基于劣化度的裝備健康狀態預測模型研究

周偉，國濤，卓洪波，倪超，張驥，張業星

（中國人民解放軍32256 部隊，廣東 廣州 510630）

0 引言

健康狀態預測是指綜合利用各種數據信息如監測參數、使用狀況、當前環境、工作條件、早先試驗數據和歷史試驗數據等，并借助各種推理技術如數學模型、人工智能等評估部件或系統的剩余使用壽命，預計其未來的健康狀態[1]。裝備健康狀態不僅與自身性能和使用方式有關，同時也會受到地理環境和氣候因素的影響，裝備健康狀態一般可以由一系列的特征參數來進行表征，隨著使用時間增加，各類特征參數會發生變化，當一些特征參數偏離正常狀態時，裝備則會發生故障或者失效。當前國內外研究裝備健康評估預測的方法較多，從查閱的文獻來看，相關研究主要可以區分為基于統計規律的預測、基于數據的預測和基于模型的預測三大類，重點對單部件健康狀態參數融合、處理和預測展開研究，多部件多特征參數裝備健康狀態預測涉及較少[2-6]。特征參數變化可以區分為突發和劣化兩種方式，本文重點研究多劣化狀態參數裝備健康狀態預測方法。

1 裝備健康狀態預測模型

1.1 健康狀態分級

傳統裝備維修領域一般用正常和故障兩種狀態來描述技術狀態，往往難以滿足裝備精細化管理需要，借鑒文獻[1]，本文選用健康、良好、注意、惡化和故障5 級來表征裝備的健康狀態。

a）“健康” 狀態：表示所有參數的測試數據均在允許范圍內，且所有測試參數均接近標準值，遠離閾值；

b）“良好” 狀態：表示所有參數的測試數據均在允許范圍內，且部分測試參數波動較大，但遠未達到閾值。

c）“注意” 狀態：表示所有參數的測試數據均在允許范圍內，且部分測試參數偏離標準值較大，離閾值不遠。

d）“惡化” 狀態：表示所有參數的測試數據均在允許范圍內，且部分測試接近離閾值。

e）“故障” 狀態：有參數達到或者超過閾值。

1.2 健康狀態評估

記某裝備由I 個部件組成，第i 個部件共有Ji個檢測特征參數，執行定期檢查策略，檢測周期為T，記Xij（k）為第i 個部件第j 個狀態特征參數第k次檢測值。Xij（k）正常取值范圍為

表1 表征參數健康狀態等級取值標準

考慮到某一個特征參數達到域值，則代表部件處于故障狀態，故可用λ＇（Xi（k））=max {λ（Xi1（k）），λ（Xi2（k）），…，λ（XiJi（k））} 表示部件i的健康狀態表征函數，對照表1 可以確定部件健康狀態等級。同理，可用λ〃（X（k））=max {λ＇（Xi（k）），λ＇（X2（k）），…，λ＇（XI（k））} 表示裝備的健康狀態表征函數。

1.3 健康狀態預測

取xij=|Xij（k）-Xij（k-1）|為T 時間段的劣化量，xij的概率密度函數為fij（xij），一般可以根據具體歷史數據，選擇威布爾分布、對數正態分布、伽馬分布等函數進行擬合[7]。記l（Xij）=，則在已知Xij（k-1）情況下，Xij（k）的條件概率密度函數可以表示為：

當l（Xij）=1 時，Xij（k-1）

λ（Xij（k））的條件概率密度函數可以表示為：

已知λ（Xij（k-1）），λ（Xij（k）≤y 概率可以表示為：

λ＇（Xi（k））≤y 的概率分布可以表示為：

λ〃（X（k））≤y 的概率分布可以表示為：

已知λ（Xij（k-1））情況下，第k 次檢測時系統處于各健康狀態等級的概率如表2 所示。

表2 第k 檢測時系統的處于各健康狀態等級的概率

2 案例分析

某裝備由2 個部件構成，每個部件均有2 個健康狀態表征參數，各參數檢測數值如表3 所示。

表3 裝備檢測數值

通過數據擬合，參數1～4 單位時間檢測周期內的劣化量分別服從對數均值和對數標準差為（1，0.5）、（0.5，0.3）、（0.6，0.2）、（0.8，0.1）的對數正態分布。記參數1～4 的正常取之范圍分別為（940，1060）、（470，530）、（580，620）、（770，830），取a1，a2，a3，則第10 次檢測時各部件表征參數健康狀態等級如表4 所示。

表4 第10 次檢測時各部件表征參數健康狀態等級

此時部件1、部件2 和系統的健康狀態等級均處于注意等級。則第11 次檢測時部件和裝備處于各狀態等級的概率如表5 所示。

表5 第11 次檢測時部件和裝備處于各狀態等級的概率

3 結束語

針對多部件有多特征參數的劣化失效裝備特點，提出了裝備健康狀態分級和健康狀態評估方法，研究了裝備健康狀態等級的預測模型，并進行了實例分析。該方法能夠較好地支撐多特征參數情況下裝備健康狀態的評估與預測，便于裝備管理保障部門掌握裝備整體健康狀態的發展變化趨勢，對裝備檢測、維修計劃和維修器材籌措的組織實施計劃制定具有重要參考和借鑒意義。