李文峰，許愛強(qiáng)，王學(xué)偉，蘇振超

(1.海軍航空工程學(xué)院 科研部， 山東 煙臺(tái)　264001；2.中國人民解放軍92635部隊(duì)，山東 青島　266000)

?

基于信息源特征的航空部附件故障預(yù)測研究

李文峰1,2，許愛強(qiáng)1，王學(xué)偉2，蘇振超2

(1.海軍航空工程學(xué)院 科研部， 山東 煙臺(tái)264001；2.中國人民解放軍92635部隊(duì)，山東 青島266000)

針對(duì)艦載機(jī)多機(jī)種一體化自主保障中機(jī)載設(shè)備的維修保障需求，提出了基于信息源特征分析的航空關(guān)鍵部附件故障預(yù)測方法；首先，從信息源數(shù)據(jù)特征、研究對(duì)象判定、用于預(yù)測的可用信息及不確定性4個(gè)角度對(duì)信息源特征的復(fù)雜性進(jìn)行了分析；其次，根據(jù)航空部附件故障頻率和平均停機(jī)維修時(shí)間采用四象限圖實(shí)現(xiàn)航空關(guān)鍵部附件的判定；最后，基于信息源不同可用信息選擇不同的故障預(yù)測方法，并介紹了智能融合的神經(jīng)網(wǎng)絡(luò)算法和能夠消除不確定性的非線性濾波方法，提高了航空部附件故障預(yù)測方法的通用性和準(zhǔn)確性。

信息源；航空部附件；故障預(yù)測；通用性；不確定性

0　引言

航空機(jī)載設(shè)備的復(fù)雜化、系統(tǒng)化、綜合化及信息化導(dǎo)致飛行戰(zhàn)斗力對(duì)航空裝備安全可靠性的要求愈發(fā)緊迫，為進(jìn)一步提高飛機(jī)戰(zhàn)備完好率和任務(wù)成功率，基于狀態(tài)的視情維修正在逐漸取代傳統(tǒng)的基于定期檢修和事后維修，而作為視情維修技術(shù)應(yīng)用的PHM系統(tǒng)已被采用，如美國的F-35戰(zhàn)斗機(jī)，據(jù)估計(jì)[1]，通過采用預(yù)測與健康管理技術(shù)等一系列先進(jìn)技術(shù)措施可以使后勤綜合保障規(guī)模減少50%，維修保障人員減少20%到40%，使用維修費(fèi)用相比過去減少50%，同時(shí)，通過縮短維修時(shí)間，飛機(jī)出動(dòng)架次率提高了25%。

故障預(yù)測是PHM的首要任務(wù)和熱點(diǎn)難點(diǎn)，而進(jìn)行故障預(yù)測的出發(fā)點(diǎn)則是系統(tǒng)或部件狀態(tài)的信息來源，因此基于信息源的特征分析是故障預(yù)測的基石。文獻(xiàn)[2]從采信的信息源基于故障狀態(tài)信息、基于異?，F(xiàn)象信息、基于使用環(huán)境信息及基于損傷標(biāo)尺信息4個(gè)角度進(jìn)行故障診斷與預(yù)測方法的闡述；文獻(xiàn)[3]將飛機(jī)PHM系統(tǒng)的信息來源分為傳感器網(wǎng)絡(luò)采集、飛行及維修數(shù)據(jù)兩類；文獻(xiàn)[4]認(rèn)為數(shù)據(jù)是數(shù)據(jù)驅(qū)動(dòng)PHM的核心，將信息源分為直接表征退化狀態(tài)的參數(shù)和間接表征退化狀態(tài)的參數(shù)；文獻(xiàn)[5]將預(yù)測信息來源數(shù)據(jù)分為離線和在線數(shù)據(jù)、歷史維修/故障數(shù)據(jù)以及模型數(shù)據(jù)；文獻(xiàn)[6]通過真實(shí)數(shù)據(jù)和訓(xùn)練數(shù)據(jù)、離線信息和在線信息兩個(gè)角度構(gòu)建了結(jié)構(gòu)健康監(jiān)測和不確定管理的通用概率框架。機(jī)載設(shè)備包括各種機(jī)載系統(tǒng)或部件，其中航空關(guān)鍵部附件的可靠性或壽命是影響機(jī)載設(shè)備運(yùn)行好壞的主要因素，鑒于此，本文方法基于信息源特征的角度進(jìn)行研究對(duì)象的區(qū)分以及不同預(yù)測方法的選擇。

