多應力耦合條件下氧氣濃縮器退化建模

潘晉新，景博，焦曉璇，*，王生龍，黃崧琳，方玲

(1.空軍工程大學航空工程學院，西安 710038；2.航空工業合肥江航飛機裝備股份有限公司，合肥 230000)

故 障 預 測 與 健 康 管 理(prognostics and health management,PHM)技術的關鍵是建立退化模型[1]。然而，應用環境的多樣化、復雜化給退化建模帶來了諸多變量，在現實工況環境下，多種應力往往同時影響著產品的退化，如何綜合考慮多種應力對產品的影響，建立能夠反映多種應力的退化模型，是可靠性建模的難題[2-4]。

基于國內外研究，解決多應力耦合建模的方法主要有2 種。①基于失效物理的退化模型。基于對系統退化機理的分析，找到作用于退化的關鍵應力及其作用模型，針對不同的應力作用對退化的耦合作用建立退化模型，并利用退化數據對模型參數進行擬合[5-9]。②基于數據驅動的退化建模。通過數據分析，選取退化趨勢相符的退化模型，如伽馬模型、維納模型[10]等，將應力作為模型輸入，健康參數作為模型輸出，通過數據驅動的方法建立應力與退化的映射模型，從而得到產品在相關應力耦合作用下的退化模型[11-12]。

然而對于某些復雜設備，退化機理不明確，難以準確建立應力對產品退化的影響模型；在試驗過程中，由于試驗條件的限制，難以獲取各個應力作用下理想的產品退化數據，基于數據驅動建?？赡軒磔^大誤差[13]。

針對以上問題，本文以氧氣濃縮器地面試驗退化建模為例，提出了一種機理模型與數據驅動聯合的偏微分方程建模方法。將地面試驗中影響產品退化的多個應力作為偏微分方程的自變量，退化指標氧分壓作為因變量；針對試驗過程中引氣壓力與引氣濕度2 種應力線性相關且耦合作用于產品退化的問題，將2 種應力變量結合建立聯合參數，并基于機理分析建立偏微分方程的基本形式，再通過數據驅動的方法確定方程具體參數。基于偏微分方程建模，結合機理模型對2 種應力進行了解耦分析，得到了3 個方面的結論：①在氧氣濃縮器的退化機理方面，確定了引氣濕度是影響氧氣濃縮器退化的關鍵應力；②在健康因子選取方面，發現隨著氧氣濃縮器的退化，氧分壓對引氣壓力的敏感性將會減弱，因此選取氧分壓隨引氣壓力變化斜率作為健康因子；③在氧氣濃縮器的退化過程方面，確定了氧氣濃縮器的退化階段可分為平穩階段與退化階段，并通過實際服役環境數據對比驗證了兩階段退化特性。

1 氧氣濃縮器工作與退化原理

1.1 氧氣濃縮器結構

機載氧氣濃縮器采用三床式結構，其結構原理如圖1 所示。

圖1 氧氣濃縮器原理Fig.1 Schematic diagram of oxygen concentrator

在飛機空中制氧時，從飛機發動機引出的壓縮空氣經過飛機環控系統凈化、冷卻后進入氧氣濃縮器，流經入口過濾器1 進入進氣罐3 中的減壓器，經減壓后的氣體進入電控氣動閥5 和電磁閥6，電磁閥斷電，通過對電控氣動閥膜上腔氣壓的間接控制，使排氣閥關閉，進氣閥開啟，進而使分子篩床9 加壓吸附，并打開單向閥7 輸出富氧產品氣，同時通過沖洗裝置8 向另外2 個分子篩床輸出沖洗流量；電磁閥通電，使排氣閥開啟、進氣閥關閉，進而使分子篩床卸壓解吸。3 個分子篩床如此交互循環工作，實施加壓吸附、卸壓解吸和沖洗凈化過程，獲得富氧產品氣，3 個分子篩床交互工作的相位差為1/3 個循環周期，如圖2 所示。通過對不同濕度的空氣進行沖洗試驗，得到產氧最佳切換周期。隨著沖洗流量的逐漸增大，產品氣氧濃度具有先上升后下降的趨勢特征，產氧最佳切換周期為9 s。

圖2 分子篩床工作流程Fig.2 Workflow of screen bed

氧氣監控器從產品氣輸出管路中引出小股樣品氣進行采樣，實時檢測產品氣中的氧分壓和溫度；同時，氧氣監控器通過感壓管路與飛機座艙相通，以測定座艙壓力（高度）；經分析處理，當判斷氧分壓不能滿足生理需要時，發出“氧氣濃縮器故障”的告警信號。

