軍用裝備液壓系統性能衰退預測技術研究綜述

宋新成，王崴，楊潔，劉海平，王慶力，郝俊杰

(空軍工程大學，陜西西安 710051)

0 前言

液壓系統是軍用裝備重要的伺服驅動系統。其可靠性程度對整機的可靠性影響很大,可靠性差的軍用裝備系統,不但不能發揮其預期的作戰或保障效能,而且可能直接因它而導致戰場失利。

液壓系統性能衰退預測技術是故障診斷、故障預測、壽命預測的基礎，對選取適當的維修和保養方式、提升液壓系統可靠性具有十分重要的意義。

如圖1所示，某裝備的液壓系統故障模式中，內泄漏、外泄漏、堵塞和漏氣均與液壓元件性能衰退有關，合計占比達到了79.7%，其他故障模式一定程度上也與液壓系統性能衰退存在間接關系。

圖1 某裝備液壓系統故障模式餅狀圖

液壓系統性能衰退預測技術始于20世紀70年代，1977年，TESSMANN和MARONEY運用鐵譜分析技術，將污染物磨損試驗過程中產生的磨屑與液壓泵性能下降聯系起來，論證了產生的磨屑與此類部件性能衰退的關系。1978年，ODSELL又對車輛懸架部件性能衰退進行了研究。1984年，國內才有了相關的研究，毛瑞玲對5080丁睛橡膠在航空煤油中性能衰退開展了初步的研究；1992年，李珈、陶增元建立了某型飛機發動機的翻修性能衰退的數學模型,并對性能衰退的發展趨勢進行了預測；1997年，唐慶如對燃氣渦輪發動機的性能衰退進行分析；1998年，ZHAO等建立了機械設備通用的性能衰退模型。這些之前的研究整體上不夠深入，系統性不強，對液壓系統的性能衰退預測主要集中在實驗結果分析，在預測模型的建立、預測方法的應用上比較單一。

20世紀以后，美國威斯康辛大學、密西根大學及工業界近40家企業，在美國國家自然科學基金的資助下，于2001年共同成立美國智能維護系統中心(Center for Intelligent Maintenance Systems,IMS Center)。該機構對基于主動維護模式(Predict And Prevent，PAP)的智能維護技術與方法開展了廣泛的研究。智能維護技術的關鍵就是利用性能衰退預測方法，結合互聯網、非接觸式通信技術和嵌入式智能電子技術等優勢，維護設備達到幾乎零故障停機的運行性能或生產效率。液壓系統因此也進入了快速發展時期。隨著模糊理論、灰色理論、人工智能等理論的應用，液壓系統性能衰退預測技術進展頗大。

這里根據分支方向對其進行介紹，然后對該技術在軍用裝備方面的應用進行舉例，最后探討該技術存在的不足和未來的發展方向。

1 液壓系統性能衰退預測研究現狀

裝備液壓系統性能預測是依據現有情況，推演預測性能衰退變化情況，為故障診斷和預測以及壽命預測打下基礎。與傳統模型不同，性能衰退模型需要更高的靈敏度來描述各種性能退化階段。

隨著計算機技術和人工智能技術的發展，遺傳算法、神經網絡、專家系統等智能預測技術逐步應用到液壓系統性能衰退預測領域，主要衍生出了統計預測技術、數學預測技術、智能預測技術三大類預測方法，具體分類如圖2所示。

圖2 液壓系統性能衰退預測技術分類

1.1 統計預測技術

1968年HEWETT首次提出，統計預測對壽命試驗與可靠性增長試驗有重要的指導作用。該技術通過對大量資料進行分析，預測系統變化趨勢，進而實現對故障的診斷。統計預測技術包括基于數據分析法的預測技術和基于回歸分析的預測技術。

