預測與健康管理技術在飛行器飛控系統中的應用研究

馬波 劉慧宇 陳銀超 謝磊 楊朝旭

摘 要：預測與健康管理（PHM）技術在飛行器中的應用對于提高飛行器可靠性、保障飛行安全、降低維修保障費用都具有重要意義。本文開展了飛控系統區域級PHM系統的研究工作，并給出了飛行器平臺級PHM系統的整體結構;然后對PHM系統中的故障診斷和剩余壽命預測技術進行了介紹。最后，以飛控系統中的關鍵部件副翼作動器為例，建立了成員級PHM系統，概述了系統故障診斷方法和剩余壽命預測方法。經過副翼作動器運行數據和壽命數據的驗證，表明這兩種方法都具有很好的效果。

關鍵詞：PHM系統;飛控系統;副翼作動器;故障診斷;預測

中圖分類號：TJ765

文獻標識碼：A

文章編號：1673-5048（2020）06-0091-06

0 引? 言

隨著我國航空工業的迅速發展，飛行器的功能、結構日趨復雜。人們對于飛行器的可靠性、飛行安全性和維修保障等問題給予越來越高的關注。飛行器安全關鍵系統是指不正確的功能或失效會導致災難性后果的系統，如飛控系統、發動機系統和剎車系統等[1]。

飛行器安全關鍵系統如果在飛行過程中發生故障，為了將故障影響降到最低，需要對其開展實時的狀態監測和故障診斷，以便及時完成故障確認和隔離。駕駛員可以根據故障結果報告對機載系統進行重構和任務降級，從而有效防止故障蔓延，確保飛行安全[2]。

故障預測與健康管理（prognostics and health management，PHM）技術是一種提高裝備可靠性、安全性、維修性和經濟可承受性的關鍵技術。PHM技術具有狀態監測、故障診斷、壽命預測和健康管理等功能，實現了由傳統的定期維修和預防性維修向基于狀態的維修的轉變。在飛行器關鍵系統中使用PHM技術，對于提高飛行安全性和降低維修保障費用具有十分重要的意義。

1 PHM技術簡介

PHM技術，是指首先在設備關鍵部位上安裝先進的傳感器，以獲取與設備狀態信息有關的大量原始數據，然后對原始數據進行去噪、特征提取等預處理，去除干擾影響，凸顯故障特征，進一步利用各種算法和智能模型實現設備的故障診斷隔離和剩余壽命預測，最后對設備健康狀態進行科學評估，并結合維修資源情況制定合理的維修方案[3]。

PHM技術可以實現對設備的狀態監測、故障診斷隔離、剩余壽命預測、健康狀態評估和維修策略制定等功能，對設備的可靠性、安全性、維修性和經濟可承受性都有顯著的提高。飛行器在飛行過程中所處的環境是惡劣

且多變的，通過PHM技術實現對飛行器各類運行參數和各部件運行狀況的實時監控，可以采取積極主動的措施

來應對突發情況，保證飛行任務的完成。綜合的飛行器PHM系統可逐層分為飛行器平臺級、區域級和成員級三個層級。通過成員級的故障診斷隔離，可以在故障發展為區域級、災難性故障之前提前預警，方便駕駛人員主動采取應對措施或進行任務降級，保障飛行安全。結合故障診斷信息和剩余使用壽命等預測信息，可以對飛行器的健康狀態進行科學評估，實現視情維修。這極大地避免了傳統的定期維修方式帶來的潛在風險（維修間隔內出現故障）或額外維修（維修時無故障），提高了維修保障效率，降低了維修保障費用[4]。

PHM技術在飛行器領域的應用始于20世紀50年代時英美等西方國家對航空飛行器故障診斷技術的研究;從最開始的機內自檢測（build in test，BIT）技術，逐漸發展為飛行器綜合健康管理（integrated vehicle health ma-nagement，IVHM）技術。如今，IVHM技術在不同類別的飛行器中都得到了應用，如民用飛機的機載維護系統、戰斗機的健康管理系統和直升機的健康與使用監測系統[5]。隨著飛行器的進一步發展，飛行器對可靠性和維護性的要求也逐漸增強，PHM技術將得到更為廣泛和深入的應用。