1.2 變壓吸附原理

變壓吸附法利用分子篩的吸附特性分離空氣中的氮和氧，以獲得飛行員使用的富氧產品氣。分子的極性氮分子中含有弧電子對，具有更大的四極矩，其極性大于氧分子，這種畸形增強了其在晶體中與分子篩骨架上分布的陽離子的作用能力。當空氣流過氧氣濃縮器分子篩時，氮分子更有效地爭奪了吸附晶格點，而氧分子只是少量的被吸附。吸附氣體中含氮量高，流出氣體含氧量高，達到了濃縮氧氣的目的。當整個分子篩床被飽和后，可降低床內壓力，并用富氧產品氣逆向沖洗吸附床，就可以解吸氮氣，使吸附床恢復到吸附前的狀態[14]。

機載氧氣濃縮器中富氧分子篩吸附劑是鈉、鉀、鈣、鋰等的晶體狀硅鋁化合物，分子篩具有常規籠式骨架，如圖3 所示。

圖3 分子篩結構Fig.3 Molecular sieve structure

該骨架是由硅氧（SiO2）四面體和鋁氧(AlO2)四面體通過氧橋相互連接而成的籠狀結構單元，眾多金屬陽離子便分布在骨架上。其通用分子式為：Mx/nwH2O。其中：n為陽離子M 的價數；w為每個單元晶胞中水分子數；x、y均為整數且y/x≥1。

1.3 氧氣濃縮器退化機理

濕空氣中主要成分是H2O 和N2，水汽的偶極矩與分子篩的陽離子發生強烈的相互作用，包圍住可交換的陽離子，在分子篩的通道內形成更擴散阻塞區域，從而降低分子篩對N2等第二吸附質的吸附。濕空氣中由于水汽分子的存在，通過分子篩床時的吸附分離與干空氣的情況發生了明顯的變化，水汽分子在N2分子之前被優先吸附，而且已經吸附了水汽分子的分子篩不再具有吸附N2分子的能力。從宏觀上說，水蒸氣存在時相當于減少分子篩的裝填量。再者，由于分子篩陽離子與水汽分子吸附作用要高于對氣體分子的吸附，解吸被吸附的水汽分子就變得相對困難，若吸附劑所吸附的水汽不能在正常的變壓吸附空氣過程中得到很好的解吸，則必然導致系統氣體分離產氧能力的下降。受機上條件的限制不能使用大型的除水裝置，即使在引氣管路中配備了高壓除水設備，其儲水能力及干燥效果也十分有限，即在通常情況下，引氣中都會留存一定量的水蒸氣，從而導致了氧氣濃縮器性能的退化[15-16]。

2 試驗設計

2.1 試驗方案

為研究YNQ-8 氧氣濃縮器在飛機上引氣邊界條件下（壓力、溫度和濕度）的磨損情況和壽命，驗證YNQ-8 氧氣濃縮器產品性能衰減規律，與航空工業合肥江航飛機裝備股份有限公司合作，設計了氧氣濃縮器退化試驗。試驗模擬機上引氣壓力、溫度、濕度條件下YNQ-8 氧氣濃縮器減壓器內腔零件磨損、變形，產品產氧性能及性能衰減規律。

設定4 h 為一個工作周期模擬飛機一個起落架次，將引氣壓力按照0.14MPa、0.3MPa、0.7MPa、1.0MPa、0.7MPa、0.3MPa、0.14MPa 的應力譜進行循環試驗，并在每一個工作周期后測試氧氣濃縮器的性能下降情況，驗證引氣條件對產品的影響程度。由于水汽對分子篩吸附劑的污染是一個相對緩慢的過程，短時間內分子篩的吸附性能不會出現明顯的變化，為充分論證影響趨勢，設定工作總時長為250 h。試驗線路如圖4 所示。

圖4 氧氣濃縮器退化試驗硬件連接圖Fig.4 Diagram of hardware connection for oxygen concentrator degradation test