(1)基于數據分析

通過對觀測的歷史數據模型做出假設，然后經過模型參數的估計得到相應的預測值。單純利用性能衰退指標建立的統計學模型一般準確度欠佳，像ZHANG等就將流體力學與沖蝕理論相結合，建立了湍流磨損和沖蝕磨損的數學模型，相比更符合實際；ISCIOGLU在系統動態性能數據基礎上進行的多狀態建模，也有更高的準確度。簡而言之，該預測方法受制于模型假設的影響很大，若模型假設不能反映實際系統，預測結果將會存在極大誤差。在學者們的研究中，隱馬爾可夫模型(Hidden Markov Model，HMM)和混合高斯模型(Gaussian Mixture Models，GMM)都有較好的效果。最新的，變換逆高斯(Transformed Inverse Gaussian，TIG)衰退預測模型,在建模能力、可算性、靈活性上更優。

(2)基于回歸分析

通過數據的回歸分析，確定多種變量間的相互依賴關系，從而建立變量之間的關系模型。采用該方法計算及預測策略簡單，但對樣本質量要求較高，在處理非線性模型誤差較大。相比而言，付朝君基于設備故障特征信號隨時間序列的變化，通過回歸分析等效估算性能衰退模型，誤差相對較小。另外，在對衰退特征進行融合基礎上，通過回歸分析來預測也是一種常用的方法。總的來說，該方法單純地應用預測精度不夠，國內有部分應用，國外很少采取該方法。

1.2 數學預測技術

數學預測技術核心是建立數學模型，通過模型實現預測的目的。該方法在軍用裝備液壓系統中的應用比較廣泛。在軍事裝備的性能衰退預測、故障診斷、故障預測中都取得了良好的效果。該技術主要包括基于模糊理論的預測技術、基于灰色理論的預測技術和基于維納過程3種。

(1)基于模糊理論(Fuzzy Theory)

在實際系統中，大多系統的性能數據都屬于非線性數據，分析處理難度大；并且衰退指標不確定不精確，如性能衰退到什么程度就屬于故障。針對這種情況，模糊理論就能很好解決。HONG、CAI采用模糊理論對液壓系統性能衰退和故障診斷進行了研究。但是該方法在獲得模糊規則及隸屬函數的方式上，沒有固定方案，主要依賴于主觀經驗。在此基礎上，GHINI、VACCA將模糊邏輯系統與人工神經網絡相結合，對供水泵和液壓控制閥進行了衰退預測，預測準確度有所提升。

(2)基于灰色理論(Grey Theory)

當系統可用的數據量較少時，可在灰色理論預測方法的基礎上，通過較少的樣本數據獲取豐富的、有規律的數據，然后對數據進行建模，進而實現預測。李楠利用灰色理論開展了基于滑油光譜數據的航空發動機磨損狀態研究;WANG等研究的基于時間序列建模和灰色理論結合驗證產品的退化路徑也有一定的參考意義；ZENG等還提出了一種新的結構相容的多變量灰色預測模型，從而豐富了該理論。該技術由于所需樣本數據少，因此也存在預測精度不夠的不足，基本都是與其他預測技術結合，或者通過對預測模型進行優化的方式進行應用。

(3)基于維納過程(Wiener Process)

維納過程也稱作布朗運動過程，它是一種具有連續時間和狀態空間參數的隨機過程，可以全面反映退化失效的累積效應，已被廣泛用于描述產品性能參數的衰退過程。趙洪利、張猛基于發動機排氣溫度裕度(EGTM)數據，建立了隨機維納模型，并引入嚴酷度因子修正模型，對發動機性能衰退下發間隔預測的誤差只有1.7%。維納過程的初始參數和漂移系數的選擇對預測結果影響比較大，因此WANG等利用期望最大化(EM)算法來估計維納過程的初始參數，通過卡爾曼濾波方法來估計維納過程的漂移系數，從而得到了優化后的維納過程性能衰退預測模型。WANG、TSUI還提出了一種自適應漂移布朗運動的預測模型。整體上，經過優化初始參數和漂移系數后，該預測模型具有更高的預測準確度。

1.3 智能預測技術

智能預測技術是裝備液壓系統性能衰退預測的趨勢。人工智能技術的優點使其在預測領域得到了迅速發展，應用范圍十分廣泛，在環境保護、車輛故障、經濟金融、地質勘探等領域均有應用。當前的許多研究也是采取了智能預測的方法。由于智能算法種類多樣，這里主要列舉部分遺傳算法、支持向量機、神經網絡3種智能預測算法。

