大数据背景下航天设备预测性维护技术研究

李孟源?李丹敏?张笈玮?陈湘龙

摘要：随着航天技术的进步，我国航天领域的设施设备系统越发智能，也日趋复杂，传统的设备维护策略逐渐难以满足实际的维护需求。而物联网、大数据、人工智能等技术的快速崛起，为预测性维护技術的发展奠定了基础。结合航天设备的历史数据和运行数据，利用大数据技术，针对航天设备运行管理、高频度发射和恶劣气候环境等复杂使用环境，提出了基于大数据的预测性维护策略确保航天设备正常运行。文章首先分析了航天发射场工作环境的特点及其对维护技术的要求，然后给出了航天设备预测性维护的具体流程，最后阐述了航天设备预测性维护模型的一些关键技术及应用实例。

关键词：预测性维护；大数据；航天设备

近些年，我国航天领域科学技术飞速发展，相应设施设备系统精密化、智能化、复杂化程度逐步提高。由于航天设备运行管理、高频度发射和恶劣气候环境等复杂使用环境，发生部件退化、失效、故障的可能性较高。而在航天领域，任何设备失效引发的事故，都可能导致难以挽回的严重损失。为此，航天设备维护需要投入的人力、物力成本非常高。在大数据时代背景下，基于海量的设备运行、监测、维护数据，在严重事故发生之前，实现早期预警故障、进行故障隔离，确定设备健康状态发展趋势以及评估剩余寿命，进而制定高效可行的维护计划，对保障航天设备安全可靠运行有重要价值。由此看来，针对航天设备的预测性维护技术研究变得十分迫切。

一、研究背景与研究现状

（一）航天发射场的环境特点及其维护现状

我国为保障运载火箭将卫星送入太空，20世纪70年代开始航天发射场地面设施设备建设，保障了各类运载火箭的发射任务，发射场设施设备不断迭代更新，顺利完成各项工作。我国航天发射场地面设施具有单台次，非标准，统计特性不明显等特点。随着深空探测、空间站等任务相继实施，航天任务高密度开展，各类设施设备的数量及规模大幅增加、使用愈加频繁。设备长时间满负荷运行，使用寿命缩短、突发故障增多的风险加剧，造成发射场在发射任务期间维修维护任务十分繁重。传统的设备维护模式已难以适应繁重的试验任务需要，对各类航天任务的高质量完成提出了挑战。这对设备维护保障的体系创新、模式升级及新技术应用提出了紧迫需求。

航天设备保障运维技术经历了三个发展阶段：修复性维护、预防性维护、预测性维护。目前我国航天发射场主要采用修复性维护及预防性维护结合，同时部分重点地面设备采用传统的基于专家分析系统及物理退化模型的预测性维护策略。单纯选择修复性维护策略时，设备发生故障后才实施维护行为，无法避免故障造成的损失。航天发射对系统设备可靠性要求较高，所以针对任务设备同时也结合预防性维护策略，这种周期性维护不考虑设备实际健康状态，容易造成维护过度，会导致设备保障成本增加。针对重点设备的基于已知物理退化模型的预测性维护策略，对维护人员的专业知识水平要求高，实施落地难度大，只能适用于部分设备。

（二）大数据背景下的航天设备预测性维护

伴随着新一代技术的发展和落地应用，物联网技术、大数据技术及人工智能技术可以采集设备实时大数据并进行传输、存储、分析、处理以及判断，从而使航天设备基于数据驱动的预测性维护应用成为可能。

物联网技术是数据驱动预测性维护的数据采集感知层技术，是预测性维护的神经末梢。现在的物联网系统可以通过5G/4G、无线传感器网络等无线传输手段实时获得设备的振动、噪声、温度、电流电压、疲劳度、损伤探测等传感器信息，随时掌握机械设备的运行健康信息。物联网技术应用于航天设备中，可以远程实时获取地面设备部件各方面测点信息，为预测性维护的数据来源奠定基础。

大数据指超出传统数据管理、处理技术操作极限的大量、实时、多样、价值密度低的数据集合。大数据相关技术主要包含预处理、存储、分析挖掘、可视化分析等技术。航天设备部件种类繁多、结构庞大、不同设备的监测维度方法不同、运行时间长，所产生的监测数据规模较大、数据类型多样，符合大数据的特征。大数据技术使得存储、处理分析大量历史数据及实时数据成为可能，为航天设备预测性维护的数据处理提供计算支撑。

