導彈故障預測與健康管理系統關鍵方法研究

劉 月，李 燦，郝利超，張智杰，3

（1.陸軍工程大學石家莊校區，河北 石家莊050000；2.93786部隊，河北 張家口075000；3.68303部隊，青海 格爾木816000）

PHM技術是指利用盡可能少的傳感器采集系統的各種數據信息，借助各種智能推理算法（如物理模型、神經網絡、專家系統等）來評估系統自身的健康狀態，在系統故障發生前對其故障進行預測，并結合各種可利用的資源信息提供一系列的維修保障措施以實現系統的視情維修[1]。綜觀PHM技術的發展，該技術在飛機系統領域得到較為廣泛的應用，而在導彈武器系統/運載火箭系統中并未發現有過應用先例[2]。如何根據導彈裝備的實際特點對其進行健康狀態監測，確定導彈當前的健康狀態并對其進行性能評估和故障預測，進而安排合理的維修保障措施，實現導彈裝備的視情維修，都是嶄新的研究課題[3]。

本文的研究目的就是針對這個問題，著眼當前部隊信息化、智能化轉型建設特點，以部隊現實需求為出發點，依據導彈自身特點，綜合試驗鑒定、測發等過程，通過不同數據傳輸鏈路采集到的導彈大量運行狀態的監測數據，針對導彈武器系統的試驗鑒定、服役使用等階段，利用PHM（Prognostics and Health Management）來研究導彈故障預測與健康管理中的關鍵方法。為建設一套健康狀態評估及性能預測軟件系統提供方法支持，從而創新導彈健康管理層級化、可擴展健康評估與預測模型的構建工具。

1 國內外研究現狀

在導彈領域的研究應用，主要是借鑒飛機的有關研究。在導彈智能檢測方面，北約通過使用RFID系統來監測ESSM（Evolved Sea Sparrow Missile，ESSM）的溫度、濕度、震動、撞擊等數據，對導彈進行監測，極大地節約維修成本的同時，還可以確保導彈存在健康隱患時及時地得到維修，提高了導彈的可靠性，以及武器系統的準確性。美國空軍通過在海爾法II導彈上研究使用掛飛健康監測系統，監測、記錄海爾法II導彈在阿帕奇AH-64D直升機上的掛飛情況，對造成損傷的環境因素進行自動監測和記錄，并為地面上的檢測人員提供檢查依據，可以顯著地降低地勤人員和導彈維修人員的工作量，以及提高維修工作的準確性。在導彈智能診斷系統研究方面，美國陸軍設計的導彈存儲和運輸環境的系統——遙測戰備器材預測/診斷系統（RRAPDS），將溫度、濕度、振動傳感器整合在導彈內部來監測、診斷、預測、分析長時間庫存的導彈的健康狀況，可以對常態環境下的溫度、大氣壓力、濕度和振動等參數進行感知，測試人員可以通過遙測的方式獲取有用的信息，并將信息發送到相關通訊網，減少了導彈武器及其發射平臺等維修保養、供給、運輸和存儲等相關的費用。目前，該系統已被成功地應用在愛國者地空導彈（GEM和AC-3），以及陶氏反坦克導彈中[4]。

在國內PHM技術尚處于研究階段，但其重要性已成為共識。清華大學、北京航空航天大學和上海交通大學等多家院校和研究機構，先后在不同方向對PHM的理論方法和應用技術開展了大量研究工作。北京航空航天大學[5]針對飛行器應用領域的相關算法、模型和管理方式進行了探索性研究，比如基于故障物理的電子系統加速試驗和健康監控。軍方也對PHM技術開展了大量的理論及應用研究，空軍工程大學的張亮等[6]針對我軍新一代作戰飛機的技術特點及其維修保障需求，對機載PHM系統體系結構的各種方案進行了對比分析，提出了一種由模塊/單元層PHM、子系統級PHM、區域級PHM和平臺級PHM等4層集成的層次化體系結構；海軍工程大學呂建偉等[7]對艦船裝備進行了單個裝備、裝備系統和全艦系統的逐級評估，最終得到艦船整體的健康狀態評估結果；空軍雷達學院的王晗中等[8]為克服傳統維修保障方式的缺陷并適應現代雷達裝備維修保障的發展需求，構建了基于PHM的雷達裝備維修保障系統；解放軍炮兵學院的彭樂林等[9]根據無人機系統故障特點建立了系統設備拓撲結構，并構建了無人機PHM系統邏輯體系結構。

