行故障預測。

分系統(tǒng)級的故障預測方法主要有:ARMA預測、ANN預測、GM預測、基于時間序列模型的故障預測等。一部分學者針對分系統(tǒng)的故障預測展開了研究,如:文獻[35-36]針對數(shù)據(jù)驅動故障預測方法中的不確定性表示和處理問題,將訓練樣本和預測特征相似的樣本作為證據(jù)源,通過訓練和學習運用證據(jù)理論對短波接收機進行故障預測;文獻[37-38]對制導雷達波束控制系統(tǒng)中的P11電源進行了故障預測;文獻[39-40]對飛機操縱面的故障趨勢進行了預測。分系統(tǒng)是組成系統(tǒng)的最大功能單元,對分系統(tǒng)進行故障預測,有利于在降低預測難度的前提下,避免系統(tǒng)整體故障的發(fā)生。

2.4 系統(tǒng)級(system level,SL)

所謂系統(tǒng)是指為完成特定功能而安排在一起的相互關聯(lián)的多個分系統(tǒng)的組合。故系統(tǒng)級故障就是構成系統(tǒng)的分系統(tǒng)或者系統(tǒng)的某些部件發(fā)生故障或性能下降造成整個系統(tǒng)不能正常運行[41-42]。國內外相關專家和學者大部分只針對某種故障模式的分系統(tǒng)級進行故障預測,對于故障模式復雜,故障原因眾多的系統(tǒng)級故障預測的研究相對較少。以大型相控陣雷達天線陣面為例,天線陣面的可靠性很高,陣面數(shù)量龐大,并且采用冗余和容錯設計,單個部件發(fā)生故障對系統(tǒng)性能影響不大,但是系統(tǒng)發(fā)生故障往往會造成很嚴重的后果和重大經(jīng)濟損失。所以開展系統(tǒng)級的故障預測意義重大。系統(tǒng)級故障的類型主要有:①因系統(tǒng)中的某個關鍵部件或子系統(tǒng)發(fā)生單點故障而引起系統(tǒng)整體故障,這種情況是由于部件或分系統(tǒng)引起的系統(tǒng)故障,因此可以簡化為部件級或分系統(tǒng)級的故障預測。②系統(tǒng)中的多個部件或多個分系統(tǒng)共同發(fā)生故障引起系統(tǒng)故障,導致系統(tǒng)的性能下降或不能正常運行,這種情況下故障的表現(xiàn)形式主要有:關聯(lián)失效、共因失效和耦合失效等。③系統(tǒng)中存在交互耦合作用的多個部件或分系統(tǒng)性能降級,造成系統(tǒng)故障,從部件或分系統(tǒng)的角度分析,這些性能降級未能達到規(guī)定的相應故障閾值,但是造成了系統(tǒng)級故障的發(fā)生。

從系統(tǒng)級的故障原理可以看出,系統(tǒng)級故障預測與部件或分系統(tǒng)故障預測是不相同的,系統(tǒng)級的故障預測方法主要有:基于特征參數(shù)的預測方法、基于信息融合的預測方法和基于可靠性的故障預測方法等。相關專家和學者針對系統(tǒng)級的故障預測開展了一些研究,如:Daigle等通過將系統(tǒng)級故障分解為多個元件或部件級故障,在對故障預測結果進行合并,從而提出一種分布式方法對系統(tǒng)級故障進行預測[43];尹樹悅等詳細分析了系統(tǒng)級故障發(fā)生的原因和故障類型,提出了3種系統(tǒng)級故障預測的途徑[44];李瑞瑩等立足于飛機這個大系統(tǒng),以飛機前20個月的故障率為樣本,對后4個月飛機的故障率進行了預測[45]。由于系統(tǒng)及故障機理的復雜性,故障的多樣性、隨機性及不確定性,使得系統(tǒng)級的故障預測十分復雜,所以開展系統(tǒng)級的故障預測的研究首先需要進行故障模式和機理分析,獲取預測需要的故障數(shù)據(jù),然后選擇合適的模型和方法進行系統(tǒng)級故障預測。