1　信息源特征分析

1.1信息源數(shù)據(jù)特征分析

信息源的數(shù)據(jù)來源主要是基于各類傳感器采集到的數(shù)據(jù)，主要分為三類：1)基于測試的數(shù)據(jù)，是指利用自動(dòng)測試系統(tǒng)在外場或內(nèi)場對(duì)機(jī)載設(shè)備進(jìn)行加電測試；2)基于飛行參數(shù)的數(shù)據(jù)。飛行參數(shù)包括了飛行通訊數(shù)據(jù)，飛機(jī)姿態(tài)信息，飛機(jī)各系統(tǒng)、發(fā)動(dòng)機(jī)的運(yùn)行狀態(tài)數(shù)據(jù)[7]。由于現(xiàn)有飛機(jī)在設(shè)計(jì)時(shí)并未考慮到部件故障的預(yù)測功能，導(dǎo)致飛參數(shù)據(jù)無法監(jiān)測一些關(guān)鍵部件的故障信息進(jìn)行建模和分析；3)現(xiàn)在正在設(shè)計(jì)或加裝的嵌入式傳感器，主要是考慮傳感器的安放位置，能否用盡量少的傳感器獲取系統(tǒng)或部件健康感知的最大信息是一個(gè)準(zhǔn)則。不管是測試數(shù)據(jù)或者傳感器數(shù)據(jù)，可分為緩變數(shù)據(jù)、突變數(shù)據(jù)，而緩變數(shù)據(jù)又可分為部分可觀測信息、全壽命信息，單源監(jiān)測信息、多源監(jiān)測信息，適合在線或離線。

圖1　信息源數(shù)據(jù)特征分析

1.2用于判定研究對(duì)象的信息源特征分析

基于故障/維修的信息源特征分析是指對(duì)于一類可修復(fù)部附件來說，在對(duì)機(jī)載設(shè)備進(jìn)行基層級(jí)維修、中繼級(jí)維修及基地級(jí)維修的時(shí)候，可分別記錄不同維修情況下機(jī)載部附件的故障頻率及平均停機(jī)維修時(shí)間，設(shè)備的故障頻率是指在某一指定周期內(nèi)，部附件因緩變退化直至發(fā)生故障的次數(shù)，平均停機(jī)維修時(shí)間是指從部附件發(fā)生故障開始進(jìn)行部附件可修復(fù)維修的平均時(shí)間。

圖2用于判定研究對(duì)象的信息源特征分析

1.3用于預(yù)測的信息源可用性分析

表1　故障預(yù)測方法中所需的信息源種類

1)退化系統(tǒng)的物理模型。例如一階馬爾科夫過程：

dj=g(dj-1,γj-1);d0～pD0(d0)

式中，dj為tj時(shí)刻的退化狀態(tài)，pD0(d0)為t0時(shí)刻退化的初始分布，g(·)為非線性函數(shù)，描述了每一時(shí)間步長的退化增量值，γj,j=1,2,...為一系列相互獨(dú)立的狀態(tài)噪聲向量。上述模型可以包括與部附件內(nèi)在特性(材料，物理，化學(xué)，幾何等等)相關(guān)的參數(shù)，這些參數(shù)在同類部附件的不同個(gè)體中會(huì)發(fā)生變化，而這種變化是由概率密度函數(shù)來表示的，同時(shí)，模型也能夠描述退化過程依賴的外部參數(shù)，包括環(huán)境，使用操作上的，這些參數(shù)在部附件運(yùn)行周期中會(huì)發(fā)生變化。雖然這些參數(shù)與部附件退化狀態(tài)不直接相關(guān)，但是也可能影響部附件的演化。在這些參數(shù)中，有些參數(shù)可以通過傳感器直接測量觀察，有些卻不能。在部附件動(dòng)態(tài)的退化過程中，某些參數(shù)的時(shí)變信息或統(tǒng)計(jì)分布信息為部附件的RUL預(yù)測提供了先驗(yàn)信息。

