军用装备液压系统性能衰退预测技术研究综述

宋新成，王崴，杨洁，刘海平，王庆力，郝俊杰

(空军工程大学，陕西西安 710051)

0 前言

液压系统是军用装备重要的伺服驱动系统。其可靠性程度对整机的可靠性影响很大,可靠性差的军用装备系统,不但不能发挥其预期的作战或保障效能,而且可能直接因它而导致战场失利。

液压系统性能衰退预测技术是故障诊断、故障预测、寿命预测的基础，对选取适当的维修和保养方式、提升液压系统可靠性具有十分重要的意义。

如图1所示，某装备的液压系统故障模式中，内泄漏、外泄漏、堵塞和漏气均与液压元件性能衰退有关，合计占比达到了79.7%，其他故障模式一定程度上也与液压系统性能衰退存在间接关系。

图1 某装备液压系统故障模式饼状图

液压系统性能衰退预测技术始于20世纪70年代，1977年，TESSMANN和MARONEY运用铁谱分析技术，将污染物磨损试验过程中产生的磨屑与液压泵性能下降联系起来，论证了产生的磨屑与此类部件性能衰退的关系。1978年，ODSELL又对车辆悬架部件性能衰退进行了研究。1984年，国内才有了相关的研究，毛瑞玲对5080丁睛橡胶在航空煤油中性能衰退开展了初步的研究；1992年，李珈、陶增元建立了某型飞机发动机的翻修性能衰退的数学模型,并对性能衰退的发展趋势进行了预测；1997年，唐庆如对燃气涡轮发动机的性能衰退进行分析；1998年，ZHAO等建立了机械设备通用的性能衰退模型。这些之前的研究整体上不够深入，系统性不强，对液压系统的性能衰退预测主要集中在实验结果分析，在预测模型的建立、预测方法的应用上比较单一。

20世纪以后，美国威斯康辛大学、密西根大学及工业界近40家企业，在美国国家自然科学基金的资助下，于2001年共同成立美国智能维护系统中心(Center for Intelligent Maintenance Systems,IMS Center)。该机构对基于主动维护模式(Predict And Prevent，PAP)的智能维护技术与方法开展了广泛的研究。智能维护技术的关键就是利用性能衰退预测方法，结合互联网、非接触式通信技术和嵌入式智能电子技术等优势，维护设备达到几乎零故障停机的运行性能或生产效率。液压系统因此也进入了快速发展时期。随着模糊理论、灰色理论、人工智能等理论的应用，液压系统性能衰退预测技术进展颇大。

这里根据分支方向对其进行介绍，然后对该技术在军用装备方面的应用进行举例，最后探讨该技术存在的不足和未来的发展方向。

1 液压系统性能衰退预测研究现状

装备液压系统性能预测是依据现有情况，推演预测性能衰退变化情况，为故障诊断和预测以及寿命预测打下基础。与传统模型不同，性能衰退模型需要更高的灵敏度来描述各种性能退化阶段。

随着计算机技术和人工智能技术的发展，遗传算法、神经网络、专家系统等智能预测技术逐步应用到液压系统性能衰退预测领域，主要衍生出了统计预测技术、数学预测技术、智能预测技术三大类预测方法，具体分类如图2所示。

图2 液压系统性能衰退预测技术分类

1.1 统计预测技术

1968年HEWETT首次提出，统计预测对寿命试验与可靠性增长试验有重要的指导作用。该技术通过对大量资料进行分析，预测系统变化趋势，进而实现对故障的诊断。统计预测技术包括基于数据分析法的预测技术和基于回归分析的预测技术。