3 故障預測方法

故障預測方法在設計階段是通用的,但在具體應用時必須根據(jù)問題來對預測方法進行相應的變化。關于故障預測方法有許多種,其分類方法也不盡相同:依據(jù)所采用的理論和方法進行分類、依據(jù)預測技術的發(fā)展過程進行分類等等[46];在相關研究的基礎上,本文對可靠性預測方法、統(tǒng)計預測方法、數(shù)據(jù)驅動預測方法和失效物理模型預測方法分別進行詳細論述,各個方法所需模型或信息如表1所示,下面分別對每種方法進行詳細的論述。

3.1 基于傳統(tǒng)可靠性的故障預測方法

可靠性指裝備在規(guī)定時間和條件下完成某種規(guī)定功能的能力[47]?；趥鹘y(tǒng)可靠性的故障預測方法研究對象是具有共同特征的一類裝備的總體上的故障情況,預測總體的故障分布規(guī)律。用于預測的可靠性指標有可靠度、故障密度函數(shù)和故障率等。可靠性預測方法的原理是在缺少相應的裝備物理模型和數(shù)據(jù)的條件下,利用經(jīng)驗來進行預測。這種方法的預測對象是對可靠性要求較低的裝備,特點是預測簡單,易于操作,但是預測精度較低。主要有基于故障樹分析預測方法和基于壽命分布的預測方法。

表1 各方法所需模型或信息

基于壽命分布的預測方法的核心是構造一個滿足精度要求的裝備可靠性模型[48-49]。選擇合適的壽命分布模型和確定合適的分布參數(shù)是可靠性建模的首要任務。常用的裝備壽命分布有指數(shù)分布、正態(tài)分布、對數(shù)正態(tài)分布和Weibull分布。電子裝備一般采用指數(shù)分布模型。傳統(tǒng)可靠性技術主要通過統(tǒng)計分析大量的裝備失效數(shù)據(jù)來確定相關參數(shù)。除了自身性能退化的影響外,還需要考慮一些重要的外部因素對裝備可靠性的影響,如維修活動和環(huán)境因子等。

基于FTA的故障預測方法[50]是通過邏輯門來形象化表示故障中間事件和故障底事件之間的關系,用樹形圖來描述故障與故障原因之間的邏輯關系。系統(tǒng)有無故障征兆直接影響到基于FTA的故障預測方法及流程,根據(jù)有無故障征兆,可分為以下兩種預測方法:無故障征兆的預測和有故障征兆的預測。無故障征兆的預測需要根據(jù)裝備設計的基本可靠性以及裝備以往出現(xiàn)故障的情況計算裝備極有可能出現(xiàn)的故障。有故障征兆的預測,根據(jù)以往診斷的結果,需要狀態(tài)監(jiān)測作為分析的依據(jù)。

3.2 基于統(tǒng)計的故障預測方法

基于統(tǒng)計的故障預測方法的原理是對監(jiān)測得到的歷史運行數(shù)據(jù)進行有效的假設,通過求解假設模型的相關參數(shù)得到預測值。這類方法的根據(jù)是:在裝備運行的相當長的時間內,幅值較小的故障特征隨著時間的推移,幅值特征會慢慢變大,然后根據(jù)過去狀態(tài)和現(xiàn)在狀態(tài),采用故障預測技術預測出系統(tǒng)將來時刻的狀態(tài)。基于統(tǒng)計的故障預測方法的特點是不需要建立裝備的物理模型,只要找到當前狀態(tài)和未來故障之間的映射關系就可以進行預測,可操作性和可實現(xiàn)性強。

