燃?xì)鉁u輪發(fā)動(dòng)機(jī)PHM系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)技術(shù)研究

范永欣, 郭陽(yáng)明, 肖 翼

(1.西北工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院,陜西 西安 710072; 2.西北工業(yè)大學(xué) 網(wǎng)絡(luò)空間安全學(xué)院,陜西 西安 710072; 3.中國(guó)航空發(fā)動(dòng)機(jī)研究院,北京 101300)

故障預(yù)測(cè)與健康管理(Prognostics and Health Management,PHM)技術(shù)是發(fā)動(dòng)機(jī)領(lǐng)域的重要技術(shù)之一,對(duì)提升燃?xì)鉁u輪發(fā)動(dòng)機(jī)使用效能、降低維護(hù)成本有重要意義。參考美國(guó)的PHM技術(shù)發(fā)展,美國(guó)在F-35項(xiàng)目中,正式將故障預(yù)測(cè)、健康管理、維修保障決策綜合性地融合成解決方案,并正式命名為PHM系統(tǒng)。PHM是聯(lián)合攻擊戰(zhàn)斗機(jī)(Joint Strike Fighter,JSF)項(xiàng)目實(shí)現(xiàn)經(jīng)濟(jì)承受性、保障性和生存性目標(biāo)的關(guān)鍵。JSF的PHM系統(tǒng)的技術(shù)根源是機(jī)內(nèi)測(cè)試(Built-in Test,BIT)技術(shù)和基于測(cè)控技術(shù)的狀態(tài)監(jiān)測(cè)和數(shù)據(jù)采集,在集成了以可靠性為中心的維修分析(Reliability Centered Maintenance Analysis,RCMA)工程后,形成了目前的從狀態(tài)監(jiān)測(cè)到故障診斷再到主動(dòng)保障的綜合性PHM系統(tǒng)。

我國(guó)的PHM技術(shù)研究起步較晚,但經(jīng)過(guò)廣大科研工作者的深入研究,也取得了諸多成果。其中,郭陽(yáng)明等[1]撰寫(xiě)了故障預(yù)測(cè)與健康狀態(tài)管理技術(shù)綜述,總結(jié)了PHM技術(shù)的內(nèi)涵、工作原理和該技術(shù)的功能與作用,然后對(duì)PHM技術(shù)涉及的關(guān)鍵技術(shù)進(jìn)行了詳細(xì)的介紹;在故障診斷領(lǐng)域,李少塵等[2]撰寫(xiě)了航空燃?xì)鉁u輪發(fā)動(dòng)機(jī)氣路故障診斷進(jìn)展報(bào)告,為先進(jìn)航空發(fā)動(dòng)機(jī)健康管理系統(tǒng)提供了有力技術(shù)支撐;馬帥等[3]開(kāi)展了基于飛行過(guò)程數(shù)據(jù)的航空發(fā)動(dòng)機(jī)故障診斷方法研究,使得故障檢測(cè)和識(shí)別準(zhǔn)確率分別達(dá)到96.51%和95.06%;郭陽(yáng)明等[4]開(kāi)展了基于回聲狀態(tài)網(wǎng)絡(luò)(Echo State Network,ESN)的航空發(fā)動(dòng)機(jī)狀態(tài)組合預(yù)測(cè)方法研究,能夠有效提升預(yù)測(cè)效率和精度;在PHM系統(tǒng)設(shè)計(jì)方向,李曉明[5]開(kāi)展了防喘控制系統(tǒng)故障預(yù)測(cè)與健康管理技術(shù)應(yīng)用研究;在PHM指標(biāo)體系設(shè)計(jì)方面,蔡光耀等[6]開(kāi)展了PHM指標(biāo)體系研究,在分析典型先進(jìn)航空發(fā)動(dòng)機(jī)預(yù)測(cè)健康管理(Engine Prognostics and Health Management,EPHM)系統(tǒng)的基礎(chǔ)上,詳細(xì)闡述了EPHM的需求,并基于需求系統(tǒng)梳理了EPHM系統(tǒng)的指標(biāo)體系,同時(shí)也為發(fā)動(dòng)機(jī)PHM系統(tǒng)建設(shè)提供了寶貴的意見(jiàn);在發(fā)動(dòng)機(jī)剩余壽命預(yù)測(cè)方面,得益于美國(guó)國(guó)家航空航天局(National Aeronautics and Space Administration,NASA)的公共商用模塊化航空推進(jìn)系統(tǒng)仿真(Commercial Modular Aero-Propulsion System Simulation,C-MAPSS)數(shù)據(jù)集,大量的研究人員在此基礎(chǔ)上開(kāi)展了基于神經(jīng)網(wǎng)絡(luò)進(jìn)行剩余壽命預(yù)測(cè)的技術(shù)研究,其中,較為成熟的算法是長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)算法,李新龍[7]開(kāi)展了基于深度學(xué)習(xí)的渦輪發(fā)動(dòng)機(jī)剩余壽命預(yù)測(cè)方法研究,采用多層LSTM模型對(duì)NASA提供的渦輪發(fā)動(dòng)機(jī)數(shù)據(jù)集進(jìn)行了預(yù)測(cè)和驗(yàn)證。