(1)基于遺傳算法(Genetic Algorithm，GA)

遺傳算法通過模擬生物遺傳過程，找到適應性最強的個體，即最優解。應用于性能衰退預測時，可以利用遺傳算法尋求最優解的特點來找到預測特征量的最佳組合方式。鄧志江設計的自行火炮故障智能診斷與預測系統中就利用了該技術，該方法需要的信息量少，適用范圍廣泛；但該算法不夠穩定，容易出現有利信息被淘汰，參數選擇比較困難。相比較而言，ZHANG等采取的量子遺傳算法(QGA)和動態模糊神經網絡(DFNN)結合的算法的穩定性更高，更多保留了有利信息；張弛結合了卡爾曼濾波(Kalman Filter，KF)對模型可用信息利用率高、精度更高的優點，利用遺傳算法預測民航發動機性能衰退也有較高精度。

(2)基于支持向量機(Support Vector Machine，SVM)

支持向量機是在統計學理論(Statistic Learning Theory，SLT)基礎上發展起來的一種數據挖掘的新方法。最早由VAPNIK等提出，它是建立在統計學習理論的VC維理論和結構風險最小化(Structural Risk Minimization，SRM)原則上的，屬于解決有限樣本下的機器學習問題的一種方法。TRAN等在建立性能衰退模型基礎上，運用支持向量機進行預測的思路是常規的思路。SVM能有效避免算法陷入局部最優的問題，對小樣本數據下的性能衰退預測也有良好效果，同時能解決傳統神經網絡存在的過學習問題，但是SVM算法對大規模訓練樣本實施難度大，因此，ZHANG等提出的帶積分算子的時移最小二乘支持向量機、支持向量機回歸(Support Vector Regression，SVR)都是可行的改進方法。

(3)基于神經網絡(Artificial Neural Network，ANN)

神經網絡是人工智能領域研究的熱點，它是對大腦神經網絡功能的一種模擬，能夠很好地處理非線性映射。基于神經網絡的預測技術在軍用裝備的應用比較普遍，典型的有：LIU等建立的集成多子系統，張英等人提出的集成多預測模型，都是更全面的預測模型，有更準確的預測效果。一般而言，由于傳統的人工神經網絡(ANN)不能對時間累積效應進行處理，因而大多需要如文獻[45]引入基于卷積的神經網絡(CNN)來實現性能衰退預測的目的，比如GUO等開展的基于卷積神經網絡的液壓缸微泄漏在線測量建模與實驗研究。在性能衰退預測的基礎上，可以實現液壓系統的故障診斷。此外，極限學習機(Extreme Learning Machine,ELM)作為神經網絡的一個分支，在性能衰退預測領域也有應用，代表的有:PAN等采取的果蠅算法(Fruit Fly Optimization Algorithm，FOA)優化的ELM顯著提升了預測準確率。

在神經網絡的參數選擇和模型訓練中，群智能(Swarm Intelligence,SI)算法,比如粒子群優化算法(Particle Swarm Optimization，PSO)、蟻群算法(Ant Colony Optimization，ACO)等都取得了較好的優化效果，從而提高了預測的精度。

2 液壓系統性能衰退預測技術在軍用裝備中的典型應用

在軍用裝備液壓系統性能衰退預測的資料中，可查詢到的國外的研究資料較少，主要以國內的為主。從現有研究情況可以看出，該技術顯著促進了軍用裝備的維修和保障工作，提升了裝備的效能。前文已經對該技術的應用進行了闡述，這里主要對其在軍用裝備中的三類應用加以介紹。

2.1 航空武器

航空武器結構復雜、精密，液壓系統應用普遍，而液壓系統一旦出現故障后果十分嚴重，液壓管路、油箱、油泵等都是容易出現故障的位置。在此方面，學者們進行了一系列的研究，舉例如下：