以深度学习为代表的新一代人工智能技术凭借其优秀表现已经成为智能预测算法的有力工具，已经在农业、医疗、教育等众多领域取得广泛应用。同样在航天领域，面对航天设备所产生的海量监测数据，深度学习技术能够无需专业背景的辅助，而以一种类似黑盒模式提取数据内部潜藏的特征，为后续的处理与分析提供解决方案。

（三）中国航天设备预测性维护研究现状

当前中国航天发射设备预测性维护缺乏基于新技术的体系设计、预测模型设计及智能学习应用方法。随着人工智能及物联网技术的发展，通过积累设备的测点数据、故障机理模型以及生命周期相关参数，从“预防性”维护转向“预测性”维护已成为一种可行的更高效、更可靠的设备维护手段。

二、航天设备预测性维护总体流程

（一）预测性维护流程

完整的预测性维护系统流程包括数据感知获取与处理、状态分析识别、故障诊断与定位、健康值评估与寿命预测、维护管理、维护执行与有效性评审、保障决策、管理优化、状态可视化等过程。预测性维护借助先进的物联网传感器采集设备采集所需要预置在设备中的传感器数据，经预处理的数据结合设备模型，分析和挖掘反映设备健康状态、寿命及性能退化的特征。用获得的特征及处理后的数据，借助机器学习等算法模型对设备进行实时健康状态评估以及失效分类判别、剩余寿命预测等。最终，基于智能化模型分析的结果，对设备进行维护规划，结合维护资源，提供指导性的维护策略，合理安排维护周期及措施。

（二）航天设备预测性维护流程

航天发射设备预测性维护的主要技术难点在于构建打通设备数据采集、集成、存储、管理、故障预测模型、寿命预测分析和维护决策应用的整体技术链路，故需要建立基于新技术的预测性维护技术体系。

航天发射设备与一般性质的工业设备相比，具有地面设备种类组成复杂、设备服役时间长、工作环境严酷、可靠性安全性要求较高的特点，基于以上特点可对航天设备预测性维护进行总体设计。航天设备预測性维护关键技术主要包括对典型航天设备如摆杆设备的失效原理进行分析建模，对复杂多样的航天设备进行多层级划分，并进行不同层级的健康及寿命预测性维护；根据预测的健康评级评分、寿命预测和故障预警结果进行动态维护决策优化。其中，航天设备多层级健康及寿命预测性维护技术及模型、设备预测性维护系统动态维护决策优化方法等关键技术是预测准确的基石。

三、航天设备预测性维护关键技术分析及应用

航天发射塔架摆杆系统是发射场地面设备中的重要设施之一，主要用于悬挂、支持和固定在摆杆上各种加注、供气、电缆、空调等管线路和连接器，火箭起飞前带动脱落的连接器、管路、接头等摆开到火箭飞行区外的安全位置。据统计研究，多年来摆杆设备出现过各类故障状况。为保证发射塔的正常运转，需要对其进行状态监测、故障检测、健康状况评估、寿命预测等分析，以便科学决策，消除事故隐患。

（一）对典型航天设备如摆杆设备的失效原理进行分析建模

首先，分析常见航天设施设备失效故障的类型及现有对策，确立预测性维护的优化策略目标。航天发射典型设备失效类型主要分为机械类故障、状态异常和性能衰退，具体表现为部件老化、断裂、锈蚀、电气元件失效、短路断路等。针对这些故障，现有对策通常为检测检修、定期维护、定期更新等。数据预测性维护的优化策略为基于数据预测故障发生、判断健康状态，根据预判结果提前适期安排更新、维护等。其次，分析设备机构原理，包括系统整体的功能、运行机理，各组分结构、功能、运行参数等。摆杆系统根据组分模式，从机械结构、液压系统、控制系统三个部分进行分析。再者，明确设备测点布置需求，核实现有测点，确定新测点建设需求和建设方案，包括传感器的选型和安装、物联网传输协议。以航天发射摆杆系统为例，当前可获取的数据包括常规运行状态信息数据、故障数据、维修维护数据和性能数据。需要新建测点监测系统，包括冲击压力监测系统、风荷载监测系统、应力应变监测系统、振动加速度监测系统。最后，对设备故障分析建模。应从摆杆机构运动全过程出发，分析摆杆运行过程和动作机理，研究摆杆的钢结构和驱动泵阀的承载力学分析情况，构建摆杆系统启停失效、连续运行失效、运行限位失效、摆开速度波动等故障的分析模型。根据摆杆机构运行故障数据挖掘，建立摆杆系统运行可靠性模型和解析方程。