綜上所述,目前我國(guó)的燃?xì)鉁u輪發(fā)動(dòng)機(jī)PHM系統(tǒng)設(shè)計(jì)技術(shù)上主要存在以下兩個(gè)方面的問(wèn)題：首先是整體性不強(qiáng),PHM系統(tǒng)設(shè)計(jì)方向不明確,主要體現(xiàn)在指標(biāo)體系設(shè)計(jì)不能覆蓋任務(wù)層和保障層;其次,引入PHM領(lǐng)域的先進(jìn)技術(shù)應(yīng)進(jìn)行驗(yàn)證性分析,原因一方面是此類先進(jìn)的技術(shù)還有待進(jìn)行工程驗(yàn)證,另一方面是對(duì)于先進(jìn)技術(shù),例如先進(jìn)的故障診斷方法、先進(jìn)的保障決策方法等,需要從工程實(shí)際出發(fā)進(jìn)行分析和取舍。針對(duì)以上兩個(gè)問(wèn)題,本文提出了一種燃?xì)鉁u輪發(fā)動(dòng)機(jī)PHM系統(tǒng)的技術(shù)架構(gòu),核心設(shè)計(jì)思想是以任務(wù)為中心,覆蓋由故障到保障的全過(guò)程,針對(duì)發(fā)動(dòng)機(jī)的任務(wù)實(shí)時(shí)監(jiān)測(cè)、保障決策和關(guān)鍵部件壽命預(yù)測(cè)3個(gè)方面,通過(guò)引入可靠性領(lǐng)域的成熟的工程技術(shù)(例如測(cè)試性和RCMA工程技術(shù)),建立故障診斷和保障決策兩個(gè)核心功能,引入先進(jìn)的智能算法進(jìn)行關(guān)鍵部件的壽命預(yù)測(cè)。

1 燃?xì)鉁u輪發(fā)動(dòng)機(jī)PHM系統(tǒng)技術(shù)架構(gòu)

燃?xì)鉁u輪發(fā)動(dòng)機(jī)PHM系統(tǒng)的設(shè)計(jì),應(yīng)以提升發(fā)動(dòng)機(jī)的使用效能和保障效能為目標(biāo),本文所提出的基本技術(shù)架構(gòu)如圖1所示,在物理結(jié)構(gòu)上,分為實(shí)時(shí)監(jiān)測(cè)模塊與保障決策模塊。其中實(shí)時(shí)監(jiān)測(cè)模塊主要圍繞傳感器和發(fā)動(dòng)機(jī)控制器采集的監(jiān)測(cè)數(shù)據(jù)開(kāi)展健康管理與故障診斷,采用基于測(cè)試性診斷理論開(kāi)展故障診斷,注重診斷的實(shí)時(shí)性;保障決策模塊主要針對(duì)同型號(hào)、多設(shè)備的條件進(jìn)行數(shù)據(jù)匯集,開(kāi)展基于人工智能的壽命預(yù)測(cè),圍繞RCMA進(jìn)行保障決策的輸出。