2 飛控系統的PHM系統設計

2.1 PHM系統構架

飛控系統是飛行器的安全關鍵系統，根據視情維修開放式體系結構建立飛控區域級PHM系統。飛控區域級PHM系統由7個不同層次的功能模塊構成[6]：

① 數據獲取層：收集各傳感器采集到的監測數據和飛控系統的各種測量數據，將數據經過解析、篩選、對齊等操作后傳輸到數據處理層。

② 數據處理層：對接收到的數據進行去噪、融合、故障特征提取等預處理，去除干擾影響，凸顯故障特征。

③ 狀態監測層：對可以表征飛行器運行狀態的關鍵參數進行實時監測，通過與故障閾值比較獲得相應的狀態指示結果，并提供告警信息。

④ 診斷預測層：融合各傳感器采集的數據，完成故障定位與隔離，并獲得剩余使用壽命信息。

⑤ 健康評估層：結合操作狀態、負荷和歷史故障信息，綜合狀態監測層和診斷預測層的結果，評估系統整體健康狀態，并預測健康狀態未來發展趨勢。

⑥ 決策支持層：根據健康評估和預測的結果，適當調整飛行計劃以完成目標任務或提前結合維修資源制定維修策略。

⑦ 顯示層：人機交互界面接收數據，對實時監測、診斷、預測、評估的結果進行顯示，方便操作人員及時獲取運行狀態信息。

飛行器的PHM系統，邏輯上采用分層智能推理結構，分為飛行器平臺級、區域級、成員級三個層級[7]，如圖1所示。飛控系統由眾多部件組成，針對其中的關鍵部件如加速度計組件、副翼、垂尾等建立成員級PHM系統，可以獲取關鍵部件的實時運行狀況和故障信息，并直接提交給飛控區域級PHM系統。飛控區域級PHM系統對收集到的各成員級PHM信息進行區域級故障模式及傳播影響分析、典型系統性能退化趨勢分析、PHM信息融合及健康評估研究，最終得到飛控區域級PHM分析結果，并傳送給更高層級的飛行器平臺級PHM系統。飛行器平臺級PHM系統接收各區域級PHM系統的信息，并通過智能信息融合和綜合推理最終得到飛行器整體PHM分析結果。

2.2 PHM系統關鍵技術

2.2.1 故障診斷技術

飛控系統的各主要部件是飛控指令的最終實施部件，對飛控系統的正常運行起到非常關鍵的作用，因此對其進行故障診斷是十分必要的。目前，針對飛行器部件的故障診斷方法可大致分為三類：基于知識的、基于模型的和基于數據驅動的故障診斷方法[8-11]。

基于知識的故障診斷方法引入了待診斷部件的許多知識和故障信息，通過知識和經驗判斷部件是否故障及故障模式。常用的基于知識的故障診斷方法有：基于模糊推理的方法和基于知識庫的方法。基于模糊推理的故障診斷方法是根據模糊集合征兆空間與故障狀態空間的某種映射關系，通過征兆來判斷故障。它利用模糊邏輯的概念闡述設備故障現象與故障產生原因之間的模糊關系，并利用模糊集合論中的元素隸屬度和模糊關系方程，解決故障診斷問題。基于知識庫的故障診斷方法的基本原理為：知識庫管理診斷對象的知識，將其提取到故障規則集，當實際信息與故障規則的某部分相匹配時，則可對應到相應故障。此類方法的難點在于如何獲取對象部件的故障知識。而且隨著故障知識的累積，要不斷對診斷方法進行更新以提高診斷正確率。

