雷耀麟，劉 廈*，胡 炎，柴興華

(1.中國(guó)電子科技集團(tuán)公司第五十四研究所，河北 石家莊 050081) (2.中國(guó)電子科技集團(tuán)公司航天信息應(yīng)用技術(shù)重點(diǎn)實(shí)驗(yàn)室，河北 石家莊050081)

0 引言

隨著新軍事革命的不斷進(jìn)步，在局部高科技戰(zhàn)爭(zhēng)中，武器裝備必須具有良好的戰(zhàn)備狀態(tài)、任務(wù)成功率、機(jī)動(dòng)性和快速反應(yīng)能力[1]，以預(yù)測(cè)科學(xué)為核心的PHM技術(shù)應(yīng)運(yùn)而生，通過傳感器融合、數(shù)據(jù)挖掘、專家知識(shí)及保障維修決策，實(shí)現(xiàn)對(duì)武器裝備的綜合安全保障[2]。

PHM技術(shù)最早由美軍提出，并在20世紀(jì)70年代開始應(yīng)用于大黃蜂戰(zhàn)斗機(jī)的發(fā)動(dòng)機(jī)檢測(cè)系統(tǒng)，當(dāng)時(shí)主要功能為剩余壽命評(píng)估、操作極限監(jiān)控、傳感器失效檢測(cè)和熄火檢查，缺少故障預(yù)測(cè)；20世紀(jì)90年代，美國(guó)國(guó)防部提出綜合診斷概念并將PHM應(yīng)用到三軍，與此同時(shí)，PHM技術(shù)延伸到了飛機(jī)狀態(tài)管理；2014年，美國(guó)F-35聯(lián)合戰(zhàn)機(jī)開始試用具備故障預(yù)測(cè)能力的最新版PHM系統(tǒng)[3]。目前，美軍F-35聯(lián)合戰(zhàn)機(jī)搭載的PHM系統(tǒng)被公認(rèn)為世界頂級(jí)水平，分為裝備內(nèi)置PHM系統(tǒng)和裝備外部PHM系統(tǒng)。其中，裝備內(nèi)置PHM系統(tǒng)是通過對(duì)飛行數(shù)據(jù)的收集和有效挖掘，實(shí)現(xiàn)無(wú)人機(jī)狀態(tài)監(jiān)控、故障預(yù)測(cè)和趨勢(shì)跟蹤等，保障無(wú)人機(jī)安全飛行和提高任務(wù)完成率；裝備外部PHM系統(tǒng)的功能是通過接收裝備內(nèi)PHM系統(tǒng)的上報(bào)數(shù)據(jù)，結(jié)合人工目視觀測(cè)、故障診斷和趨勢(shì)分析等為地面保障人員提供維修決策，實(shí)現(xiàn)機(jī)下自主保障和視情維修。該系統(tǒng)架構(gòu)已受到國(guó)內(nèi)外學(xué)者的廣泛研究和借鑒。

隨著各軍事強(qiáng)國(guó)對(duì)PHM技術(shù)研究的日益關(guān)注和推進(jìn)，PHM技術(shù)已經(jīng)由早期單一的視情維修功能，演變?yōu)楹w系統(tǒng)實(shí)時(shí)狀態(tài)監(jiān)控、故障診斷、故障預(yù)測(cè)、剩余壽命估計(jì)、輔助決策、信息應(yīng)需傳輸與管理等能力的現(xiàn)代PHM技術(shù)[4]。

無(wú)人機(jī)作為一種典型的高新技術(shù)武器裝備，設(shè)備眾多、組成復(fù)雜，只有建立起與之相匹配的PHM系統(tǒng)，才能充分發(fā)揮無(wú)人機(jī)的作戰(zhàn)效能[5]。國(guó)內(nèi)外學(xué)者也已在無(wú)人機(jī)PHM領(lǐng)域開展了諸多研究，取得了大量的研究成果[6-8]。針對(duì)地面綜合保障和設(shè)備維修的研究與應(yīng)用已經(jīng)相對(duì)成熟，而針對(duì)無(wú)人機(jī)飛行狀態(tài)實(shí)時(shí)故障預(yù)測(cè)方面的研究和應(yīng)用還比較少。針對(duì)無(wú)人機(jī)飛行過程中智能告警的需求，研究并設(shè)計(jì)了無(wú)人機(jī)故障預(yù)測(cè)系統(tǒng)。在系統(tǒng)架構(gòu)上，采用分層拓?fù)浣Y(jié)構(gòu)，實(shí)現(xiàn)了對(duì)全機(jī)的故障預(yù)測(cè)；在技術(shù)體系上，設(shè)計(jì)了數(shù)據(jù)支撐、數(shù)據(jù)規(guī)律挖掘、時(shí)序分析、趨勢(shì)外推和綜合決策等5層算法體系來(lái)支撐遙測(cè)數(shù)據(jù)的智能解譯。

