軍用飛機供配電系統故障預測與健康管理關鍵技術

艾鳳明，梁興壯，董潤，李偉林

1.航空工業沈陽飛機設計研究所，遼寧 沈陽 110035

2.西北工業大學，陜西 西安 710072

隨著航空技術的快速發展，軍用飛機的供配電系統由最初低壓直流系統的形式被后續恒頻交流系統、變頻交流系統和高壓直流系統所取代。軍用飛機的供配電系統的跨越式發展和改進使得飛機的供配電效率、電源質量、供配電容量等方面有了長足的進步，但是隨著供配電系統設備數量的增多，供配電系統結構變得越發復雜。由于軍用飛機任務場景多樣、使用環境惡劣，對于故障的容忍度較差，軍用飛機這一任務特點與先進供配電系統逐漸提高的復雜度產生了矛盾。同時，傳統的定期檢查修理和事后修理的策略已經不能滿足先進軍用飛機高可靠性、高準確率、高效率和低成本的維護要求。因此，如何將這一復雜系統的可靠性保持較高的水平成為當今軍用飛機供配電系統設計、研究、使用和維護過程中不可忽略的一項重要課題。

20 世紀70 年代，研究人員在裝備維護過程中逐步提出了狀態監測、故障診斷、故障預測與健康管理（PHM）等概念[1-2]。故障預測和健康管理技術是狀態監控和故障診斷技術的發展和衍生，故障預測技術的目的是對出現一定征兆的未發故障進行預判和預測，將未發故障扼殺于搖籃之中，使設備使用狀態不再進一步惡劣，造成更加嚴重的影響。健康管理技術主要是對整個系統中不同層次的子系統、部件或元件的使用狀態進行監控和管理，及時為設備維護人員提供維護數據，以便維護人員針對不同設備的不同健康狀態進行視情維護，提高維護效率、降低維護成本。

本文將主要針對軍用飛機供配電系統的故障預測和健康管理技術進行供配電系統PHM技術需求分析、梳理研究現狀、進行架構設計、闡述關鍵難點技術，并對軍用飛機供配電系統PHM技術中的一些熱點問題提出研究建議。

1 軍用飛機供配電系統PHM技術需求

由于技術需求定義角度眾多，本節內容不力求覆蓋軍用飛機供配電系統PHM所有技術需求和設計要點，旨在結合軍用飛機供配電系統PHM系統構型、飛機供配電系統及設備故障特征、機載環境和航空條件等要點重點分析軍用飛機供配電系統PHM技術需求及設計要點。

本節將分別針對軍用飛機供配電系統PHM構型設計、數據采集需求、機載使用需求三個方面對軍用飛機供配電系統PHM技術需求進行闡述。

1.1 軍用飛機供配電系統的PHM系統構型設計需求

軍用飛機供配電系統在結構形式上可以分為集中式供配電和分布式供配電兩種，集中式供配電系統是將發電機、二次電源變換器、用電負載等發電、用電設備通過配電設備、配電線路連接到集中配電中心設備上，進行統一集中供配電和配電。圖1是集中式供配電系統示意圖。

圖1 集中式供配電系統Fig.1 Centralized power supply and distribution system

分布式供配電系統則是將供配電設備與用電設備分散布置，通過分布配電設備就近進行供配電和配電，分布式供配電系統能夠縮短供配電線纜的長度，分散控制、分散供配電的特點能夠提高供配電的可靠性。分布式特征可以存在于不同體制的供配電系統之中，交流供配電系統和直流供配電系統均可設計成為分布式供配電系統。

相較于集中式供配電系統，分布式供配電系統具有較大優勢，將是未來新型軍用飛機供配電的主流發展方向。圖 2是分布式供配電系統示意圖。

圖2 分布式供配電系統Fig.2 Distributed power supply and distribution system

不同類型的供配電系統之間的設備連接形式差別很大，拓撲結構之間存在很大差異。所以針對不同類型的供配電系統需要設計不同組織形式的故障預測和健康管理系統。同樣，故障預測和健康管理系統可以分為集中式PHM系統和分布式PHM系統兩種。圖 3是集中式PHM系統的結構示意圖。