2.2 數據獲取

將裝配完整的氧氣濃縮器置于低壓艙內，連接激勵器，通電通氣。在飛機上，飛機發動機引出的壓縮空氣經過飛機環控系統凈化、冷卻后進入氧氣濃縮器，引氣溫度基本保持，因此，控制溫度恒定在70℃左右。引氣壓力在0.1 4～1.0 MPa 之間循環，每30mi n 從最低壓力0.1 4MPa 到最高壓力1.0MPa再到最低壓力0.14MP a 之間循環轉換，每4 h 為一循環周期。由于試驗設置中采用加濕器的方式改變空氣中的水含量，而加濕器未設置濕度的控制，引氣壓力的變化將會造成對分子篩引氣濕度的變化。因此，引氣壓力與引氣濕度2 個變量緊密相關。一個周期內的試驗數據記錄如表1 所示。

表1 氧氣濃縮器退化試驗數據記錄Table 1 Oxygen concentrator degradation test data

對于試驗記錄數據而言，引氣壓力、引氣濕度為試驗的自變量，引氣溫度為試驗的無關變量，氧濃度、氧分壓為試驗的因變量。從表1 記錄的數據中可以發現，引氣濕度的變化與引氣壓力緊密相關，通過分析試驗方案發現，2 種數據的緊耦合是由于由空氣加濕機構不可控，引氣壓力的變化影響著氣體吸入水汽的含量，從而導致2 種變量同比例線性變化。

3 基于偏微分方程的氧氣濃縮器退化因素分析與健康因子提取

3.1 建模難點分析

將全壽命周期退化數據可視化后，得到退化曲線如圖5 所示。由于在每個循環周期內，引氣壓力不斷循環變化，導致氧分壓也隨著引氣壓力發生波動，從全壽命周期數據來看，退化過程是緩慢的，引氣壓力變化造成的氧分壓波動掩蓋了整體退化趨勢，造成退化建模難以開展。因此，需要從全壽命周期數據中提取出能夠有效表征退化的健康因子，通過健康因子建立退化模型，以研究氧氣濃縮器的退化及失效規律。

圖5 氧氣濃縮器全壽命周期退化數據Fig.5 Life cycle degradation data of oxygen concentrator

然而，在試驗過程中，由于試驗方案設置的原因，引氣壓力與引氣濕度2 個自變量是同等比例變化的，無法單獨對2 個自變量的作用效果進行控制。因此，在2 種應力耦合作用條件下，如何解耦分析2 種應力分別對氧氣濃縮器作用的效果，建立氧氣濃縮器退化模型，是對該試驗條件下氧氣濃縮器退化分析的難點問題。

針對該問題，將2 種應力變量結合建立聯合參數，并基于機理分析建立偏微分方程的基本形式，再通過數據驅動的方法確定方程具體參數。

3.2 氧氣濃縮器退化偏微分方程建立

通過分析發現，在此次地面試驗過程中，引氣壓力的變化是自變量，但是環境變量引氣濕度隨著引氣壓力的變化而發生變化，經過相關性分析，引氣壓力與引氣濕度的皮爾遜相關系數達到0.959，因此可以判斷引氣壓力與引氣濕度線性極強相關。要分析引氣濕度對引氣壓力的影響，必須單獨控制引氣濕度從而判斷氧分壓的變化趨勢，然而由于引氣壓力與引氣濕度的強相關性，無法保持引氣壓力這一無關變量的一致性，從數據中難以擬合分析得到有效的結論。

針對以上問題，采用引氣壓力與引氣濕度聯合分析的方式進行建模。假設引氣壓力為F,引氣濕度為H，建立聯合參數x=(F,H),由于F與H的極強線性相關性，當F變化時，H同時線性變化，因而x也同時線性變化，x中同時蘊含了F與H的信息，成為實驗中影響氧分壓的唯一自變量。

基于對氧氣濃縮器的物理模型分析，由于水汽對氧氣濃縮器的影響，氧氣濃縮器的工作性能是隨時間退化的，這種退化直接反映在氧分壓的下降上（實際服役條件下，監測設備也是通過氧分壓判定氧氣濃縮器性能狀態），然而這種退化必然不是隨時間線性均勻發生的，為研究退化與應力之間的關系，建立偏微分方程如下：

式中：y為氧分壓； ?y/?t為氧分壓下降速率，即氧氣濃縮器的退化速率可以表示為關于x與時間t的聯合分布函數f(x,t)。

同時，在分析數據時發現，在某一時間點，x的變化會影響氧分壓y的數值，由于時間點固定，這種變化不是退化造成的，可以推斷是由氧氣濃縮器本身對x的敏感度決定的。然而，通過試驗數據分析發現，隨著工作時間的推進，x引起氧分壓數值變化的能力也在發生改變，為了分析這種變化趨勢，建立偏微分方程如下：