基于模型的故障診斷方法的核心思想是構建一個模型來估計待診斷部件的正常輸出值，用部件的真實輸出值和估計輸出值進行比較形成殘差。當部件正常工作時，殘差理論上為零;而當部件發生故障時，殘差非零。最后從殘差信號中提取故障特征并通過相應的故障診斷算法實現故障診斷。常用的模型通常有兩種：數學模型和觀測器。數學模型是基于部件的控制方程建立的能完整描述部件控制回路的精確模型。觀測器則是對作動器輸入輸出間非線性關系的一種擬合，常用的觀測器有卡爾曼濾波器、神經網絡等。這類方法基于對象部件的工作特性，診斷邏輯清晰，有利于及時、準確地實現故障診斷。其局限性在于診斷結果很大程度上依賴于建立的模型，在實際應用中建模誤差、不確定性擾動等因素都會對診斷結果產生影響。對于模型很難建立的復雜對象，此類方法難以得到應用。

基于數據驅動的故障診斷方法直接依賴于對象部件的監測數據進行故障診斷。它首先采用數據處理方法對數據進行故障特征提取，然后運用不同的分類方法如神經網絡、支持向量機等對故障數據進行分類，以達到故障診斷的目的。為了實現較好的故障診斷結果，需要對監測數據進行恰當的處理，對分類器進行良好的訓練。此類方法不需要對象部件的先驗知識，監測數據可通過傳感器方便獲取，適用于大部分對象部件。隨著人工智能技術的快速發展，此類方法得到了廣泛的應用，各類神經網絡如Elman神經網絡[12]、概率神經網絡[13]、自組織映射神經網絡[14]等都被應用到了故障診斷中。

2.2.2 剩余壽命預測技術

剩余壽命（remaining useful life，RUL）預測技術作為PHM核心技術之一，能夠為系統自主健康管理與維護、自主式保障等提供評估系統狀態的決策信息，具有重要的實際應用價值。RUL預測方法可分為三類：基于物理模型、基于知識和基于數據驅動的RUL預測方法[15-17]。

基于物理模型的RUL預測方法通過建立系統工作機理模型，并結合系統的在線監測數據，實現對象系統的RUL預測。這一類方法主要用于物理模型容易描述的對象系統，代表性應用為機械部件，如通過構建裂紋擴展物理模型實現機械部件的RUL預測。基于物理模型的RUL預測方法的主要優點在于它與系統機理密切相關，能夠深入分析系統本質特性;并通過結合系統的實時監測狀態信息，易獲得較精確的RUL預測結果。但是隨著系統和設備的日益復雜，系統各功能部件之間存在大量的耦合關系，通常無法或者難以獲得系統的物理解析模型，導致基于物理模型的RUL預測方法難以得到廣泛應用。

基于知識的RUL預測方法利用已知的先驗知識建立知識庫，根據知識庫模型實現對象系統的RUL預測，典型方法包括專家系統和模糊邏輯。該類方法的局限性在于知識庫的豐富程度直接決定了RUL的預測精度。而在實際應用中，系統知識往往難以獲取，并且將已獲取的系統知識轉化為符合系統運行的特定規則也比較困難，因此，基于知識的RUL預測方法不能廣泛應用。

基于數據驅動的RUL預測方法從監測數據中獲取與系統屬性相關的特征參數，并將這些特征參數與對象系統退化行為相關聯，借助智能算法和模型進行檢測、分析和預測，獲得對象系統的RUL預測結果。這類方法主要優點在于：不需要系統物理模型參數作為輸入數據，為難以構建物理模型的系統RUL預測提供了解決辦法;具有較好的方法基礎支撐，統計模型和機器學習方法為監測數據挖掘提供了多種方法;實施過程相對簡單，只需處理含有系統退化的相關數據，適用于在線應用。隨著傳感器技術、網絡技術、大容量存儲技術和計算機技術的發展，可用系統監測數據類型日益豐富，支撐的數據建模分析方法也日益完備，這些因素都為數據驅動方法的進一步發展和完善提供了條件。

3 飛控系統典型部件的PHM應用

在組成飛控系統的眾多部件中，副翼作動器是飛控指令的重要執行部件，一旦發生故障將會對飛行安全產生嚴重威脅，且副翼作動器的故障率在飛控系統中相對較高，因此對其進行狀態監控和故障診斷對于保障飛行安全具有十分重要的意義。傳統的副翼作動器故障診斷主要依靠機內測試來完成，此類檢測的虛警率較高，且故障難以復現，給維修工作帶來了一定的困難。為保障飛行安全、降低虛警率和減少維護成本，需要采用更為先進的PHM技術。通過PHM技術進一步對副翼作動器的RUL進行預測，能更為主動地掌握作動器的當前和未來的健康狀態，提前合理安排維修計劃[18]。對副翼作動器建立成員級的PHM子系統，其核心內容為故障診斷和壽命預測。

