大數據驅動的裝備健康管理研究

鞠建波，胡勝林,單志超,祝 超

(海軍航空工程學院， 山東 煙臺 264001)

?

【后勤保障與裝備管理】

大數據驅動的裝備健康管理研究

鞠建波，胡勝林,單志超,祝 超

(海軍航空工程學院， 山東 煙臺 264001)

介紹了基于大數據支持的裝備健康管理研究的方法。通過建立隸屬度函數和設立預警值，對裝備進行狀態監測；采集裝備的數據信息，利用大數據處理技術，實現裝備的故障預測；基于預測結果，對裝備進行健康評估，提出保障決策，實現裝備的維護保障。

故障預測；健康管理；大數據技術；狀態監測；健康評估；保障決策

目前，裝備的維護保障主要是在出現故障后進行現場維修的模式來完成的，屬于被動式故障排除；傳統的故障預測方法預測不準確和效率低，裝備維護系統不夠完善[1]。為了準確地預測裝備可能出現的故障，給出故障的處理方法，滿足裝備對綜合保障能力的需求，本文提出的基于大數據支持的裝備健康管理研究方法，通過對裝備進行狀態監測、數據采集、大數據技術處理實現設備的故障預測；基于預測結果，對裝備進行健康評估，提出保障決策方案，實現裝備的維護保障。

1 大數據技術

一般而言，大數據[2]的定義是5V，就是大數據包括的數據體量(Volume)大、處理速度(Velocity)快、數據類別(Variety)多、數據真實性(Veracity)高、商業價值(Value)廣等5個主要特征。

大數據處理數據的基本理念是用全體代替抽樣，用效率代替絕對精確，用相關代替因果。大數據對其采集、傳輸、處理和應用的相關數據，包括大量的結構化、半結構化和非結構化數據，用非傳統的工具對其進行處理，從而獲得分析和預測結果，這就是大數據技術。

2 大數據支持的裝備健康管理

基于大數據支持的裝備健康管理[3]總體構架如圖1所示，主要包含了數據采集、數據處理、狀態監測、故障預測、健康評估和保障決策6個方面的內容。

圖1 健康管理整體系統流程

2.1 狀態監測

裝備的狀態主要由各方面的數據變化表現出來，通過接受來自傳感器[4]及其他狀態監測模塊的數據，將這些數據同預定的失效數據等進行比較，監測系統當前的狀態，并且可以根據預定的各種參數指標極限值/閾值提供故障預警。

2.1.1 隸屬度函數的建立

由于電子設備故障概率在0～1內的閉區間，并且特征參數的值與裝備發生故障的概率是一種映射，所以合理選擇隸屬度函數，可以很好地反映參數值變化與裝備發生故障概率的關系，裝備在健康狀態、亞健康狀態以及故障狀態下[5]，其特征參數也相應的發生變化。而特征參數值與裝備狀態的對應關系，可以通過隸屬度函數體現。

定義隸屬度函數[6]曲線如圖2所示，用取值于區間[0～1]的隸屬函數表示裝備元件屬于某種狀態的程度高低。隸屬度u(x)越接近于1，表示屬于的程度越高，反之越低。

根據以上分析及專家經驗，隸屬度函數的表達式如下：

(1)

式(1)中xm為實際特征參數測量數值，x0為電路正常工作時被測元件特征參數的標準值，ti為極限偏差，ei為正常變換范圍，u(x)為裝備元件的隸屬度函數，其隸屬度值定義為發生故障概率。

圖2 隸屬度函數分布

2.1.2 預警值的建立

裝備發生故障的顯著表現就是特征參數值超過了容許值。有些特征參數稍超過容許值時，可能不影響設備的正常使用，但有的特征參數則不能超過容許值，否則會損壞甚至燒毀設備。對于容易引發嚴重故障特征參數，需要建立相應的預警值(閾值)。假設特征參數實際測量數值為x，其隸屬度函數滿足式(1)，同時要求x滿足以下關系式時預警。

(2)

通過隸屬度函數的建立，獲得特征參數值與設備狀態的對應關系，確定裝備正處于的狀態；預警值的建立，能夠在裝備重要參數超過預警值時提供警報，從而避免更嚴重的故障發生。通過上述方法，實現對裝備的狀態監測。

2.2 數據采集和大數據處理系統

2.2.1 數據采集和分析

從獲取數據中提取、挖掘有價值的、潛在的信息，找出趨勢，為決策層提供有力依據。數據獲取的容量，速度及準確性都直接影響裝備健康管理的有效性和準確性。數據采集和分析流程圖如圖3所示。

圖3 數據收集與分析流程

識別信息需求可以為收集分析數據提供清晰的目標，確保數據分析過程有效性，然后進行數據收集并分析數據。數據分析方法包括可視化分析、數據挖掘、預測性分析以及語義引擎等等，這些方法均可為大數據處理系統提供數據支持。

2.2.2 大數據處理系統

故障預測能力是裝備健康管理的顯著特征之一，大數據處理系統是實現裝備健康管理的核心環節。通過處理采集而來的實時數據，利用大數據，實現裝備的故障預測。在此給出了基于大數據處理技術的系統結構圖(圖4)。

圖4 基于大數據處理技術的系統結構

由圖4可知，可跨地域地將全部數據存儲在服務器系統，利用數據庫技術使各使用單位、各地維修人員、基層技術部門、管理部門、科研院所、航空維修企業以及生產廠商等通過不同的裝備和方式，訪問和操作共同的大數據庫，在服務器上對數據進行統一的錄入、管理和維護，大大提高數據的完整性與安全性。同時在服務器上完成大量數據信息的傳輸與處理、裝備狀態在線與離線檢測以及處理各種診斷和預測請求并反饋處理結果。