圖3 集中式PHM系統Fig.3 Centralized prognostics and health management system

集中式PHM系統具有一個PHM管理中心和多個信號傳感器，管理中心接收分布在不同位置的傳感器的不同種類的信號，經過分析處理得到各設備的健康狀態信息。集中式PHM 系統必須保證信號傳感器與管理中心的數據傳輸通暢，以便管理中心及時判斷機載供配電系統設備的健康水平和預測可能發生的故障。數據傳輸可以使用有線傳輸和無線傳輸。

與集中式PHM系統相對應的是分布式PHM系統，圖4是分布式PHM系統結構示意圖。分布式PHM系統在飛機供配電系統不同部位分別設置和安放能夠獨立工作的PHM 智能終端，分布式PHM 智能終端具有信號采集、處理、通信、狀態評估、故障預測和健康管理等功能，能夠針對單個設備獨立完成故障預測和健康管理功能，并可以通過有線或無線傳輸，將設備健康狀態和故障情況傳遞給其他PHM 智能終端。分布式PHM 系統并不依賴某一個中心設備工作，單個或少數幾個設備的運行異常并不會導致整個系統癱瘓，這一特點使得整體PHM 系統的可靠性提高。

圖4 分布式PHM系統Fig.4 Distributed prognostics and health management system

1.2 供配電系統PHM系統數據采集需求

軍用飛機供配電系統主要包含主電源、輔助電源、應急電源、專用電源、二次電源、配電線路和配電設備等[3]。供配電系統中設備類型眾多，工作原理不盡相同，供配電系統耦合了電氣、機械、液壓、熱學、聲學等多個物理特征，是典型的多物理域耦合的復雜系統。

由于供配電系統涉及多個物理域，設備故障和系統健康狀態能夠通過多種特征量進行表征。供配電系統PHM系統數據采集需求分析和設計需要充分考慮多物理耦合特征，為不同設備的數據采集準確地選取傳感器類型。通過相關試驗研究并結合歷史經驗，軍用飛機供配電系統的數據采集種類主要涉及電、熱量、振動、聲紋、電磁信號等。

另外，供配電系統設備數量眾多，全面掌握供配電系統設備健康水平和運行狀態需要使用大量傳感器。如何通過合理地布置傳感器并將不同傳感器采集到的數據進行融合，也需要在數據采集需求論證階段進行充分考慮。

1.3 供配電系統PHM技術機載使用需求

飛機供配電系統的工作條件和地面工業設備的工作條件相差很大，主要表現在三個方面：氣候不同、機械因素不同、化學和核因素不同[3]。相比民用飛機，軍用飛機任務工況更加惡劣，相應的工作條件更為嚴苛。飛行過程中會產生強烈的振動、噪聲、不良散熱、大溫差、強電磁干擾等不利因素。若在設計、開發供配電PHM系統時沒有充分考慮這些不利因素，輕則可能干擾相關傳感器的信號采集，造成信號采集不準確，重則可能影響PHM系統的正常工作。

軍用飛機機艙空間和載荷十分寶貴，這一狀況對于小型軍用飛機來講尤為突出。在設計供配電PHM 系統時應當充分考慮這一問題，需要進行傳感器布置位置優化和無損化安裝、系統小型化和輕量化研究，力求對原有供配電系統和整機產生最小的負擔。

不僅軍用飛機上空間和載荷十分寶貴，同時機載計算機算力也是十分寶貴的。在軍用飛機供配電系統PHM 技術研制過程中要充分考慮機載算力的有限，過于復雜和需要消耗大量算力的算法無法滿足機載使用實際情況。

