房冠成，賈大鵬，劉毅飛，劉海濤

中國(guó)航空工業(yè)成都飛機(jī)設(shè)計(jì)研究所，成都 610091

以新型戰(zhàn)機(jī)為代表的現(xiàn)代武器裝備綜合性能越來(lái)越高，部件與系統(tǒng)之間的關(guān)聯(lián)性、耦合度越來(lái)越復(fù)雜，故障的綜合診斷以及健康評(píng)估的重要性日益增加[1]。為保障裝備的使用，預(yù)測(cè)與健康管理(Prognostic and Health Management，PHM)系統(tǒng)成為了新型戰(zhàn)機(jī)的重要系統(tǒng)，健康評(píng)估是PHM系統(tǒng)的核心之一，是實(shí)現(xiàn)視情維修和自主保障的基礎(chǔ)。

飛機(jī)健康評(píng)估通過(guò)分析記錄的飛行參數(shù)，綜合采用多種智能算法進(jìn)行數(shù)據(jù)分析和建模研究，將關(guān)鍵參數(shù)的狀態(tài)信息映射至飛機(jī)健康狀態(tài)，從而評(píng)估飛機(jī)在遭受故障、降級(jí)等異常情況下的能力影響，給出飛機(jī)健康狀態(tài)評(píng)估結(jié)果。

健康評(píng)估的前提是需要對(duì)大量參數(shù)數(shù)據(jù)進(jìn)行監(jiān)控和分析，然而在實(shí)際使用中，海量的飛行參數(shù)數(shù)據(jù)中存在巨大的信息和規(guī)律，仍然尚未被開(kāi)發(fā)利用[2]。數(shù)據(jù)挖掘技術(shù)在近幾年得到了迅速發(fā)展，因其在海量數(shù)據(jù)分析中的作用，其在各行業(yè)中已經(jīng)得到了廣泛的應(yīng)用，逐漸演變?yōu)榭茖W(xué)研究的基礎(chǔ)[3]。

美國(guó)國(guó)防部和空軍裝備部開(kāi)發(fā)了故障預(yù)測(cè)和健康管理技術(shù)的系統(tǒng)，包括飛機(jī)狀態(tài)健康監(jiān)測(cè)系統(tǒng)(Aircraft Condition Health Monitoring System，ACHMS)、發(fā)動(dòng)機(jī)健康監(jiān)測(cè)系統(tǒng)(Engine Health Monitoring System，EHMS)、綜合健康診斷預(yù)測(cè)系統(tǒng)(Integrated Health Diagnosis and Prediction System，IHDPS)等，這些監(jiān)測(cè)和預(yù)測(cè)系統(tǒng)首次從大型飛機(jī)控制系統(tǒng)中脫離出來(lái)，構(gòu)成了飛機(jī)健康管理系統(tǒng)，并以F-35為典型代表開(kāi)展了從被動(dòng)維護(hù)到主動(dòng)預(yù)防的轉(zhuǎn)變[4]，在飛機(jī)安全飛行與評(píng)估方面，國(guó)外也進(jìn)行了初步應(yīng)用[5]，應(yīng)用數(shù)據(jù)挖掘工具對(duì)航空航天健康評(píng)估領(lǐng)域進(jìn)行探索取得了長(zhǎng)足進(jìn)展[6]。

王文正等[7]首次將數(shù)據(jù)挖掘技術(shù)用于飛行試驗(yàn)數(shù)據(jù)的分析和氣動(dòng)參數(shù)辨識(shí)中,建立了基于飛行試驗(yàn)數(shù)據(jù)的氣動(dòng)力數(shù)學(xué)模型, 可用于計(jì)算流體力學(xué)和風(fēng)洞試驗(yàn)的驗(yàn)證與確認(rèn)；宋飛和秦世引[8]提出了一種多級(jí)模糊綜合評(píng)價(jià)架構(gòu)，對(duì)衛(wèi)星姿態(tài)控制系統(tǒng)進(jìn)行實(shí)施健康評(píng)估；陳龍志等[9]分析與飛行器控制系統(tǒng)相關(guān)的健康模式與模型參數(shù)的映射關(guān)系,結(jié)合近似響應(yīng)原理和BP神經(jīng)網(wǎng)絡(luò)，進(jìn)行飛控系統(tǒng)健康評(píng)估建模和研究。然而現(xiàn)有的研究多側(cè)重于方法層面，而缺乏對(duì)飛行參數(shù)數(shù)據(jù)的挖掘利用以及面向工程實(shí)際的體系化研究與應(yīng)用等，此外，研究對(duì)象多為產(chǎn)品級(jí)或系統(tǒng)級(jí)，缺乏面向飛機(jī)整機(jī)的健康評(píng)估研究，這些因素制約了飛機(jī)健康評(píng)估技術(shù)的發(fā)展和應(yīng)用。