2)在部附件或者與部附件相同或類似的其他部附件運(yùn)行周期中，基于不同時(shí)刻t1:i監(jiān)測得到的觀測值z1:i，這些可觀測的過程參數(shù)可以是部附件退化狀態(tài)的直接量測值，比如材料板的裂紋長度，也可以是間接反映部附件退化狀態(tài)的參數(shù)，比如軸承運(yùn)行的振動(dòng)參數(shù)，或電池退化的容量參數(shù)。

3)失效閾值dth。

4)觀測方程，即包括某一時(shí)刻tj傳感器采集的可觀測過程參數(shù)的觀測量zj與部附件真實(shí)退化狀態(tài)dj之間的關(guān)系表達(dá)式。

(1)

式中，h(·)為已知的函數(shù)，一般是非線性的，nj為量測噪聲向量。

1.4信息源不確定性分析

在機(jī)載設(shè)備運(yùn)行過程中，運(yùn)行環(huán)境的變化導(dǎo)致部附件的狀態(tài)退化呈現(xiàn)非線性和不穩(wěn)定性，很難直接監(jiān)測到系統(tǒng)的退化狀態(tài)，而表征退化狀態(tài)的參數(shù)值也往往受到噪聲的干擾，因此，需要對(duì)信息源的不確定性進(jìn)行分析，產(chǎn)生不確定性的來源[9-12]主要包括傳感器數(shù)據(jù)采集與處理過程中的不確定、模型結(jié)構(gòu)的不確定、模型參數(shù)的不確定以及失效標(biāo)準(zhǔn)的模糊性等等，針對(duì)故障預(yù)測中產(chǎn)生的不確定性的特點(diǎn)，尋找能夠?qū)︻A(yù)測結(jié)果的不確定性進(jìn)行表達(dá)的預(yù)測方法尤為重要。

2　關(guān)鍵機(jī)載部附件判定

構(gòu)建航空部附件PHM系統(tǒng)的第一步是確定機(jī)載關(guān)鍵部附件，依據(jù)機(jī)載部附件性能或停機(jī)時(shí)間來確定對(duì)飛行安全最有影響的部附件。依據(jù)文獻(xiàn)[13-14]提出的四象限圖來確定關(guān)鍵部附件，在四象限圖中顯示了相關(guān)部附件故障的故障頻率及平均停機(jī)時(shí)間。通過圖示機(jī)載部附件的數(shù)據(jù)后，當(dāng)前維修策略的有效性就凸顯出來。其中，將圖像分成4個(gè)象限的橫軸和縱軸的位置由使用者基于研制或維修要求進(jìn)行確定。

圖3　判定關(guān)鍵航空部附件的四象限圖方法

從圖3右上角開始，逆時(shí)針標(biāo)記4個(gè)象限。象限1包含的部附件不僅故障頻率很高，且故障會(huì)導(dǎo)致嚴(yán)重的停機(jī)時(shí)間。通常情況下，研制生產(chǎn)期間會(huì)關(guān)注和解決象限1中的問題部附件，但也可能是部附件的制造缺陷或者持續(xù)使用不當(dāng)造成頻繁故障和較長停機(jī)時(shí)間。象限2中的部附件故障頻率較高但停機(jī)時(shí)間較短，對(duì)于這樣的部附件，維修建議是庫存?zhèn)浼渥?。象?中的部附件故障頻率較低且停機(jī)時(shí)間也較短，當(dāng)前的周期性保障和維修適合這樣的部附件。對(duì)于象限4中故障頻率低但導(dǎo)致停機(jī)時(shí)間長的機(jī)載部附件，應(yīng)該采用預(yù)測維修，對(duì)于這樣的機(jī)載部附件，也是我們所確定的關(guān)鍵機(jī)載部附件。一個(gè)實(shí)例如圖所示，對(duì)于具體的情況，軸承、陀螺儀、電源以及齒輪箱等應(yīng)是作為預(yù)測與健康管理的關(guān)鍵部附件。

3　故障預(yù)測方法

表2　用與故障預(yù)測的不同可用信息分類

針對(duì)上述不同可用信息源特征進(jìn)行事件的分類設(shè)置。

事件1:已知航空部附件的退化模型、觀測方程、失效閾值、部附件的部分可觀測序列。此類信息源特征的主要針對(duì)的是典型的退化機(jī)制，比如裂紋的擴(kuò)展以及電池容量的退化。