綜上，在軍用飛機供配電系統PHM技術的研發中要充分考慮相關航空工作條件的影響、空間、載荷和算力的制約，充分考慮PHM技術的機載使用需求。

2 軍用飛機供配電系統PHM架構

2.1 國外軍用飛機PHM架構研究現狀

隨著系統和設備復雜性的增加以及信息技術的發展，PHM 相關技術的發展主要經歷了外部測試、機內測試（BIT）、智能BIT、綜合診斷和PHM共5個階段[4]。故障預測和健康管理相關技術的理念最早可以追溯到20世紀50—60年代，PHM 技術的最早應用是70 年代美國在其軍用艦載攻擊機A-7E上安裝了發動機監控系統（EMS）[4]。以發動機監控系統為代表的早期應用屬于BIT技術，大多是監控某些重要參數，此類管理策略是基于閾值的方法。后來，美軍為直升機研制并裝備了直升機健康管理系統（HUMS），主要裝配在AH-64“阿帕奇”、UH-60“黑鷹”、CH-47“支奴干”等直升機上。在技術水平上，早期HUMS系統介于智能BIT和綜合診斷階段之間，已經能夠通過監測直升機的振動頻率和滑油溫度等信息，使用診斷算法從而推測直升機的使用狀態。20世紀90 年代技術發展到PHM 階段，美國國家航空航天局（NASA）和美國空軍相繼研發了綜合健康管理系統分別用于航天器和聯合攻擊戰斗機JSF。

未來PHM 技術的發展路徑可以歸結為三個技術層次[4-9]。層次1：部件失效模型、傳感與數據采集、狀態感知與推理、智能材料；層次2：子系統故障預測和管理、容錯控制、體系架構設計與驗證；層次3：PHM 系統的設計集成與驗證[10]。從技術層級來看，PHM 技術的發展態勢將從失效機制、數據分析、傳感器檢測等基礎技術研究到子系統級的數據監測、故障診斷與預測和失效緩解技術研究，再到系統級PHM系統設計，最后實現對整機的故障預測和健康管理[11-13]。從應用領域來看，PHM技術的發展從最初的航空航天軍事領域逐漸下沉滲透到了軌道交通、電動汽車、電力裝備、電子電器等民用領域。從技術成熟度來看，目前針對PHM技術的研究已經達到了智能BIT水平，大部分已經達到智能診斷的技術水平，少數能夠達到較為成熟的PHM技術水平。

美國海軍委托波音公司針對飛機綜合健康管理進行研究。以F/A-18、C-17 和波音737 為主要研究對象，該項目重點研究涉及軍、民用飛機，旨在開發一種可互操作的多平臺飛機健康管理數據處理與分析方法[12]。該項目設計的數據庫方案、數據接口方法和算法對新型飛機、衍生飛機和現有飛機都具有較好的適用性。

目前根據現有消息，美軍所研發和使用的軍用飛機故障預測和健康管理系統主要完成了飛機的增強故障診斷、狀態監測和部分剩余壽命估計功能，預測能力還有待提高。現階段軍用飛機上技術成熟度最高的聯合攻擊戰斗機（JSF）上的故障預測和健康管理系統還處于成熟階段，機載PHM系統沒有加入預測功能，另外還有一些問題如故障虛報問題尚未得到完美解決；目前少部分預測算法只存在于地面PHM系統之中。

2.2 軍用飛機供配電系統PHM架構設計

軍用飛機供配電系統PHM 架構需要充分考慮供配電系統特征、PHM 技術需求和飛機機載條件等因素進行設計。

經過上文分析可知，未來新型軍用飛機將向多電化和全電化方向發展，供配電系統也將向分布式結構發展。多電化特征和分布式架構使軍用飛機供配電系統的設備數量、種類更多，分布更分散，PHM系統需要布置更多的監測點位才能獲取到翔實、準確的數據，從而對整個供配電系統的整體健康狀態和不同設備的個體健康狀態進行更加準確的判斷。但現階段到未來很長一段時間內，機載計算機的運算能力并不能保障更多的狀態監測和數據采集、更強大的數據處理需求。換言之，需要將狀態監測、數據采集、故障預測方法等PHM技術需求結合實際飛機機載條件進行考慮。

針對新型軍用飛機供配電系統特征、PHM技術檢測需求，以及機載環境和條件限制等PHM系統設計需求和條件因素，軍用飛機供配電系統PHM架構解決方案包含了多源異構傳感器陣列、多源數據融合和機載地面聯合PHM架構等。圖5 展示了軍用飛機供配電系統PHM 架構設計需求與解決方案。

圖5 軍用飛機供配電系統PHM架構設計需求與解決方案Fig.5 PHM architecture design requirements and solutions for military aircraft power supphy and distribution system