多高斯混合模型的研究多集中于通信領(lǐng)域，比如使用多層感知器神經(jīng)網(wǎng)絡(luò)(Multi-Layer Perceptron,MLP)構(gòu)建多信號(hào)接收強(qiáng)度與原始信號(hào)強(qiáng)度的關(guān)系[10]，或基于核的方法建立無(wú)線信號(hào)強(qiáng)度原始數(shù)據(jù)與參考點(diǎn)位置坐標(biāo)的關(guān)系[11]。在室外復(fù)雜環(huán)境中，陳淼[12]針對(duì)WLAN信號(hào)強(qiáng)度問(wèn)題，采用多高斯混合模型對(duì)每個(gè)參考點(diǎn)上各接收點(diǎn)的信號(hào)強(qiáng)度聯(lián)合建模從而構(gòu)建系統(tǒng)指紋數(shù)據(jù)庫(kù)，模型參數(shù)采用最大期望算法在離線狀態(tài)時(shí)估計(jì)，不影響算法的實(shí)時(shí)復(fù)雜度，能夠精確地獲得參考點(diǎn)上的信號(hào)強(qiáng)度。

本文以新型飛機(jī)為代表，從復(fù)雜系統(tǒng)健康評(píng)估的實(shí)際需求出發(fā)，提出了基于飛行參數(shù)數(shù)據(jù)挖掘的健康評(píng)估技術(shù)。

1 軍機(jī)健康評(píng)估架構(gòu)

軍機(jī)PHM系統(tǒng)一般采用分層架構(gòu)設(shè)計(jì)，分別實(shí)現(xiàn)各層級(jí)的功能[13]，本文依托于層級(jí)架構(gòu)設(shè)計(jì)，提出基于飛行參數(shù)數(shù)據(jù)挖掘的軍機(jī)健康評(píng)估設(shè)計(jì)及應(yīng)用的“V”型架構(gòu)，將數(shù)據(jù)獲取、數(shù)據(jù)分析、方法應(yīng)用、挖掘建模、評(píng)估結(jié)果和決策應(yīng)用等流程融入到數(shù)據(jù)層、業(yè)務(wù)層、應(yīng)用層等層級(jí)中。

以飛機(jī)整機(jī)為分析對(duì)象，自頂向下依次進(jìn)行任務(wù)分解，功能分解，參數(shù)關(guān)聯(lián)，將評(píng)估對(duì)象落腳于具體的參數(shù)數(shù)據(jù)，然后自底向上進(jìn)行故障檢測(cè)與診斷、故障傳播及影響分析，綜合運(yùn)用改進(jìn)的FTA(Fault Tree Analysis)分析、高斯混合模型、層次分析法等方法，得到飛機(jī)健康評(píng)估結(jié)果，并指導(dǎo)進(jìn)行維修和任務(wù)分析，架構(gòu)如圖1所示。

1) 數(shù)據(jù)層：數(shù)據(jù)獲取，數(shù)據(jù)分析

機(jī)載傳感器獲取原始數(shù)據(jù)并記錄，形成飛行參數(shù)數(shù)據(jù)并進(jìn)行解析，包括數(shù)據(jù)質(zhì)量分析、統(tǒng)計(jì)分析和數(shù)據(jù)處理，然后將原始數(shù)據(jù)信息轉(zhuǎn)換成可以進(jìn)行建模分析的數(shù)據(jù)，并提取特征與期望值或運(yùn)行閾值進(jìn)行比較，完成故障檢測(cè)。

圖1 基于飛行參數(shù)數(shù)據(jù)挖掘的軍機(jī)健康評(píng)估架構(gòu)

2) 業(yè)務(wù)層：方法應(yīng)用，挖掘建模

首先以飛機(jī)為評(píng)估對(duì)象，進(jìn)行功能分解，利用改進(jìn)的FTA方法對(duì)“功能—參數(shù)”進(jìn)行故障樹(shù)模型構(gòu)建和分析，得到“飛機(jī)—功能—參數(shù)”健康評(píng)估對(duì)象，然后建立高斯混合健康評(píng)估模型，得到功能層級(jí)的健康評(píng)估結(jié)果。

3) 應(yīng)用層：評(píng)估結(jié)果，決策應(yīng)用

利用應(yīng)用層次分析法分析基于功能層級(jí)的健康評(píng)估結(jié)果，得到飛機(jī)健康評(píng)估結(jié)果，實(shí)時(shí)掌握飛機(jī)的健康狀態(tài)，判斷健康狀態(tài)是否發(fā)生了退化，進(jìn)行任務(wù)能力評(píng)估，為維修活動(dòng)提供建議。