事件2: 航空部附件的部分可觀測序列、相似部附件歷史全壽命觀測序列及運(yùn)行至故障的時(shí)間已知。此類信息源特征的主要針對(duì)的壽命周期較短的部附件，其失效軌跡可以被觀察到。

事件3: 航空部附件的部分可觀測序列、觀測方程及失效閾值已知。此類信息源特征的主要針對(duì)的比較可靠的設(shè)備，其運(yùn)行周期較長，比如可靠性較高核電設(shè)備。機(jī)械傳動(dòng)系統(tǒng)中部附件包括軸承、齒輪等，儀表電子系統(tǒng)中的部附件包絡(luò)地平儀中的動(dòng)調(diào)陀螺儀、機(jī)械動(dòng)力裝置中的發(fā)動(dòng)機(jī)部附件等。

在航空部附件故障預(yù)測[15-16]中，所用到的方法有非線性的智能方法神經(jīng)網(wǎng)絡(luò)以及處理小樣本數(shù)據(jù)的支持向量機(jī)，處理不確定性的方法有基于貝葉斯準(zhǔn)則的相關(guān)向量機(jī)和非線性濾波方法，在這里，介紹兩種典型的故障預(yù)測方法：神經(jīng)網(wǎng)絡(luò)和非線性濾波方法。

1)神經(jīng)網(wǎng)絡(luò)：

神經(jīng)網(wǎng)絡(luò)[17-18]是一種比較成熟、改進(jìn)方法較豐富的非線性擬合方法，在給定訓(xùn)練數(shù)據(jù)的基礎(chǔ)上，利用一個(gè)類似暗箱的學(xué)習(xí)器對(duì)數(shù)據(jù)進(jìn)行非線性學(xué)習(xí)，然后在獲得測試數(shù)據(jù)的基礎(chǔ)上，將以訓(xùn)練好的學(xué)習(xí)器進(jìn)行測試數(shù)據(jù)的分類或回歸。

圖4　基于神經(jīng)網(wǎng)絡(luò)的故障預(yù)測流程

2)非線性濾波：

非線性濾波[19-21]方法廣泛應(yīng)用于導(dǎo)航、目標(biāo)跟蹤及信號(hào)處理領(lǐng)域，在故障預(yù)測領(lǐng)域的最早源于使用似然比的故障檢測方面，首先，在貝葉斯準(zhǔn)則下，將所有不確定的信息設(shè)定為隨機(jī)變量，而將所有可用信息用概率密度分布來表示，通過量測信息的更新，將k-1時(shí)刻的后驗(yàn)分布轉(zhuǎn)化為k時(shí)刻的先驗(yàn)概率密度分布，在狀態(tài)估計(jì)的基礎(chǔ)上，對(duì)系統(tǒng)或部件的剩余使用壽命進(jìn)行預(yù)測。非線性濾波一種次優(yōu)濾波器，主要包括確定性采樣的無跡卡爾曼濾波[22]、中心差分卡爾曼濾波[23]、容積卡爾曼濾波[24]及隨機(jī)采樣的粒子濾波方法[25-26]。

圖5　基于非線性濾波的剩余使用壽命預(yù)測流程

4　結(jié)果與分析

根據(jù)第2節(jié)中判定的關(guān)鍵機(jī)載部附件，從中選擇電源系統(tǒng)中的鋰離子電池為研究對(duì)象，對(duì)其進(jìn)行故障預(yù)測方法的選擇和仿真。

1)當(dāng)鋰離子電池的信息源包括電池容量的狀態(tài)退化模型、觀測方程、失效閾值以及部分量測信息，這時(shí)我們依據(jù)第3節(jié)中的事件1，選擇非線性濾波比如粒子濾波進(jìn)行鋰離子電池的剩余使用壽命預(yù)測。

選取文獻(xiàn)[27]中的鋰電池作為研究對(duì)象，電池容量作為反映電池退化特征的指標(biāo)，其退化模型為：

(2)