1 無(wú)人機(jī)故障預(yù)測(cè)系統(tǒng)結(jié)構(gòu)設(shè)計(jì)

無(wú)人機(jī)故障預(yù)測(cè)系統(tǒng)借鑒美軍F-35 PHM系統(tǒng)的裝備內(nèi)置PHM系統(tǒng)，側(cè)重對(duì)無(wú)人機(jī)的飛行過程進(jìn)行智能監(jiān)控。該系統(tǒng)可在數(shù)據(jù)鏈技術(shù)的支撐下，布設(shè)到當(dāng)前測(cè)控站系統(tǒng)中。

1.1 功能設(shè)計(jì)

無(wú)人機(jī)故障預(yù)測(cè)系統(tǒng)主要分為數(shù)據(jù)管理、離線分析、在線分析和智能決策4個(gè)分系統(tǒng)，如圖1所示。

圖1 無(wú)人機(jī)故障預(yù)測(cè)系統(tǒng)功能設(shè)計(jì)

各分系統(tǒng)及功能模塊具體描述如下：

(1) 數(shù)據(jù)管理分系統(tǒng)。數(shù)據(jù)管理分系統(tǒng)是無(wú)人機(jī)故障預(yù)測(cè)系統(tǒng)的基礎(chǔ)，負(fù)責(zé)統(tǒng)籌管理歷史遙測(cè)數(shù)據(jù)、樣本庫(kù)和知識(shí)庫(kù)。

(2) 離線分析分系統(tǒng)。首先對(duì)歷史遙測(cè)數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)歸一化、數(shù)據(jù)缺項(xiàng)填補(bǔ)、野值濾除等；然后根據(jù)飛行階段標(biāo)志參數(shù)將歷史遙測(cè)數(shù)據(jù)劃分為5種工況(起飛、爬升、定高、下降和降落)，并且分別統(tǒng)計(jì)各工況下參數(shù)的數(shù)值特性和變化規(guī)律等；最后結(jié)合統(tǒng)計(jì)分析結(jié)果，利用神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)和時(shí)序分析等方法構(gòu)建故障預(yù)測(cè)模型；

(3) 在線分析分系統(tǒng)。針對(duì)實(shí)時(shí)獲取的下傳遙測(cè)數(shù)據(jù)，提取遙測(cè)信號(hào)時(shí)間序列的低頻分量進(jìn)行趨勢(shì)分析；利用離線訓(xùn)練的故障預(yù)測(cè)模型對(duì)當(dāng)前無(wú)人機(jī)狀態(tài)進(jìn)行故障預(yù)測(cè)與健康評(píng)估；

(4) 智能決策分系統(tǒng)。綜合分析無(wú)人機(jī)狀態(tài)監(jiān)測(cè)和故障預(yù)測(cè)結(jié)果，對(duì)無(wú)人機(jī)當(dāng)前健康狀態(tài)進(jìn)行綜合評(píng)估，主動(dòng)向地面站發(fā)出故障預(yù)警和操作建議。

1.2 拓?fù)浣Y(jié)構(gòu)設(shè)計(jì)

無(wú)人機(jī)故障預(yù)測(cè)系統(tǒng)未設(shè)置部件級(jí)故障預(yù)測(cè)，僅考慮設(shè)備級(jí)以上的故障預(yù)測(cè)。