健康評(píng)估架構(gòu)呈“V”字型：①V字左側(cè)從飛機(jī)出發(fā)，層層分解到“任務(wù)”、“功能”及“相關(guān)參數(shù)”，將評(píng)估對(duì)象層層細(xì)化，并最終落腳于飛行參數(shù)數(shù)據(jù)；②V字右側(cè)，自底向上進(jìn)行模型算法應(yīng)用，根據(jù)給定的飛行參數(shù)數(shù)據(jù)，首先進(jìn)行故障檢測(cè)，完成初始的故障診斷，然后根據(jù)故障診斷結(jié)果，進(jìn)行故障傳播及影響分析，應(yīng)用高斯混合模型及區(qū)間層次分析法，對(duì)任務(wù)和飛機(jī)層面進(jìn)行健康評(píng)估，并根據(jù)評(píng)估結(jié)果，評(píng)估飛機(jī)健康狀態(tài)、任務(wù)能力及進(jìn)行維修決策。

基于飛行參數(shù)數(shù)據(jù)挖掘的軍機(jī)健康評(píng)估流程如圖2所示。

圖2 基于飛行參數(shù)數(shù)據(jù)挖掘的軍機(jī)健康評(píng)估流程

2 數(shù)據(jù)獲取和分析

2.1 數(shù)據(jù)獲取

獲取數(shù)據(jù)是數(shù)據(jù)挖掘與分析的前提。數(shù)據(jù)獲取的速度、容量及準(zhǔn)確性等直接影響健康評(píng)估模型結(jié)果的準(zhǔn)確性和有效性[14]。

現(xiàn)代軍機(jī)在設(shè)計(jì)、生產(chǎn)、使用及維修保障過(guò)程中產(chǎn)生了海量的數(shù)據(jù)，類型也多種多樣。本文中應(yīng)用的技術(shù)所使用的數(shù)據(jù)為由飛機(jī)各系統(tǒng)采集的飛行參數(shù)數(shù)據(jù)，這些數(shù)據(jù)按照統(tǒng)一約定的格式記錄在專用的存儲(chǔ)設(shè)備中。對(duì)每一個(gè)架次的數(shù)據(jù)進(jìn)行統(tǒng)一管理、統(tǒng)一獲取，是本文方法應(yīng)用的前提。

2.2 數(shù)據(jù)分析

數(shù)據(jù)分析的目的是從獲取的數(shù)據(jù)中分析和獲取有價(jià)值的的潛在信息，并將數(shù)據(jù)進(jìn)行處理，使其能夠應(yīng)用于挖掘建模過(guò)程。數(shù)據(jù)分析的對(duì)象為飛行參數(shù)數(shù)據(jù)，其特點(diǎn)為：① 不可重復(fù)性。即參數(shù)所表征的系統(tǒng)狀態(tài)不能完全復(fù)現(xiàn)；② 不可疊加性。除飛行時(shí)間和接通次數(shù)外，大多數(shù)飛行參數(shù)數(shù)據(jù)具有不可疊加性，即數(shù)據(jù)簡(jiǎn)單相加不產(chǎn)生任何實(shí)質(zhì)意義；③ 單幀參數(shù)。飛行參數(shù)數(shù)據(jù)按幀記錄，且不同系統(tǒng)的參數(shù)記錄頻率不同。這些特點(diǎn)決定了飛行參數(shù)數(shù)據(jù)在處理分析過(guò)程中的特殊性。

1) 數(shù)據(jù)質(zhì)量分析

數(shù)據(jù)質(zhì)量分析是數(shù)據(jù)挖掘中重要的一環(huán)，是數(shù)據(jù)處理的前提，也是方法結(jié)果可靠性和準(zhǔn)確性的基礎(chǔ)。

飛行參數(shù)數(shù)據(jù)的數(shù)據(jù)質(zhì)量分析主要包括缺失值分析和異常值分析[15]。缺失值分析主要包括記錄的缺失或記錄中某個(gè)字段信息的缺失，飛行參數(shù)從生成到傳遞到存儲(chǔ)過(guò)程中，涉及到多個(gè)系統(tǒng)、眾多成品參與，中間任一環(huán)節(jié)出現(xiàn)故障，都可能造成數(shù)據(jù)缺失。異常值分析是檢驗(yàn)數(shù)據(jù)是否有錄入錯(cuò)誤以及是否含有不合常理的數(shù)據(jù)。可采用簡(jiǎn)單的最大、最小值等變量進(jìn)行統(tǒng)計(jì)，也可以采用3σ原則、箱型圖等方法，預(yù)先發(fā)現(xiàn)是否存在異常數(shù)據(jù)。

2) 數(shù)據(jù)特征分析

飛行參數(shù)數(shù)據(jù)的數(shù)據(jù)特征分析包括統(tǒng)計(jì)分析、對(duì)比分析、貢獻(xiàn)度分析等?？梢圆捎媒y(tǒng)計(jì)量分析(最大、最小值、均值、方差、中位數(shù)、變異系數(shù)等)對(duì)變量進(jìn)行宏觀的描述性統(tǒng)計(jì)，獲得待分析數(shù)據(jù)的總體信息。對(duì)比分析可采用一個(gè)架次中不同參數(shù)，或者多個(gè)架次同一組參數(shù)對(duì)待分析的參數(shù)變化情況和趨勢(shì)進(jìn)行直觀的對(duì)比。此外，還有貢獻(xiàn)度分析、相關(guān)性分析和周期性分析等數(shù)據(jù)特征分析方法，這里不再贅述。