在某些情況下,采用統(tǒng)計方法進行預測是非常有必要的。由于基于統(tǒng)計的預測方法所需的信息來自于各種概率密度函數(shù)而不是動態(tài)微分方程,所以相較物理模型的預測方法而言,要求的信息更少。優(yōu)點在于概率密度函數(shù)可以通過監(jiān)測到的統(tǒng)計數(shù)據(jù)來建立,這些概率密度函數(shù)能給出足夠的預測所關心的結果,而且還能對預測結果的準度和精度有著直觀描述的置信區(qū)間,易于把握預測模型的優(yōu)劣程度。常用的預測方法和模型有貝葉斯模型、HMM和隱半馬爾可夫模型、回歸分析方法(主要有一元線性回歸分析預測法、多元回歸分析預測法和非線性回歸分析預測法)等。

3.3 基于數(shù)據(jù)驅動的故障預測方法

數(shù)據(jù)驅動的故障預測方法是根據(jù)大量的監(jiān)測歷史數(shù)據(jù)來分析系統(tǒng)輸入、輸出和系統(tǒng)狀態(tài)之間的映射關系建立出預測模型,從而用于故障預測。常見的預測模型有卡爾曼濾波模型、ARMA模型和ANN模型等,基于數(shù)據(jù)驅動的故障預測方法不針對于特定的對象,具有非線性、非透明的特點。

對于物理模型難以建立的復雜裝備系統(tǒng),可以考慮建立數(shù)學模型來進行故障預測。因數(shù)據(jù)驅動預測模型易于建立,所以近幾年得到了廣泛的關注和研究。對于某些復雜的裝備系統(tǒng),其數(shù)學模型比物理模型更加易于實現(xiàn),只需要獲取到準確的數(shù)據(jù),確定出數(shù)據(jù)的輸出關系和相應過程的參數(shù),就可以建立預測模型。

常用的方法有:基于時間序列的預測方法(包括AR模型、MA模型和ARMA模型等線性平穩(wěn)模型)[51]、基于ANN的時間序列預測(包括BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡和小波神經(jīng)網(wǎng)絡等)和基于濾波器的預測方法(包括卡爾曼濾波器、強跟蹤濾波器和粒子濾波器)[52-55]。表2對各方法的優(yōu)缺點進行了總結。

表2 基于數(shù)據(jù)驅動的故障預測方法

3.4 基于失效物理模型的故障預測方法

基于失效物理模型的故障預測方法結合裝備系統(tǒng)的實際應用條件可評估和預測裝備的可靠性。綜合狀態(tài)監(jiān)測數(shù)據(jù)和裝備系統(tǒng)物理模型可以實時獲得裝備當前狀態(tài)與正常狀態(tài)的偏離度,對裝備未來的可靠性狀態(tài)也可以進行預測[56]?；谑锢砟Ｐ偷墓收项A測方法是未來故障預測技術的發(fā)展方向,建立的數(shù)學模型精度越高,預測結果也就越準確。

對于裝備而言,描述部組件在各種條件,如溫度、振動、濕度和腐蝕下表現(xiàn)的失效物理模型有很多種,溫度造成的損壞可以利用Coffin Manson模型[57]在時域中計算得出。振動造成的損壞可以在時域和頻域中計算得出,時域可以使用Basquin模型[58],頻域可以使用Steinberg模型[59]。表3列出了裝備的典型故障模式和機理。其中,Coffin-Mason模型和Arrhenius模型主要用于描述溫度循環(huán)應力與裝備壽命之間的關系;Eyring模型可分為單應力Eyring模型和廣義Eyring模型,單應力Eyring模型是根據(jù)量子力學原理推導出來的,表示的也是裝備壽命與溫度之間的關系,廣義Eyring模型描述了兩種不同類型同時作用的應力(其中一種為溫度)與裝備壽命之間的關系;冪律模型主要用于描述機械應力與電應力作用下的壽命特征與應力的關系。估計裝備的剩余壽命包括六個步驟[60-61]:故障模式、機理與影響分析方法;虛擬可靠性評估;選擇適當?shù)难b備監(jiān)控參數(shù);簡化監(jiān)控數(shù)據(jù);應力和損傷累積分析;剩余壽命估計。

