江 蓮，李榮修

?

基于特征提取的裝備可靠性不確定度量方法

江 蓮1，李榮修2

（1. 92337部隊，遼寧大連116023；2. 92001部隊，山東青島266003）

針對當(dāng)前大型復(fù)雜裝備可靠性動態(tài)變化特性難以量化評估的問題，提出基于特征提取的裝備可靠性不確定度量方法，通過提取特征參數(shù)，建立運(yùn)行狀態(tài)與特征參數(shù)之間的邏輯回歸模型，改進(jìn)系統(tǒng)多狀態(tài)評估方法，識別裝備運(yùn)行過程中的隱患狀態(tài)，為預(yù)防性維修提供決策支持。

特征提取 可靠性 不確定度量 多狀態(tài)系統(tǒng)

0 引言

隨著科技發(fā)展和制造水平提高，大型裝備的部件數(shù)量龐大且構(gòu)成原理復(fù)雜，其可靠性處于動態(tài)變化狀態(tài)，難以用量化的方法掌握其規(guī)律，增加裝備安全管理風(fēng)險。現(xiàn)有可靠性評估方法通常分為兩類，一類為二元狀態(tài)法，此類方法假設(shè)裝備具有正常和故障兩種狀態(tài)[1,2]，其精度顯然不適用于大型復(fù)雜裝備可靠性評估；另一類為多狀態(tài)法，是由二元狀態(tài)法演變而來，此類方法假設(shè)系統(tǒng)具有多個狀態(tài)[3-5]，其可靠性隨時間而動態(tài)變化，對系統(tǒng)可靠性的評估更加精確，但多個狀態(tài)必定涉及多個變量和多維計算，導(dǎo)致其評估函數(shù)異常復(fù)雜，往往難以應(yīng)用于工程實(shí)踐。

裝備使用過程中一些運(yùn)行狀態(tài)參數(shù)，如溫度、壓力、電壓、電流等，能夠?qū)崟r表征裝備的可靠性狀態(tài)，當(dāng)參數(shù)值超限或不穩(wěn)定時，預(yù)示著裝備已經(jīng)發(fā)生故障或存在嚴(yán)重故障隱患。在分析裝備運(yùn)行狀態(tài)數(shù)據(jù)的基礎(chǔ)上，提出基于特征提取的裝備可靠性不確定度量方法，通過篩選提取特征參數(shù)，定義裝備正常、隱患、故障三種運(yùn)行狀態(tài)，建立運(yùn)行狀態(tài)與特征參數(shù)之間的邏輯回歸模型，使模型具備快速判定裝備可靠性狀態(tài)的能力，并識別裝備運(yùn)行過程中的隱患狀態(tài)，為預(yù)防性維修提供決策支持。

1 裝備運(yùn)行狀態(tài)特征描述與提取

裝備的運(yùn)行狀態(tài)與各項性能參數(shù)有關(guān)，以某電力推進(jìn)系統(tǒng)為例，裝備的可靠性與電壓、電流、溫度有直接的關(guān)聯(lián)關(guān)系，如果某項參數(shù)超出警戒范圍，裝備將發(fā)生故障。裝備運(yùn)行參數(shù)數(shù)量眾多，不可能全部引入模型，需要篩選提取。特征參數(shù)提取的目的一是引入表征裝備運(yùn)行狀態(tài)的主要參數(shù)，忽略次要參數(shù)，避免一些次要參數(shù)的異常數(shù)據(jù)干擾分析結(jié)果；二是降低計算量，使參與計算的變量數(shù)盡可能少，數(shù)據(jù)分析方法更加簡單易行。