（二）航天设备多层级健康及寿命预测性维护技术及模型

航天设备系统通常包括系统、分系统、设备、部件等多个层级。对此类复杂系统构建预测性维护管理模型，需要完成对系统多个层级的健康状态、寿命值等的量化评估。基于所研究系统的各部分组成与结构关联关系，建立层级分析结构树，采用层次分析的方法，将定性的评估定量化，逐级计算各级设备量化健康信息，为维护者提供决策数据支持。

作为航天地面设备系统层析分析结构树的部件结点，将摆杆设备部件的测点历史数据或仿真数据作为输入，对摆杆设备的健康、寿命发展趋势进行拟合预测，给出基于多维数据的摆杆部件健康状态及部件寿命预测模型。

1.航天设备数据感知采集与处理

在预测性维护模型中，数据是关键。充足、准确的数据输入，才能保证挖掘到有效的目标特征，训练合适的机器模型，收获期望的维护决策信息支持。

在航天设备数据感知采集阶段，航天设备测点系统传感器和终端设备种类多，存在数据存储分散、传输方式多样、数据异构、信息量纲不统一、数据规模大等特点，直接采样的状态参数信息往往不能直接表征部件的健康相关属性。因此，在获得测点数据（运行状态信息数据、故障数据、维修维护数据和性能数据）后，需要对状态采集数据进行处理，以便支持后续状态监测、故障诊断、健康评估等的分析需要。通常，数据预处理包括数据清洗（异常值处理、缺失值处理、去噪等）、数据集成（统一量纲、数据模式集成等）、数据变换（如数据归一化）、数据归约（压缩数据集）等操作。摆杆系统的数据处理主要包括：对不同失效或故障状态下的摆杆运行数据实施规范化处理，统一量纲，拟合离散信息，构建模型训练和验证数据集。

数据获取后，如何有效提取数据中的特征是预测性维护过程中实现分析预测的关键。在摆杆系统案例中，通过以下方式获取数据特征：时域特征、频域特征等。

2.基于深度学习的航天设备健康状况评估

健康状况评估就是对设备系统的性能失效退化过程建模，将高维监测特征数据进行规约转换为二维的健康趋势曲线，可实时显示设备系统性能的退化状态或者退化程度。在实际中，受自身复杂机理和工作环境限制，大部分航天设施设备的退化失效情况无法通过直接监测获得。基于数据挖掘的机器学习等技术，构建系统健康状况评估模型，通过数据挖掘和模型计算分析，监视系统退化过程，确定系统健康状态。具体到航天发射场摆杆系统，监测数据具有长短期时间序列特征，利用摆杆可靠性模型，对摆杆设备突发失效和退化失效两种情况构建基于深度学习的LSTM-VAE网络健康状态模型，并通过各类监测数据、故障数据和性能数据对故障失效趋势多层级健康状态进行拟合，从而建立基于数据驱动的摆杆失效预测性维护健康状态模型。

3.基于深度学习的航天设备寿命预测评估

剩余寿命（RUL）是指设备从当前状态到最后可用时刻的时间度量。剩余寿命属性可提供设备部件等的最晚维护时间信息，作为维护策略制定者的决策依据。传统的剩余寿命预测方法大多在依赖领域专业知识和直觉的人工提取数据特征的基础上进行预测，且无法解读传感器状态监测数据的时间序列特性。基于数据驱动的寿命预测技术通过监测数据，无需借助专业知识，而是利用概率统计、数据挖掘等技术完成寿命评估等功能。摆杆系统可结合LSTM循环神经网络等深度学习理论，利用直接预测策略，即顺序滑动预设时间窗口、从测点传感器监测数据中窗选生成序列数据作为神经网络输入，建立剩余寿命预测模型。