3.1 故障診斷

副翼作動器的故障模式眾多，不可能對所有故障模式都進行診斷分析，需要對那些故障發生概率高或故障嚴酷度高的故障模式開展診斷研究。因此，在對作動器開展故障模式影響及危害性分析調研的基礎上，梳理出7種需要診斷的關鍵故障模式，如表1所示。

Zhang Shaojie，Li Zhengqiang，Hai Xiaohang，et al. Safety Critical Systems Design for Civil Aircrafts by Model Based Systems Engineering[J]. Scientia Sinica Technologica，2018，48（3）：299-311. （in Chinese）

[2] 王少萍. 大型飛機機載系統預測與健康管理關鍵技術[J]. 航空學報，2014，35（6）：1459-1472.

Wang Shaoping. Prognostics and Health Management Key Techno-logy of Aircraft Airborne System[J]. Acta Aeronautica et Astronautica Sinica，2014，35（6）：1459-1472. （in Chinese）

[3] 年夫順. 關于故障預測與健康管理技術的幾點認識[J]. 儀器儀表學報，2018，39（8）：1-14.

Nian Fushun. Viewpoints about the Prognostics and Health Management[J]. Chinese Journal of Scientific Instrument，2018，39（8）：1-14. （in Chinese）

[4] 吳明輝，許愛強，戴豪民. PHM技術在綜合航空電子系統中的應用[J]. 兵工自動化，2013，32（4）：72-77.

Wu Minghui，Xu Aiqiang，Dai Haomin. Application of PHM Technic in Integrated Avionics Electronic System[J]. Ordnance Industry Automation，2013，32（4）：72-77. （in Chinese）

[5] 李興旺，汪慧云，沈勇，等. 飛機綜合健康管理系統的應用與發展[J]. 計算機測量與控制，2015，23（4）：1069-1072.

Li Xingwang，Wang Huiyun，Shen Yong，et al. Application and Development of Integrated Vehicle Health Management System in Aviation Field[J]. Computer Measurement & Control，2015，23（4）：1069-1072. （in Chinese）

[6] 羅榮蒸，孫波，張雷，等. 航天器預測與健康管理技術研究[J]. 航天器工程，2013，22（4）：95-102.

Luo Rongzheng，Sun Bo，Zhang Lei，et al. Analysis of PHM Technology for Spacecraft[J]. Spacecraft Engineering，2013，22（4）：95-102. （in Chinese）

[7] 上海航空測控技術研究所. 航空故障診斷與健康管理技術[M]. 北京：航空工業出版社，2013：38-43.

Shanghai Aero Measurement & Control Technology Research Institute. Aviation Fault Diagnosis and Health Management Technology[M]. Beijing：Aviation Industry Press，2013：38-43. （in Chinese）

[8] Bobrinskoy A，Cazaurang F，Gatti M，et al. Model-Based Fault Diagnosis of a Flight-Critical Actuator[C]∥ Recent Advances in Aero-space Actuation Systems and Components Conference，2014：84-89.

[9] 胡良謀，曹克強，徐浩軍，等. 支持向量機故障診斷及控制技術[M]. 北京：國防工業出版社，2011：4-13.

Hu Liangmou，Cao Keqiang，Xu Haojun，et al. Support Vector Machine Fault Diagnosis and Control Technology[M]. Beijing：National Defense Industry Press，2011：4-13. （in Chinese）

[10] Liu H M，Li D，Lu C，et al. Fault Diagnosis for a Hydraulic Servo System Using Wavelet Packet and Neural Network[C]∥ World Congress on Intelligent Control and Automation，2016：1981-1965.

[11] 陳皓. 基于RBF神經網絡的副翼促動器故障檢測方法[J]. 控制工程，2018，25（12）：2245-2250.