(1)基于数据分析

通过对观测的历史数据模型做出假设，然后经过模型参数的估计得到相应的预测值。单纯利用性能衰退指标建立的统计学模型一般准确度欠佳，像ZHANG等就将流体力学与冲蚀理论相结合，建立了湍流磨损和冲蚀磨损的数学模型，相比更符合实际；ISCIOGLU在系统动态性能数据基础上进行的多状态建模，也有更高的准确度。简而言之，该预测方法受制于模型假设的影响很大，若模型假设不能反映实际系统，预测结果将会存在极大误差。在学者们的研究中，隐马尔可夫模型(Hidden Markov Model，HMM)和混合高斯模型(Gaussian Mixture Models，GMM)都有较好的效果。最新的，变换逆高斯(Transformed Inverse Gaussian，TIG)衰退预测模型,在建模能力、可算性、灵活性上更优。

(2)基于回归分析

通过数据的回归分析，确定多种变量间的相互依赖关系，从而建立变量之间的关系模型。采用该方法计算及预测策略简单，但对样本质量要求较高，在处理非线性模型误差较大。相比而言，付朝君基于设备故障特征信号随时间序列的变化，通过回归分析等效估算性能衰退模型，误差相对较小。另外，在对衰退特征进行融合基础上，通过回归分析来预测也是一种常用的方法。总的来说，该方法单纯地应用预测精度不够，国内有部分应用，国外很少采取该方法。

1.2 数学预测技术

数学预测技术核心是建立数学模型，通过模型实现预测的目的。该方法在军用装备液压系统中的应用比较广泛。在军事装备的性能衰退预测、故障诊断、故障预测中都取得了良好的效果。该技术主要包括基于模糊理论的预测技术、基于灰色理论的预测技术和基于维纳过程3种。

(1)基于模糊理论(Fuzzy Theory)

在实际系统中，大多系统的性能数据都属于非线性数据，分析处理难度大；并且衰退指标不确定不精确，如性能衰退到什么程度就属于故障。针对这种情况，模糊理论就能很好解决。HONG、CAI采用模糊理论对液压系统性能衰退和故障诊断进行了研究。但是该方法在获得模糊规则及隶属函数的方式上，没有固定方案，主要依赖于主观经验。在此基础上，GHINI、VACCA将模糊逻辑系统与人工神经网络相结合，对供水泵和液压控制阀进行了衰退预测，预测准确度有所提升。

(2)基于灰色理论(Grey Theory)

当系统可用的数据量较少时，可在灰色理论预测方法的基础上，通过较少的样本数据获取丰富的、有规律的数据，然后对数据进行建模，进而实现预测。李楠利用灰色理论开展了基于滑油光谱数据的航空发动机磨损状态研究;WANG等研究的基于时间序列建模和灰色理论结合验证产品的退化路径也有一定的参考意义；ZENG等还提出了一种新的结构相容的多变量灰色预测模型，从而丰富了该理论。该技术由于所需样本数据少，因此也存在预测精度不够的不足，基本都是与其他预测技术结合，或者通过对预测模型进行优化的方式进行应用。

(3)基于维纳过程(Wiener Process)

维纳过程也称作布朗运动过程，它是一种具有连续时间和状态空间参数的随机过程，可以全面反映退化失效的累积效应，已被广泛用于描述产品性能参数的衰退过程。赵洪利、张猛基于发动机排气温度裕度(EGTM)数据，建立了随机维纳模型，并引入严酷度因子修正模型，对发动机性能衰退下发间隔预测的误差只有1.7%。维纳过程的初始参数和漂移系数的选择对预测结果影响比较大，因此WANG等利用期望最大化(EM)算法来估计维纳过程的初始参数，通过卡尔曼滤波方法来估计维纳过程的漂移系数，从而得到了优化后的维纳过程性能衰退预测模型。WANG、TSUI还提出了一种自适应漂移布朗运动的预测模型。整体上，经过优化初始参数和漂移系数后，该预测模型具有更高的预测准确度。

1.3 智能预测技术

智能预测技术是装备液压系统性能衰退预测的趋势。人工智能技术的优点使其在预测领域得到了迅速发展，应用范围十分广泛，在环境保护、车辆故障、经济金融、地质勘探等领域均有应用。当前的许多研究也是采取了智能预测的方法。由于智能算法种类多样，这里主要列举部分遗传算法、支持向量机、神经网络3种智能预测算法。