式中： ?y/?x代表氧分壓對x的敏感程度。

3.3 偏微分方程的引氣濕度退化影響分析

基于偏微分方程建模，得到如式（1）所示的偏導函數，偏導函數 ?y/?t表示退化速率，蘊含氧氣濃縮器退化速率的信息。因此，基于試驗數據，從偏微分方程的定義出發，用數據擬合f(x,t)關系式，分析試驗中對氧氣濃縮器退化速率造成影響的因素。

通過分析試驗數據，聯合分布f(x,t)難以從數據上直接得出，因此，先求解f(x,t)的邊緣分布，固定引氣壓力與引氣濕度，篩選出同一引氣壓力下的退化數據，從數據上擬合不同壓力下的退化方程f(x=i,t)。在試驗過程中，聯合參數x作為自變量不斷變化，在不同x下的退化數據可視化如圖6～圖9 所示。

圖6 x=0.14時的退化數據Fig.6 Degeneration data (x=0.14)

圖9 x=1時的退化數據Fig.9 Degeneration data (x=1)

經過數據擬合，得到不同x數值下的退化方程如下：

對t進行求導，得到

因此，x=0.14、0.3、0.7、1 對應的退化系數為?4.234×10?5、?6.095×10?5、?7.061×10?5、?41.813×10?5，從數據上可以得到，x與f(x,t)呈負相關關系，從而可以判斷x將影響氧氣濃縮器的退化速率。

在建模過程中，x是聯合引氣壓力F與引氣濕度H的聯合參數，具體2 種應力如何作用于氧氣濃縮器還需要進一步分析。然而，由于引氣壓力為F與引氣濕度為H在試驗過程中線性強相關，從試驗數據上難以分辨2 種應力的作用效果，采用退化機理分析的方式分析2 種參數的作用。

圖7 x=0.3時的退化數據Fig.7 Degeneration data (x=0.3)

圖8 x=0.7時的退化數據Fig.8 Degeneration data (x=0.7)

基于1.3 節中的氧氣濃縮器退化機理分析，氧氣濃縮器的主要退化原因是由于水分子與分子篩的強烈作用，造成空氣中的氮氣難以與分子篩進行吸附與解吸，從而導致氧氣濃縮器工作能力的降低。而聯合參數x中的分量引氣濕度H，正是水汽含量的直接指標，影響著氧氣濃縮器的退化速率，因此可以判斷：引氣濕度的增加將會引起退化的加速，造成氧氣濃縮器的快速老化與失效。因此，在實際服役環境下，要注意監控引氣濕度這一參量，防止因濕度過大造成氧氣濃縮器服役壽命的縮短。

3.4 基于偏微分方程的健康因子提取

基于偏微分方程建模，得到如式（2）所示的偏導函數，偏導函數 ?y/?x表示聯合參數x變化對氧分壓造成的影響，蘊含氧氣濃縮器工作性能的信息。因此，可以通過對g(t,x)進行分析求解，研究氧氣濃縮器工作性能的變化規律。

圖10 為全壽命周期內地面試驗數據中聯合參數x對氧分壓的影響變化?？梢园l現，在全壽命周期內，隨著時間的推進氧分壓y對x的敏感程度越來越低。為進一步驗證規律，將每個試驗循環的氧分壓隨聯合參數x變化斜率可視化表示如圖11 所示?？梢园l現，隨著時間的推移，氧分壓對聯合參數x的響應能力正在逐漸減弱，這說明 ?y/?x是隨著氧氣濃縮器退化而逐漸降低的。

圖10 聯合參數x與氧分壓關系隨時間的變化Fig.10 Relationship between x and oxygen partial pressure over time

同樣，x是聯合引氣壓力F與引氣濕度H的聯合參數，為進一步分析是哪個參數造成 ?y/?x的數值變化，從氧氣濃縮器機理模型入手展開分析。

從氧氣濃縮器工作機理上來看，氣體的引入關系到分子篩吸附解析的實際效果。由于分子篩床由多層的籠式骨架化合物構成，氣體壓力增大時，有助于氣體進入分子篩床內部，與分子篩床充分開展吸附解吸作用。然而，由于分子篩床吸附解吸能力有限，氣體壓力過大，引入過多氣體將會來不及與分子篩床反應，造成吸附解吸的不充分。這種對空氣的處理能力是由分子篩內部性能特性決定。因此，從相關參數上來看，引氣壓力關系到與氧氣濃縮器分子篩反應的氣體量的多少，是影響氧氣濃縮器與氣體作用效果的關鍵參數，決定任一時間點氧氣濃縮器吸附解吸實際作用效果。