雖然國內外各種PHM系統已逐步開始得到應用，但還遠沒有達到工程實用化的程度。如何根據得到的監測數據有效的評估設備的健康狀態，進而實現有效的、準確的健康評估與故障預測，仍需要大量研究工作[10]。

2 關鍵方法研究

2.1 故障預測與健康管理架構研究

故障預測與健康管理總體架構包含底層硬件支撐、核心算法支撐、五大功能模塊以及頂層服務。其中，五大功能模塊包括指標體系構建模塊，針對構建的健康評估模型基于專家知識或數據驅動進行賦權；包括性能評估模塊，基于構建的評估模型和導彈測試參數完成多層次、多維度的健康狀態快速評估；包括評估總覽模塊，對健康評估結果進行直觀可視化展示；包括結構評估模塊，針對不同層次設備和系統在不同場景下的評估結果進行融合；包括故障預報模塊，完成不同層級參數和性能退化趨勢的預測，并結合閾值完成故障預報。

結合測試任務下采集的多型號、多產品、多批次、多單機的實際試驗數據條件，一是實現對頭伺、一伺等典型單機下的閾值指標進行解析配置管理，進而支持單機級性能評估、參數趨勢預測、故障預報等工作開展，并支持用戶對多產品間、多測試日期間的單機性能狀態進行豐富的可視化查看與對比分析；二是實現對測試任務以及整彈產品的指標體系進行交互式框圖建模管理，進而支持場景級、整彈級性能綜合評估、結構評估以及故障預報等工作開展，并支持用戶對多產品間、多測試日期間的場景級、整彈級性能狀態進行豐富的可視化查看與對比分析。

2.2 指標體系構建方法研究

2.2.1 基于專家重要度的權重生成算法

如圖1所示，基于專家重要度的權重生成算法，利用層次分析法的系統性優勢，根據整彈系統級單串聯、并聯、混聯等多種結構層次，結合專家知識給出各單機或組合結構的重要度序列，生成相應單機或系統的權重序列。其中基于層次分析法的權重計算方法，建立整彈系統級及內部單機串聯、并聯、混聯結構框圖（如圖2所示，三角形表示整體間隔標識，必須成對出現），根據專家知識給出各部分重要度。

對于無支路串聯，各單機先并聯，再與其他單機串聯的結構，首先利用層次分析法計算各并聯結構內各單機的權重序列，再由并聯結構整體的重要度根據層次分析法計算出串聯結構各組成部分的權重序列。

對于有支路串聯，各部分并聯后整體串聯的結構，利用層次分析法計算各支路串聯單機的權重序列，再計算并聯結構內部各支路部分的串聯整體或單機的權重序列，最終計算串聯結構各組成部分的并聯整體或單機的權重序列。

圖1 基于專家重要度的權重生成算法流程圖

2.2.2 基于統計分布的自適應閾值生成算法

基于統計數據驅動的自適應閾值生成算法，通過多種典型的概率分布函數與定量的擬合優度檢驗算法，確定擬合實時監測參數效果最優的分布類型，進一步通過確定置信度生成最優分布下的參數閾值。

基于統計分布和優度擬合的自適應閾值生成算法流程如圖3所示。

根據上述基于統計數據驅動的自適應閾值生成算法，得到監測參數的經驗閾值和統計閾值，采用專家打分法賦予兩類閾值相應的權重，采用兩類閾值的加權平均作為整彈核心單機監測參數的實時閾值，從而完成閾值指標的自適應構建，為監測參數的實時異常檢測提供判據。

圖2 基于專家重要度的權重生成算法示意圖

圖3 統計分布閾值生成算法流程圖

2.3 健康評估算法研究

2.3.1 串并混聯結構層級模型的綜合性能評估算法

導彈根據任務計劃需要完成多項測試，基于具體測試場景，根據系統組成單元之間的功能相關性、各個模塊的重要度以及結構重要度，構建描述系統構成以及各單元邏輯關系的層級模型，如圖4所示。