多源異構傳感器陣列研究主要包含了多源傳感器選擇、陣列布置方案、降噪等內容。多源異構傳感器陣列技術有針對性地滿足了供配電系統檢測數據種類多、分布分散、檢測精度要求高的技術需求。

多源數據融合技術旨在解決供配電系統檢測數據類型多樣、數據量龐大的問題，通過先期特征提取和降維，篩選出與故障和健康狀態關聯度較大的特征參數，之后利用數據融合算法將不同特征參數進行融合處理，通過對融合結果進行評價從而實現對故障的預測和健康水平的管理。

軍用飛機供配電系統PHM 架構設計中應用云—邊—端協同、機載—地面聯合和離線—在線結合的技術能夠較好解決機載條件限制與PHM 技術需求之間的矛盾。圖6是PHM系統云—邊—端協同、機載—地面聯合特征結構示意圖。

圖6 PHM系統云—邊—端協同、機載—地面聯合特征Fig.6 The cloud-edge-collaboration and airborne-ground combination features of the PHM system

離線—在線結合技術通過對供配電系統中的不同子系統、設備進行重要程度評定，將重要程度較高、一旦發生故障容易危及飛行安全的子系統和設備進行在線狀態監測、故障預測和健康水平評估；對于重要程度較低、發生故障不危害飛行安全和任務完成的子系統和設備進行離線狀態監測、故障預測和健康水平管理。

在軍用飛機供配電系統PHM 架構中引入機載—地面聯合技術可以有效解決機載算力不足、復雜PHM算法無法在機載環境下進行應用的問題。機載—地面聯合技術同時具備機載PHM 子系統和地面PHM 子系統，其中機載PHM子系統主要包含分布式PHM 智能評估終端、PHM 評估總控計算機等設備，能夠在機載條件下完成信息采集、預處理、數據壓縮和存儲、數據傳輸控制，能夠運行簡單的故障預測和健康管理算法，進行基于重要性分級的評估和管理。地面PHM子系統由于不再受體積、重量、功率等限制，可以大大增強運算算力，能夠運行復雜的故障預測和健康管理算法，如基于深度學習和人工智能的PHM 算法。地面PHM子系統主要通過下載機載數據，對供配電子系統進行離線評估，另外可以通過表貼等方法為供配電系統設備外接傳感器進行輔助數據采集，收集同一機隊不同架次的運行數據建立整個機隊的數據庫。

云—邊—端協同特征是指將加密云計算、邊緣計算和智能供配電計算進行協同融合，通過協同算法對運算評估任務進行智能化分配，通過邊—端協同、邊—云協同、端—云協同等技術，充分挖掘云、邊、端的算力潛力，實現高運算速度、大規模算力、低運算延遲的有機統一。

3 關鍵難點技術

3.1 特征參數提取

提取故障特征參量是飛機供配電系統故障預測和健康管理的重要環節，為學習樣本的建立提供數據基礎，同時它也是故障預測和健康管理的一個非常關鍵的問題，目的是盡可能地減少模式識別過程中的工作量；研究故障特征的提取方法，同時也是為了解決故障診斷過程中模式識別中存在的一些問題，如精度、計算時間等問題。

特征參數提取可以利用BP 神經網絡、主成分分析法、頻譜分析法、小波分析提取法、經驗模態分解等方法進行特征參數的提取[14-17]。圖7 是幾種常用的故障特征提取技術。

圖7 故障特征提取技術Fig.7 Fault feature extraction technology

3.1.1 BP神經網絡

建立軍用飛機供配電系統故障診斷神經網絡模型時，需要從故障模型中提取一定的信息，對這些信息進行進一步分析處理后，選取合適的量作為故障特征值。

基于BP 神經網絡的供配電系統故障診斷和預測主要包括兩個部分：BP 神經網絡學習過程、故障診斷和預測過程[17]。這兩個部分都包括數據處理和提取特征值兩個過程。BP 神經網絡學習過程是對供配電系統故障的歷史數據進行處理和分析，提取可以識別各種故障模式的故障特征值，并按照BP 神經網絡的標準流程來訓練模型，這一過程是離線狀態下在上位機中完成的；故障診斷過程是實時采集供配電系統實時運行的數據，并對這些數據進行處理，將故障特征數據輸入訓練好的模型中，從而完成未知故障模式的在線判斷。