表3 裝備系統(tǒng)中的故障機理、相關載荷和模型1)

4 基于狀態(tài)的故障預測分析方法

立足裝備實際,選取合理的故障預測方法,建立正確的故障預測模型對裝備開展基于狀態(tài)的維修和減少因故障造成的重大損失具有重要的意義。為了使裝備故障預測的思路更加科學,在上述所做工作的基礎上,提出一種基于狀態(tài)的武器電子裝備故障預測分析(fault prediction analysis,FPA)方法,以便更好地指導用戶對裝備進行故障預測。所謂FPA是指通過對裝備名稱、預測內容、裝備類型的分析,立足于對應的狀態(tài)監(jiān)測數(shù)據(jù),選擇合適的故障預測方法,得到客觀的預測結果,并對故障預測結果進行評價的過程。表4給出了基于狀態(tài)的故障預測分析表。

表4通過引入部分文獻案例的方式,對故障預測分析表的使用進行了說明。表中,預測內容包括FTP、FTDP、RLP和FRP 4個內容;產品類型分為PL、CL、SSL以及SL 4個層次;在選擇故障預測方法前,首先要對裝備用于故障的狀態(tài)信息進行分析,狀態(tài)信息的數(shù)據(jù)類型主要分為在線數(shù)據(jù)(online data, OD)、歷史數(shù)據(jù)(historical data, HD)、試驗數(shù)據(jù)(test data, TD)以及多元信息(multiple information, MI);結合前面的分析,選擇產品故障預測方法,得到故障預測結果后對結果進行評價,填入結果評估欄,以便為后續(xù)工作提供實例和數(shù)據(jù)支撐。

表4 故障預測分析表

5 結 論

通過對歷年參考文獻的梳理,結合基于狀態(tài)的產品故障預測,文章主要開展了以下工作。

(1) 從故障預測內容、對象和方法3個方面對歷年相關的研究進行了總結,并做出了評價。針對故障預測內容,文章對故障預測的內涵進行了擴展;針對故障預測對象,文章從PL、CL、SSL和SL 4個層次進行了文獻綜述;針對故障預測方法,分別對可靠性預測方法、統(tǒng)計預測方法、數(shù)據(jù)驅動預測方法和失效物理模型預測方法進行了詳細的論述,總結了每種方法的適用范圍和優(yōu)缺點,對具有代表性的方法進行了分析和研究。

(2) 在對歷年基于狀態(tài)的故障預測研究綜述的基礎上,提出了一種基于狀態(tài)的裝備故障預測分析方法。

[1] MALLEY M E. Methodology for simulating the joint strike fighter’s (JSF) prognostics and health management systems[D]. Ohio: Air Force Institute of Technology, 2001.

[2] BENGTSSONL M, OLSSON L, FUNK P, et al. Technical design of condition based maintenance system-a case study using sound analysis and case based reasoning[C]∥Proc.of the 8th Conference on Maintenance and Reliability, 2004.

[3] 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.

PENG Y, LIU D T, PENG X Y. Summary of fault prediction and health management technology[J]. Journal of Electronic Measurement and Instrument, 2010, 24(1): 1-9.

[4] 陶來發(fā), 樊煥貞, 呂琛, 等.機電系統(tǒng)故障預測技術的現(xiàn)狀與分析[J]. 控制工程, 2011, 18(4): 636-639.

TAO L F, FAN H Z, Lü C, et al. A review on electro-mechanically systems prognostics[J]. Control Engineering of China, 2011, 18(4): 636-639.

[5] 荊獻勇. 基于智能理論的電子裝備故障預測方法研究[D]. 西安: 空軍工程大學, 2010.

JING X Y. Research on fault prediction method of electronic equipment based on intelligent theory[D]. Xi’an: Air Force Engineering University, 2010.

[6] PIPE K. Practical prognostics for condition based maintenance[C]∥Proc.of the IEEE International Conference on Prognostics and Health Management, 2008.