3) 數(shù)據(jù)處理

數(shù)據(jù)處理是數(shù)據(jù)挖掘應(yīng)用中的重要工作，一般包括：

數(shù)據(jù)清洗：對(duì)數(shù)據(jù)質(zhì)量分析中發(fā)現(xiàn)的缺失值、異常值等缺陷進(jìn)行處理，填寫空缺值，平滑噪聲數(shù)據(jù)，識(shí)別并刪除孤立點(diǎn)等。

數(shù)據(jù)集成：將飛行參數(shù)數(shù)據(jù)中多個(gè)數(shù)據(jù)源合并成一致的數(shù)據(jù)進(jìn)行存儲(chǔ)。

數(shù)據(jù)變換：將飛行參數(shù)數(shù)據(jù)轉(zhuǎn)換成適合于挖掘建模的形式，如按照比例進(jìn)行縮放，0-1區(qū)間變換等。

數(shù)據(jù)規(guī)約：最常見(jiàn)的數(shù)據(jù)規(guī)約方式為數(shù)據(jù)降維，在不影響建模效果的前提下，對(duì)數(shù)據(jù)進(jìn)行篩選和約減，也可采用主成分分析[16]、靈敏度分析[17]等方法進(jìn)行數(shù)據(jù)降維處理，提高挖掘建模的效率和質(zhì)量。

3 方法應(yīng)用及挖掘建模

3.1 改進(jìn)FTA分析方法

在飛機(jī)下達(dá)任務(wù)后，分析任務(wù)類型(訓(xùn)練、試飛、空地作戰(zhàn)、空空作戰(zhàn)、電子戰(zhàn)、巡邏偵察等)和任務(wù)載荷(航炮、導(dǎo)彈、雷達(dá)、電子戰(zhàn)、紅外搜索裝置、副油箱、液冷設(shè)備等)，可得到飛機(jī)的功能清單。然后對(duì)飛機(jī)功能故障進(jìn)行故障樹(shù)分析。一般的FTA方法，從故障現(xiàn)象出發(fā)，自頂而下逐層分解得到不同層級(jí)的故障模式組合的故障樹(shù)模型[18]，而本文提出的改進(jìn)FTA分析方法，對(duì)傳統(tǒng)FTA方法進(jìn)行了裁剪和優(yōu)化，兩者對(duì)比如表1所示。具體步驟為

1) 明確飛機(jī)功能報(bào)故邏輯，確定頂事件。

2) 分析關(guān)聯(lián)系統(tǒng)和傳播關(guān)系，確定中間事件。由頂事件出發(fā)，分析各系統(tǒng)硬件和信息傳播關(guān)系，確定關(guān)聯(lián)系統(tǒng)及關(guān)聯(lián)部件，明確中間事件的層數(shù)、數(shù)量和所屬系統(tǒng)。

3) 確定底事件和相關(guān)參數(shù)。對(duì)故障樹(shù)進(jìn)行逐層分解，直到故障模式與具體的航線可更換單元(LRU)關(guān)聯(lián)為止，不再進(jìn)行向下分析，并確定底事件的相關(guān)參數(shù)，底事件對(duì)應(yīng)的全部故障參數(shù)作為健康評(píng)估模型的輸入?yún)?shù)。

表1 改進(jìn)FTA與傳統(tǒng)FTA對(duì)比

改進(jìn)FTA為高斯混合模型提供所需的待評(píng)估功能的相關(guān)參數(shù)列表，并在得到評(píng)估結(jié)果后，指導(dǎo)對(duì)故障LRU進(jìn)行維修換件。健康評(píng)估參數(shù)數(shù)量影響模型的效率和準(zhǔn)確性，而改進(jìn)FTA的分析，則能夠整理參數(shù)數(shù)據(jù)，將輸入數(shù)據(jù)進(jìn)行約減,從而為健康評(píng)估模型提供高質(zhì)量的輸入。