其中：a和b為模型參數(shù)，t為時(shí)間，λ為表示電解質(zhì)阻抗RE或轉(zhuǎn)移阻抗RCT的內(nèi)在電池性能。

假設(shè)a的真實(shí)值為1，b的真實(shí)值為0.012，根據(jù)公式迭代計(jì)算電池容量的真實(shí)值，在容量真實(shí)值中加入高斯噪聲ε～N(0,0.052)。參數(shù)的真實(shí)值只被用于產(chǎn)生量測數(shù)據(jù)。狀態(tài)空間模型為：

(3)

其中：tk=tk-1+Δt。在這種情況下，由于狀態(tài)方程中含有模型參數(shù)，通過模型參數(shù)的不確定性過程噪聲vk能夠被處理，所以選擇忽略過程噪聲。量測方程為：

(4)

量測數(shù)據(jù)的采集周期是5個(gè)周，量測歷史數(shù)據(jù)如表3所示。

經(jīng)上述分析可知，未知的參數(shù)變?yōu)棣?[x,θ(=[b]),σ]T。粒子濾波基于貝葉斯理論進(jìn)行流程計(jì)算，如圖1所示，給予參數(shù)的初始分布，粒子數(shù)為5 000，首先，在預(yù)計(jì)階段，在k-1步時(shí)參數(shù)的后驗(yàn)分布被用于計(jì)算k步時(shí)參數(shù)的先驗(yàn)分布；其次，更新量測數(shù)據(jù)的似然函數(shù)；然后，根據(jù)權(quán)重大小來對(duì)粒子進(jìn)行重采樣；最后，估計(jì)k+1步參數(shù)的先驗(yàn)分布。

鋰電池失效的容量閾值為電池容量的30%，即0.3 Ah，量測信息數(shù)據(jù)共10個(gè)樣本點(diǎn)，預(yù)測的初始起點(diǎn)為鋰電池容量周期T=45周，45周之前為量測歷史數(shù)據(jù)，從第45周開始，運(yùn)用粒子濾波算法，預(yù)測每個(gè)周期的鋰電池容量，根據(jù)45周之前的電池容量數(shù)據(jù)進(jìn)行狀態(tài)跟蹤，估計(jì)出未知參數(shù)。參數(shù)b的估計(jì)值為0.012，量測誤差標(biāo)準(zhǔn)差的估計(jì)值為0.065。然后設(shè)置好算法中所需的初始參數(shù)，粒子濾波算法中的粒子數(shù)設(shè)為5 000個(gè)，電池容量狀態(tài)初始值為1 Ah，從T=45周開始執(zhí)行粒子濾波算法，迭代計(jì)算不斷更新鋰電池容量的狀態(tài)值，隨時(shí)間每5個(gè)周都輸出一個(gè)新計(jì)算的容量值，在此迭代過程中持續(xù)判斷電池容量值是否達(dá)到或超出其容量閾值，如達(dá)到或超出，則終止計(jì)算過程，最后，基于粒子濾波的鋰電池剩余使用壽命預(yù)測如圖6所示。

圖6　電池容量剩余使用壽命預(yù)測

2)當(dāng)鋰離子電池沒有合適的狀態(tài)退化模型及量測模型存在，只具備電池容量部分可觀測數(shù)據(jù)或相似部件的歷史數(shù)據(jù)時(shí)，我們依據(jù)第3節(jié)中的事件2，選擇合適的神經(jīng)網(wǎng)絡(luò)算法進(jìn)行鋰離子電池的狀態(tài)預(yù)測或退化趨勢預(yù)測。這里，選擇小波神經(jīng)網(wǎng)絡(luò)對(duì)鋰離子電池容量進(jìn)行狀態(tài)預(yù)測，仿真數(shù)據(jù)參考表3及上一步中的仿真全壽命數(shù)據(jù)，仿真結(jié)果如圖7所示。

圖7相同實(shí)驗(yàn)環(huán)境下同型號(hào)電池容量狀態(tài)預(yù)測

在電池的實(shí)際使用中，要想獲得電池的全壽命數(shù)據(jù)顯得很難，因此，如果是對(duì)當(dāng)前電池容量進(jìn)行預(yù)測，那么，我們在每次得到新的預(yù)測數(shù)據(jù)后，都會(huì)將其作為下一步預(yù)測的輸入數(shù)據(jù)，這樣會(huì)導(dǎo)致預(yù)測精度的下降，但這種情況是符合實(shí)際的。電池容量預(yù)測的實(shí)際應(yīng)用，一般是將一個(gè)電池的容量數(shù)據(jù)訓(xùn)練處容量預(yù)測模型，然后在相同實(shí)驗(yàn)環(huán)境下，用訓(xùn)練好的預(yù)測模型去預(yù)測同型號(hào)的鋰離子電池，實(shí)現(xiàn)鋰離子電池容量的狀態(tài)預(yù)測或退化趨勢預(yù)測。

