復雜武器系統PHM模型研究

王愛亮，鄭玉航，王愛麗

(1.第二炮兵工程大學，西安 710025;2.西安工程大學，西安 710048)

本文所研究的復雜武器系統是指具有“長期貯存、一次使用”特點的武器系統，由于其結構復雜、造價昂貴，不能像普通武器系統那樣進行反復的實驗驗證，所獲取的信息量極為有限，所以，對其進行健康管理研究能夠有效節約國防經費，提高管理效率和武器系統完好率。目前，綜合的故障診斷、預測與健康管理(prognostics and health management，PHM)技術獲得美、英等軍事強國越來越多的重視和應用［1］，并取得了比較好的效果。

1 PHM 概述

故障預測與健康管理(prognostic and health management，PHM)，是指利用盡可能少的傳感器采集系統的各種數據信息，借助各種智能推理算法(如物理模型、神經網絡、數據融合、模糊邏輯、專家系統等)來評估系統自身的健康狀態，在系統故障發生前對其故障進行預測，并結合各種可利用的資源信息，提供一系列的維修保障措施，以實現系統的視情維修［2］。它主要包含2 層含義:一是故障預測(Prognostics)，一是健康管理(Health Management)［3］。故障預測是指根據系統或部組件當前或歷史性能狀態，預測性地診斷部件或系統完成其功能的狀態(未來的狀態)，提供早期的檢測和隔離能力，并且進行管理和預報的技術和手段，包括確定部件或系統的剩余壽命或正常工作的時間長度。健康管理是指根據診斷或預測信息、可用資源和使用需求對維修活動做出適當決策的能力［4］。其目標是利用各種先進的傳感器采集系統的狀態數據，采用基于智能模型的合理算法進行系統特征提取，獲取系統當前健康狀態特征，從而實現對系統健康狀態的監控、預測和管理。其主要功能包括故障檢測、故障隔離、故障預測、剩余壽命預測以、實時裝備調節、多傳感器融合及故障決策等，它是對復雜系統傳統使用的機內測試(Build-In Test，BIT)和狀態(健康程度)監控能力的進一步擴展。

PHM 代表了一種方法的轉變，即從傳統的基于傳感器的診斷轉向基于智能系統的預測，反應性的通信轉向主動性的3Rs(即在準確的時間對準確的部位采取正確的維修活動)。PHM 重點是利用先進的傳感器的集成，并借助各種算法和智能模型來診斷、預測、監控和管理設備的狀態。這一技術的實現將使傳統的事后維修或定期維修被基于狀態的維修(Condition-Based Maintenance，CBM，亦稱視情維修)所取代［1］。

2 PHM 模型結構及存在不足

2.1 PHM 模型結構

目前，健康管理研究領域的開放式系統結構還沒有形成統一的標準，最值得參考的是由美國賓夕法尼亞州的機械信息管理開放系統聯盟MIMOSA 制定和發布的CBM(Open System Architecture for Condition-Based Maintenance，OSACBM)開放式系統結構［5］。該結構將CBM 系統分成7 個功能模塊:數據獲取層(Data Acquisition)，數據處理層(Data Manipulation)，狀態監測層(Condition Monitor)，健康評估層(Health Assessment)，預測層(Prognostics)，決策支持層(Decision Support)和表達層Presentation Layer)。

其中，健康評估層與故障預測層是最主要的兩層，是PHM系統的主要構成部分;數據采集和傳輸層、數據處理層是PHM系統的重要環節，數據獲取得越全面、越準確則對系統的健康評估和故障預測就越精確;狀態監測層是進行健康管理的初步環節;決策支持層為維修資源管理和其他監視綜合健康管理系統的性能和有效性的處理過程提供支撐;表達層用于實現人機交互，同時也完成與其他所有層的信息傳輸。

2.2 PHM 存在的不足

PHM 技術經過將近30 年的發展，取得了一定的成就，但仍然存在許多不足:

1)應用領域不夠廣泛。現有的PHM 技術主要應用于機械系統、網絡軟件監控、電力系統、衛星系統、航空系統等領域［6］，在導彈武器系統等領域的應用尚未見報道，而且國內航空領域PHM 技術僅限于航空電子部分，60%以上的故障不能實現自動檢測和隔離［7］。