[7] JIANG D X, LIU C. Condition classification and tendency prediction for prognostics using feature extraction and reconstruction[C]∥Proc.of the IEEE International Conference on Prognostics and Health Management, 2010.

[8] XIANG J W, LIU Y, LUO Z P. Flight safety measurements of UAVs in congested airspace[J].Chinese Journal of Aeronautics, 2016, 29(5):1355-1366.

[9] 孫博, 康銳, 謝勁松. 故障預測與健康管理系統(tǒng)研究和應用現(xiàn)狀綜述[J]. 系統(tǒng)工程與電子技術, 2007, 29(10): 1762-1767.

SUN B, KANG R, XIE J S. Summary on the research and application of fault prediction and health management system[J]. Systems Engineering and Electronics,2007,29(10):1762-1767.

[10] ZHANG L, LI X S,YU J S. A review of fault prognostics in condition based maintenance[C]∥Proc.of the 6th International Symposium on Instrumentation and Control Technology: Signal Analysis, Measurement Theory, Photo-Electronic Technology, and Artificial Intelligence, 2006: 635752-1-6.

[11] GOH K M, TJAHJONO B, SUBRAMANIAN S. A review of research in manufacturing prognostics[C]∥Proc.of the IEEE International Conference on Industrial Informatics,2006:417-422.

[12] KABIR A, BAILEY C, LU H, et al. A review of data-driven prognostics in power electronics[C]∥Proc.of the 35th International Spring Seminar on Electronics Technology, 2012:189-192.

[13] PENG Y, DONG M, ZUO J. Current status of machine prognostics in condition-based maintenance: a review[J]. The International Journal of Advanced Manufacturing Technology, 2010, 50(1/4): 297-313.

[14] 左憲章, 康健, 李浩, 等. 故障預測技術綜述[J]. 火力與指揮控制, 2010, 35(1): 1-5.

ZUO X Z, KANG J, LI H, et al. Overview of fault prediction technology[J].Fire Control & Command Control,2010,35(1): 1-5.

[15] MONTGOMERY N, BANJEVIC D, JARDINE A K S. Minor maintenance actions and their impact on diagnostic and prognostic CBM models[J]. Journal of Intelligent Manufacturing, 2012, 23(2): 303-311.

[16] 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, 14.

LIANG X, LI X S, ZHANG L, et al. Survey of fault prognostics supporting condition based maintenance[J]. Measurement & Control Technology, 2007, 26(6): 5-8,14.

[17] 周林, 趙杰, 馮廣飛. 裝備故障預測與健康管理技術[M]. 北京: 國防工業(yè)出版社, 2015.

ZHOU L, ZHAO J, FENG G F, Equipment failure prediction and health management technology[M]. Beijing: National Defense Industry Press, 2015.

[18] 趙亮, 徐廷學, 韓建, 等. 導彈電子設備故障間隔時間預測方法研究[J]. 艦船電子工程, 2012(7): 101-103.

ZHAO L, XU T X, HAN J, et al. Research on prediction method of missile electronic equipment fault interval[J]. Ship Electronic Engineering, 2012(7): 101-103.

[19] 朱顯輝, 崔淑梅, 師楠, 等. 電動汽車電機故障時間的粒子群優(yōu)化灰色預測[J]. 高電壓技術, 2012, 38(6): 1391-1396.

ZHU X H, CUI S M, SHI N, et al. Particle swarm optimization grey prediction for motor vehicle fault time[J]. High Voltage Technology, 2012, 38(6): 1391-1396.

[20] 馬春陽, 李果. 基于模糊神經(jīng)網(wǎng)絡的設備故障預測研究[J]. 噪聲與振動控制, 2012, 12(6): 33-39.

MA C Y, LI G. Research on equipment fault prediction based on fuzzy neural network[J]. Noise and Vibration Control, 2012, 12(6): 33-39.