Chen Hao. The Research of Fault Detecting Method for Aileron Actuator Using RBF Neural Network[J]. Control Engineering ofChina，2018，25（12）：2245-2250. （in Chinese）

[12] Liu H M，Wang S P，Ouyang P C. Fault Diagnosis Based on Improved Elman Neural Network for a Hydraulic Servo System[C]∥IEEE Conference on Robotics，Automation and Mechatronics，2016：1-6.

[13] Liu H M，Jing J Y，Ma J. Fault Diagnosis of Electromechanical Actuator Based on VMD Multifractal Detrended Fluctuation Analysis and PNN[J]. Complexity，2018（2）：1-11.

[14] Lu C，Yuan H，Ma J. Fault Detection，Diagnosis，and Perfor-mance Assessment Scheme for Multiple Redundancy Aileron Actuator[J]. Mechanical Systems and Signal Processing，2018，113：199-221.

[15] Hu Y W，Liu S J，Lu H T，et al. Remaining Useful Life Model and Assessment of Mechanical Products：A Brief Review and a Note on the State Space Model Method[J]. Chinese Journal of Mechanical Engineering，2019，32（1）：1-20.

[16] 裴洪，胡昌華，司小勝，等. 基于機器學習的設備剩余壽命預測方法綜述[J]. 機械工程學報，2019，55（8）：1-13.

Pei Hong，Hu Changhua，Si Xiaosheng，et al. Review of Machine Learning Based Remaining Useful Life Prediction Methods for Equipment[J]. Journal of Mechanical Engineering，2019，55（8）：1-13. （in Chinese）

[17] 李超. 基于監測數據的機械設備剩余壽命預測研究[D]. 大連：大連理工大學，2014.

Li Chao. Research on Remaining Useful Life Prediction of Mechanical Equipment Based on Monitoring Data[D]. Dalian：Dalian University of Technology，2014. （in Chinese）

[18] 于勁松，劉浩，張平，等. 航空機電作動器健康管理驗證系統研究[J]. 計算機測量與控制，2014，22（6）：1835-1838.

Yu Jinsong，Liu Hao，Zhang Ping，et al. Study on Validation System of Prognostic and Health Management System for Aviation Electromechanical Actuator[J]. Computer Measurement & Control，2014，22（6）：1835-1838. （in Chinese）

[19] Liu L S，Wang S J，Liu D T，et al. Entropy-Based Sensor Selection for Condition Monitoring and Prognostics of Aircraft Engine[J]. Microelectronics Reliability，2015，50（9）：2092-2096.

Research on Application of Prognostics and Health Management

Technology in Aircraft Flight Control System

Ma Bo1，2，Liu Huiyu3*，Chen Yinchao2，Xie Lei 2，Yang Chaoxu2

（1. Aviation Key Laboratory of Science and Technology on Fighter Integrated Simulation，Chengdu 610065，China;

2. Chengdu Aircraft Design & Research Institute，AVIC，Chengdu 610065，China;

3. School of Aeronautics and Astronautics，Sichuan University，Chengdu 610065，China）

Abstract：The application of prognostics and health management （PHM） technology in aircraft is of great significanceto improve reliability，ensure flight safety，and reduce maintenance costs.

Firstly，research onthe regional PHM system of flight control system is carried outand the overall structure of the aircraft PHM system is given. Then，the fault diagnosis technology and remaining useful life prediction technology in the PHM system are introduced. Finally，a member-level PHM subsystem is established for the aileron actuator，which is a key component of the flight control system，and the core contents of the PHM subsystem，includingthe fault diagnosis method and the remaining useful life prediction method，are summarized. Through the verification of aileron actuator operating data and life data，the results show that both methods have good results.

Key words：PHM system;flight control system;aileron actuator;fault diagnosis;prediction

收稿日期：2020-05-20

基金項目：國防基礎科研項目（JCKY2016205A004）

作者簡介：馬波（1985-），男，重慶人，高級工程師，研究方向是飛行器管理與控制技術研究。

通訊作者：劉慧宇（1995-），女，湖南邵陽人，研究方向是裝備狀態監測與故障診斷。E-mail：lhyyoga@163.com