在此基礎上可以引進蘋果APP Store思想，將裝備數據接口標準化、算法應用標準化。故障預測專家可以直接使用系統已有的全部診斷與預測算法，對裝備及其部件狀態在未來一段時間里可能出現的故障進行預測和診斷。同時開發人員還可以將新開發的預測與診斷算法共享到系統中，供所有其他人員對算法進行應用測試，提高相關技術的應用研發效率。

2.3 健康評估和保障決策

由故障預測的結果對裝備進行健康評估，可知整個裝備系統在當前狀況下的健康情況，各部位單元處于的健康狀態以及發生故障可能的時間段及其發生的概率。

通過對裝備的狀態監測、功能和性能測試的信息以及故障預測的綜合分析、處理，得到當前和將來裝備狀態水平的評估，對整個裝備的剩余使用壽命進行預估，由健康評估的結果，提出保障決策方案，決策判斷模塊單元是否需要更換以及更換時間以及確定其他保障方案。

通過上述六個方面的協同合作，實現裝備的健康管理。

3 裝備健康管理發展趨勢

雖然世界各國的裝備保障技術發展迅速[6]，但裝備健康管理研究發展還存在許多瓶頸難題，技術遠未成熟，與大規模的工程應用還有相當距離，如何有效利用大數據技術平臺以及提高裝備健康管理系統的精度和置信度是研究的重中之重。其發展方向主要有如下幾個方面：

1) 數據采集和數據融合技術。對于數據的搜集和傳輸，目前的研究主要體現在傳感器網絡的高精度、集成化、高速傳輸等方面，不斷加強經驗數據與故障注入數據的積累，通過互聯網，融合處理各個領域獲得的有用信息，發揮大數據的優勢。

2) 混合型故障預測算法。由于故障預測研究的難度大，使用單一的方法進行故障預測往往難于實現其高可靠性、高置信度、低虛警率的要求。因此將多種不同的故障預測算法有機結合，進一步提高預測系統的綜合性能。

3) 仿真驗證系統研究。故障預測結果的驗證，如果采用真實的試驗，需要較大的樣本空間、裝備失效模式模擬等，難度和工作量都很大。仿真驗證系統對于預測算法開發和驗證工作都能起到極大的輔助作用，而且對安全性要求很高的設備進行建模仿真驗證，可以減少危險性。因此，對仿真驗證系統的建模和仿真能力，提出了更高的要求。

4 結語

裝備健康管理是一個復雜的系統工程，涉及裝備本身的專業技術、維修保障技術、硬軟件領域等多個鄰域[7-10]。基于大數據支持的裝備健康管理研究方法，突破了傳統方法單一、片面的維護手段，可大幅提高設備維護效率和速度。今后應該重點開展故障預測、健康管理等方面的設計和驗證工作，盡快應用于各行各業中。

[1] RABINER L R A.Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition[J].Proceedings of the IEEE，1989，77(2):257-286.

[2] 孟小峰，慈祥.大數據管理:概念,技術與挑戰[J].計算機研究與發展，2013，50(1)：146-169.

[3] 曾聲奎,吳際.故障預測與健康管理技術的現狀與發展[J].航空學報，2005，26(5)：626-632.

[4] 胡巧玲,茹金平.基于大數據分析的人口遷移量預測模型仿真[J].計算機仿真,2014，31(10):246-249.

[5] 劉鋒.互聯網進化論[M].北京：清華大學出版社，2012.

[6] 鞠建波,趙玉剛.基于隸屬度函數的電子設備故障預測研究[J].計算機測量與控制，20015，23(7):2305-2307.

[7] 米林，封泠雨，譚偉.風電齒輪箱在線監測系統方案設計[J].重慶理工大學學報(自然科學)，2016(2):109-113.

[8] 曹立軍.以任務成功性為中心的維修決策方法與應用[J].火力與指揮控制，2007，32(6):97-101.

[9] 孫旭升，周剛，于洋，等.機械設備故障預測與健康管理綜述[J].兵工自動化，2016(1):30-33.

[10]孫旭升，周剛，李鳳宇，等.核動力裝置故障預測與健康管理研究[J].四川兵工學報，2015(8):51-54.

(責任編輯 唐定國)

Research on Equipment Health Management Based on Big Data

JU Jian-bo, HU Sheng-lin, SHAN Zhi-chao, ZHU Chao

(Naval Aeronautial and Astronautical University, Yantai 264001, China)

This paper introduced the research method of equipment health management based on large data. Through the establishment of membership function and the early warning value, we can achieve the state monitoring for the equipment; then we collect the equipment data by means of using large data processing technology to achieve equipment failure prediction; At last, based on the forecast results, we put forward the protection decision according to the health assessment of equipment to realize the equipment maintenance.

fault prediction; health management; big data technology; condition monitoring; health assessment; security decision

2017-03-07；

2017-04-30 基金項目：國家自然科學基金資助項目(60874112); 軍隊科研專項資助項目(41512322)

鞠建波(1961—),男,教授,主要從事軍事裝備故障診斷和水下目標探測與識別研究。

胡勝林 (1993—),男,碩士研究生,主要從事軍事裝備故障診斷研究。

10.11809/scbgxb2017.06.016

format:JU Jian-bo, HU Sheng-lin, SHAN Zhi-chao, et al.Research on Equipment Health Management Based on Big Data[J].Journal of Ordnance Equipment Engineering,2017(6):73-75.

N945

A

2096-2304(2017)06-0073-03

本文引用格式：鞠建波，胡勝林,單志超，等.大數據驅動的裝備健康管理研究[J].兵器裝備工程學報，2017(6):73-75.