5　結(jié)束語

針對(duì)一類具有緩變退化特征的損傷累計(jì)航空部附件，信息源特征能夠給出航空機(jī)載關(guān)鍵部附件的判定，同時(shí)，不同的預(yù)測方法也是由可獲取信息的特點(diǎn)決定的。因此，從信息源特征分析的角度來建立研究對(duì)象和選取預(yù)測方法能夠?qū)⒍哂袡C(jī)統(tǒng)一起來，在此框架下分析信息源特征的復(fù)雜性，擴(kuò)展預(yù)測方法的通用性，消除信息帶來的不確定性，從而提高航空部附件故障預(yù)測方法的通用性和準(zhǔn)確性。

[1]曾天翔. 國外艦載機(jī)使用保障[M]. 北京：航空工業(yè)出版社，2008.

[2]曾聲奎，Michael G. Pecht，吳際. 故障預(yù)測與健康管理(PHM)技術(shù)的現(xiàn)狀與發(fā)展[J]. 航空學(xué)報(bào),2005,26(5):626-632.

[3]王少萍. 大型飛機(jī)機(jī)載系統(tǒng)預(yù)測與健康管理關(guān)鍵技術(shù)[J].航空學(xué)報(bào),2014,35(6): 1459-1472.

[4]彭宇，劉大同. 數(shù)據(jù)驅(qū)動(dòng)故障預(yù)測和健康管理綜述[J]. 儀器儀表學(xué)報(bào),2014,35(3):481-495.

[5]Chen Z S, Yang Y M, Hu Z. A Technical Framework and Roadmap of Embedded Diagnostics and Prognostics for Complex Mechanical Systems in Prognostics and Health Management Systems[J]. IEEE TRANSACTIONS ON RELIABILITY, 2012,61(2):314-321.

[6]Wang P F, Byeng D. Youn, Hu C. A generic probabilistic framework for structural health prognostics and uncertainty management[J].Mechanical Systems and Signal Processing, 2012,28:622-637.

[7]胡朝江，陳列，楊全法. 飛機(jī)飛參系統(tǒng)及應(yīng)用[M]. 北京：國防工業(yè)出版社，2012.

[8]Piero Baraldi, Francesco Cadini, Francesca Mangili, et al. Model-based and data-driven prognostics under different available information [J]. Probabilistic Engineering Mechanics, 2013,32:67-79.

[9]許喆平,郎榮玲,鄧小樂. 飛機(jī)性能參數(shù)預(yù)測的不確定處理[J]. 航空學(xué)報(bào), 2012, 33(6):1100-1107.

[10]彭寧，羅清華，彭喜元．網(wǎng)絡(luò)化測試體系中不確定性數(shù)據(jù)處理方法淺析[J]. 儀器儀表學(xué)報(bào), 2010,31(1):229-240.

[11]羅清華，彭寧，彭喜元．一種多維不確定性數(shù)據(jù)流聚類算法[J]．儀器儀表學(xué)報(bào)，2013，34(6)：1330—1338.

[12]方甲永, 肖明清, 周越文,等. 電子產(chǎn)品動(dòng)態(tài)損傷最優(yōu)估計(jì)與壽命預(yù)測[J]. 儀器儀表學(xué)報(bào),2011,32(4):807-812.

[13]Jay Lee, Wu F J, Zhao W Y, et al. Prognostics and health management design for rotary machinery systems—Reviews, methodology and applications[J]. Mechanical Systems and Signal Processing, 2014,42:314-334.

[14]Song BL, Jay Lee. Framework of Designing an Adaptive and Multi-Regime Prognostics and Health Management for Wind Turbine Reliability and Efficiency Improvement [J]. International Journal of Advanced Computer Science and Applications, 2013,4(2):142-149.

