基于大數據健康管理功能的深空測控裝備運維保障系統研究

文/ 西安衛星測控中心 陳 興 劉怡然 趙 錚 黃國帥

中國人民解放軍63863部隊 高 也

目前，我國已部署多套深空測控裝備，這些裝備在裝備運維保障上具有很強的通用性，可以建立統一的裝備運維保障平臺進行裝備的集中管理。本文提出基于大數據健康管理功能的裝備運維保障系統，通過大數據技術加強信息的管理和共享，運用通信網絡將每個深空測控設備聯結起來，實現互聯互通，并融合基于故障預測與健康管理 (Prognostics and Health Management，PHM)技術[1]的裝備健康管理功能，建立具備裝備信息共享、智能故障預測診斷、遠程技術支持、裝備全壽命管理等能力的統一平臺。

1 系統功能設計

結合“大中心，小測站”的建設思路，應以“測站、中心”兩級裝備運維保障系統為基礎，構建面向多套、遠程、智能的裝備運維保障管理體系，該系統在傳統測控設備健康系統強調設備故障診斷能力的基礎上，還應著重實現以下幾個功能。

一是信息集中管理與共享能力。站級裝備運維系統將各基礎數據、工作產品整理分類后，通過通信網絡以相同格式上傳至中心的裝備運維系統。中心長期積累各設備健康數據，實現對各設備健康狀態的集中管控。

二是遠程故障診斷及技術支持能力。中心級裝備運維系統可依托現有的測控指揮網絡，搭建遠程故障診斷及維修平臺，實現遠程測試、遠程診斷、遠程輔助維修等功能。中心專家可使用視頻通信技術來獲取裝備實時狀態信息，通過遠程測試結果等信息分析設備故障原因，指導前方設備人員排查設備故障[1]。

三是智能的故障預測能力。采用“測站+中心”的聯合故障預測模式。測站應著重對設備各分系統的狀態信息進行量化、統計，重點做好對設備健康狀態的分析評估。中心以數據庫中歷史數據為依據，采用大數據分析各類故障數據，分析設備的剩余壽命[2]。

四是裝備全壽命周期的管理能力。系統應將現有的各類裝備管理信息系統整合，形成基于網絡化、信息化的綜合保障體系，實現多種裝備管理功能。主要包括維護計劃制定、備品及備件管理、建立裝備信息數據庫以及履歷管理等功能。

2 系統架構

根據中心、測站兩級在裝備管理職能、設備健康管理側重點等方面的不同，以數據管理的角度出發，從數據源、數據處理、數據存儲、數據分析、功能應用等方面分別設計測站、中心兩級裝備運維保障系統的架構，如圖1、圖2所示。

3 PHM功能在深空探測測控設備上的實現

故障預測與健康管理（PHM）功能是裝備運維保障系統核心，其基本架構如圖3所示。PHM功能的實現主要包括傳感器設計、FMECA分析、狀態評估、故障預測、故障診斷、分析決策等過程。

3.1 FMECA分析

圖1 站級裝備運維保障系統架構

圖2 中心級裝備運維保障系統架構

圖3 PHM架構

為了讓系統狀態采集、狀態評估等過程更加細致、全面，應對設備進行故障模式、影響及危害性分析（FMECA），以天伺饋分系統部分單元為例進行FMECA分析，如表1所示。

3.2 傳感器設計

裝備運維保障系統的各分組系統通過層次關聯模型進行信息傳輸，再進行FMECA結果的分析，最終采用最小可更換單元進行故障診斷與評估，因此需要設計最小單元的信息采集獲取策略。基帶、監控、數傳、ACU等分系統或單元均為工控機，狀態采集比較方便。下面著重介紹天伺饋、信道等機電設備的狀態采集設計。

針對天伺饋分系統，采集齒輪箱振動、饋源氣壓、水浸狀態、電機振動、電機溫度、ADU狀態等數據。齒輪箱的振動傳感器安裝在齒輪箱輸入軸上；饋源氣壓通過自動充氣機進行采集并完成信息上報；水浸傳感器安裝在齒輪箱的底部；電機的振動傳感器安裝在電機外殼上；電樞電壓傳感器和電樞電流傳感器套在電機電纜上；測速反饋傳感器套在測速反饋線上；溫度傳感器探頭自帶強磁片，吸附在電機的外殼上[3]；當前設備中ADU的工況是通過PLC邏輯控制器完成狀態采集及上報，這里不再介紹。

