面向狀態評估的裝備測試數據處理

安 進，徐廷學，李 凱，王瑞奇

（1. 海軍航空工程學院，煙臺，264001；2. 93968部隊，烏魯木齊，830075）

0 引 言

狀態評估是裝備狀態監測和基于狀態的維修（Condition based Maintenance，CBM）工作的中心環節，而測試參數收集與處理則是決定狀態評估效率和準確性的基礎[1]。由于測試技術手段限制以及人員、管理等因素影響，通過測試設備自動或人工獲取的初始測試數據存在種類多樣、量綱不一、數據冗余、維數災難、不完備等問題[2]。目前研究中對測試參數處理多為針對單項問題的單一處理，缺乏系統方法和完整過程；在實際操作中多依據專家判斷或操作人員主觀意見進行簡單增刪、選擇。

本文首先將測試參數分為開關量和模擬量兩類數據，針對模擬量參數數據進行初步處理，之后對數據作歸一化操作，在此基礎上，分別運用改進的時間序列算法對數據進行完備化處理、采用主成分分析法提取狀態評估關鍵參數，最后通過算例證明數據處理完整過程的有效性，處理后的裝備測試數據可更加有效應用于裝備狀態評估。

1 測試參數分類

隨著狀態監測和CBM工作需求的提高，各類裝備檢測設備和手段得以發展。新列裝裝備均配備相應的分系統和整裝測試設備。現有測試設備條件下，測試參數主要由開關量性能特征參數及模擬量性能特征參數組成[3]。

1.1 開關量性能特征參數

開關量性能特征參數是指測試值只能表現為工業部門規定的標準值或特定的故障值的性能特征參數，即當開關量性能特征參數測試結果正常時，其測試值表現為固定的標準值；當開關量性能特征參數測試結果故障時，其測試值表現為相應的故障值。由于開關量性能特征參數的測試值只能取既定的“開關量”，因而難以利用開關量性能特征參數來表現裝備的狀態退化情況，因而主要用于裝備兩狀態的初步判定。

1.2 模擬量性能特征參數

模擬量性能特征參數是指測試值可在規定閾值范圍內連續取值或在規定閾值范圍外任意取值的性能特征參數，即當模擬量性能特征參數測試結果正常時，其測試值可為規定閾值范圍內的任意數值；當模擬量性能特征參數測試結果故障時，其測試值可為規定閾值范圍外的某一故障值。由于測試結果正常的模擬量性能特征參數可在規定閾值范圍內任意取值，因而可利用模擬量性能特征參數測試值偏離標準值的程度來表征模擬量性能特征參數當前的狀態。

2 數據預處理

2.1 測試信息初步處理

裝備測試信息存在冗余性，會導致后續狀態評估、故障診斷和質量監測等工作在時間和空間上的浪費。測試信息清洗的目的是刪除與研究對象無關或無影響的信息，從而減少存儲空間。假定測試設備測試數據完全有效，出現超差測試信息時，可直接判定裝備故障并進行相應處理；只有正常測試信息可反映非故障狀態下的裝備狀態。因此可將超差測試數據和正常測試信息進行分類，分別作為故障診斷和狀態評估的依據。另一方面，在進行某些分系統或關鍵部件的狀態評估時，同樣需要對測試數據進行清洗，去除無關數據，提高狀態評估效率。

測試信息合成與整理主要是對重復信息進行處理，進一步減少存儲空間。例如超差測試信息中可能存在兩次或兩次以上測試信息對應的故障部件和超差測試參數相同的情況，信息的合成在于消除重復記錄，每次記錄時比較該條信息與信息庫已有的超差測試信息是否相同，若相同，則將該超差測試信息記錄的出現次數加1；否則，記錄新的超差測試信息的故障部件與該部件相關的所有測試參數。

2.2 歸一化處理

裝備狀態可通過相應測試結果遠離工業部門給出的規范值的大小進行表征，其遠離工業部門給出的規范值越遠，狀態退化越嚴重。各性能特征參數的量綱、閾值范圍等基本均不相同，通過測試得到的各狀態參數偏離標準值的大小也差異甚大，因而為便于下一步狀態評估中對各性能特征參數進行狀態融合，需對各性能特征參數的測試數據做歸一化處理，利用歸一化值對性能特征參數的狀態進行表征。在歸一化各性能特征參數測試數據的過程中，可令歸一化值隨著性能特征參數測試數據偏離標準值程度的加大而增大、縮小而減小，此時歸一化值可以較好地反映出相應性能特征參數的當前狀態。

設有n個測試參數，則第 i(i = 1,…, n )個參數的歸一化值iλ為

3 測試參數完備化處理

由于測試設備、人為因素等原因，測試參數往往存在缺失的情況，稱為不完備測試信息。不完備性影響可靠性與正確率，如果將不完備測試信息進行簡單地刪除處理，可能會丟失有用的狀態信息，導致結果錯誤，因此，需要保留這些不完備信息，并將這些信息中的缺失值用“*”標記出來。