如圖2所示，在飛行過程中，通過對(duì)設(shè)備狀態(tài)空間(也即與設(shè)備相關(guān)的遙測(cè)參數(shù))的實(shí)時(shí)監(jiān)測(cè)與故障預(yù)測(cè)，可以獲得該設(shè)備的健康狀態(tài)；融合所有設(shè)備的健康狀態(tài)信息，通過推理機(jī)和專家系統(tǒng)可以進(jìn)一步評(píng)估分系統(tǒng)的健康狀態(tài)；最后，根據(jù)各個(gè)分系統(tǒng)的健康狀態(tài)，對(duì)無(wú)人機(jī)系統(tǒng)進(jìn)行綜合健康管理。

圖2 無(wú)人機(jī)故障預(yù)測(cè)系統(tǒng)拓?fù)浣Y(jié)構(gòu)

2 系統(tǒng)的故障預(yù)測(cè)原理

國(guó)內(nèi)外諸多PHM領(lǐng)域研究學(xué)者已經(jīng)進(jìn)行了大量故障預(yù)測(cè)算法研究，取得了豐碩的成果。比如Shang Shuai等人[9]將長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)用于剩余壽命預(yù)測(cè)，使時(shí)間序列信息被充分利用；Xue Xiaoling等人[10]將極限學(xué)習(xí)機(jī)(ELM)應(yīng)用在2014年IEEE PHM挑戰(zhàn)賽的質(zhì)子交換膜燃料電池?cái)?shù)據(jù)集上，實(shí)現(xiàn)了剩余壽命預(yù)測(cè)；Ting An[11]將一種融合遺傳算法的BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于電氣設(shè)備的故障預(yù)測(cè)，與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法相比獲得了更低的預(yù)測(cè)誤差；袁慶洋等人[12]用多段維納過程模型取代傳統(tǒng)的單一階段維納過程來(lái)預(yù)測(cè)電機(jī)剩余壽命，提高了預(yù)測(cè)精度；李琪等人[13]提出了一種變工況下基于相似性的剩余壽命預(yù)測(cè)方法，在2008年 PHM 挑戰(zhàn)賽的商用渦輪發(fā)動(dòng)機(jī)數(shù)據(jù)集上獲得了比相似性算法更高的預(yù)測(cè)精度。

以上算法均要提供充足的歷史退化模型或故障數(shù)據(jù)集。然而，在研究無(wú)人機(jī)飛行中的故障預(yù)測(cè)問題時(shí)，我們無(wú)法獲得大量的故障數(shù)據(jù)，也很難對(duì)無(wú)人機(jī)系統(tǒng)狀態(tài)進(jìn)行物理或數(shù)學(xué)建模。為此，我們提出了一種間接故障預(yù)測(cè)方法。

2.1 故障預(yù)測(cè)技術(shù)體系

設(shè)計(jì)的故障預(yù)測(cè)技術(shù)體系如圖3所示，自底向上：

第一層是數(shù)據(jù)支撐層，包括數(shù)據(jù)預(yù)處理、故障案例分析和故障特征遷移，主要是為故障預(yù)測(cè)提供數(shù)據(jù)資源和故障知識(shí)；

第二層是數(shù)據(jù)規(guī)律層，通過時(shí)域分析、頻域分析、數(shù)理統(tǒng)計(jì)、數(shù)值分析、參數(shù)間關(guān)聯(lián)關(guān)系分析，挖掘遙測(cè)數(shù)據(jù)的數(shù)值特性和數(shù)據(jù)規(guī)律；

第三層為時(shí)間序列分析層，采用分段非線性函、多參數(shù)LSTM時(shí)序建模等深度挖掘遙測(cè)數(shù)據(jù)的時(shí)間序列特性；

第四層為趨勢(shì)外推層，通過趨勢(shì)分析和外推算法，預(yù)測(cè)未來(lái)某時(shí)刻系統(tǒng)的健康狀態(tài)，由此實(shí)現(xiàn)故障預(yù)測(cè)；

第五層為智能決策層，根據(jù)故障預(yù)測(cè)結(jié)果，綜合評(píng)估無(wú)人機(jī)健康狀態(tài)，自主發(fā)出故障預(yù)警，給出下一步操作建議。