針對信道分系統，對各插箱內的有源模塊應設置直流電源、本振信號幅度、變頻器供電、工作溫度等檢測點。速調管功放應采集電流、電壓、水冷設備流量等數據。電流包括燈絲電流、鈦泵電流、反磁場電流、磁場電流、管體電流等；電壓包括工作高壓、鈦泵電壓、反磁場電壓、磁場電壓等；水冷設備流量包括收集級流量、管體流量、窗體流量、磁場線包流量、發熱負載流量、大功率負載流量、饋源流量等。

3.3 健康狀態評估

系統健康狀態評估過程主要包括狀態參數量化及建立狀態評估模型。

表1 天伺饋分系統FMECA 分析

3.3.1 狀態參數量化

各分系統應根據參數類型不同，采用不同的參數量化方法。對于閾值型參數，若超出規定范圍則直接認為故障。對于趨勢性參數，由于通過其表征狀態變化可以分析出設備健康狀態的改變，應重點進行量化分析，可采用層次分析法和灰色綜合評估法。

層次分析法是指先將一個復雜問題分解為幾個子問題，然后再對子問題向下進行層層分解，一直分解到不可再分解的評估指標為止。計算出各個評價指標后，將指標的評估結果進行歸一化，然后通過加權融合的方式計算其父級指標評分，再向上層層融合得到子問題評估得分，得出評估結果[3]。站級裝備運維保障系統可采用系統分層設計，運維管理時對深空測控裝備進行系統分層，再進行參數分解和權重量化計算，將所有參數轉化為［0，1］區間內的層級樣本矩陣集。灰色綜合評估法是通過計算趨勢性參數的灰色關聯度，定量的描述出各參數的相對變化情況。其參數樣本序列具有時序性，采用灰色關聯度分析法計算出每個趨勢性參數及不同裝備健康等級的灰色關聯度值，該方法有利于保障趨勢性參數量化評估結果的精準與客觀[2]。

以速調管單元為例，各模塊電壓為閾值型參數，對于這類參數若超出規定范圍可直接認為故障。各模塊電流及水冷設備流量參數為趨勢型參數且各參數有緊密相關性，不能簡單地按照“工作范圍”進行故障判別，還應關注參數的變化趨勢及各參數間關聯性。可先運用層次分析法，對各分系統趨勢性參數權重進行量化、計算。再運用灰色綜合評估法計算各參數的灰色關聯度，最后根據歷史數據對各裝備健康等級所對應的灰色關聯度值進行計算，完成數據的統一化、標準化、歸一化處理[2]。

3.3.2 建立狀態評估模型

可采用神經網絡預測法進行設備狀態評估。根據多套設備同一類型故障的故障信息和維修記錄，提取該設備發生故障前后一定時間的歷史數據，利用神經網絡預測法，生成故障預測模型。將和目標的關系輸入故障預測模型來獲取神經網絡類型，再以試湊的方法確定相關參數，完成訓練、確認和測試(機器學習)。測試結果精度高、過程效果好時即可采用訓練好的神經網絡進行參數預測；否則需重新確定網絡類型、參數及機器學習的過程，直至測試結果表現良好[2]。

隨著故障數據的不斷積累，還可以通過機器學習的方式不斷修正模型，提高預測的精度。

圖4 故障分析診斷識別過程

圖5 設備上變頻器故障實例

3.4 設備故障分析

在診斷出故障后，系統根據故障樹模型進行故障分析，故障診斷識別調度通過故障推理引擎驅動完成，并依據檢測識別規則知識庫及各種閉環檢測的結果，進行推理判斷、故障分析，定位故障設備。故障診斷識別調度過程如圖4所示[4]。

設備故障樹具有明確的故障分析目標，目標設定為單個設備或插箱，又以設備故障為頂事件，逐層分析故障原因。圖5為上變頻器輸出信號過小的故障樹實例[4]。

4 結束語

本文提出基于大數據健康管理功能的深空測控裝備運維保障系統，著力解決現有系統狀態采集不全面、信息共享能力不足、設備遠程維修支援能力不足等問題，通過“中心、測站”兩級管理，運用大數據技術，實現裝備信息集中管理與共享、遠程故障診斷及技術支持及全壽命周期的裝備管理等功能。結合深空探測設備實際，圍繞PHM功能，重點介紹了系統FMECA分析、傳感器設計、健康狀態評估、設備故障分析等過程，對于后續深空探測設備開展統一的裝備運維保障系統建設具有一定的指導意義。