MA等對飛機液壓柱塞泵的工程驅動性能退化進行了分析預測，通過考慮液壓柱塞泵的退化率和故障機制之間的密切關系，開發了具有可變變化率的逆高斯(IG)過程模型來描述泵的退化行為。在此模型下，開發了貝葉斯統計方法來進行退化數據分析，還提出了模型參數估計和可靠性評估的相應程序，使用實際實驗數據說明了所提出的降解分析方法。可變速率的逆高斯(IG)模型計算過程見圖3。

圖3 可變速率的逆高斯(IG)模型計算過程[52]

LIU等針對航空發動機性能退化進行了自適應建模，提出了一種基于平衡流形及其展開模型的飛機發動機自適應建模方法,系統地研究了膨脹模型的性質以及映射設計對形狀的影響,討論了模型的自適應性分析，給出了建立飛機發動機近似非線性模型的辨識過程,討論了壓縮機的劣化修正以及與線性變參數模型和Kalman估計量的比較,結果表明:建模精度高，結構簡單。

MEHMOOD等研究了飛機金屬液壓管道的失效問題，發現管道在飛行過程中耗盡液壓，使飛機處于潛在的危險中;通過掃描電子顯微鏡(SEM)觀察了斷口表面的疲勞條紋,對一斷裂管道和一斷裂液壓管道進行了失效分析,發現了金屬套管周向溝槽的裂紋形核的產生機制。

2.2 特種車輛

軍用特種車輛存在使用環境惡劣、強度大的情況，液壓系統故障也比較多，同時存在故障位置確定難、排除難的問題。為了解決這一問題，學者們也進行了一系列的研究，舉例如下：

CAO、DAI提出了挖掘機液壓執行機構磨損引起的性能退化模型。該模型通過分析活塞磨損時的響應，描述了液壓執行器性能退化的物理過程。該模型包括液壓執行機構的動力學模型、壓縮彈性O形密封圈的擠壓應力和變形模型、密封件的磨損模型和泄漏率模型。這些模型可用于推導挖掘機液壓執行器性能退化規律，預測密封件等關鍵部件的使用壽命。最后，基于所建立的模型，給出了液壓執行器響應的仿真結果,見圖4。

圖4 不同磨損階段活塞的3種位移曲線[55]

DONG等針對兩棲突擊車液壓馬達故障率高、故障檢測和定位困難的問題，探討了兩棲突擊車泄漏與各影響因素的關系，采用投影尋蹤回歸方法建立泄漏預測模型，取得了較好的預測效果。這對兩棲突擊車液壓馬達的故障診斷具有重要意義。

王咸鋒開展了某型火炮藥協調器液壓系統故障診斷研究，總結了液壓系統的共性故障和協調器液壓系統的個性故障;同時建立了協調器液壓系統的FMEA表格，選取了協調器液壓系統的典型故障參數，并進行仿真，為后續故障診斷提供故障數據;利用函數型主成分分析對樣本數據函數化后提取了特征參數，并將特征參數與故障參數之間的映射通過BP神經網絡訓練，驗證了其可行性。

2.3 防空裝備

防空裝備液壓系統是裝備組成的重要部分，大多采用液壓驅動的方式實現起豎、調平等操作，液壓系統發生故障，不僅會影響部隊的正常訓練，嚴重時甚至造成發射任務的失敗。學者們進行了深入研究，舉例如下：

XU和QUAN通過可靠性增強試驗(RET)，加速了性能退化過程，以暴露其固有的設計和制造缺陷。以導彈伺服系統為研究對象進行了兩次強化試驗，并對兩組試驗數據進行了預處理，建立了以溫度變化率為伺服系統在自然狀態下的主要應力的加速退化模型，得到如圖5所示的導彈伺服系統應力分布和性能退化曲線。

圖5 導彈伺服系統應力分布和性能退化曲線[58]

許葆華、李洪儒研究了某型導彈發射裝置液壓元件故障的預測，闡述某型導彈發射裝置液壓元件故障預測系統的總體設計思想，確定了監測對象,選取故障特征信號,并從故障特征信號中提取了故障特征參量；介紹了以DAQ系統為硬件平臺的系統硬件設計和以LabVIEW8.0為軟件開發平臺的系統軟件設計，應用基于支持向量機的故障預測方法實現對發射裝置液壓元件的故障預測。