[21] 邵新杰,曹立軍,田廣,等.復雜裝備故障預測與健康管理技術[M].北京: 國防工業(yè)出版社, 2013.

SHAO X J, CAO L J, TIAN G, et al. Complex equipment fault prediction and health management technology[M]. Beijing: National Defense Industry Press, 2013.

[22] 段毅, 馬衛(wèi)東, 呂長志, 等. 基于參數(shù)退化法評價功率肖特基二極管壽命[J]. 半導體技術, 2009, 34(1): 92-95.

DUAN Y, MA W D, Lü C Z, et al. Life prediction of power schottky barrier diode based onthe method of parameter degeneration[J]. Semiconductor Technology, 2009, 34(1): 92-95.

[23] 胡海峰, 安茂春, 秦國軍, 等. 基于隱半Markov模型的故障診斷和故障預測方法研究[J]. 兵工學報, 2009, 30(1): 69-75.

HU H F, AN M C, QIN G J, et al. Research on fault diagnosis and prediction based on hidden Markov model[J]. Acta Armamentarii, 2009, 30(1): 69-75.

[24] 田沿平, 葉曉慧, 金川, 等. 耦合隱馬爾可夫在模擬電路故障預測中的應用[J]. 電子測量技術, 2014, 37(10): 135-138.

TIAN Y P, YE X H, JIN C, et al. Application of coupled hidden Markov model in fault prediction of analog circuits[J]. Electronic Measurement Technology, 2014, 37(10): 135-138.

[25] 李生彪. 基于ARMA模型的故障率時間序列預測[J]. 自動化與儀器儀表, 2015(12): 218-219.

LI S B. Time series prediction of failure rate based on ARMA model[J].Automation and Instrumentation,2015(12):218-219.

[26] 朱華進, 陳瑾. 裝備維修備件需求預測模型研究[J]. 艦船電子工程, 2010, 30(9): 147-149.

ZHU H J, CHEN J. Research on demand forecasting model of equipment maintenance spare parts[J]. Ship Electronic Engineering, 2010, 30(9): 147-149.

[27] 李剛, 蔡金燕. 基于加速試驗進行電子裝備故障預測的前期數(shù)據(jù)處理[J]. 電子測量與儀器學報, 2006, 20(5): 26-29.

LI G, CAI J Y. Preliminary data processing of electronic equipment fault prediction based on accelerated test[J]. Journal of Electronic Measurement and Instrument,2006,20(5):26-29.

[28] 馬彥恒,韓九強,李剛.電子裝備加速試驗中的故障預測方法[J].兵工學報,2008,29(7): 834-838.

MA Y H, HAN J Q, LI G. Fault prediction method of electronic equipment accelerated test[J]. Acta Armamentarii, 2008, 29(7): 834-838.

[29] 范庚,馬登武,吳明輝,等.電子系統(tǒng)狀態(tài)時間序列預測的優(yōu)化相關向量機方法[J].系統(tǒng)工程與電子技術,2013,25(9): 2011-2015.

FAN G, MA D W, WU M H, et al. An optimal relevance vector machine method for electronic system state time series prediction[J].Systems Engineering and Electronics,2013,25(9):2011-2015.

[30] LI B, LI X J, ZHAO Z Y. Novel algorithm for constructing support vector machine regression ensemble[J]. Journal of Systems Engineering and Electronics, 2006, 17(3): 541-545.

[31] 尉詢楷,李應紅,張樸,等.基于支持向量機的時間序列預測模型分析與應用[J].系統(tǒng)工程與電子技術,2005,27(3):529-532.

WEI X K, LI Y H, ZHANG P, et al. Analysis and application of time series prediction model based on support vector machine[J]. Systems Engineering and Electronics, 2005, 27(3): 529-532.

[32] 陳君, 彭小奇, 唐秀明, 等. 支持向量回歸機預測誤差校正方法[J]. 系統(tǒng)工程與電子技術, 2015, 37(8): 1832-1836.

