倪向东 孔凡泉
(1、中国电子科技集团公司第三十八研究所,安徽 合肥230088 2、孔径阵列与空间探测安徽省重点实验室,安徽 合肥230088)
故障预测与健康管理技术(PHM)由美军最早提出并深度研究与推广应用的,已成为新一代飞机、舰船和车辆等装备研制保障的重要组成部分[1]。PHM 能够提升装备健康状态监控能力,实现提前规划维修和决策保障,降低维护保障费用。国内装备研制与维护对PHM 越来越重视,尤其是大量的现役装备。常规PHM 设计是与装备研制同步进行的,包括BIT 设计、传感器布局、数据采集处理、故障诊断与寿命预测和维修建议等[2-4]。对于现役装备PHM 而言,由于传感器已经定型,很难新增,只能基于已有系统设计。幸运的是,现役装备具备BIT,同时历史故障信息积累充分,设备故障规律基本清晰,具备基于历史数据PHM设计条件。
PHM 是指采用各类传感器信息、专家知识及维修保障信息,借助各种智能算法与推理模型,实现对装备状态监测、故障预测、判别以及管理。相较于传统基于事件的事后维修或基于时间的定期检修技术,PHM 能够实现低虚警率的故障隔离检测,智能任务规划及基于设备状态的智能维护。
故障预测是PHM 的核心,其基本原理就是分析和构建故障规律模型,通过状态检测提前发现可能的故障。按照技术路线,故障预测技术可分为3 大类:基于模型、基于知识、和基于数据。本文提出的面向现役装备的PHM 设计方法实质上是基于数据的故障检测方法。
基于历史数据的PHM 设计是对BIT 检测数据、维修保障数据的深层处理,主要内容包括:面向单传感器的心跳检测、基于结构树的状态评价和基于失效系数的故障预测。
对单次任务单一传感器的BIT 检测数据,按照物理规律或者统计规律定义异常门限,采用“心跳”模式检测当前数据是否异常,记录异常次数和有效检测总数。定义第k 个传感器检测状态为qk,将qk不为1 设备状态标记为“异常”。
式中,ki为异常次数,ks为有效检测总数。
如果不同传感器之间的存在逻辑关系,还要对初始检测状态值进行修正。统计存在逻辑关系传感器同时异常的次数,记为k’,那么修正后的检测状态值为qk’。
按照装备结构树定义系统评价结构层级表,如图1 所示。
图1 结构树示意图
(1)定义第m 个设备的第n 个子设备状态值为Qmn,若该器件有传感器,则取传感器检测状态值;若无传感器可计为1;
(2)利用子节点设备状态值计算父节点设备状态值,评级模型如下。
(3)按照上述模型由底层向上逐级计算即可得到全系统状态评价结果。
定义设备失效系数为故障前一次设备状态评价值。统计计算同类设备一定数量的失效系数队列,剔除明显奇异值后,计算队列的标准差作为故障预测门限。对正常设备监测时,如果实时状态值达到故障预测门限,即可实施提前维修。
式中,m 为统计总数,xi为第i 次失效系数。
使用文中方法在某型号雷达接收机进行实例验证。该接收机BIT 信息包括光链路、2 个电源、4 个通道和温度等组成。其中光链路为关重状态,电源与通道存在逻辑关系。一次任务BIT 采样信息如图2 所示,状态评价结果如表1 所示。
表1 设备状态评价信息
图2 单任务BIT 信息
统计30 件同批次该型号接收机故障信息,分析失效系数如图3 所示,剔除2 个明显奇异值后,计算故障预测门限值为80.61%。当实时监测状态值达到门限时,即实施提前维修,有效提升了任务完成率。
图3 失效系数估计
本文简述了PHM 技术内容和特点,提出了一种面向现役装备的PHM 实用设计方法,并在某型号雷达接收机上进行实例验证,实现了状态评估和故障预测。基于历史数据的PHM 设计方法有效可行,具备工程应用价值。