[15]曾慶虎. 機(jī)械動(dòng)力傳動(dòng)系統(tǒng)關(guān)鍵部件故障預(yù)測技術(shù)研究[D]. 長沙: 國防科技大學(xué),2010.

[16]董磊 任章 李清東. 基于SMO-SVR的飛機(jī)舵面損傷故障趨勢預(yù)測[J]. 北京航空航天大學(xué)學(xué)報(bào),2012,38(10):1300-1305.

[17]楊建剛. 人工神經(jīng)網(wǎng)絡(luò)實(shí)用教程[M]. 杭州: 浙江大學(xué)出版社，2001.

[18]Liu J，Saxena A，Goebel K，et al. An adaptive recurrent neural network for remaining useful life prediction of lithium-ion batteries[A]．Annual Conference of the Prognostics and Health Management Society 2010[C].Portland，Oregon，USA，2010：1-9.

[19]張磊，李行善，于勁松，等．一種基于高斯混合模型粒子濾波的故障預(yù)測算法[J]．航空學(xué)報(bào)，2009，30(2)：319-324．

[20]占榮輝，張軍，歐建平,等. 非線性濾波理論與目標(biāo)跟蹤應(yīng)用[M]. 北京：國防工業(yè)出版社，2013.

[21]趙琳，王小旭，李亮,等. 非線性系統(tǒng)濾波理論 [M]. 北京：國防工業(yè)出版社，2012.

[22]Dunik J, Simandl M, Straka O. Unscented Kalman filter: aspects and adaptive setting of scaling parameter[J]. IEEE Transactions on Automatic Control, 2012, 57(9): 2411-2416.

[23]王小旭, 潘泉, 黃鶴,等. 非線性系統(tǒng)確定采樣型濾波算法綜述[J]. 控制與決策,2012,27(6): 801-812.

[24]I Arasaratnam, S Haykin. Cubature Kalman Filters[J]. IEEE Transactions on Automatic Control, 2009, 54(6): 1254-1269.

[25]M Dalal, J Ma, D He. Lithium-ion battery life prognostic health management system using particle filtering framework[J]. Journal of Risk and Reliability, 2011, 225: 81-90.

[26]袁慎芳, 張華, 邱雷,等. 基于粒子濾波算法的疲勞裂紋擴(kuò)展預(yù)測方法[J]. 航空學(xué)報(bào), 2013, 34(12): 2740-2747 .

[27]Dawn An, Joo-Ho Chio, Nam Ho Kim. Prognostics 101: A tutorial for particle filter-based prognostics algorithm using Matlab[J]. Reliability Engineering and System Safety, 2013, 115: 161-1.

Research on Fault Prognostics of Aviation Accessories Based on the Feature Analysis of Information Source

Li Wenfeng1,2, Xu Aiqiang1, Wang Xuewei2, Su Zhenchao2

(1.Department of Scientific Research, Naval Aeronautical and Astronautical University, Yantai264001,China;2.92635 Troops, Qingdao266000,China)

Prediction method based on the analysis of the characteristics of information source of aviation key accessories fault is proposed for carrier based aircraft heterogeneous integration independent guarantee in airborne equipment of maintenance security needs. Firstly, The complexity of information source is analyzed from four perspectives of information source data, research object decision, the available information and uncertainty. Secondly, According to the Aviation Department of the annex to the failure frequency and average downtime maintenance time using the four quadrant chart to achieve the key parts of the aviation annex. Lastly, Based on the information from different sources of information available choice different fault prediction method, and introduces the intelligent integration of neural network algorithm and is able to eliminate the uncertainty of nonlinear filtering method and improve of the aviation accessories fault prediction method of generality and accuracy.

information Source; aviation accessories; fault prognostics; generality; uncertainty

2015-07-04；

2015-08-20。

總裝武器裝備預(yù)研基金(9140A27020214JB14436)。

李文峰(1983-)，男，山東榮成人，博士研究生，主要從事航空裝備故障預(yù)測與綜合保障方向的研究。

許愛強(qiáng)(1964-)，男，山東即墨人，教授，博士研究生導(dǎo)師，主要從事自動(dòng)測試與裝備綜合保障方向的研究。

1671-4598(2016)01-0007-05

10.16526/j.cnki.11-4762/tp.2016.01.003

V215.7

A