CHEN J, PENG X Q, TANG X M, et al. Support vector machine prediction error correction method[J]. Systems Engineering and Electronics, 2015, 37(8): 1832-1836.

[33] 王鋒, 吳曉云, 馬大為. 基于知識發(fā)現(xiàn)的火箭武器研制費用預測[J]. 系統(tǒng)工程與電子技術, 2007, 29(1): 69-72.

WANG F, WU X Y, MA D W. Rocket weapon development cost prediction based on knowledge discovery[J]. Systems Engineering and Electronics, 2007, 29(1): 69-72.

[34] 常春賀, 楊江平, 盧雷. 基于試驗和預計的雷達裝備測試性評估方法研究[J]. 裝備學院學報, 2012, 23(3): 87-92.

CHANG C H, YANG J P, LU L. Research on testability eva-luation method of radar equipment based on test and prediction[J]. Journal of College of Equipment, 2012, 23(3): 87-92.

[35] LI W Y, YAN H H, YAO H J. Application of LS-SVM based on PSO to fault prediction of communication equipment[J]. Microelectronics & Computer, 2013, 30(2): 99-102.

[36] 李文元, 閆海華, 姚宏杰. 粒子群優(yōu)化的最小二乘支持向量機在通信裝備故障預測中的應用[J]. 微電子學與計算機, 2013, 30(2): 99-102.

LI W Y, YAN H H, YAO H J. Application of least squares support vector machine based on particle swarm optimization in fault prediction of communication equipment[J]. Microelectronics & Computer, 2013, 30(2): 99-102.

[37] 楊森,孟晨,王成.AFSA優(yōu)化灰色神經(jīng)網(wǎng)絡的某電源組合故障預測[J].計算機測量與控制,2012,20(10):2648-2650,2653.

YANG S, MENG C, WANG C. Fault prediction of power supply using grey neural network optimized with AFSA[J]. Computer Measurement & Control,2012,20(10):2648-2650,2653.

[38] 董磊,任章,李清東.基于多因子高階模糊變動的飛機操縱面故障趨勢預測[J].中南大學學報(自然科學版),2013,44(S/1):232-237.

DONG L, REN Z, LI Q D. Fault prediction for aircraft control surface damage based on multi-factor high-order fuzzy variation[J]. Journal of Central South University (Science and Technology), 2013,44(S/1):232-237.

[39] 尹樹悅,趙廷弟.系統(tǒng)級故障預測方法初探[J].航空維修與工程,2009(4): 49-51.

YIN S Y, ZHAO T D. A preliminary study of system-level prognostics[J].Aviation Maintenance & Engineering,2009(4): 49-51.

[40] WILKINSON C, HUMPHREY D. Prognostic and health management for avionics[C]∥Proc.of IEEE Aerospace Conference, 2004:6-13.

[41] DAIGLE M, BREGON A, ROYCHOUDHURY I. A distributed approach to system-level prognostics[R]. Proc.of the Annual Conference of the Prognostics and Health Management Society, 2012：1-12.

[42] 尹樹悅, 趙廷第. 系統(tǒng)級故障預測方法初探[J]. 航空與維修工程, 2009(4): 49-51.

YIN S Y, ZHAO T D. A preliminary study of system-level prognostics[J].Aviation Maintenance & Engineering,2009(4):49-51.

[43] 夏明飛, 賈占強, 韓春輝. 基于退化信息融合理論的可靠性預測研究[J]. 遙測遙控, 2011, 32(4): 29-32.

XIA M F, JIA Z Q, HAN C H. Research on reliability prediction based on performance degradation and in-formation fusion[J]. Journal of Telemetry, Tracking and Command, 2011, 32(4): 29-32.

[44] 呂琛. 故障診斷與預測—原理、技術及應用[M]. 北京: 北京航空航天大學出版社, 2012.

Lü C. Fault diagnosis and prediction-principle, technology and application[M]. Beijing: Beihang University Press, 2012.