(1)基于遗传算法(Genetic Algorithm，GA)

遗传算法通过模拟生物遗传过程，找到适应性最强的个体，即最优解。应用于性能衰退预测时，可以利用遗传算法寻求最优解的特点来找到预测特征量的最佳组合方式。邓志江设计的自行火炮故障智能诊断与预测系统中就利用了该技术，该方法需要的信息量少，适用范围广泛；但该算法不够稳定，容易出现有利信息被淘汰，参数选择比较困难。相比较而言，ZHANG等采取的量子遗传算法(QGA)和动态模糊神经网络(DFNN)结合的算法的稳定性更高，更多保留了有利信息；张弛结合了卡尔曼滤波(Kalman Filter，KF)对模型可用信息利用率高、精度更高的优点，利用遗传算法预测民航发动机性能衰退也有较高精度。

(2)基于支持向量机(Support Vector Machine，SVM)

支持向量机是在统计学理论(Statistic Learning Theory，SLT)基础上发展起来的一种数据挖掘的新方法。最早由VAPNIK等提出，它是建立在统计学习理论的VC维理论和结构风险最小化(Structural Risk Minimization，SRM)原则上的，属于解决有限样本下的机器学习问题的一种方法。TRAN等在建立性能衰退模型基础上，运用支持向量机进行预测的思路是常规的思路。SVM能有效避免算法陷入局部最优的问题，对小样本数据下的性能衰退预测也有良好效果，同时能解决传统神经网络存在的过学习问题，但是SVM算法对大规模训练样本实施难度大，因此，ZHANG等提出的带积分算子的时移最小二乘支持向量机、支持向量机回归(Support Vector Regression，SVR)都是可行的改进方法。

(3)基于神经网络(Artificial Neural Network，ANN)

神经网络是人工智能领域研究的热点，它是对大脑神经网络功能的一种模拟，能够很好地处理非线性映射。基于神经网络的预测技术在军用装备的应用比较普遍，典型的有：LIU等建立的集成多子系统，张英等人提出的集成多预测模型，都是更全面的预测模型，有更准确的预测效果。一般而言，由于传统的人工神经网络(ANN)不能对时间累积效应进行处理，因而大多需要如文献[45]引入基于卷积的神经网络(CNN)来实现性能衰退预测的目的，比如GUO等开展的基于卷积神经网络的液压缸微泄漏在线测量建模与实验研究。在性能衰退预测的基础上，可以实现液压系统的故障诊断。此外，极限学习机(Extreme Learning Machine,ELM)作为神经网络的一个分支，在性能衰退预测领域也有应用，代表的有:PAN等采取的果蝇算法(Fruit Fly Optimization Algorithm，FOA)优化的ELM显著提升了预测准确率。

在神经网络的参数选择和模型训练中，群智能(Swarm Intelligence,SI)算法,比如粒子群优化算法(Particle Swarm Optimization，PSO)、蚁群算法(Ant Colony Optimization，ACO)等都取得了较好的优化效果，从而提高了预测的精度。

2 液压系统性能衰退预测技术在军用装备中的典型应用

在军用装备液压系统性能衰退预测的资料中，可查询到的国外的研究资料较少，主要以国内的为主。从现有研究情况可以看出，该技术显著促进了军用装备的维修和保障工作，提升了装备的效能。前文已经对该技术的应用进行了阐述，这里主要对其在军用装备中的三类应用加以介绍。

2.1 航空武器

航空武器结构复杂、精密，液压系统应用普遍，而液压系统一旦出现故障后果十分严重，液压管路、油箱、油泵等都是容易出现故障的位置。在此方面，学者们进行了一系列的研究，举例如下：