3.1.2 主成分分析法

在完成故障特征提取研究之前，對于故障特征參數的把握和認識是籠統和感性的，對某種參數變量與故障和健康狀況是否具有密切的關聯度并沒有清晰、明確的認識。因此，在最初的試驗測試過程中，需要選取數量較多的參數進行測試，繼而建立PHM試驗原始數據庫。在試驗測試期間人為地選取大量參數變量這樣的試驗設計有利于為研究和應用提供豐富的信息，但同時在這些原始數據中包含了大量的冗余信息。一般情況下，這些參數之間存在一定的相關性，若不加處理地對所有參數進行分析計算，勢必造成數據分析和問題研究的復雜化。如果對不同參量采取獨立分析的方法，就不能完全利用數據中的信息，造成特征的丟失和遺漏。因此，需要使用一種數據處理方法，既能消除原始數據之間的關聯性，又能夠減少有效信息的損失，從而實現對數據的較低成本的有效把握。主成分分析方法是使用最廣泛的數據降維算法。其基本原理是將原始的數組重新組合，通過正交變換的方式將n維的特征映射到m維上，得到全新的n維特征（n＜m），通過這樣的過程將原始數據中的主成分提取出來，新的n維特征之間呈現互補關系[18-20]。

傳統PCA 方法僅需衡量參考樣本集協方差矩陣的大小即可，得到的所有主成分變量之間相互獨立，這樣可能降低特征的解釋性和造成一定程度的樣本信息缺失。針對以上問題，可以結合信息論互信息原理、基于均值加權的數據中心化、熵權法等方法對傳統PCA 方法進行改進，以提高PCA方法的效果。

3.1.3 小波變換

經典的小波分析理論是在傅立葉分析理論的基礎上發展而來的，但小波分析對于非線性問題的處理要優于傅里葉分析。對于需要時域信息的信號，傅里葉分析則不能從原始信號的傅里葉變換中得到原始信號在某一時間點附近的性態，也就是說不具備局部化的能力。小波變換使用的是可以根據需要調整時間與頻率分辨率的窗函數（小波函數），因此在時頻兩域同時具有良好的局部化性質。其在各種時頻分析的場合應用得比較廣[21]。

小波變換是一種新興的數學分析工具，最先使用這種分析方法的是在獨立的不同領域中，這其中包括純數學領域、物理學領域，還有工程學領域。隨著小波理論的不斷發展，目前小波分析理論廣泛運用于信號分析與處理、圖像處理與分析、語音識別與合成、分子力學、齒輪變速控制、金屬表面探傷、自動目標鎖定、地震勘探、量子化學、分子動力學等領域，小波分析的發展對數學和工程應用都產生了比較深遠的影響。

3.2 數據采集和狀態監測

由于軍用飛機機載環境惡劣，高低溫、復雜電磁環境、大噪聲、強振動等環境因素對供配電系統和設備數據采集和狀態監測產生強烈的干擾和影響。因此，在軍用飛機供配電系統PHM 技術中的狀態監測和數據采集技術研究中需要充分考慮軍用飛機機載實際環境條件的影響。為了降低和消除環境因素給數據采集和狀態監測帶來的干擾，可以從屏蔽和降噪兩個方面進行處理：（1）加裝干擾屏蔽裝置。這種方法主要適用于易于物理隔絕的干擾信號的屏蔽，如高低溫、電磁干擾等。通過在干擾信號源頭加裝干擾屏蔽裝置或在擾動傳遞路徑上設置屏蔽層等手段，可以對極端溫度和電磁干擾等不利環境因素進行屏蔽和隔絕，以實現對供配電系統和設備進行準確的數據采集和穩定的狀態監測。（2）設置降噪傳感器對環境擾動進行降噪處理。此類型方法是在供配電系統不同位置按照一定規則分別設置若干采集傳感器和降噪傳感器，所有傳感器構成一個傳感器陣列。一般情況下，采集傳感器更為接近受測設備，對受測設備的信號進行采集，但由于受外界環境因素的干擾，采集傳感器也會不可避免地收集到一定比例的干擾信號。與此同時，設置在外圍的降噪傳感器對干擾信號進行實時采集，采集傳感器與降噪傳感器的數據由陣列中央信號處理器進行處理，將環境噪聲從原始信號中消除，最終得到降噪處理的有效數據。