（三）设备预测性维护系统动态维护决策优化方法

降低航天地面设备故障频率、提高发射设施设备运行效率是高密度航天发射成功的关键。在预测性维护过程中，基于设备当前工作状态，判断需要做何种维护、预估最晚必要停机维护时间、针对不同维护目标和维护环境制定能最大限度保障系统性能高效和降低维护成本的维护活动计划，是维护决策考虑的问题。

以摆杆设备系统为例，研究设备预测性维护系统动态维护决策优化方法。首先，剖析航天设备预测性维护决策优化问题的特点，构建动态维护决策优化模型。分析摆杆设备故障和维护活动，可以发现系统状态转移取决于当前系统状态和维护决策，历史的系统状态与维护决策综合成当前系统状态转移的初始状态。摆杆设备故障与维护活动对系统状态的作用机理，以及对维护过程的影响，可利用这种序列决策特点和状态转移过程的步进记忆性特征，构建基于马尔科夫链设备瞬态性能评估模型，进而获取摆杆系统性能变化规律。综合考虑停机成本、失效惩罚值和预测性维护成本，以最小化系统总成本值为目标，基于马尔科夫决策过程建立摆杆设备预测性维护决策优化模型。然后，针对建立的预测性维护决策优化模型，寻找合适的求解策略。对于决策优化中大规模动态决策问题，在马尔科夫决策求解过程中将遇到典型的“维数灾难”，利用传统动态规划方法难以得到最优策略。因此，对建立的马尔科夫决策过程，采用深度强化学习这一近似动态规划方法进行求解，从而获得最优解，即所需要的摆杆系统预测性维护策略。最后，在训练数据上，利用算法对问题进行近似求解，获得设备预测性维护策略。具体地，为生成神经网络训练所需的数据，基于瞬态性能评估模型依次迭代模拟摆杆设备的实时运行过程，产生当前时刻设备的系统状态、维护决策及对应的系统收益等训练数据；为获取有效的摆杆设备预测性维护策略，通过深度强化学习算法和神经网络训练，获取问题的最优近似求解，最终获得预测性维护决策的优化方案。

四、结束语

总而言之，在当前大数据时代背景下，面对航天领域设备预测性维护的研究，对保证航天设备系统安全稳定运行、降低经济成本、确保航天任务顺利完成具有重要意义。当前我国航天设备预测性维护还缺乏系统的理论和应用架构。本文基于航天发射场维护策略现状，分析了大数据背景下航天设备预测性维护策略的必要性和可行性，结合航天设备特点给出了预测性维护的具体流程，阐述了航天设备预测性维护模型的一些关键技术及应用实例。

作者单位：李孟源 63926部队

李丹敏 中国航天系统科学与工程研究院

张笈玮 63926部队

陈湘龙 中国航天系统科学与工程研究院

参  考  文  献

[1]王春喜，王成城，王凯.智能制造装备预测性维护技术研究和标准进展[J].中国标准化，2021（02）：15-21.

[2]李建增，路广勋，王东锋.发射场地面设施健康状态管理研究综述[J].中国测试，2013，39（06）：24-27.

[3]陈自强. 基于LSTM网络的设备健康状况评估与剩余寿命预测方法的研究[D].中国科学技术大学，2019.

[4]余涛.航天地面测控系统的健康管理应用[J].电讯技术，2021，61（01）：30-35.

[5]赵劲彪，潘玉竹，黎定仕，等.发射平台摆杆机构可靠性分析[J].现代机械，2018（05）：76-79.

[6]陈治富. 航天发射塔平台摆杆设备液压系统故障分析与诊断研究[D].国防科学技术大学，2016.

[7]陆宁云，陈闯，姜斌，邢尹.复杂系统维护策略最新研究进展：从视情维护到预测性维护[J].自动化学报，2021，47（01）：1-17.

李孟源（1962.12-），女，汉族，北京，大学本科，正高级工程师，研究方向：自动控制；

李丹敏（1998.05-），女，汉族，山西吕梁，研究生在读，研究方向：计算机应用技术；

张笈玮（1979.05-），男，汉族，北京，博士研究生，高级工程师，研究方向：结构工程；

陈湘陇（1979.12-），男，漢族，湖南，学士学历，研究员，研究方向：航天设备系统总体设计、应用物理电子技术。