本文特征提取方法分為粗篩選和精篩選兩個步驟：①依據(jù)裝備故障原理及專家經(jīng)驗粗篩選出可能對裝備故障預(yù)判有指導(dǎo)意義的參數(shù)，將這些參數(shù)分為兩類，第一類確定性參數(shù)，是裝備故障的判定可以由這些參數(shù)確定，參數(shù)值超出固定范圍將明確作為故障處理；第二類待確定參數(shù)，根據(jù)使用經(jīng)驗判斷這些參數(shù)的變化有時與裝備故障有關(guān)聯(lián)或存在一定關(guān)聯(lián)概率。②采用主成分法精篩選第二類參數(shù)。精篩選之前先進(jìn)行相關(guān)性分析，判斷參數(shù)之間是否相關(guān)，否則不能進(jìn)行主成分分析。表1為待確定參數(shù)的相關(guān)性分析結(jié)果，參數(shù)之間的相關(guān)性很高，如果直接引入特征參數(shù)，共線性問題將導(dǎo)致分析結(jié)果偏離實(shí)際。由表2中各參數(shù)的相關(guān)系數(shù)可知，必須運(yùn)用主成分分析法對表中待確定參數(shù)進(jìn)行降維，將原來的多個互相關(guān)聯(lián)的參數(shù)組合成相互獨(dú)立的少數(shù)幾個能夠充分反映裝備運(yùn)行狀態(tài)的參數(shù)。

2 裝備可靠性不確定度量

裝備可靠性具有不確定性，裝備實(shí)際運(yùn)行過程中盡管各項參數(shù)未超出警戒范圍且未出現(xiàn)故障現(xiàn)象，但實(shí)際狀態(tài)卻處于故障發(fā)生的邊緣，隨時有可能發(fā)生故障。通常情況下將裝備的運(yùn)行狀態(tài)分為正常和故障兩種，對于電子類或不可修復(fù)的裝備具有簡單易行的優(yōu)勢，但對于機(jī)械設(shè)備，特別是電力推進(jìn)系統(tǒng)來說，兩種狀態(tài)不能滿足實(shí)際裝備安全管理工作的需求。裝備在實(shí)際使用過程中，操縱人員不僅要掌握裝備是否已發(fā)生故障，而且希望在第一時間預(yù)測到故障發(fā)生，即掌握裝備在故障發(fā)生之前的不穩(wěn)定狀態(tài)。因此，定義裝備在故障發(fā)生之前的不穩(wěn)定狀態(tài)為“隱患”，用于度量裝備可靠性的不確定性。

3 基于特征提取的裝備可靠性不確定度量方法

以某電力推進(jìn)系統(tǒng)為例對進(jìn)行基于特征提取的裝備可靠性不確定度量方法說明。

3.1定義裝備運(yùn)行狀態(tài)

將裝備的可靠性狀態(tài)分為正常、隱患、故障三類，其表示方法為：

其中1為正常，2為隱患，3為故障，1，2，…3為表征裝備可靠性三種狀態(tài)的特征參數(shù)。

3.2提取特征參數(shù)集

第一步粗篩選根據(jù)常見故障及其表征，選出14個特征參數(shù)，其中轉(zhuǎn)速、A~G溫度等8個參數(shù)為確定參數(shù)，AB電壓、A~D電流等6個參數(shù)為待確定參數(shù)。第二步精篩選采用主成分分析法提取待確定參數(shù)，主成分列表見表3，提取結(jié)果為2個主成分，提取了方差的85.866%。主成分函數(shù)如下,第一主成分

1=0.8962+0.8863+0.1364+0.9225

第二主成分

2=-0.0882-0.0923+0.9594-0.0845-0.0446+0.9597

待確定參數(shù)由6個降維得到2個。最終提取特征參數(shù)10個，其中包含確定性參數(shù)8個，1、8、9、10、11、12、13、14，待確定參數(shù)2個，1、2。裝備的運(yùn)行狀態(tài)描述為i={1、8、9、10、11、12、13、14，1、2}。

3.3特征分析

選擇模型訓(xùn)練數(shù)據(jù)集，共185項數(shù)據(jù)，其中包含故障數(shù)據(jù)83項，正常數(shù)據(jù)102項。采用邏輯回歸法對裝備故障、正常兩種狀態(tài)下數(shù)據(jù)進(jìn)行分析，建立回歸模型。假設(shè)裝備發(fā)生故障的條件概