圖3 故障預(yù)測(cè)技術(shù)體系

針對(duì)不同的設(shè)備，其故障預(yù)測(cè)的實(shí)現(xiàn)途徑略有不同，但大體上都符合圖3所示的技術(shù)體系。

2.2 故障預(yù)測(cè)技術(shù)流程

提出的故障預(yù)測(cè)技術(shù)流程如圖4所示，主要分為離線學(xué)習(xí)和實(shí)時(shí)分析2個(gè)部分。

圖4 提出的故障預(yù)測(cè)技術(shù)流程

無(wú)人機(jī)故障預(yù)測(cè)核心算法介紹：

(1) 健康因子提取。提取可以直接或間接反映設(shè)備健康狀態(tài)的關(guān)鍵參數(shù)；

(1)

式中，函數(shù)Γ(·)表示非線性擬合模型。

(2)

設(shè)備的退化模型為：

(3)

設(shè)LΔm為第m次模型驗(yàn)證的平均誤差。則令判決閾值為：

Th=p·max(LΔm)，

(4)

式中，p為設(shè)定虛警率。使用少量真實(shí)故障樣本Sl對(duì)Th進(jìn)行干預(yù)，得：

(5)

(4) 外推預(yù)測(cè)

選擇合適的外推算法模型，如趨勢(shì)外推法等，令：

Ω(t+T)=K(Ω(t))。

(6)

3 仿真實(shí)驗(yàn)

根據(jù)遙測(cè)數(shù)據(jù)的變化特性模擬生成了故障數(shù)據(jù)集，所有參數(shù)均進(jìn)行了數(shù)據(jù)標(biāo)準(zhǔn)化操作，以下實(shí)驗(yàn)均以此數(shù)據(jù)集為數(shù)據(jù)基礎(chǔ)。仿真實(shí)驗(yàn)以發(fā)動(dòng)機(jī)設(shè)備為例，非線性回歸模型是預(yù)訓(xùn)練好的DNN網(wǎng)絡(luò)模型。取轉(zhuǎn)速(s)、排氣溫度(t)、滑油壓力(p)和節(jié)風(fēng)門(a)作為發(fā)動(dòng)機(jī)設(shè)備的健康因子，發(fā)動(dòng)機(jī)設(shè)備的健康狀態(tài)可通過{s,t,p,a}組成的狀態(tài)空間來(lái)評(píng)估。

3.1 多閾值參數(shù)異常檢測(cè)

由于發(fā)動(dòng)機(jī)設(shè)備在不同的飛行狀態(tài)和飛行控制模式下，其工作的動(dòng)力學(xué)模型存在差異。因此，針對(duì)發(fā)動(dòng)機(jī)設(shè)備的異常檢測(cè)首先需要將遙測(cè)數(shù)據(jù)序列劃分為20種工況(5種飛行狀態(tài)、4種飛行控制模式)。利用海量歷史遙測(cè)數(shù)據(jù)對(duì)轉(zhuǎn)速、排氣溫度、滑油壓力、節(jié)風(fēng)門進(jìn)行統(tǒng)計(jì)分析。統(tǒng)計(jì)4種參數(shù)在20種工況(5種飛行狀態(tài)、4種飛行控制模式)下的數(shù)值特性，具體包含：每種工況下的平均值(Mean)、最大值(Max)和最小值(Min)。以滑油壓力參數(shù)為例，其20種工況的統(tǒng)計(jì)閾值如表1所示，由于表1由歷史大數(shù)據(jù)統(tǒng)計(jì)生成，也可以直接作為告警閾值。

表1 滑油參數(shù)20種工況的統(tǒng)計(jì)閾值

指令階段人工自主指令遙控起飛0.35～0.83---爬升0.41～0.780.41～0.760.38～0.77-定高-0.48～0.830.40～0.82-下降-0.41～0.540.40～0.540.05～0.18降落0.43～0.78---

本文采用了直方圖統(tǒng)計(jì)方法，首先生成參數(shù)的統(tǒng)計(jì)直方圖，并根據(jù)頻數(shù)對(duì)直方圖進(jìn)行排序；然后設(shè)置一個(gè)恒定的置信度，實(shí)驗(yàn)中取95%；最后，選取頻數(shù)在前95%范圍內(nèi)的直方圖進(jìn)行統(tǒng)計(jì)分析。

