朱文博,陈绍炜,赵 帅
(西北工业大学电子信息学院,西安 710072)
航空电子系统承担了通信、控制、导航、显示等大部分的飞行任务与功能,是飞机能够正常完成飞行任务的重要保障。目前,飞机的故障预测与健康管理(PHM)的关键技术发展迅速,对于飞机的模块或者子系统如发动机系统[1]也有大量的研究。国外PHM技术在飞机上的应用成效以F-35,F-22较为显著[2]。但是与机械或机电系统相比,航电系统功能更为复杂,部件繁多且具有多属性、非线性等特征,各子系统、模块和功能之间耦合关系密切[3-4],这对航电系统PHM技术的应用提出了巨大的挑战。目前,国内关于航电系统PHM技术的研究仍以理论为主,其整体的工程应用还处于起步阶段,与国外存在较大的差距,需要借鉴国外先进技术及设计理念,形成完善的PHM体系。
综合模块化航电(IMA)系统采用统一标准的通用化模块(CPM),通过高速航电总线将各模块连接在一起组成综合核心处理机[5],如图1所示。IMA航电系统通过时间分区和空间分区使得各操作系统与应用能够处在不同分区下,根据不同任务需求加载应用与软件,独立占用相应CPM资源,从而实现资源上的高度综合与共享。
图1 IMA综合核心处理机Fig.1 IMA integrated core processor
联合标准化航电系统架构协会(ASAAC)标准针对IMA航电系统提出了相应的系统管理概念,将系统管理分为3层,即飞机级、综合区域级和资源级[6]。其中,飞机级负责IMA整体管理,综合区域级负责子系统管理,资源级负责单一处理单元功能。在此基础上,ASAAC提出了故障处理的基本流程:各模块通过故障检测机制将发现的错误信息汇总至本级系统管理中,通过结合运行蓝图(RTBP)信息进行健康监控和故障分析处理。
参照ASAAC标准的系统管理模型与综合飞行器健康管理体系结构[7],机载PHM体系设计采用分层结构,如图2所示。机载PHM体系分为飞机级(APHM)、系统级/子系统级(SPHM)以及模块级(MPHM)。APHM负责航电系统整体PHM功能运行,根据各子系统的反馈信息完成状态监测与记录、故障处理和决策生成等功能,具有人-机接口,完成系统状态显示和故障显示、地面维护等功能。SPHM负责所在系统及其下属的模块状态监测与记录、故障预测、故障诊断与处理,能够与APHM进行通信。MPHM由通用处理模块、数据采集等设备组成,主要完成数据采集、状态监测与记录和故障管理,同时将故障上报。
图2 航电PHM分层结构Fig.2 Hierarchical structure of avionics PHM
参照ISO 133374标准定义的OSA-CBM模型,将航电系统PHM功能划分为数据采集层(预处理)、状态监测层、故障预测与健康评估层、决策生成层和表述层共5层[8],同时RTBP为PHM各层功能提供支持与指导。数据采集层负责数据采集、存储和预处理;状态监测层负责对各系统和模块运行状态监测,收集异常数据并上报;故障预测与健康评估层根据检测数据,结合历史记录数据、系统故障预测模型完成健康状态分析、故障诊断和预测功能;决策支持层根据故障预测与健康评估结果生成维修方案与措施;表达层提供人-机交互接口,显示系统当前状态信息,并且可以通过维护接口对系统进行综合维修。图3展示了PHM功能分层以及RTBP中部分对应信息。
图3 PHM功能分层Fig.3 PHM function layer
需要注意的是,航电系统在各级PHM功能设计时应根据实际情况量体裁衣。如针对模块级PHM,由于资源限制,只需具有对非关联故障进行诊断并对关联型故障进行初步分析并且上报的功能,而顶层的APHM决策支持层应支持多层次多区域复杂故障的处理。
参照ASAAC蓝图设计理念,从整体上采用树形结构进行定义。各级PHM能够通过统一接口从蓝图树根节点以遍历方式访问到所需的任何数据结构。蓝图信息主要分为两类:静态配置信息和动态信息。静态配置信息包括系统管理信息、故障模型配置信息、故障管理措施信息等;动态信息包括系统实时健康状态信息、实时配置信息和实时故障处理信息等[9-10]。在具体内容上采用标准的格式,将所需的所有信息配置形成统一的XLM图表。图4为运行蓝图中健康监测状态机配置的树形结构示例。文献[10]融合ASAAC标准与ARINC653标准设计了详细的蓝图配置表信息,具有实际指导作用。