圖1 燃?xì)鉁u輪發(fā)動(dòng)機(jī)PHM技術(shù)框架

目前國(guó)內(nèi)外在PHM平臺(tái)領(lǐng)域有很多具有代表性的產(chǎn)品,可以通過(guò)橫向?qū)Ρ认冗M(jìn)的PHM設(shè)計(jì)平臺(tái),從而評(píng)估其燃?xì)鉁u輪發(fā)動(dòng)機(jī)PHM系統(tǒng)的能力。國(guó)內(nèi)外PHM平臺(tái)的技術(shù)對(duì)比如表1所示,選取國(guó)內(nèi)具有代表性的旋極的PIDE產(chǎn)品、美國(guó)的Suresence平臺(tái)和VSE-PHM平臺(tái)進(jìn)行分析,從業(yè)務(wù)符合程度、故障診斷能力、保障決策能力、功能擴(kuò)展性、壽命預(yù)測(cè)能力和架構(gòu)先進(jìn)程度6個(gè)角度進(jìn)行分析對(duì)比,其中本文所述平臺(tái)在業(yè)務(wù)符合程度、架構(gòu)先進(jìn)程度兩個(gè)維度具有優(yōu)勢(shì),主要原因是在設(shè)計(jì)時(shí)充分考慮了燃?xì)鉁u輪發(fā)動(dòng)機(jī)的特性及任務(wù)場(chǎng)景,針對(duì)性地設(shè)計(jì)了指標(biāo)體系,同時(shí),采用了實(shí)施檢測(cè)模塊與保障決策模塊分離的架構(gòu),主要考慮到監(jiān)測(cè)實(shí)時(shí)性的要求,以及保障決策的智能化需求。實(shí)時(shí)性要求平臺(tái)具備快且準(zhǔn)確的特點(diǎn),而保障決策則需要平臺(tái)具備合理且及時(shí)的特點(diǎn),所以將診斷與決策進(jìn)行了分離,這樣PHM系統(tǒng)將會(huì)更加具有針對(duì)性。在故障診斷能力、保障決策能力和壽命預(yù)測(cè)能力3個(gè)方面,本文所述平臺(tái)與其他平臺(tái)的差距不大,其中VSE-PHM系統(tǒng)在故障診斷能力和壽命預(yù)測(cè)能力方面優(yōu)于本文所述架構(gòu),主要原因是其在智能算法方面具有較大的優(yōu)勢(shì)。

表1 國(guó)內(nèi)外PHM平臺(tái)的技術(shù)對(duì)比

2 燃?xì)鉁u輪發(fā)動(dòng)機(jī)PHM系統(tǒng)關(guān)鍵技術(shù)

高效的燃?xì)鉁u輪發(fā)動(dòng)機(jī)PHM系統(tǒng)依賴于多個(gè)領(lǐng)域的基礎(chǔ)能力,主要包括傳感器技術(shù)、數(shù)據(jù)總線技術(shù)、故障診斷技術(shù)、健康狀態(tài)指標(biāo)體系設(shè)計(jì)、壽命預(yù)測(cè)、維修保障決策等。

在渦輪發(fā)動(dòng)機(jī)PHM的相關(guān)技術(shù)中,為了突出由故障到保障的PHM系統(tǒng)的核心思想,本文著重介紹以下技術(shù)。

① 在線監(jiān)測(cè)技術(shù),借助傳感器和發(fā)動(dòng)機(jī)控制器數(shù)據(jù),實(shí)現(xiàn)對(duì)發(fā)動(dòng)機(jī)狀態(tài)的實(shí)時(shí)監(jiān)測(cè)。

② 結(jié)合發(fā)動(dòng)機(jī)的實(shí)際工況,借助多設(shè)備采集的數(shù)據(jù),采用基于LSTM的人工智能算法對(duì)發(fā)動(dòng)機(jī)的剩余壽命進(jìn)行預(yù)計(jì)。

③ 基于RCMA,實(shí)現(xiàn)快速保障決策。

2.1 燃?xì)鉁u輪發(fā)動(dòng)機(jī)在線監(jiān)測(cè)技術(shù)

在線監(jiān)測(cè)技術(shù)是目前開(kāi)展PHM系統(tǒng)設(shè)計(jì)的核心技術(shù)之一,通過(guò)在線監(jiān)測(cè)可以快速實(shí)現(xiàn)故障感知,通過(guò)傳感器對(duì)渦輪發(fā)動(dòng)機(jī)的關(guān)鍵部件進(jìn)行關(guān)鍵參數(shù)的監(jiān)測(cè),并集成到PHM系統(tǒng)中,將極大地提升故障診斷的效率[8]。

燃?xì)鉁u輪發(fā)動(dòng)機(jī)的基本結(jié)構(gòu)和功能如圖2所示。其中發(fā)動(dòng)機(jī)本體主要由風(fēng)扇、壓氣機(jī)、燃燒室、高壓渦輪、低壓渦輪和尾噴管構(gòu)成。整個(gè)發(fā)動(dòng)機(jī)還包括起動(dòng)控制裝置、燃油控制系統(tǒng)、點(diǎn)火起動(dòng)系統(tǒng)、潤(rùn)滑系統(tǒng)、傳動(dòng)系統(tǒng)和供電系統(tǒng)。