基于以上分析可以判斷，在同一時間階段，x變化造成氧分壓y波動的原因是引氣壓力的變化。因此，提取氧分壓隨引氣壓力變化斜率作為氧氣濃縮器退化的健康因子，將每一個應力循環周期內氧分壓變化與引氣壓力變化的比值作為氧氣濃縮器在該時刻的健康指標。全壽命周期內的健康因子可視化如圖11 所示?？梢猿醪桨l現，健康因子隨時間下降趨勢明顯，但健康因子選取是否合理還需要進一步定量評價。

圖11 全壽命周期內氧分壓與引氣壓力比值變化Fig.11 Variation of ratio of oxygen partial pressure to bleed air pressure over lifespan

為了定量評價健康因子構建方法的性能，選擇時間關聯性Corr 和單調性Mon 2 個常用的評價指標。前者表征軸承的HI值和采樣點的線性相關程度，后者衡量HI 曲線的單調變化趨勢情況，定義如下[17]：

式中：Ht和lt分別為第t個采樣點處對應的HI 曲線值和采樣點編號；T為全壽命周期的采樣點數；H? 和l? 分別為所有健康因子曲線值和采樣點編號的平均值;Num-of-dF＆gt;0 為HI 曲線中相鄰值之間微分大于0 的個數，Num-of-dF＆lt;0 為HI 曲線中相鄰值之間微分小于0 的個數。。

對提取出的健康因子求單調性及關聯性指標，結果如表2 所示。通過結果分析發現，提取出的健康因子相比于限定引氣壓力得到的退化數據，在時間關聯性與單調性指標上遠高于其他退化因子。

表2 健康因子性能指標Table 2 Health factor performance indicators

4 基于卡爾曼濾波器的氧氣濃縮器退化建模

4.1 Sw itching 卡爾曼濾波器基本原理

Sw itching 卡爾曼濾波器由多個標準卡爾曼濾波器組成，并針對每個退化過程建立模型，以反映其退化趨勢。多個過濾器同時過濾單個樣本的實時數據,廣義偽貝葉斯（g ene r a l i z e d pseudo-Bayesian,GPB）算法對前一時刻每個濾波器輸出的狀態估計值進行加權求和來實現系統狀態的動態估計。Sw itching 卡爾曼濾波的具體流程如下:

根據每個濾波器在前一時刻的狀態和每個濾波器的轉換條件概率，通過折疊法更新輸入狀態X k?1和 方差，如下：

標準卡爾曼濾波器操作通過修正狀態和方差，同時給出了各模型的狀態估計X k?1和 方差。在時間更新步驟后，通過狀態測量和狀態估計的偏差得到測量殘差V k和殘差方差C k，如下：

式中：H為狀態測量矩陣；T為狀態估計值；R為測量噪聲方差矩陣。

每次迭代更新的輸入狀態:

每次迭代更新的輸入方差:

式中：i,j=1,2,···,n為 濾波器序號，k=1,2,···,m為時間。

不同模型之間的模型概率關系反映了目前各退化階段的置信度。通過實時監測模型概率，可以判斷退化過程的階段。圖12 給出了濾波器更新前后2 種狀態的轉換過程及各參數之間的關系[18]。

圖12 Switching卡爾曼濾波原理[18]Fig.12 Principle of Switching Kalman filter[18]

4.2 基于Sw itching 卡爾曼濾波器的退化模式識別

對提取出的退化健康因子進行初步數據擬合，結果如圖13 所示。通過數據擬合可以發現，氧氣濃縮器退化并不是一個持續的過程，而是存在明顯的分段性。

圖13 退化數據擬合Fig.13 Degradation data fitting

基于Sw itching 卡爾曼濾波器，對氧氣濃縮器退化數據提取出的健康因子進行模式分類與辨識，各模式所具有的置信度如圖14 所示。結合圖13 的數據可以發現，氧氣濃縮器在前76 h 內氧氣濃縮器處于平穩階段，局部波動但整體趨勢平穩，從第76 h進入退化階段，氧分壓開始趨勢性下降，直至到達閾值，判定失效[19]。