图4 树形运行蓝图示例Fig.4 Example of tree-structure RTBP design
我国目前在航电系统PHM上已经开展了大量的研究,且进步显著,但与国外相比仍缺乏完善的标准,存在较大的差距[11]。本文认为,在目前航电系统PHM分层体系设计的基础上,需要加强对以下几个方面的研究。
1) 基于模型的故障预测方法。
基于模型的故障预测方法通过建立系统对应的数学模型来模拟其特性,通过实际系统测量值与数学模型进行对比分析,评估系统故障累积效应[12],从而评估设备剩余寿命。基于模型的故障预测方法能够很好地了解系统特性,随着对设备或系统故障演化机理研究的逐步深入,可以逐渐修正和调整模型以提高其预测精度[13],与其他方法相比误差更小。对于航电系统,由于其信号交联关系复杂[14],难以建立精确的数学模型,基于模型的预测方法受限较大。需要深入研究综合应力下电子系统的失效机理和故障建模,提高预测与诊断的准确性。
2) 基于统计数据的随机建模方法。
基于数据驱动的PHM技术主要基于统计数据的随机建模方法和人工智能方法,能够通过对系统多方面的数据,如传感器数据、仿真数据等进行数据分析来预测可能出现的故障,无需相应的物理模型与专家知识的支持[15-16]。相较于人工智能,基于统计数据的随机建模方法对系统进行闭环表示,能够对诊断和预测结果进行很强的不确定性量化管理,对于后续的系统维护策略至关重要。但航电系统关键部件的典型数据(仿真数据、故障注入数据)获取难度高,制约了其在航电系统中的应用。
3) 基于大数据的人工智能方法。
基于大数据的人工智能技术在航电系统预测与诊断方面有着较好的自适应性、容错性、联想能力和学习能力。与基于统计数据的随机建模方法相比,人工智能所需要的配置更为简单,在构建航空大数据中心支撑的基础上[17-18],对大量工作参数进行分析,挖掘出反映系统性能的信息,从而逼近非线性系统的工作状态与趋势,准确率较高。文献[19]介绍了两个利用大数据通过数据挖掘、机器学习进行故障预测的实例。该方法缺点在于其故障预测只能得到剩余寿命的点估计,无法明确系统内部运行机制,从而导致了无法量化剩余寿命预测结果的不确定性,限制了后期故障处理决策的生成。
鉴于航电系统的复杂特性,任何单一的故障预测与诊断方法都无法较好地解决问题[20]。组合型预测方法通过结合多种预测方法,能够得到更准确的预测结果[21-22],已成为研究热点与发展趋势。如近年来形成的数字双胞胎技术[23],通过综合人工智能、机器学习等方法,建立系统数字模型,模拟系统真实运行状态以实现故障预测与诊断。
在实际的应用过程中,受限于技术和系统结构,关键数据难以收集,航电系统中的状态监测存在较大困难[24]。在提高传感器采集技术的同时,充分利用现有传感器单元的能力,尽量减少传感器数量,通过收集分析系统固有的工作参数,比如工作功率[25]、GPS工作参数精度[26]、信噪比等,以提高信息感知能力。同时,BIT(Built-in-Test)技术是航电系统各模块实现状态监测与故障诊断、隔离的有效方法[27]。结合先进的传感器数据采集技术和故障预测技术设计BIT功能[28],提高系统检测能力,是实现状态监测功能的关键之一。
机载航电PHM结构通常采用飞行器-子系统-底层资源的分层方式,各个模块与功能之间耦合关系密切,故障传递影响复杂。应加强研究不同功能模块之间的故障传递机制和失效机理,在不同层次的PHM模块中采用不同的推理与诊断方法,在层与层之间采用基于状态、传感器和功能的故障分析交叉增强校验[29],从而提高整体的故障诊断精确度,避免虚警。
在系统不同健康状态和不同资源配置下,对故障处理措施的决策是目前研究的关键之一。决策方案的选择将会影响故障处理后飞机的整体性能[30-31]。如对资源不足时重配置结构的决策,将直接决定飞机能否继续正常运行。决策方案的选择,需要在航电PHM分层结构的基础上,采取多目标、多模块和多准则的方法进行综合分析与比较,选取最优决策方案。目前,决策支持中引用专家系统、机器学习等新技术,大大提高了故障处理决策的可靠性,成为研究的热点。
未来航电系统将会朝着高度的灵活性、模块的通用性、结构的分布性、通信的高速性发展。我国航电PHM技术的发展,要结合国内的发展状况,注重有效数据的积累,针对当前研究热点如人工智能、物联网和大数据分析等技术展开研究,加强航电系统PHM仿真与工程应用的并行发展,使航电PHM朝着综合化与标准化方向前进。