與傳統(tǒng)單一閾值參數(shù)監(jiān)控的模式相比，基于多閾值的參數(shù)監(jiān)控模式考慮了不同工況下無(wú)人機(jī)運(yùn)動(dòng)狀態(tài)的差異，具有更精確的故障檢測(cè)能力。

3.2 基于深度學(xué)習(xí)的參數(shù)異常檢測(cè)

發(fā)動(dòng)機(jī)設(shè)備健康狀態(tài)的2個(gè)重要參數(shù)為發(fā)動(dòng)機(jī)轉(zhuǎn)速和滑油壓力。由式(1)～式(5)可知，利用發(fā)動(dòng)機(jī)各參數(shù)間的屬性關(guān)聯(lián)關(guān)系可以對(duì)發(fā)動(dòng)機(jī)轉(zhuǎn)速和滑油壓力進(jìn)行回歸預(yù)測(cè)，并根據(jù)預(yù)測(cè)值與真實(shí)值的偏差，對(duì)參數(shù)進(jìn)行故障檢測(cè)。測(cè)量值{s,t,p,a}表示無(wú)人時(shí)實(shí)時(shí)下傳參數(shù)，預(yù)測(cè)值為回歸模型計(jì)算出的預(yù)測(cè)值{s′,t′,p′,a′}，偏差值表示測(cè)量值與預(yù)測(cè)值{s′-s,t′-t,p′-p,a′-a}。

參數(shù)異常檢測(cè)仿真如圖5所示。從圖5(a)中可以看到，在A位置處，轉(zhuǎn)速的真實(shí)值和預(yù)測(cè)值之間的偏差較大，顯著高于其他區(qū)域，數(shù)據(jù)異常發(fā)生在4 640時(shí)刻；在圖5(b)中，在B位置(4 712)處同樣發(fā)生了較嚴(yán)重的滑油壓力值異常。通過關(guān)聯(lián)分析可知，在4 640～4 712時(shí)刻附近，發(fā)動(dòng)機(jī)系統(tǒng)出現(xiàn)了故障征兆。

圖5 參數(shù)異常檢測(cè)仿真

3.3 趨勢(shì)外推預(yù)測(cè)

當(dāng)確定發(fā)動(dòng)機(jī)發(fā)生故障征兆后，如果此時(shí)偏差值已經(jīng)超出了故障告警閾值，則立刻向系統(tǒng)發(fā)出故障告警。如果此時(shí)偏差并未超出告警閾值，則通過直線趨勢(shì)外推，預(yù)測(cè)T時(shí)間后的狀態(tài)，如圖6所示。

圖6 滑油壓力參數(shù)直線外推預(yù)測(cè)

從圖6中可以看出，通過直線趨勢(shì)外推計(jì)算可知，故障將在5 400時(shí)刻(C點(diǎn))發(fā)生。此時(shí)，需要提前處理異常，并實(shí)時(shí)跟蹤參數(shù)變化趨勢(shì)。

4 結(jié)束語(yǔ)

本文主要從系統(tǒng)結(jié)構(gòu)設(shè)計(jì)和算法技術(shù)體系2個(gè)方面對(duì)設(shè)計(jì)的無(wú)人機(jī)故障預(yù)測(cè)系統(tǒng)進(jìn)行了詳細(xì)介紹，并且利用模擬故障樣本集對(duì)故障預(yù)測(cè)算法進(jìn)行了仿真實(shí)驗(yàn)。

提出的故障預(yù)測(cè)算法充分利用了機(jī)器學(xué)習(xí)技術(shù)和數(shù)據(jù)挖掘技術(shù)。我們提出的無(wú)人機(jī)故障預(yù)測(cè)系統(tǒng)在提高監(jiān)控系統(tǒng)故障預(yù)測(cè)能力的同時(shí)，還存在以下問題：故障樣本的不足導(dǎo)致了故障知識(shí)庫(kù)不夠豐滿，而系統(tǒng)的故障預(yù)測(cè)模型是建立在現(xiàn)有故障知識(shí)庫(kù)的基礎(chǔ)之上。隨著新故障類型的收集和故障知識(shí)庫(kù)的擴(kuò)充，系統(tǒng)的故障預(yù)測(cè)系統(tǒng)還有較大的提升空間。