[45] 曾聲奎. 系統(tǒng)可靠性設計分析教程[M]. 北京: 北京航空航天大學出版社, 2006.

ZENG S K. System reliability design and analysis[M]. Beijing: Beihang University Press, 2006.

[46] 原媛,卓東風.隱半馬爾可夫模型在剩余壽命預測中的應用[J].計算機技術與發(fā)展,2014,24(1):184-187.

YUAN Y, ZHUO D F. Application of hidden semi Markov model in prediction of residual life[J]. Computer Technology and Development, 2014, 24(1):184-187.

[47] 胡昌華, 王志遠, 周志杰. 基于隨機濾波理論的剩余壽命預測方法研究[J]. 系統(tǒng)仿真技術, 2011, 7(4): 83-88.

HU C H, WANG Z Y, ZHOU Z J. Research on residual life prediction method based on stochastic filtering theory[J]. System Simulation Technology, 2011, 7(4): 83-88.

[48] 甘傳付,曹宏炳,黃允華,等.基于FMECA、FTA的故障診斷和故障預報[J].系統(tǒng)工程與電子技術,2002,24(11): 127-130.

GAN C F, CAO H B, HUANG Y H, et al. Fault diagnosis and fault prediction based on FMECA、FTA[J]. Systems Engineering and Electronics, 2002, 24(11): 127-130.

[49] GU J, PECHT M. Prognostics and health management using physics-of-failure[C]∥Proc.of the 54th Annual Reliability & Maintainability Symposium, 2008:1-6.

[50] RAMAKRISHNAN A, PECHT M. Life consumption monitoring methodology for electronic systems[J]. IEEE Trans.on Components and Packaging Technologies,2003,26(3):625-634.

[51] GU J, BARKER D, PECHT M. Prognostics implementation of electronics under vibration loading[J]. Microelectronics Reliability, 2007, 47(12): 1849-1856.

[52] VASAN A S, LONG B, PECHT M. Diagnostics and prognostics method for analog electronic circuits[J]. IEEE Trans.on Industrial Electronics, 2013, 60(11): 5277-5291.

[53] KIRILLOV A, KIRILLOVA O, KIRILLOV S. Algorithmic method of analysis of time series data for definition of prognostic parameters of engine fault[C]∥Proc.of the 3rd IEEE International Conference on Advanced Computer Control,2011:138-142.

[54] Congress highlights of the department of the navy FY 2013 budget, ADA562018[R].Washington,DC:Assistant Secretary of the Navy,2012.

[55] GORSICH D, FISCHER K. Ground vehicle condition based maintenance, TARDEC21146RC[R].Bucharest, Romania: NATO AVT172 CBM Workshop,2010.

[56] TEAL C, SORENSEN D. Condition based maintenance[C]∥Proc.of the 20th Conference on Digital Avionics Systems, 2001: 3B2/1-3B2/7.

[57] STEINBERG D. Vibration analysis for electronic equipment[M]. 3rd ed. New York: Wiley, 2000.

[58] RAMAKRISHNAN A, PECHT M. Life consumption monitoring methodology for electronic systems[J]. IEEE Trans.on Components and Packaging Technologies,2003,26(3):625-634.

[59] 艾玲.時間序列短期預測的方法[D].上海:華東師范大學, 2010.

AI L. Short term forecasting method of time series[D]. Shanghai: East China Normal University, 2010.

[60] 周東華, 孫優(yōu)賢. 控制系統(tǒng)的故障檢測與診斷技術[M]. 北京: 清華大學出版社, 1994.

ZHOU D H, SUN Y X. Fault detection and diagnosis of control system[M]. Beijing: Tsinghua University Press,1994.

[61] KANG J S, ZHANG X H, ZHAO J M, et al. Gearbox fault prognosis based on CHMM and SVM[C]∥Proc.of the International Conference on Quality, Reliability, Risk, Maintenance, and Safety Engineering, 2012: 703-708.