圖2 燃?xì)鉁u輪發(fā)動(dòng)機(jī)的基本結(jié)構(gòu)及功能

在燃?xì)鉁u輪發(fā)動(dòng)機(jī)工作過(guò)程中,其技術(shù)狀態(tài)通常分為4種,分別是慢車(chē)狀態(tài)、額定狀態(tài)、最大狀態(tài)和加力狀態(tài),并且每種狀態(tài)對(duì)應(yīng)的技術(shù)參數(shù)有所不同,燃?xì)鉁u輪發(fā)動(dòng)機(jī)屬于非常精密的機(jī)電設(shè)備,其工況條件為高速、高溫、振動(dòng)等多環(huán)境要素融合;在線監(jiān)測(cè)技術(shù)的核心思想是通過(guò)判定各個(gè)技術(shù)狀態(tài)的參數(shù)是否在合理區(qū)間內(nèi),判定發(fā)動(dòng)機(jī)的狀態(tài)是否正常,所選擇的監(jiān)測(cè)參數(shù)通常由傳感器參數(shù)、指示燈、操作數(shù)據(jù)等構(gòu)成,通過(guò)監(jiān)測(cè)參數(shù)是否超限,可以快速定位問(wèn)題所處的部件范圍,加速排故過(guò)程,提升維修效率。

發(fā)動(dòng)機(jī)常見(jiàn)故障類型如圖3所示,主要分為耗損型故障、過(guò)應(yīng)力型故障和綜合故障,其中,在開(kāi)展RCMA的過(guò)程中,針對(duì)不同的組成單元,可以按照故障的類別和原因進(jìn)行歸類,建立故障與維修策略的映射關(guān)系。

依據(jù)潛在的故障和歷史經(jīng)驗(yàn),對(duì)渦輪發(fā)動(dòng)機(jī)的在線監(jiān)測(cè)主要包括以下5個(gè)參數(shù)。

(1) 轉(zhuǎn)子的轉(zhuǎn)速參數(shù)(N1與N2)。

轉(zhuǎn)子轉(zhuǎn)速主要分為高壓轉(zhuǎn)子轉(zhuǎn)速N2與低壓轉(zhuǎn)子轉(zhuǎn)速N1,其中,高壓轉(zhuǎn)子轉(zhuǎn)速主要表征的是發(fā)動(dòng)機(jī)的整體性能,低壓轉(zhuǎn)子轉(zhuǎn)速主要反映的是風(fēng)扇和低壓渦輪的運(yùn)行狀態(tài)。

圖3 發(fā)動(dòng)機(jī)常見(jiàn)故障類型

(2) 燃油流量參數(shù)。

燃油流量參數(shù)主要用來(lái)反映進(jìn)入燃燒室的燃油量,通常與其他參數(shù)共同分析,以判斷發(fā)動(dòng)機(jī)的運(yùn)行狀態(tài),通常反映燃油控制系統(tǒng)的運(yùn)行狀態(tài)。

(3) 油液參數(shù)。

油液參數(shù)主要用于分析由于高溫、振動(dòng)和磨損導(dǎo)致的雜質(zhì),用于判斷發(fā)動(dòng)機(jī)的耗損型故障,通常能夠反映潤(rùn)滑系統(tǒng)的整體狀態(tài)。

(4) 排氣溫度。

由于發(fā)動(dòng)機(jī)處于高空工作狀態(tài),空氣進(jìn)入量相較于海平面明顯降低,通常需要增大供油保證推力,排氣溫度會(huì)升高,考慮到葉片承溫能力的物理極限,通常在控制溫度的時(shí)候,推力會(huì)下降,在長(zhǎng)期工作狀態(tài)下,發(fā)動(dòng)機(jī)性能退化,因此排氣溫度與推力變化能夠反映整體的發(fā)動(dòng)機(jī)性能,是重要的監(jiān)測(cè)參數(shù)。

(5) 振動(dòng)參數(shù)。

發(fā)動(dòng)機(jī)工作時(shí)必然伴隨振動(dòng),振動(dòng)參數(shù)主要反映機(jī)械部件的整體狀態(tài),如齒輪、軸承等,是早期甄別故障與故障預(yù)測(cè)的重要參數(shù),如振動(dòng)的頻率、賦值、相位移動(dòng)等,這類參數(shù)的獲取方式更加成熟,傳感器水平較高。

具有代表性的在線監(jiān)測(cè)信號(hào),可參考C-MAPSS數(shù)據(jù)集,如表2所示。

表2 C-MAPSS數(shù)據(jù)集數(shù)據(jù)

2.2 基于LSTM算法開(kāi)展發(fā)動(dòng)機(jī)剩余壽命預(yù)測(cè)