完成各功能相關(guān)的參數(shù)分析后，得到“飛機(jī)—功能—參數(shù)”的軍機(jī)健康評(píng)估對(duì)象，如圖3所示。

圖3 軍機(jī)健康評(píng)估對(duì)象

3.2 基于高斯混合模型的功能評(píng)估

功能的相關(guān)參數(shù)為多維特征，具有復(fù)雜的統(tǒng)計(jì)分布，很難用單一統(tǒng)計(jì)分布實(shí)現(xiàn)有效擬合，而高斯混合模型(Gauss Mixture Model，GMM)是多個(gè)高斯分布函數(shù)的線性組合，可以實(shí)現(xiàn)任意類型分布的有效擬合，通常用于解決同一集合下的數(shù)據(jù)包含多個(gè)不同分布的情況，近年來(lái)，在相關(guān)領(lǐng)域得到了廣泛應(yīng)用，龍銘等[19]提出了一種基于AR-GMM的滾動(dòng)軸承故障程度評(píng)估方法，利用自回歸(AR)模型提取無(wú)故障軸承早期振動(dòng)信號(hào)特征，并建立無(wú)故障軸承高斯混合模型作為故障程度評(píng)估基準(zhǔn)；李巍華等[20]提出采用小波包熵(Wavelet Packet Entropy, WPE)與高斯混合模型對(duì)軸承性能退化狀態(tài)進(jìn)行評(píng)估，結(jié)果表明與基于邏輯回歸的設(shè)備性能退化方法相比，該方法無(wú)需設(shè)備歷史數(shù)據(jù)，不需要定義退化先驗(yàn)概率，能夠較準(zhǔn)確地評(píng)估軸承在全壽命周期中性能退化的過(guò)程。

若一個(gè)高維空間內(nèi)的點(diǎn)xi(i=1,2,…,n)分布近似為橢球體，則可用單一高斯密度函數(shù)N(x;μ,Σ)來(lái)描述這些數(shù)據(jù)的概率密度函數(shù)[21]：

(1)

式中：μ為均值，密度函數(shù)的中心點(diǎn)；Σ為密度函數(shù)的協(xié)方差矩陣。如果這些點(diǎn)的分布不是橢球狀，則不適合采用單一高斯概率密度函數(shù)來(lái)描述這些點(diǎn)分布的概率密度函數(shù)。此時(shí)，可以采用若干個(gè)單一高斯概率密度函數(shù)的加權(quán)平均來(lái)表示其概率密度函數(shù)，即高斯混合模型，其定義為

(2)

式中：m為模型的混合數(shù)；qi為混合模型的權(quán)重系數(shù)，且∑qi=1；N(x;μi,Σi)為第i個(gè)單一高斯概率密度函數(shù)。

對(duì)于待評(píng)估對(duì)象的正常狀態(tài)參數(shù)和當(dāng)前狀態(tài)參數(shù)，分別建立GMM模型，通過(guò)計(jì)算2個(gè)GMM模型的重疊度(overlap)，可計(jì)算出當(dāng)前的健康度[22]。2個(gè)GMM之間的重疊度可以通過(guò)以下重疊度公式計(jì)算得到，來(lái)表征2個(gè)GMM之間的“接近程度”：

(3)

式中：g1(x)和g2(x)分別代表2個(gè)GMM的密度分布函數(shù)。

假設(shè)選取了2個(gè)狀態(tài)下的參數(shù)，監(jiān)測(cè)狀態(tài)l是在正常狀態(tài)下采集的參數(shù)，它的特征分布空間基本和正常運(yùn)行狀態(tài)重合，計(jì)算所得的健康度值接近于1；監(jiān)測(cè)狀態(tài)2是在重度退化狀態(tài)下采集的參數(shù)，它的特征分布空間基本和正常運(yùn)行狀態(tài)相比，有顯著的“偏移”，計(jì)算所得健康度值接近于0。

混合高斯分布中的未知參數(shù)通?？梢酝ㄟ^(guò)期望最大化(Expectation Maximization,EM) 算法來(lái)評(píng)估，主要步驟分為E和M2個(gè)階段[23]。

(4)

M階段利用最大概率似然法(Maximum Likelihood)來(lái)重新估計(jì)模型參數(shù)。

(5)

(6)

(7)

反復(fù)交替重復(fù)E階段與M階段，直至計(jì)算近似為穩(wěn)定解，代表了問(wèn)題的最大概率似然解，即可以得到估計(jì)出的平均值、協(xié)相關(guān)矩陣以及先驗(yàn)向量。

獲取處理之后的參數(shù)之后，將每一時(shí)刻的參數(shù)組成的參數(shù)向量作為特征，使用算法原理中介紹的EM算法對(duì)GMM模型中的參數(shù)進(jìn)行估計(jì)，將估計(jì)得到的模型參數(shù)組成的參數(shù)空間作為該功能健康狀態(tài)下的高維空間。

待評(píng)估數(shù)據(jù)為實(shí)測(cè)飛行參數(shù)數(shù)據(jù)。按照數(shù)據(jù)獲取方式得到實(shí)際飛行參數(shù)數(shù)據(jù)之后，使用相同的方法進(jìn)行數(shù)據(jù)處理，再以每一時(shí)刻的參數(shù)組成的特征向量作為輸入，估計(jì)高斯混合模型的參數(shù)，將其作為待評(píng)估數(shù)據(jù)狀態(tài)所處的高維空間。

計(jì)算該功能健康狀態(tài)下的高斯混合模型參數(shù)與待評(píng)估狀態(tài)下模型參數(shù)的重疊度。得到重疊度計(jì)算結(jié)果之后，距離度量結(jié)果數(shù)值相對(duì)大小能反映功能的健康狀態(tài)，然而其絕對(duì)量值并不能表征其健康程度。因此，需要使用歸一化方法，將重疊度映射至0～1區(qū)間，轉(zhuǎn)化為CV值來(lái)對(duì)部件健康度進(jìn)行量化表征。采用反正切函數(shù)歸一化公式如下，對(duì)重疊度進(jìn)行歸一化，得到CV值。CV取值范圍為0～1，越趨近于“0”，表示狀態(tài)非常不健康，趨近于“1”，則表示非常健康。