圖4 串并混聯結構層級模型的綜合性能評估算法流程圖

若構成層級模型的各個模塊為串并混聯結構時，且結構中存在并聯結構整體作為層級模型的一個分支，需要在前后為其添加重要度節點，并配置相應的重要度。具體計算方法為：

步驟1：基于并聯結構層級模型的綜合性能評估算法計算并聯結構整體的風險健康度，具體算法為：

步驟2：基于串聯結構層級模型的綜合性能評估算法，計算串并混聯結構整體的風險健康度，即實現串并混聯層級模型的綜合性能評估，具體算法為：

2.3.2 基于自組織映射網絡（SOM）的自適應性能評估算法

基于自組織映射SOM的健康評估方法將當前狀態下提的特征值映射為可度量的物理參量距離功能，支持與以裝備正常狀態特征參數為依據構建健康基線對比度量、自適應評估功能。SOM網絡是一種自組織競爭人工神經網絡，它以無監督競爭學習的方式進行網絡訓練，具有自組織的功能，適用于做最近鄰分類器。自組織映射的學習過程有別于BP網絡，其不需要提前給定任何目標輸出，可以不必知道輸入矢量的類型關系。當輸入矢量輸入到網絡后，網絡利用隨機選取的權值進行計算，并找到獲勝神經元，然后調整權值，用收縮領域和學習因子（隨時間而收縮）的辦法，最終使權值形成一組能映射輸入的數據，當網絡自組織形成時訓練就結束。

該算法的基本思想是網絡競爭層中的各神經元通過競爭來獲取對輸入模式的響應機會，最后剩一個神經元成為競爭的勝利者，并對那些與獲勝神經元有關的各連接全朝著更有利于它競爭的方向調整。

從網絡結構上來說，自組織映射網絡的最大特點是神經元被放置在一維、二維或更高維的網絡節點上。如圖5所示為使用最為普遍的二維網絡模型。輸入層神經個數為m，競爭層由a×b=N個神經元組成的二維平面陣列，輸入層與競爭層各神經元之間實現全連接。該模型包含輸入輸出兩層，而不包含隱含層。在輸入層中有m個輸入節點，其中任一輸入節點用j表示。輸入層接受輸入向量X=[x1，...，xm]T。從空間的角度看，該輸入空間是m維的，輸入節點通過權值wij（i=1，2，...，N；j=1，2，...，m）和網絡的N個神經元相連。將權值wij根據相連的神經元劃分為N個權向量，任一權值向量為Wi=[wi1，wi2，...，wim]T（i=1，2，...，N）。在輸出層分布著網絡的N個神經元，其中任一神經元用i表示，其輸入為。

通過對網絡進行訓練，能夠自動地對網絡的輸入進行分類，從而達到聚類的效果。在訓練開始前，輸出節點被賦予一個很小的隨機權值。輸入樣本后，使輸出節點進行競爭，并調整獲勝節點及其鄰域內節點的權值。訓練完成時，輸出層節點分布能夠較好地保留數據在原空間中的拓撲分布狀況。

針對裝備健康評估，利用正常狀態下的裝備運行參數數據訓練SOM網絡，構建健康狀態基線，訓練次數為100次，訓練維度為[10，10]。將待評估裝備參數數據輸入到訓練好的SOM神經網絡，與健康基線模型對比，通過度量待測數據與健康基線模型的重疊度即可獲取該組待測數據和最佳匹配單元之間的距離，進而獲取最大量化誤差MQE。將MQE歸一化，即可獲取當前狀態下的CV值。CV值為1表示處于健康狀態，CV值越小，表示性能衰退越嚴重。

2.4 故障預測方法研究

2.4.1 基于跟蹤粒子濾波的故障預報模型

在實際預測過程中，由于壽命衰退過程本身存在較大的個體差異，單獨給出狀態估計值的預測方式就會略顯武斷，能夠為制定設備維護決策提供的信息有限，而若能以概率分布的形式給出對未來時刻系統狀態的預測則更容易讓人接受。然而目前主流的大部分預測方法，諸如序貫神經網絡、時序模型等預測手段，往往無法給出預測結果的概率分布，或者其預測區間計算物理意義不明確。