傳統(tǒng)的通過(guò)可靠性建模等方式進(jìn)行發(fā)動(dòng)機(jī)壽命預(yù)測(cè)會(huì)出現(xiàn)預(yù)測(cè)精度不準(zhǔn)的問(wèn)題,導(dǎo)致發(fā)動(dòng)機(jī)的維修保障工作開(kāi)展缺乏有效依據(jù)。人工智能技術(shù)和傳感器技術(shù)的發(fā)展為面向數(shù)據(jù)的發(fā)動(dòng)機(jī)壽命預(yù)測(cè)提供了新的方法和途徑[9]。其中,基于時(shí)間序列的壽命預(yù)測(cè)技術(shù)應(yīng)用最為廣泛,其中LSTM算法尤為突出,LSTM算法在NASA公布的C-MAPSS數(shù)據(jù)集[10]上經(jīng)過(guò)反復(fù)驗(yàn)證,預(yù)測(cè)精度較高,同時(shí),經(jīng)過(guò)多年的研究,很多研究人員在此基礎(chǔ)上對(duì)算法進(jìn)行了改進(jìn),進(jìn)一步優(yōu)化和提升了LSTM算法[11-12]。

基于LSTM的預(yù)測(cè)模型原理如圖4所示,其核心原理是針對(duì)發(fā)動(dòng)機(jī)傳感器數(shù)據(jù)中的前N個(gè)時(shí)間點(diǎn)的數(shù)據(jù)進(jìn)行預(yù)測(cè),輸出第N+1個(gè)時(shí)間的特征數(shù)據(jù)。訓(xùn)練時(shí)將N+1個(gè)時(shí)間點(diǎn)的真實(shí)值作為模型的預(yù)期輸出,經(jīng)過(guò)所有采集數(shù)據(jù)的訓(xùn)練后,輸入測(cè)試樣本,經(jīng)模型計(jì)算后,輸出測(cè)試樣本集后續(xù)時(shí)間內(nèi)的預(yù)測(cè)結(jié)果。

圖4 LSTM模型預(yù)測(cè)示意圖

LSTM算法的核心思想是通過(guò)引入門(mén)控制機(jī)制來(lái)解決RNN[13]算法中的梯度爆炸問(wèn)題,使得算法能夠建立對(duì)有效信息的長(zhǎng)期學(xué)習(xí)機(jī)制,這樣就解決了在實(shí)際的運(yùn)行環(huán)境中發(fā)動(dòng)機(jī)長(zhǎng)時(shí)正常但瞬間異常的問(wèn)題,也避免了時(shí)間跨度導(dǎo)致的特征不敏感現(xiàn)象,增強(qiáng)了對(duì)壽命影響因子的關(guān)聯(lián)。LSTM模型訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 LSTM模型訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)示意圖

其預(yù)測(cè)模型的物理含義為計(jì)算t時(shí)刻到未來(lái)一個(gè)時(shí)刻的輸出,網(wǎng)絡(luò)訓(xùn)練模型轉(zhuǎn)換為數(shù)據(jù)表達(dá)式,可組成以下數(shù)學(xué)運(yùn)算：

采用C-MAPSS數(shù)據(jù)集中的第二套數(shù)據(jù)(FD002)為案例對(duì)LSTM方法進(jìn)行驗(yàn)證,數(shù)據(jù)集由多個(gè)多變量時(shí)間序列組成,每個(gè)數(shù)據(jù)集被進(jìn)一步分為訓(xùn)練和測(cè)試子集,每個(gè)時(shí)間序列都來(lái)自不同的發(fā)動(dòng)機(jī),也就是說(shuō),這些數(shù)據(jù)可以被認(rèn)為是來(lái)自同一類型的發(fā)動(dòng)機(jī)隊(duì)列,每臺(tái)發(fā)動(dòng)機(jī)開(kāi)始時(shí)都有不同程度的初始磨損和制造變化,這對(duì)用戶來(lái)說(shuō)是未知的。C-MAPSS數(shù)據(jù)集數(shù)據(jù)類型如表2所示。

驗(yàn)證的結(jié)果圖如圖6所示,其中藍(lán)色直線為發(fā)動(dòng)機(jī)真實(shí)的剩余使用壽命(Remaining Useful Life,RUL)值,橙色線為預(yù)測(cè)值。通過(guò)對(duì)比可見(jiàn)預(yù)測(cè)值與真實(shí)值符合度較高,在數(shù)據(jù)量和監(jiān)測(cè)數(shù)據(jù)種類進(jìn)一步提升的情況下,算法的精度將進(jìn)一步提升,從側(cè)面說(shuō)明了智能算法的應(yīng)用價(jià)值。