(8)

式中:a為結(jié)果調(diào)整參數(shù)。

4 評(píng)估結(jié)果與決策應(yīng)用

4.1 飛機(jī)健康評(píng)估

區(qū)間層次分析法在層次分析法的基礎(chǔ)上進(jìn)行了改進(jìn)，充分考慮主觀因素的不確定性，并加以修正。首先應(yīng)用層次分析法得到一個(gè)權(quán)重取值區(qū)間，權(quán)重區(qū)間傳遞給決策者部分權(quán)重信息量，依據(jù)極大熵準(zhǔn)則，在已知各指標(biāo)部分權(quán)重信息的情況下，滿足約束條件的所有指標(biāo)的權(quán)重熵值總和達(dá)到最大時(shí)，權(quán)重值的可能性最大，此時(shí)指標(biāo)權(quán)重的配置最為合理[24]，計(jì)算公式為

(9)

用H表示飛機(jī)整機(jī)的健康評(píng)估結(jié)果，其計(jì)算公式為[25]

(10)

式中：CVj為第j個(gè)功能的健康評(píng)估結(jié)果；H∈[0,1)，H=0表示飛機(jī)失效，H越趨近于1，表明飛機(jī)健康狀態(tài)越好。

4.2 決策應(yīng)用

傳統(tǒng)的健康狀態(tài)評(píng)價(jià)中，采用“是非”制，即將健康狀態(tài)簡(jiǎn)單地劃分為健康和不健康，目前多數(shù)研究將健康狀態(tài)劃分為多個(gè)等級(jí)，但是對(duì)于等級(jí)劃分目前沒(méi)有形成統(tǒng)一，健康狀態(tài)分級(jí)從2到5級(jí)不等。

本文從飛機(jī)實(shí)際應(yīng)用需求出發(fā)，將健康狀態(tài)分為3級(jí)：健康，降級(jí)和失效。

獲得某型飛機(jī)失效狀態(tài)、降級(jí)狀態(tài)和健康狀態(tài)下的歷史樣本數(shù)據(jù)，采用本文方法式(10)得到飛機(jī)健康評(píng)估結(jié)果H，對(duì)H及飛機(jī)實(shí)際健康等級(jí)進(jìn)行統(tǒng)計(jì)歸納，同時(shí)參考其他健康評(píng)估方法的等級(jí)劃分標(biāo)準(zhǔn)，本文采用如表2所示的飛機(jī)健康狀態(tài)等級(jí)劃分結(jié)果。

表2 飛機(jī)健康狀態(tài)等級(jí)

需要指出的是，在實(shí)際應(yīng)用中，應(yīng)隨著使用數(shù)據(jù)的積累，對(duì)表2中的等級(jí)劃分進(jìn)行更新和優(yōu)化，不同對(duì)象的健康等級(jí)劃分也可以進(jìn)行調(diào)整。此外，本文方法得到的飛機(jī)健康等級(jí)，表明飛機(jī)處于這一等級(jí)的概率較大，而并非確定無(wú)誤的結(jié)果，尤其臨近區(qū)間分界點(diǎn)附近的健康評(píng)估結(jié)果，有可能出現(xiàn)誤判，本文飛機(jī)健康評(píng)估結(jié)果可以作為地勤人員對(duì)飛機(jī)整體健康狀態(tài)判斷的依據(jù)，但非充分條件，還需要結(jié)合飛行參數(shù)數(shù)據(jù)分析、故障診斷隔離等方法進(jìn)行確認(rèn)。

基于健康評(píng)估的決策分析流程如圖4所示。

圖4 基于健康評(píng)估結(jié)果的決策流程

本文方法的實(shí)施步驟:

步驟1獲取飛機(jī)上次飛行的參數(shù)數(shù)據(jù)，作為飛機(jī)健康評(píng)估的輸入。

步驟2依據(jù)飛機(jī)將要執(zhí)行的任務(wù)，得到飛機(jī)的任務(wù)功能，由改進(jìn)FTA方法得到該任務(wù)功能對(duì)應(yīng)的相關(guān)參數(shù)；對(duì)于每次飛行，除任務(wù)功能及其相關(guān)參數(shù)外，其他基本功能及相關(guān)參數(shù)不變。