LI等提出了基于HLA的導彈武器仿真系統液壓系統模型，并根據其功能劃分為不同的子系統，在子系統之間設置檢測點;通過神經網絡、診斷系統仿真模型和故障庫對故障進行定位和分類，從而檢測出故障的位置和原因,仿真結果驗證了該方法的可行性和有效性。

3 液壓系統性能衰退預測技術在軍用裝備領域面臨的問題

3.1 現場數據獲取量少

在軍用裝備的實際使用中，由于無法進行改裝，很難通過安裝傳感器來獲取系統的數據；另外，由于液壓系統的特殊性，液壓設備損壞與失效往往發生在設備內部，不便拆裝，且現場檢測條件有限，因而難以直接觀測。這兩方面因素造成了液壓系統故障的現場數據量少，多數只能獲取到故障現象和故障元件,對于后期開展定量分析造成了較大挑戰。

3.2 環境因素影響大

由于軍用裝備的使用環境特殊，存在高寒、高溫、大風沙等惡劣條件，環境因素對液壓系統的性能影響很大，原有的性能衰退預測模型和故障機制分析可能存在較大偏差，因此對預測和診斷造成了很大的干擾。另外，由于不同地域環境的特殊性，性能衰退模式還存在相當大的個性特點。

3.3 最優故障閾值選擇難

液壓系統由于其性能衰退機制復雜、衰退耦合程度高，在實際的系統性能衰退預測中，個別元件可能并未達到失效程度，但因此會加速其他元件的加速衰退，此時該元件也必須進行維修以達到系統整體性能的保持。而由于其故障機制之間的相互干擾，因此獲取最優故障閾值也尤為重要。而在該方向上還需要繼續研究。

3.4 中后期預測診斷精度低

在理想情況下，能夠根據性能衰退規律和故障機制來實現故障診斷。但在中后期，由于疲勞、老化和磨損在變載荷譜下非線性的累積損傷或在污染物濃度陡增的情況下，液壓元件或系統的性能降級急劇加速，會徹底改變其故障發展規律，因此液壓元件中后期預測和故障診斷精度很難保證。

鑒于液壓系統性能衰退預測存在以上問題，最有效的方法就是在充分分析液壓系統性能衰退機制的基礎上，將信號處理和智能預測方法相結合，利用液壓系統多傳感器逐級信息融合的方法，多角度實現液壓系統的故障診斷。

4 總結與展望

對軍用裝備液壓系統中的故障模式進行了闡述，并列舉了當前在液壓系統性能衰退預測方向的研究成果；介紹了液壓系統性能衰退預測技術研究現狀，最后對該技術在軍用裝備液壓系統方面的應用進行了舉例。

目前，國內外開展的性能衰退預測方面的工作仍處于初級階段，與故障診斷的發展相比，仍顯緩慢，但故障診斷的很多研究，如故障機制、特征提取和人工智能方法等方面開展的研究對性能衰退預測還是有很大的促進作用。

未來，液壓系統性能衰退預測與故障診斷技術將會有3個方向的發展趨勢：

(1)液壓系統混合性能衰退預測方法研究。為了避免每種方法存在的局限性，發揮不同方法各自的優點，綜合多種預測方法；同時研究新技術、新方法是必然趨勢，也是提高預測智能化的必經之路。

(2)數據收集及處理方法研究。目前的軍用裝備液壓系統日趨復雜，如何及時獲取充足數據并加以分析決策，比如智能化的傳感器和檢測儀器、數據處理新方法的使用機內測試(BIT)等技術，就成為該技術發展的一個重要方向。加快增強衰退預測的準確性，提前預知故障位置、模式，以便提前做好預防，更好保障裝備性能。

(3)多智能體( Multi-Agent System,MAS)性能衰退預測。利用對分部件、零件等的獨立Agent的綜合統籌，發揮Agent的自治性、通信能力協調、協作能力，實現在外部環境、內部運行狀態的綜合影響下的預測能力。