基于劣化度的装备健康状态预测模型研究

周伟，国涛，卓洪波，倪超，张骥，张业星

（中国人民解放军32256 部队，广东 广州 510630）

0 引言

健康状态预测是指综合利用各种数据信息如监测参数、使用状况、当前环境、工作条件、早先试验数据和历史试验数据等，并借助各种推理技术如数学模型、人工智能等评估部件或系统的剩余使用寿命，预计其未来的健康状态[1]。装备健康状态不仅与自身性能和使用方式有关，同时也会受到地理环境和气候因素的影响，装备健康状态一般可以由一系列的特征参数来进行表征，随着使用时间增加，各类特征参数会发生变化，当一些特征参数偏离正常状态时，装备则会发生故障或者失效。当前国内外研究装备健康评估预测的方法较多，从查阅的文献来看，相关研究主要可以区分为基于统计规律的预测、基于数据的预测和基于模型的预测三大类，重点对单部件健康状态参数融合、处理和预测展开研究，多部件多特征参数装备健康状态预测涉及较少[2-6]。特征参数变化可以区分为突发和劣化两种方式，本文重点研究多劣化状态参数装备健康状态预测方法。

1 装备健康状态预测模型

1.1 健康状态分级

传统装备维修领域一般用正常和故障两种状态来描述技术状态，往往难以满足装备精细化管理需要，借鉴文献[1]，本文选用健康、良好、注意、恶化和故障5 级来表征装备的健康状态。

a）“健康” 状态：表示所有参数的测试数据均在允许范围内，且所有测试参数均接近标准值，远离阈值；

b）“良好” 状态：表示所有参数的测试数据均在允许范围内，且部分测试参数波动较大，但远未达到阈值。

c）“注意” 状态：表示所有参数的测试数据均在允许范围内，且部分测试参数偏离标准值较大，离阈值不远。

d）“恶化” 状态：表示所有参数的测试数据均在允许范围内，且部分测试接近离阈值。

e）“故障” 状态：有参数达到或者超过阈值。

1.2 健康状态评估

记某装备由I 个部件组成，第i 个部件共有Ji个检测特征参数，执行定期检查策略，检测周期为T，记Xij（k）为第i 个部件第j 个状态特征参数第k次检测值。Xij（k）正常取值范围为

表1 表征参数健康状态等级取值标准

考虑到某一个特征参数达到域值，则代表部件处于故障状态，故可用λ＇（Xi（k））=max {λ（Xi1（k）），λ（Xi2（k）），…，λ（XiJi（k））} 表示部件i的健康状态表征函数，对照表1 可以确定部件健康状态等级。同理，可用λ〃（X（k））=max {λ＇（Xi（k）），λ＇（X2（k）），…，λ＇（XI（k））} 表示装备的健康状态表征函数。

1.3 健康状态预测

取xij=|Xij（k）-Xij（k-1）|为T 时间段的劣化量，xij的概率密度函数为fij（xij），一般可以根据具体历史数据，选择威布尔分布、对数正态分布、伽马分布等函数进行拟合[7]。记l（Xij）=，则在已知Xij（k-1）情况下，Xij（k）的条件概率密度函数可以表示为：

当l（Xij）=1 时，Xij（k-1）

λ（Xij（k））的条件概率密度函数可以表示为：

已知λ（Xij（k-1）），λ（Xij（k）≤y 概率可以表示为：

λ＇（Xi（k））≤y 的概率分布可以表示为：

λ〃（X（k））≤y 的概率分布可以表示为：

已知λ（Xij（k-1））情况下，第k 次检测时系统处于各健康状态等级的概率如表2 所示。

表2 第k 检测时系统的处于各健康状态等级的概率

2 案例分析

某装备由2 个部件构成，每个部件均有2 个健康状态表征参数，各参数检测数值如表3 所示。

表3 装备检测数值

通过数据拟合，参数1～4 单位时间检测周期内的劣化量分别服从对数均值和对数标准差为（1，0.5）、（0.5，0.3）、（0.6，0.2）、（0.8，0.1）的对数正态分布。记参数1～4 的正常取之范围分别为（940，1060）、（470，530）、（580，620）、（770，830），取a1，a2，a3，则第10 次检测时各部件表征参数健康状态等级如表4 所示。

表4 第10 次检测时各部件表征参数健康状态等级

此时部件1、部件2 和系统的健康状态等级均处于注意等级。则第11 次检测时部件和装备处于各状态等级的概率如表5 所示。

表5 第11 次检测时部件和装备处于各状态等级的概率

3 结束语

针对多部件有多特征参数的劣化失效装备特点，提出了装备健康状态分级和健康状态评估方法，研究了装备健康状态等级的预测模型，并进行了实例分析。该方法能够较好地支撑多特征参数情况下装备健康状态的评估与预测，便于装备管理保障部门掌握装备整体健康状态的发展变化趋势，对装备检测、维修计划和维修器材筹措的组织实施计划制定具有重要参考和借鉴意义。