步驟3由式(8)高斯混合模型對(duì)各功能進(jìn)行評(píng)估。

步驟4由式(9)區(qū)間層次分析法得到各功能的權(quán)重。

步驟5由式(10)得到飛機(jī)健康狀態(tài)。

步驟6對(duì)應(yīng)表2及圖4，按照流程執(zhí)行飛機(jī)任務(wù)及維修相關(guān)操作和決策。

5 飛機(jī)健康評(píng)估技術(shù)應(yīng)用

5.1 數(shù)據(jù)獲取與數(shù)據(jù)分析

某型飛機(jī)再次出動(dòng)準(zhǔn)備時(shí)，需獲取其上一個(gè)起落的飛行參數(shù)數(shù)據(jù)，對(duì)其進(jìn)行健康評(píng)估。

首先，獲得飛機(jī)功能清單，包括提供推力、供油功能、供電功能、供壓功能等，如表3所示。本文以“人員防護(hù)功能”為例進(jìn)行改進(jìn)FTA分析，限于篇幅，其他功能的分析過(guò)程不進(jìn)行詳述。

“人員防護(hù)功能”主要包括提供座艙壓力、座艙溫度和供氧功能。座艙內(nèi)適宜的溫度和壓力是保證飛行員進(jìn)行舒適操作的重要條件，壓力的偏差可能會(huì)導(dǎo)致飛行員的不適，嚴(yán)重時(shí)可能導(dǎo)致飛行員失去對(duì)飛機(jī)的控制，溫度控制失效，也可能導(dǎo)致飛行員身體不適，甚至導(dǎo)致嚴(yán)重的事故；同樣的，高空缺氧環(huán)境下，供氧功能對(duì)于保障生命安全必不可少。

“人員防護(hù)功能故障”為頂事件，由頂事件出發(fā)，關(guān)聯(lián)系統(tǒng)主要包括環(huán)境控制系統(tǒng)、座艙蓋系統(tǒng)及供氧系統(tǒng)。環(huán)境控制系統(tǒng)方面，主要包括氣冷系統(tǒng)故障、座艙調(diào)壓和座艙調(diào)溫故障3類，其中氣冷系統(tǒng)故障主要包括：氣動(dòng)反壓調(diào)節(jié)器故障、引射控制活門故障、旁通調(diào)節(jié)活門故障和氣冷管路漏氣4類故障模式；座艙調(diào)壓故障主要包括：座艙壓力傳感器故障、座艙排氣活門故障和座艙流量調(diào)節(jié)活門故障3類故障模式；座艙調(diào)溫功能包括：座艙溫度傳感器故障、渦輪冷卻器故障、座艙供氣溫度異常3類故障模式。座艙蓋系統(tǒng)故障方面，主要包括座艙結(jié)構(gòu)破裂和氣密帶未充氣等2類故障模式。供氧系統(tǒng)方面，主要包括氧氣濃度異常、氧氣壓力異常2類故障模式。分析結(jié)果如圖5所示。

表3 軍機(jī)健康評(píng)估對(duì)象

圖5 人員防護(hù)功能FTA分析

對(duì)其他飛機(jī)級(jí)功能故障進(jìn)行同樣的分析過(guò)程后，得到表3所示的軍機(jī)健康評(píng)估對(duì)象。

數(shù)據(jù)質(zhì)量分析:獲得飛參數(shù)據(jù)和參數(shù)列表后，對(duì)圖5中待分析的參數(shù)，進(jìn)行缺失值分析和異常值分析，對(duì)不同的參數(shù)依照其對(duì)應(yīng)周期，按幀進(jìn)行分析，結(jié)果發(fā)現(xiàn)在飛機(jī)上電前后存在部分?jǐn)?shù)據(jù)缺失，以及部分?jǐn)?shù)據(jù)初始化時(shí)存在異常(嚴(yán)重偏離正常范圍)。

數(shù)據(jù)特征分析：對(duì)相關(guān)參數(shù)進(jìn)行基本的統(tǒng)計(jì)量分析(最大、最小值、均值、方差、中位數(shù)、變異系數(shù)等)，結(jié)果發(fā)現(xiàn)部分座艙壓力參數(shù)數(shù)據(jù)的最大最小值、方差等統(tǒng)計(jì)量偏離正常范圍，其他參數(shù)則在正常范圍內(nèi)，說(shuō)明該參數(shù)可能存在異常。

數(shù)據(jù)處理：對(duì)數(shù)據(jù)質(zhì)量分析中發(fā)現(xiàn)的問(wèn)題進(jìn)行處理，其中，對(duì)上電后前5秒內(nèi)的數(shù)據(jù)進(jìn)行了截取、刪除，對(duì)其他缺失值、異常值進(jìn)行平滑處理，將經(jīng)過(guò)以上處理后的參數(shù)數(shù)據(jù)進(jìn)行解析，部分參數(shù)經(jīng)過(guò)變換為真值，其中，活門位置類參數(shù)變換為“0～1” 范圍，其中“0”表示全關(guān)，“1”表示全開(kāi)。