2)結構體系尚不完善。目前PHM 還沒有統一的標準體系，雖然提出了許多PHM 模型，但只是針對某個特定的系統而言，并不具有普適性［8］。

3)對系統的健康管理研究極少。縱觀國內外設計的各類PHM 系統，其核心技術主要指故障檢測、故障診斷與故障預測。PHM 著重在于視情維修，在于故障的預防，也就是說，在該系統的設計中應當突出的功能是系統故障的盡早發現，即狀態監測和健康管理。而視情維修的前提就是依據當前系統的健康狀況來決定是否維修，目前多數文獻著重狀態監測，但如何準確估計系統的健康狀況卻極少提及［6］。

4)故障診斷效率不高。隨著各類系統復雜性的提高，系統內部的故障機理往往難以了解，導致無法準確建立故障模型，而且由于早期故障特征表現不明顯，健康管理沒有建立指標體系，測試點有限，各類特征參數提取不夠完備，使得早期的故障診斷更加困難，效率不高。

5)對特征量的提取沒有建立一套完整的指標體系。健康管理主要依托系統特征參數進行，所以，建立一套科學有效、可信度高的指標體系，對于實現健康管理至關重要，而目前國內外研究重點都在故障診斷、故障預測方法方面，而對特征量的指標體系研究較少，尤其在導彈健康管理指標體系方面，目前尚處于探索階段。

3 復雜武器系統健康管理模型

3.1 復雜武器系統PHM 模型

在構建復雜武器系統健康管理模型時，有必要對復雜武器系統特點及整個壽命周期進行詳細分析，以便設計較為合理的PHM 模型。本文以某型復雜武器系統為例，其壽面剖面如圖1 所示。

圖1 某型復雜武器壽命剖面

在其整個壽命周期內，通常受到外界環境應力(主要包括溫度、濕度、鹽度、振動、頻率、磁場、電場、沖擊等)的作用，其健康狀態實際上就是武器系統與環境應力相互博弈而表現出來的特征。

復雜武器系統通常需要相應的保障設備來支持，所以，復雜武器系統概念的內涵就非常廣泛，就有狹義與廣義之分，狹義的復雜武器系統僅指武器本身，廣義的復雜武器系統包括武器系統及其保障設備。基于此，復雜武器系統的健康可以劃分為狹義健康和廣義健康。狹義健康是指復雜武器系統自身的健康，廣義的復雜武器系統健康主要包括三方面:武器系統自身的健康;保障設備的健康;適應環境的能力。

復雜武器系統不同于普通武器系統，由于其系統復雜、造價昂貴，不能像普通武器系統一樣進行無限次的實驗，有些實驗代價高、周期長，有些實驗甚至是毀滅性的，所以，其實驗數據非常有限，對其進行健康管理，需要特別注意對數據的利用和處理。

對復雜武器系統構建PHM 模型，需要充分分析三類健康因素的特點。在三類健康因素中，復雜武器系統自身性能狀態可以通過準確測試而獲知;環境適應能力是定性參量，不能通過傳統的測試得到，比較普遍地做法是通過專家系統進行評判，然后確定各專家的權重，最終得到結果;保障性能指標參數既有定性的量(例如武器系統的可達性、維修的安全性、可用度等指標)，又有可定量的量(例如武器系統維修器材的標稱電壓)。

由上述分析，建立廣義復雜武器系統PHM 結構模型、環境適應性能PHM 結構模型，如圖2 所示。

圖2 復雜武器系統廣義PHM 模型

復雜武器系統通常采用內廠試驗類方法、現場信息類方法、工程分析類方法、加速壽命試驗方法等進行剩余壽命預估和故障預測［9-10］，在日常管理過程中，一般需要進行定期檢測，這些過程中產生的各類數據(測試數據、維修數據、故障數據等)非常重要，可以作為PHM 中故障預測與健康管理的推理診斷數據。實際應用中，復雜武器系統由于其造價昂貴，通常不允許反復試驗或利用故障注入的方式得到典型的征兆數據，所以，所有歷史數據和現場測試數據都應作為健康管理的數據源。

3.2 復雜武器系統PHM 關鍵環節

基于對復雜武器系統PHM 模型分析，要實現復雜武器系統的健康管理，需要注重以下環節:

1)特征參數的提取及健康指標的確定。要對武器系統進行故障預測與健康管理，首先要確定可以直接表征其健康狀態的參數指標，或可間接推理判斷系統健康狀態所需要的參數信息，這些指標或信息就是系統健康管理所需要的特征參數。其次，還需要確定能夠表征武器系統健康狀況的健康指標，這些指標必須是能真正反映武器系統健康狀態的關鍵量。健康指標的選擇就是要能夠反映武器系統在外界環境應力作用下，最明顯、最具特征的參量。根據上述分析，確定需要分析或提取的數據信息包括設計信息、測試信息、故障信息、維護信息、外觀信息。在進行數據信息提取過程中，還需要對中間數據、測試數據等進行處理，主要包括數據歸一化處理、權重賦值等。

2)數據/信息融合。PHM 系統進行信息融合的目的是為了提高檢測精度和魯棒性，提高異常檢測、故障診斷和預測技術的整體效能，其最終目標是將測量系統和融合算法與相應的健康管理體系結構進行組合優化，提高檢測/預測的置信水平，為故障診斷和預測決策提供依據。常用的數據融合算法有貝葉斯理論，IBS 證據理論，模糊邏輯推論，神經網絡融合算法等。通常可在3 個層次中進行:傳感器層融合:沒有信息丟失，但信息傳輸量及計算量大;特征層融合:在設備特征提取過程中會造成一定信息丟失;推理層融合:基于傳感器和特征層融合結果，為系統級健康管理提供可靠的數據依據。

3)系統健康狀態的檢測與鑒定。在對武器系統進行測試及健康管理過程中，經常會出現兩類不確定性問題:傳感器或者測試設備發生故障(最常見的就是“零漂”)，從而提供錯誤或不準確的數據;在武器系統進行使用過程中，一些真實故障是間歇性的，即這類故障只出現在特定的環境條件下，而在其他條件下自動恢復正常。這2 類問題會導致故障不能復現(CND)和重測合格(RTOK)等情況的出現。所以，對系統健康狀態的檢測與鑒定就顯得尤為重要，只有提出很好的方法解決上述2 類問題，才能夠降低系統誤報和漏報，真正做到健康管理，提高武器系統的可用性、可信賴性，提高作戰效率。目前解決這類問題的思路是對系統采用人工智能技術，主要包括專家系統、神經網絡、模糊邏輯、遺傳算法等。

4 結束語

PHM 技術應用于復雜武器系統，能夠提高復雜武器系統的管理效率，顯著減少武器系統重大事故的發生，降低武器系統故障率，提高可用率與完好率，準確預報武器系統的維修時間、故障部位以及失效期，對提高復雜武器系統的安全性、可用性和作戰效率，具有十分重要的現實意義和應用價值。

［1］張寶珍.國外綜合診斷、預測與健康管理技術的發展及應用［J］.計算機測量與控制，2008，16（5）:591-594.

［2］楊立峰，王亮，馮佳晨.基于PHM 技術的導彈維修保障［J］.海軍航空工程學院學報，2010，25（4）:447-450.

［3］劉志花.無人機故障預測與健康管理技術研究［D］.北京:北京化工大學，2010.

［4］彭宇，劉大同，彭喜元.故障預測與健康管理技術綜述［J］.電子測量與儀器學報，2010，24（1）:1-9.

［5］孫博，康銳，謝勁松.故障預測與健康管理系統研究和應用現狀綜述［J］. 系統工程與電子技術，2007，29（10）:1762-1767.

［6］張管飛，陳進寶.基于AHP 的導彈武器系統效能模糊綜合評估［J］.四川兵工學報，2011，32（1）:58-61.

［7］王學浩，岳瑞華，徐中英，等.導彈自動測試系統性能評價指標及體系［J］.四川兵工學報，2010，31（9）:37-39.

［8］張繼軍，張金春，馬登武，等.基于改進HMM 和LS-SVM的機載設備故障預測研究［J］.海軍航空工程學院學報，2012（6）:645-650.

［9］巢蕾，殷璇，李陽.野外環境下通信裝備故障預測方法［J］.兵工自動化，2012（3）:58-60.

［10］張作剛，趙明.基于可公度法的航材故障預測［J］.裝備環境工程，2012（5）:118-121.