圖6 C-MAPSS數(shù)據(jù)集上進(jìn)行LSTM算法驗(yàn)證結(jié)果圖

但不可否認(rèn)的是,該算法的準(zhǔn)確度較高是因?yàn)獒槍?duì)的是一種故障引起的發(fā)動(dòng)機(jī)壽命終止,而在多種故障條件下和故障原因耦合的場(chǎng)景下,該算法的能力還需要進(jìn)一步提升,可考慮從特征提取和數(shù)據(jù)量?jī)蓚€(gè)方面入手,在實(shí)際應(yīng)用中,應(yīng)針對(duì)多種故障進(jìn)行多種算法的融合才能達(dá)到更加精準(zhǔn)預(yù)測(cè)的目標(biāo)。

2.3 基于RCMA實(shí)現(xiàn)維修保障決策的快速生成

(1) RCMA。

RCMA是目前效率最高、工程應(yīng)用最為成熟的維修任務(wù)分析技術(shù),依托于發(fā)動(dòng)機(jī)前期開(kāi)展的可靠性分析工作,形成圍繞組成單元—故障—原因—影響—維修分析的分析結(jié)果,并以此開(kāi)展維修任務(wù)分析工作。RCMA技術(shù)是實(shí)現(xiàn)最終CBM的基礎(chǔ),本文提出的基于RCMA的維修保障決策生成技術(shù),前端的輸入應(yīng)為健康管理的實(shí)際輸出結(jié)果,在健康管理端實(shí)現(xiàn)狀態(tài)的確定,在RCMA部分提供所匹配的維修任務(wù)[14]。基于RCAM的維修保障決策技術(shù)執(zhí)行過(guò)程如圖7所示。

圖7 基于RCMA的維修保障決策技術(shù)執(zhí)行過(guò)程

以文獻(xiàn)[15]中所提到的某型燃?xì)廨啓C(jī)氣路系統(tǒng)為例,進(jìn)行RCMA,并對(duì)維修成本、備件配置效率、工時(shí)成本等進(jìn)行了補(bǔ)充,從而形成對(duì)決策算法的輸入,RCMA示例如表3所示。

表3 主氣路系統(tǒng)RCMA示例

其中對(duì)于分析結(jié)果中的3個(gè)指標(biāo)說(shuō)明如表4所示。

表4 RCMA中的符號(hào)說(shuō)明

(2) 維修保障策略生成。

基于RCMA的維修保障決策生成,是以RCMA為基礎(chǔ),在多臺(tái)維修對(duì)象和故障數(shù)量不唯一的場(chǎng)景下,進(jìn)行有效的維修保障方案設(shè)計(jì),以便最大化維修保障效能。基于RCMA的維修保障決策生成,主要計(jì)算過(guò)程如下。

① 構(gòu)造單一故障維修效率計(jì)算函數(shù)。

(1)

式中：f(xi)為發(fā)動(dòng)機(jī)第i個(gè)故障的維修效率;xi為第i個(gè)考慮的要素,通常可考慮重要度、維修時(shí)間、備件等待時(shí)間、經(jīng)濟(jì)成本、時(shí)間成本、人員能力等;j為效能評(píng)估的考慮要素總數(shù)。

注：在工程工作中開(kāi)展維修任務(wù)分析時(shí),針對(duì)每一項(xiàng)故障,均有維修工藝表、維修工藝步驟資源表等詳細(xì)的工程分析數(shù)據(jù),本案例中,維修成本和維修時(shí)間均可從維修工藝表、維修工藝步驟資源表中匯集得到,本案例不進(jìn)行詳細(xì)的羅列,僅使用成本與時(shí)間進(jìn)行示例。

② 構(gòu)造故障矩陣及效率矩陣。

故障矩陣如下：

(2)

式中：Fnr為當(dāng)前批次發(fā)動(dòng)機(jī)的故障矩陣;λnr為第n個(gè)發(fā)動(dòng)機(jī)的第r個(gè)故障是否發(fā)生,以0或者1表示,1代表故障發(fā)生;np為當(dāng)前待維修批次發(fā)動(dòng)機(jī)總數(shù);rp為當(dāng)前發(fā)動(dòng)機(jī)的故障總數(shù)。

注：括號(hào)內(nèi)為量化值范圍,便于后續(xù)計(jì)算。

效率矩陣如下：

E1r=[f(x1),f(x2),…,f(xr)]T

(3)