另外，未來軍用飛機供配電系統的一大特征是分布式架構，多源分布式供配電架構要求傳感器也應具備分布式布局，若干分布式傳感器構成一個或若干個傳感器陣列分散在整個飛機供配電系統之中，實現分布式傳感器穩定、高效、可靠的信息交互也是一個亟待解決的問題。由于機載環境復雜，需要同時滿足信息的可靠采集、穩定傳輸和抗干擾等要求，在傳感器類型選用和信息傳輸方式方面的選擇要求較高。

3.3 故障預測方法

在完成特征提取、數據采集之后，通過故障預測方法對故障特征信號進行分析處理，從而實現對故障的預測和健康狀態的評價。目前常用的故障預測方法有基于損傷標尺的方法、基于狀態信息的方法、基于數據融合的方法和基于灰色預測理論的方法。

3.3.1 基于損傷標尺的故障預測方法

損傷標尺是針對一種或多種故障機理，以被監控電子設備相同的工藝過程制造出來的，預期壽命比被監控對象短的產品[4]。學術界也稱為Canary、預警裝置、Precursor等。使用該種方法的前提條件是對研究對象的故障機理具備了清晰明確且準確的認識，通過檢測設備的實時運行狀態和特征參數，利用故障機理模型對數據進行累積處理，從而得到損傷標尺故障預測結果，之后參考故障標尺的預測結果對受測設備進行故障預測和健康狀態評估。因此，基于損傷標尺的故障預測方法可以被歸類為基于故障機理模型的故障預測方法。使用基于損傷標尺的故障預測方法的前提是對設備和系統的故障機理具有十分清晰且準確的認識，但在實際的研究中，達到這樣的要求是十分困難的，因此該方法實施難度大，當前應用范圍較小。

3.3.2 基于狀態信息的故障預測方法

供配電設備一般由若干功能電路和單元等組成，這些電路和單元的輸出狀態信息部分能夠反映電子設備的健康狀態[22]。利用這種特性，對能夠表征故障和健康水平的狀態信息進行監測，通過監測狀態信息的變化趨勢或是否達到故障閾值，從而對供配電設備進行故障預測，但由于供配電設備故障普遍具有突發性的特點，大部分供配電設備的功能及性能等狀態信息還不能有效反映電子設備的退化，即使部分狀態信息（如半導體功率管的閾值電流等）可以較明顯反映故障的演化過程，這些參數也往往需要一定的測試條件，直接在線獲取這類狀態信息比較困難，這也直接導致目前基于狀態信息的故障預測方法在PHM 的工程實際中難以大范圍實施。

3.3.3 基于數據融合的故障預測方法

供配電系統的復雜性、故障的隨機性和突變性使得利用某一種數據對供配電系統故障進行準確預測存在較大的困難[20]。數據融合方法作為一種將多種數據經過一定方法的分析、處理和綜合從而實現綜合決策的方法，能夠綜合考慮復雜系統中的多種數據，數據利用率和決策結果準確性大大提高[23]。近年來，研究人員將基于數據融合的方法運用到了PHM領域。例如，有學者將基于模型的方法和基于數據的方法進行融合開展剩余壽命預測研究，運用豐富的歷史數據修正物理模型中權重因子，彌合了數據驅動的預測和基于模型的預測之間的差距[24]。所提出的框架成功應用于鋰離子電池剩余使用壽命預測，并且與經典粒子濾波器方法相比實現了明顯更好的準確性。另外，也有研究人員利用電路輸出響應數據估計回歸模型參數。其方法將元件性能退化的不確定性加入考慮范疇，引入隨機因子以概率分布的形式對模擬電路故障進行了預測，研究對預測結果進行了置信度計算。但是數據融合的方法需要大量能有效表征電子設備退化狀態的特征參數數據，這方面仍是困擾電子設備PHM 技術的難點，因此，該方法目前在預測電子設備故障時準確性仍然較低，且具有一定的隨機性。