對此，提出一種基于跟蹤粒子濾波的故障預測方法，其同樣采用迭代外推預測手段，在保持預測準確度的基礎上，引入了預測結果的概率密度分布形式，在FXQ故障預測中具有更好的應用價值和物理意義。

基于跟蹤粒子濾波的故障預報模型流程如圖6所示。

圖5 基于自組織映射網絡（SOM）的自適應性能評估算法流程圖

圖6 基于跟蹤粒子濾波的故障預測方法流程圖

2.4.2 基于案例相似度的故障預報模型

對于整彈電氣系統測試數據的預測是以系統的特征作為預測模型的輸入，預測模型直接輸出剩余壽命的預測結果，這類方法不需要提前定義失效準則。特征層的預測方法直接建立特征和剩余壽命的映射關系，主要包括神經網絡方法和基于案例的學習（IBL）的方法等等。本文擬采取IBL/CBR中的基于相似性的預測方法進行的故障預測。

基于相似性的預測方法是一種專門為工程系統壽命預測設計的非參數方法。該方法，首先從歷史訓練樣本中提取大量的退化軌跡，歷史樣本的失效時間是已知的，數據是全壽命的（但初始退化狀態未知），然后將退化軌跡組合在一起形成退化軌跡矩陣；對于待預測樣本，通過計算它和字典中每一退化軌跡的極小距離[距離定義的方式有很多種，擬采用極小加權歐式距離（minimal weighted Euclidean distances）或者其和梯度的組合等等]來比較它和矩陣中每一退化軌跡的相似性（距離測度）；接下來，計算當前測試樣本在每一退化模型（局部模型）中的剩余使用壽命；最后，最終的RUL將由融合多個局部退化模型的RUL預測結果得到，如圖7所示。

圖7 基于案例相似性方法的剩余壽命預測流程圖

3 硬件支撐實現研究

LXI是基于以太網的一種新型測試總線，它的優點在于方便連接，易于實現遠程控制，且費用和成本都低于VXI、PXI和GPIB。基于LXI平臺搭建測試系統，包括機架式服務器、開關和數據采集平臺、多路復用模塊、數字IO模塊、矩陣開關模塊、時序測量模塊、數據輸入輸出接口模塊、數據輸出接口。

數據輸入輸出接口模塊提供健康評估與性能預測軟件與其他系統與軟件的統一接口，以規定的數據接口完成數據傳輸，實現原始數據的讀取與分析結果的輸出共享。與數據分析判讀軟件之間的數據接口，完成整彈各層級、各測試場景、各次任務的判讀測試數據、判讀判據與判讀結果的讀取與調用，提供給健康狀態評估及性能預測軟件的性能評估、評估總覽等模塊，支持后續健康評估與性能預示等算法實現與軟件功能實現。與TDM（test data managerment）系統之間的數據接口，完成系統數據庫內原始測試數據的讀取與調用，提供數據判讀軟件中未覆蓋到而本系統需要調用的數據，支持后續健康評估與性能預示等算法實現與軟件功能實現。

數據輸出接口，具備向其他系統提供分析結果的能力。軟件系統的分析結果，包括構建得到的健康基線、關鍵參數級健康評估結果、核心單機級健康評估結果、系統級健康評估結果、整彈級健康評估結果；以及各級別參數與健康度趨勢預測結果和核心單機級、場景級、整彈級等結構指標構建結果，統一由數據輸出接口完成向外部軟件的傳輸。

4 結束語

本文提出的導彈健康評估與故障預測的關鍵方法，包括架構設計、指標體系構建算法、健康評估算法和故障預測算法，全面考慮了彈上控制系統與地面控制系統工作特點，基本能滿足導彈故障預測與健康管理要求，難點是彈上PHM技術應用實現。未來隨著導彈試驗數據采集、存儲、管理等能力的持續成熟與發展，可在當前試驗鑒定支持軟件體系下，進一步結合統計閾值自適應生成、性能健康基線模型、時序深度模型等先進算法技術，實現更加自適應的指標體系管理，以及更加精確、自主、智能的導彈狀態評估與故障預測。