率為:

（y=1|x）=P，輸入訓(xùn)練數(shù)據(jù)集并計算模型參數(shù)，見表4。

3.4不確定度量

由于訓(xùn)練數(shù)據(jù)集中只有故障和正常兩種數(shù)據(jù)，因此，模型輸出的裝備可靠性狀態(tài)暫時為:

為處于該狀態(tài)的置信度。將正常狀態(tài)下的數(shù)據(jù)根據(jù)置信度區(qū)間進(jìn)行重新定義。

應(yīng)用上述回歸模型對裝備運(yùn)行狀態(tài)數(shù)據(jù)進(jìn)行識別，可預(yù)測到故障、隱患、正常三種狀態(tài)，用于度量裝備運(yùn)行狀態(tài)的不確定性。輸入測試數(shù)據(jù)集，共145項數(shù)據(jù)，包含故障、正常、隱患數(shù)據(jù)量分別為40、43、62，其中隱患數(shù)據(jù)為裝備發(fā)生故障前10分鐘內(nèi)運(yùn)行狀態(tài)數(shù)據(jù)。應(yīng)用模型對該數(shù)據(jù)集進(jìn)行運(yùn)行狀態(tài)預(yù)測，預(yù)測結(jié)果見表5。

由表5中數(shù)據(jù)可知，模型對于裝備故障識別達(dá)到87.5%，能夠滿足日常裝備管理要求，并且對于裝備隱患的識別有突出表現(xiàn)，對于運(yùn)行過程中可能出現(xiàn)故障的狀態(tài)預(yù)測準(zhǔn)確率高達(dá)90.3%，能夠有效提示裝備使用人員盡快開展故障檢測或預(yù)防性維修。

4 結(jié)論

基于特征提取的可靠性不確定度量方法通過粗篩選和精篩選兩個步驟實(shí)現(xiàn)了裝備運(yùn)行狀態(tài)特征參數(shù)提取，實(shí)踐表明該方法對于裝備運(yùn)行狀態(tài)特征提取完備、準(zhǔn)確。該方法突破傳統(tǒng)二元狀態(tài)的思維定勢，定義正常、隱患、故障三種狀態(tài)，達(dá)到了量化裝備運(yùn)行狀態(tài)不確定性的目的，在確保故障預(yù)測準(zhǔn)確率的基礎(chǔ)上，有效地識別出裝備運(yùn)行的隱患狀態(tài)。

[1] 徐宇亮，孫際哲，陳西宏，王光明．電子設(shè)備健康狀態(tài)評估與故障預(yù)測方法[J]．系統(tǒng)工程與電子技術(shù)，2012, 34（5）:1068-1072.

[2] 航天發(fā)射場裝備狀態(tài)質(zhì)量預(yù)測模型研究[J]．計算機(jī)測量與控制, 2005,13（12）:1387-1389.

[3] 高鵬，謝里陽．基于改進(jìn)發(fā)生函數(shù)方法的多狀態(tài)系統(tǒng)可靠性分析[J]．航空學(xué)報, 2010,31（5）:934-939.

[4] 張志華. 小樣本多技術(shù)狀態(tài)性能可靠性的方針評估方法[J]．系統(tǒng)仿真學(xué)報, 2007,19（2）:417-420.

[5] Brunelle R D. Review and classification of reliability measures for multistate and continuum models．IEEE Trans , 1999,31:1117-1180．

Uncertain Measurement Method of Equipment Reliability Based on Features Extraction

Jiang Lian1, Li Rongxiu2

（1. No.92337 of PLA, Dalian 116023, Liaoning, China；2. No. 92001 of PLA, Qingdao 266003, Shandong, China）

O242

A

1003-4862（2017）05-0066-03

2016-12-15

江蓮（1984-），女，工程師。研究方向：艦艇裝備可靠性試驗。