MA等对飞机液压柱塞泵的工程驱动性能退化进行了分析预测，通过考虑液压柱塞泵的退化率和故障机制之间的密切关系，开发了具有可变变化率的逆高斯(IG)过程模型来描述泵的退化行为。在此模型下，开发了贝叶斯统计方法来进行退化数据分析，还提出了模型参数估计和可靠性评估的相应程序，使用实际实验数据说明了所提出的降解分析方法。可变速率的逆高斯(IG)模型计算过程见图3。

图3 可变速率的逆高斯(IG)模型计算过程[52]

LIU等针对航空发动机性能退化进行了自适应建模，提出了一种基于平衡流形及其展开模型的飞机发动机自适应建模方法,系统地研究了膨胀模型的性质以及映射设计对形状的影响,讨论了模型的自适应性分析，给出了建立飞机发动机近似非线性模型的辨识过程,讨论了压缩机的劣化修正以及与线性变参数模型和Kalman估计量的比较,结果表明:建模精度高，结构简单。

MEHMOOD等研究了飞机金属液压管道的失效问题，发现管道在飞行过程中耗尽液压，使飞机处于潜在的危险中;通过扫描电子显微镜(SEM)观察了断口表面的疲劳条纹,对一断裂管道和一断裂液压管道进行了失效分析,发现了金属套管周向沟槽的裂纹形核的产生机制。

2.2 特种车辆

军用特种车辆存在使用环境恶劣、强度大的情况，液压系统故障也比较多，同时存在故障位置确定难、排除难的问题。为了解决这一问题，学者们也进行了一系列的研究，举例如下：

CAO、DAI提出了挖掘机液压执行机构磨损引起的性能退化模型。该模型通过分析活塞磨损时的响应，描述了液压执行器性能退化的物理过程。该模型包括液压执行机构的动力学模型、压缩弹性O形密封圈的挤压应力和变形模型、密封件的磨损模型和泄漏率模型。这些模型可用于推导挖掘机液压执行器性能退化规律，预测密封件等关键部件的使用寿命。最后，基于所建立的模型，给出了液压执行器响应的仿真结果,见图4。

图4 不同磨损阶段活塞的3种位移曲线[55]

DONG等针对两栖突击车液压马达故障率高、故障检测和定位困难的问题，探讨了两栖突击车泄漏与各影响因素的关系，采用投影寻踪回归方法建立泄漏预测模型，取得了较好的预测效果。这对两栖突击车液压马达的故障诊断具有重要意义。

王咸锋开展了某型火炮药协调器液压系统故障诊断研究，总结了液压系统的共性故障和协调器液压系统的个性故障;同时建立了协调器液压系统的FMEA表格，选取了协调器液压系统的典型故障参数，并进行仿真，为后续故障诊断提供故障数据;利用函数型主成分分析对样本数据函数化后提取了特征参数，并将特征参数与故障参数之间的映射通过BP神经网络训练，验证了其可行性。

2.3 防空装备

防空装备液压系统是装备组成的重要部分，大多采用液压驱动的方式实现起竖、调平等操作，液压系统发生故障，不仅会影响部队的正常训练，严重时甚至造成发射任务的失败。学者们进行了深入研究，举例如下：

XU和QUAN通过可靠性增强试验(RET)，加速了性能退化过程，以暴露其固有的设计和制造缺陷。以导弹伺服系统为研究对象进行了两次强化试验，并对两组试验数据进行了预处理，建立了以温度变化率为伺服系统在自然状态下的主要应力的加速退化模型，得到如图5所示的导弹伺服系统应力分布和性能退化曲线。

图5 导弹伺服系统应力分布和性能退化曲线[58]

许葆华、李洪儒研究了某型导弹发射装置液压元件故障的预测，阐述某型导弹发射装置液压元件故障预测系统的总体设计思想，确定了监测对象,选取故障特征信号,并从故障特征信号中提取了故障特征参量；介绍了以DAQ系统为硬件平台的系统硬件设计和以LabVIEW8.0为软件开发平台的系统软件设计，应用基于支持向量机的故障预测方法实现对发射装置液压元件的故障预测。