圖14 退化模式識別Fig.14 Degeneration pattern recognition

5 實際服役環境下氧氣濃縮器退化數據驗證

為進一步驗證氧氣濃縮器的退化模式，通過對實際服役環境下氧氣濃縮器的退化數據進行建模，與試驗環境下的退化數據與模型進行對比，驗證模型的準確性。

前期工作調研收集了某型飛機氧氣濃縮器在實際服役環境下的退化數據。氧氣濃縮器從裝機到最終故障工作時長為213 h，將氧分壓參數進行初步的數據清洗及壞值剔除，得到全壽命周期退化數據如圖15 所示。

圖15 實際服役環境下氧氣濃縮器退化數據Fig.15 Degradation data of oxygen concentrator in actual service environment

由圖15 可知，氧分壓下降過程中有一個較大幅度的突降（紅圈標注）和較大幅度的突升（綠圈標注）。由于氧氣濃縮器的退化是一個緩慢變化的過程，不會出現突降與突升，判斷在紅圈區域可能發生了膜片破損故障，使氧分壓降至閾值以下，從而觸發故障報警“氧分壓低”。地面機務人員通過故障信息與相關其他信息定位故障外場可更換最小單元（line replaceableunit，LRU）位置為氧氣濃縮器，進而更換了氧氣濃縮器，氧氣濃縮器氧分壓回到正常狀態，因而出現綠圈的氧分壓突升。通過詢問廠家，查詢了該部件的返廠檢修記錄，發現該氧氣濃縮器故障原因系膜片破損，與分析結果相一致。

在實際服役環境下，通過數據的分析，氧分壓指標與2 個參數相關性最強：飛行高度和引氣壓力。一方面，隨著高度的增加，大氣壓力降低，對于解析過程而言，環境壓力的降低將會有利于氮氣的排出，因此，高度的變化可能會引起氧分壓的波動；另一方面，由于分子篩床由多層的籠式骨架化合物構成，氣體壓力增大時，有助于氣體進入分子篩床內部，與分子篩床充分開展吸附解吸作用。然而，由于分子篩床吸附解吸能力有限，氣體壓力過大，引入過多氣體將會來不及與分子篩床反應，造成吸附解吸不充分。因此，引氣壓力的變化將會影響分子篩的反應速率；同時，分子篩床工作狀態可以看成是一個密閉容器，由于溫度基本保持一致，壓力與氣體質量成正比，壓力的增大將會引入更多的氣體，造成反應氣體量的變化。因此，由于實際服役過程中，高度與引氣壓力隨飛行任務的變化而實時發生改變，造成全壽命周期數據的波動，難以有效識別氧氣濃縮器的退化階段及模式。針對這一問題，采用限制高度與引氣壓力的方法，減小環境因素對退化的影響。基于分析氧氣濃縮器的穩定工作條件，提取出退化數據中高度在4000～5000m、引氣壓力在200～250 kPa 的數據，在一個小波動范圍內觀察氧分壓的退化，得到數據如圖16 所示。

圖16 環境因素限制條件下氧氣濃縮器退化數據Fig.16 Degradation data of oxygen concentrator under restriction of environmental factors

由圖16 可知，該氧氣濃縮器退化可以分為4 個過程：①平穩階段，氧分壓整體趨勢平穩，局部數據波動；②退化階段，氧分壓整體呈下降趨勢；③膜片破損階段，氧分壓急劇降低；④換件階段，氧分壓恢復正常水平。

從氧氣濃縮器退化機理上進行分析，初始工作階段，氧氣濃縮器分子篩性能較為穩定，氧分壓趨勢整體平穩，略微波動；工作一段時間后，分子篩性能逐漸退化，氧分壓開始隨時間發生降低，期間偶發膜片破損的故障，導致氧分壓急劇降低，到達規定的失效閾值時，觸發維修活動。分析結果與試驗環境下得到的退化模型結論基本一致。

6 結 論

1）本文通過建立聯合參數，將2 個線性相關的耦合應力結合分析，再與其他應力共同建模，模型建立后，通過偏微分方程與機理分析對2 種應力的作用效果進行分析解耦。

2）通過退化機理分析，確定多應力條件下氧氣濃縮器退化的偏微分方程基本形式，再通過數據驅動的方法分析應力與退化因子之間的映射關系。

3）基于偏微分方程的解耦分析，確定了引氣濕度的增加將會加快氧氣濃縮器的退化速率。

4）基于偏微分方程的解耦分析，確定了氧分壓隨引氣壓力變化斜率可作為氧氣濃縮器退化表征的健康因子。

5）通過卡爾曼濾波進行模式識別，確定氧氣濃縮器退化可分為平穩階段和退化階段2 個階段，并通過實際服役環境下的退化數據驗證了結論。