式中：E1r為由單一故障維修效率構(gòu)成的一維矩陣。

③ 計(jì)算與權(quán)衡分析。

采用效能評(píng)估函數(shù)如下：

Wn1=Fnr×E1r

(4)

對(duì)數(shù)據(jù)進(jìn)行處理：

(5)

式中：Wn1為對(duì)矩陣Fnr與E1r進(jìn)行的求積運(yùn)算結(jié)果構(gòu)成的一維矩陣,代表當(dāng)前批次發(fā)動(dòng)機(jī)的維修效能估計(jì)。

依照本節(jié)算法設(shè)計(jì)實(shí)驗(yàn)案例分析如下。

假設(shè)：當(dāng)前批次的故障發(fā)動(dòng)機(jī)共有10臺(tái),評(píng)估的要素有3種,分別是嚴(yán)酷度、維修成本和維修時(shí)長(zhǎng),RCMA采用表3中的數(shù)據(jù),故障清單如表5所示。

表5 案例分析采用的10臺(tái)發(fā)動(dòng)機(jī)故障信息

按照式(1)～式(4)執(zhí)行測(cè)試后,運(yùn)行結(jié)果如表6所示。

表6 維修效能計(jì)算結(jié)果

對(duì)其進(jìn)行可視化分析如圖8所示。

圖8 發(fā)動(dòng)機(jī)維修效率對(duì)比示意圖

在數(shù)據(jù)分析時(shí),數(shù)值小意味著易修理且成本低,同時(shí)故障影響較小,發(fā)動(dòng)機(jī)恢復(fù)任務(wù)能力的效率較高。

圍繞前文所提出的渦輪發(fā)動(dòng)機(jī)PHM系統(tǒng)技術(shù)架構(gòu),對(duì)其中三項(xiàng)關(guān)鍵技術(shù)進(jìn)行了介紹與分析,初步形成了圍繞測(cè)試性診斷和基于LSTM的壽命方法解決故障診斷與壽命預(yù)測(cè)兩個(gè)PHM系統(tǒng)的核心問(wèn)題,圍繞RCMA實(shí)現(xiàn)由健康管理向保障實(shí)施的延伸,通過(guò)基于任務(wù)分級(jí)的指標(biāo)體系以評(píng)估發(fā)動(dòng)機(jī)的整體健康狀態(tài)。

3 燃?xì)鉁u輪發(fā)動(dòng)機(jī)PHM系統(tǒng)設(shè)計(jì)

本文提出的燃?xì)鉁u輪發(fā)動(dòng)機(jī)的PHM系統(tǒng)架構(gòu)[16]中,實(shí)時(shí)監(jiān)測(cè)模塊主要負(fù)責(zé)發(fā)動(dòng)機(jī)數(shù)據(jù)傳感器的數(shù)據(jù)采集、發(fā)動(dòng)機(jī)實(shí)時(shí)健康狀態(tài)管理、故障診斷、實(shí)時(shí)數(shù)據(jù)存儲(chǔ)與傳輸?shù)戎饕獌?nèi)容;保障決策模塊則主要負(fù)責(zé)數(shù)據(jù)接受、數(shù)據(jù)清洗、壽命預(yù)測(cè)、保障決策等功能。實(shí)時(shí)監(jiān)測(cè)模塊搭載在裝備上,提升故障診斷效率;保障決策模塊則主要依靠計(jì)算機(jī)作為載體對(duì)接多個(gè)發(fā)動(dòng)機(jī),充分利用數(shù)據(jù)積累的優(yōu)勢(shì),提升壽命預(yù)測(cè)精度和保障決策的準(zhǔn)確性。

3.1 實(shí)時(shí)監(jiān)測(cè)模塊功能設(shè)計(jì)

實(shí)時(shí)監(jiān)測(cè)模塊功能架構(gòu)如圖9所示,劃分為傳感器單元、數(shù)據(jù)處理單元、狀態(tài)監(jiān)測(cè)與故障診斷單元、顯示輸出單元和數(shù)據(jù)存儲(chǔ)單元。主要針對(duì)氣路、油路等發(fā)動(dòng)機(jī)功能單元,獲取其傳感器數(shù)據(jù),形成溫度、濕度、振動(dòng)等量化參數(shù),將參數(shù)輸入機(jī)載發(fā)動(dòng)機(jī)狀態(tài)監(jiān)測(cè)與故障診斷單元中,經(jīng)邏輯判讀,輸出性能、溫度、濕度和振動(dòng)參數(shù)曲線,借助指標(biāo)體系判斷發(fā)動(dòng)機(jī)的健康狀態(tài),并將信息投放到駕駛艙顯控單元,同時(shí),將任務(wù)信息、參數(shù)信息、時(shí)間戳信息和診斷信息寫(xiě)入數(shù)據(jù)存儲(chǔ)單元中,便于保障決策模塊收集數(shù)據(jù)。