LI等提出了基于HLA的导弹武器仿真系统液压系统模型，并根据其功能划分为不同的子系统，在子系统之间设置检测点;通过神经网络、诊断系统仿真模型和故障库对故障进行定位和分类，从而检测出故障的位置和原因,仿真结果验证了该方法的可行性和有效性。

3 液压系统性能衰退预测技术在军用装备领域面临的问题

3.1 现场数据获取量少

在军用装备的实际使用中，由于无法进行改装，很难通过安装传感器来获取系统的数据；另外，由于液压系统的特殊性，液压设备损坏与失效往往发生在设备内部，不便拆装，且现场检测条件有限，因而难以直接观测。这两方面因素造成了液压系统故障的现场数据量少，多数只能获取到故障现象和故障元件,对于后期开展定量分析造成了较大挑战。

3.2 环境因素影响大

由于军用装备的使用环境特殊，存在高寒、高温、大风沙等恶劣条件，环境因素对液压系统的性能影响很大，原有的性能衰退预测模型和故障机制分析可能存在较大偏差，因此对预测和诊断造成了很大的干扰。另外，由于不同地域环境的特殊性，性能衰退模式还存在相当大的个性特点。

3.3 最优故障阈值选择难

液压系统由于其性能衰退机制复杂、衰退耦合程度高，在实际的系统性能衰退预测中，个别元件可能并未达到失效程度，但因此会加速其他元件的加速衰退，此时该元件也必须进行维修以达到系统整体性能的保持。而由于其故障机制之间的相互干扰，因此获取最优故障阈值也尤为重要。而在该方向上还需要继续研究。

3.4 中后期预测诊断精度低

在理想情况下，能够根据性能衰退规律和故障机制来实现故障诊断。但在中后期，由于疲劳、老化和磨损在变载荷谱下非线性的累积损伤或在污染物浓度陡增的情况下，液压元件或系统的性能降级急剧加速，会彻底改变其故障发展规律，因此液压元件中后期预测和故障诊断精度很难保证。

鉴于液压系统性能衰退预测存在以上问题，最有效的方法就是在充分分析液压系统性能衰退机制的基础上，将信号处理和智能预测方法相结合，利用液压系统多传感器逐级信息融合的方法，多角度实现液压系统的故障诊断。

4 总结与展望

对军用装备液压系统中的故障模式进行了阐述，并列举了当前在液压系统性能衰退预测方向的研究成果；介绍了液压系统性能衰退预测技术研究现状，最后对该技术在军用装备液压系统方面的应用进行了举例。

目前，国内外开展的性能衰退预测方面的工作仍处于初级阶段，与故障诊断的发展相比，仍显缓慢，但故障诊断的很多研究，如故障机制、特征提取和人工智能方法等方面开展的研究对性能衰退预测还是有很大的促进作用。

未来，液压系统性能衰退预测与故障诊断技术将会有3个方向的发展趋势：

(1)液压系统混合性能衰退预测方法研究。为了避免每种方法存在的局限性，发挥不同方法各自的优点，综合多种预测方法；同时研究新技术、新方法是必然趋势，也是提高预测智能化的必经之路。

(2)数据收集及处理方法研究。目前的军用装备液压系统日趋复杂，如何及时获取充足数据并加以分析决策，比如智能化的传感器和检测仪器、数据处理新方法的使用机内测试(BIT)等技术，就成为该技术发展的一个重要方向。加快增强衰退预测的准确性，提前预知故障位置、模式，以便提前做好预防，更好保障装备性能。

(3)多智能体( Multi-Agent System,MAS)性能衰退预测。利用对分部件、零件等的独立Agent的综合统筹，发挥Agent的自治性、通信能力协调、协作能力，实现在外部环境、内部运行状态的综合影响下的预测能力。