3.1 測試參數完備化

對不完備知識表達系統進行完備化處理時，主要有擴展法、刪除法和補齊法3類方法[4～6]。補齊法（填充法）作為其中主流方法是利用已有的歷史數據或經驗值，采用一定方法對缺失值進行推導、填充，使其完備化。專家估值法、基于上下近似集的空值填補法、均值補齊法、組合補齊法等都是目前常用的信息補齊法。其中，討論較多的是均值補齊法和組合補齊法。

對于裝備來說，由于定期測試與任務測試交叉，測試數據大多不連續，且測試間隔時間不固定。本文采用基于改進時間序列的方法對不完備信息進行填充。假定裝備狀態變化符合如圖1所示的狀態退化規律[7]，則采用如圖 2所示的測試參數時間序列變化函數。和根據裝備的實際退化數據及專家經驗確定得到。

圖1 裝備性能狀態退化Fig.1 State of Equipment Performance Degradation

圖2 時間序列函數Fig.2 Time Sequence Function DiagramT—裝備服役時間；K—測試值偏離程度，即實際測試參數值與標準值之差

若t1時間測試數據偏離程度為k1，則可將t2時間的缺失測試數據偏離程度補全為

則缺失測試值可補全為

式中 B表示該項測試參數的標準值。

3.2 基于主成分分析法的參數優化

測試設備的發展使得可獲取的狀態信息急劇膨脹，以某型導彈為例，可獲取的模擬量性能特征參數就有400多項，多次測試累積造成的數據維數增加造成狀態評估的輸入維數災難問題，這就使得測試參數指標優化成為狀態評估前的必要步驟。

關于指標的優化問題，國內外許多專家學者分別從主客觀兩個方面進行了大量的研究工作，除了基于主觀偏好進行篩選以外，在客觀方面的理論研究成果重點聚焦消除指標的相關性方面[8]。目前在各類方法中，主成分分析方法因其原理簡單，優化效率高，易于軟件實現等特點，得到廣泛應用。

主成分分析法是將多個指標轉化為少數幾個綜合指標的一種多元統計分析方法，這些綜合指標是互不相關的[9]。設有n個樣本，即裝備的n次測試結果，每個樣本由p個指標描述，可得原始數據矩陣：

系數由下列原則確定：

對于新的綜合指標來說，有：

通過上面的轉換過程，可以確定的綜合指標iF稱為原始指標的主成分。這樣，原始指標所包含的較大部分的信息量就可以用前邊的一部分不相關的主成分進行反映。進而在分析和解決原始問題的過程中，指標的維數得以減少，當數據組數增大時，可以避免維數災難的問題。

因而，前k個主成分的方差貢獻率為

指標綜合一般是采用加權算術平均的方法，權重則選用各主成分的方差貢獻率進行確定，即：

進一步可以得到各樣本的綜合評估值，并以此作為比較和排序分析的依據。

4 實例分析

某型裝備某分系統的6次測試數據如表1所示。

表1 某分系統測試數據Tab.1 Test Data Sheet

4.1 初步處理

對表1中的數據進行初步篩查，發現第3年測試得到的參數2為30.021，超過誤差限，屬于故障數據，因此應予以剔除，加入故障統計數據集進行后續處理；同時，測試2結果與測試5結果完全相同，存在數據冗余，應予以合并處理，這里僅保留測試2結果。綜上，初步處理后的數據表為剔除了測試3數據和測試5數據的數據表。

4.2 歸一化處理

按照式（1）將原始指標數據進行標準化處理，得到歸一化后的測試數據如表2所示。

表2 歸一化的測試數據Tab.2 Normalized Test Data

4.3 完備化處理

如表2所見，測試4中的參數5為不完備信息，采用本文方法進行缺失信息的補全。根據歷史數據和專家經驗，這里取和分別為（2，0.05）和（10，0.75），得到補全值為0.944，填入表格中。

4.4 參數優化

將各變量約束條件及數據輸入到SPSS軟件中，由于主成分分析法要求變量是正向的[10]，因而首先進行正向性檢驗，系數相關矩陣結果顯示該組數據可以進行主成分分析。設置最大收斂性迭代次數為 25，在SPSS中開始進行主成分分析。根據表3所示“解釋的總方差”及圖3所示“主成分碎石圖”可見，前兩個主成分的累積貢獻率達到 90.788%，其所構成的矩陣可對初始評估指標進行闡釋。

表3 解釋的總方差Tab.3 Accumulated Variance

圖3 主成分碎石Fig.3 Principal Component Scree Plot

進一步可得到2個主成分的系數矩陣，如表4所示。

表4 主成分矩陣Tab.4 Principal Component Matrix

基于主成分分析法進行指標優化，將8個測試參數降為 2個主成分，有效降低狀態評估維數，且降低指標間的相關性，使后續狀態評估更加簡潔高效。

5 結束語

通過對裝備測試模擬量參數的清洗、合成與整理和歸一化處理，基于時間序列和狀態變化函數對缺失數據進行補全，保證狀態評估指標數據來源的完備性，并且通過主成分分析對狀態指標進行降維處理，為后續狀態評估指標體系構建、模型建立以及評估和監測決策工作的開展提供基礎條件。同時，對裝備測試數據的規范化處理有利于裝備全壽命數據庫的構建，從而促進裝備質量管理工作進一步向智能化、在線化邁進。