圖9 實(shí)時(shí)監(jiān)測(cè)模塊功能架構(gòu)

3.2 保障決策模塊功能設(shè)計(jì)

保障決策模塊功能架構(gòu)如圖10所示,主要實(shí)現(xiàn)對(duì)實(shí)時(shí)監(jiān)測(cè)模塊的數(shù)據(jù)接入,同時(shí)完成多臺(tái)發(fā)動(dòng)機(jī)的數(shù)據(jù)匯集,在數(shù)據(jù)庫(kù)中,集成了算法庫(kù)、指標(biāo)庫(kù)、參數(shù)庫(kù)等基礎(chǔ)資源,對(duì)發(fā)動(dòng)機(jī)的故障模式影響與危害度以及維修任務(wù)分析結(jié)果進(jìn)行格式化存儲(chǔ),以便于實(shí)現(xiàn)故障到?jīng)Q策的快速關(guān)聯(lián),最終能夠按照型號(hào)、設(shè)備、任務(wù)等輸出健康管理報(bào)告、壽命趨勢(shì)分析報(bào)告,同時(shí),可以對(duì)預(yù)測(cè)模型進(jìn)行周期性訓(xùn)練,以提升預(yù)測(cè)精度。

4 結(jié)束語(yǔ)

本文通過(guò)對(duì)國(guó)內(nèi)外的PHM系統(tǒng)進(jìn)行調(diào)研與分析工作,結(jié)合我國(guó)燃?xì)鉁u輪發(fā)動(dòng)機(jī)PHM技術(shù)與系統(tǒng)的實(shí)際情況,提出了一種燃?xì)鉁u輪發(fā)動(dòng)機(jī)的PHM系統(tǒng)的技術(shù)架構(gòu),在此架構(gòu)中,涉及的測(cè)試性診斷技術(shù)、基于人工智能的壽命預(yù)測(cè)技術(shù)和基于RCMA的保障決策技術(shù)均是目前具有較強(qiáng)工程應(yīng)用價(jià)值的技術(shù)。

同時(shí),不可否認(rèn)的是,燃?xì)鉁u輪發(fā)動(dòng)機(jī)PHM系統(tǒng)設(shè)計(jì)技術(shù)還有很多難點(diǎn)需要攻克,首先,對(duì)于基于測(cè)試性建模的故障診斷技術(shù),對(duì)于機(jī)械部分的診斷效果依賴于傳感器技術(shù)水平[17];其次,基于人工智能的壽命預(yù)測(cè)技術(shù),依賴于數(shù)據(jù)的采集與算法的設(shè)計(jì)研究,本文提出的LSTM算法在實(shí)踐上經(jīng)過(guò)NASA數(shù)據(jù)集的驗(yàn)證,但是該數(shù)據(jù)集存在故障模式數(shù)據(jù)不足的問(wèn)題,此類算法尚需要經(jīng)歷較多次數(shù)據(jù)采集、算法改進(jìn)、驗(yàn)證的過(guò)程;對(duì)于RCMA,則對(duì)可靠性、維修性和保障性分析工作提出了較高的要求,在工程實(shí)施過(guò)程中,需要設(shè)計(jì)師、綜保工程師和維修工程師的協(xié)同配合,才能形成高水平的分析結(jié)果。

可以預(yù)見(jiàn)的是,隨著傳感器設(shè)計(jì)技術(shù)、仿真技術(shù)、試驗(yàn)技術(shù)等先進(jìn)工程技術(shù)能力的提升,數(shù)據(jù)獲取的方式將更加豐富,燃?xì)鉁u輪發(fā)動(dòng)機(jī)PHM系統(tǒng)設(shè)計(jì)將向智能化、輕量化發(fā)展,實(shí)時(shí)監(jiān)測(cè)模塊將具備更高的監(jiān)測(cè)效率,更強(qiáng)的健康狀態(tài)評(píng)估能力,保障決策模塊將具備更強(qiáng)的多維度、大規(guī)模數(shù)據(jù)分析能力,發(fā)動(dòng)機(jī)壽命預(yù)測(cè)更為精準(zhǔn),保障策略更加精確。