3.3.4 基于灰色預測理論的故障預測方法

灰色預測理論的主要觀點是結構不完全明確、系統因素之間的關系不完全確定的系統稱為灰色系統[25-26]。灰色系統以“部分信息已知、部分信息未知”的“小樣本”“貧信息”不確定系統為研究對象，采取補充信息、轉化灰色性質為白色性質的方法提取有價值的信息，實現對系統運行行為的正確認識。灰色預測模型以“小數據”不確定性系統為研究對象，這是其與回歸分析模型、自回歸移動平均模型及BP神經網絡模型等大樣本預測模型的一個重要區別。

灰色預測模型對數據量沒有嚴格的要求和限制，同時具有建模過程簡單等優點。目前利用灰色預測理論對建筑、農業、機械工程等領域進行預測已經取得了較好的效果。在“小樣本”的現實條件下，很適合采用對數據量具備較低要求的灰色預測模型和灰色預測理論。針對軍用飛機供配電系統進行故障預測研究，不需形成巨大試驗數據樣本，利用此方法可以大大縮短數據測試周期、提高研究速度。

3.4 預測性能評估方法

上一小節介紹了幾種故障預測方法，由于不同故障預測方法原理不同，故障預測方法的預測性能存在差異。為了篩選出預測性能最優的故障預測方法，需要通過各種評估指標，對多種故障預測方法的預測性能和預測效果進行評估。

針對軍用飛機供配電系統故障預測方法進行有效性、準確性等性能評價是衡量預測算法的重要研究環節。目前，在PHM研究領域對預測方法的評價體系主要包括可靠性、準確性、安全性、測試性和維修性，評價指標主要包括虛警率、漏報率、故障檢測延遲時間、Kappa 系數和故障預測距離等。

4 未來研究方向

（1） 建立故障預測和健康管理評價標準

目前針對軍用飛機供配電系統的研究主要集中在故障特征辨識和提取、故障預測算法上，在行業內并沒有建立和形成一套公認的故障預測和健康管理評價標準，使得不同研究者提出的方法和理論沒有統一標準進行評判與評價。當務之急應當是建立一套統一的、標準化的技術評價標準，并公開一組完整的供配電系統歷史數據用于對不同預測方法和理論進行評價。這不僅能夠方便研究者對其所研究方法進行自我完善和提升，也方便行業內進行技術評判和交流。

（2） 基于無歷史數據的故障預測和健康管理

現階段針對飛機供配電系統設備的真實歷史數據分散在不同研究機構中，由于數據保密性、數據價值難以衡量等，非內部研究人員獲取真實歷史數據的難度較大，真實歷史數據存在的信息壁壘進一步加大了PHM 技術發展的難度。針對這一問題，研究基于無歷史數據或弱基于歷史數據的故障預測與健康管理技術成為另一方向的研究路徑。基于無歷史數據或弱基于歷史數據可以在設備使用前期，設備健康狀態較為良好的階段積累數據，結合自身采集的數據和虛擬模型對供配電系統進行故障預測和健康管理，能夠極大弱化對于真實歷史數據的依賴性。

（3） 考慮軍用飛機機載條件的故障預測和健康管理技術

由于軍用飛機機載環境與地面環境存在巨大差異，惡劣的機載環境、強烈的環境擾動和機載設備的特殊要求使得軍用飛機PHM研究具有其特殊性。若將地面設備PHM技術不加修改地機載化使用，輕則造成預測效果變差、評估結果失實，重則可能因為誤報和漏報而對軍用飛機飛行安全造成重大影響。因此，對軍用飛機供配電系統機載環境和特殊條件進行有針對性的研究有利于提高軍用飛機供配電系統PHM技術的準確性、可靠性和穩定性。

5 結論

本文針對軍用飛機供配電系統特征，從故障預測與健康管理系統構型設計、數據采集需求、機載使用需求三個方面對軍用飛機供配電系統故障診斷與健康管理技術進行需求分析；對軍用飛機供配電系統PHM 架構進行設計；梳理了特征參量提取、故障預測方法等關鍵技術；最后對未來發展和研究方向提出了研究建議。