5.2 健康評(píng)估挖掘建模

由于飛機(jī)系統(tǒng)工作狀態(tài)(工況)復(fù)雜，包括地面、開(kāi)車、滑行、起飛、巡航和降落等不同狀態(tài)，對(duì)每一個(gè)狀態(tài)都進(jìn)行研究的工作量較大，因此，本文從實(shí)際需求出發(fā)，選擇了嚴(yán)酷度最高、最具有代表性的高空飛行工況進(jìn)行研究。高空飛行時(shí)(高度大于7 km)，此時(shí)外界大氣氣壓很低，遠(yuǎn)低于海平面氣壓，大氣溫度也較低，此外，高空飛行時(shí)須進(jìn)行供氧，因?yàn)閴毫Α囟燃肮┭豕δ墚惓＞赡軐?duì)飛行員造成損害，相比于低空飛行或地面階段，高空飛行時(shí)的人機(jī)防護(hù)功能更為重要。

經(jīng)過(guò)數(shù)據(jù)分析后，將本次起落中在高空飛行工況的飛行參數(shù)數(shù)據(jù)轉(zhuǎn)換為待評(píng)估數(shù)據(jù)，如表4所示；同樣地，對(duì)之前10個(gè)起落中健康狀態(tài)下的高空飛行工況下的飛行參數(shù)進(jìn)行數(shù)據(jù)分析，得到其訓(xùn)練數(shù)據(jù)。

當(dāng)獲取訓(xùn)練數(shù)據(jù)處理之后的關(guān)聯(lián)參數(shù)數(shù)據(jù)后，將每一時(shí)刻的參數(shù)組成的參數(shù)向量作為特征，使用4.2節(jié)中的EM算法對(duì)GMM模型中的參數(shù)進(jìn)行估計(jì)，將估計(jì)得到的模型參數(shù)組成的參數(shù)空間作為功能在健康狀態(tài)下的高維空間。

得到待評(píng)估數(shù)據(jù)并進(jìn)行數(shù)據(jù)分析及數(shù)據(jù)處理后，再以每一時(shí)刻的參數(shù)組成的特征向量作為輸入，估計(jì)高斯混合模型的參數(shù)，將其作為待評(píng)估數(shù)據(jù)狀態(tài)所處的高維空間。

用式(3)計(jì)算人機(jī)防護(hù)功能在健康狀態(tài)下的高斯混合模型參數(shù)與待評(píng)估狀態(tài)下模型參數(shù)的重疊度。得到重疊度計(jì)算結(jié)果之后，使用式(8)進(jìn)行歸一化處理，得到當(dāng)前狀態(tài)下”人員防護(hù)功能”的CV值為0.61。同樣地，得到表3中其他功能的評(píng)估結(jié)果，如表5所示。

表4 “人員防護(hù)功能”待評(píng)估數(shù)據(jù)的參數(shù)信息

表5 “功能”評(píng)估結(jié)果

5.3 得到評(píng)估結(jié)果，進(jìn)行決策分析

進(jìn)一步，利用區(qū)間層次分析法計(jì)算得到各指標(biāo)的權(quán)重區(qū)間，并采用式(9)得到極大熵改進(jìn)優(yōu)化的權(quán)重取值，限于篇幅，此處省略計(jì)算過(guò)程，得到結(jié)果如表6所示。

表6 “功能”權(quán)重計(jì)算結(jié)果

將表5和表6中數(shù)據(jù)代入式(10)，進(jìn)行飛機(jī)健康評(píng)估，得到H=0.77，飛機(jī)健康評(píng)估結(jié)果為“降級(jí)”的概率較大。表明飛機(jī)很可能出現(xiàn)了性能衰退，部分任務(wù)無(wú)法完成，但仍具備安全飛行能力。

按照功能評(píng)估結(jié)果，人員防護(hù)功能和作戰(zhàn)任務(wù)功能的健康評(píng)估分值較低，對(duì)其相關(guān)參數(shù)進(jìn)行數(shù)據(jù)回放以及故障診斷，發(fā)現(xiàn)座艙壓力數(shù)值出現(xiàn)偏差，同時(shí)氣動(dòng)反壓調(diào)節(jié)器位置參數(shù)與座艙供氣流量值參數(shù)的一致性出現(xiàn)差異，調(diào)節(jié)器可能出現(xiàn)卡滯，該設(shè)備的異常，同樣影響航電任務(wù)設(shè)備的氣冷功能，導(dǎo)致任務(wù)作戰(zhàn)功能受到影響。對(duì)該LRU進(jìn)行更換后，飛機(jī)達(dá)到健康狀態(tài)。

6 結(jié)論

1) 提出了軍機(jī)基于飛行參數(shù)數(shù)據(jù)挖掘的健康評(píng)估架構(gòu)、方法及流程，能夠進(jìn)行軍機(jī)健康狀態(tài)評(píng)估，實(shí)時(shí)掌握飛機(jī)健康狀態(tài)。

2) 能夠有效用于軍機(jī)的健康評(píng)估，也能夠在所提出的體系下，對(duì)新技術(shù)、新方法進(jìn)行引入吸收，支持健康評(píng)估技術(shù)體系的不斷升級(jí)。