劉 月,李 燦,郝利超,張智杰,3
(1.陸軍工程大學(xué)石家莊校區(qū),河北 石家莊050000;2.93786部隊(duì),河北 張家口075000;3.68303部隊(duì),青海 格爾木816000)
PHM技術(shù)是指利用盡可能少的傳感器采集系統(tǒng)的各種數(shù)據(jù)信息,借助各種智能推理算法(如物理模型、神經(jīng)網(wǎng)絡(luò)、專(zhuān)家系統(tǒng)等)來(lái)評(píng)估系統(tǒng)自身的健康狀態(tài),在系統(tǒng)故障發(fā)生前對(duì)其故障進(jìn)行預(yù)測(cè),并結(jié)合各種可利用的資源信息提供一系列的維修保障措施以實(shí)現(xiàn)系統(tǒng)的視情維修[1]。綜觀PHM技術(shù)的發(fā)展,該技術(shù)在飛機(jī)系統(tǒng)領(lǐng)域得到較為廣泛的應(yīng)用,而在導(dǎo)彈武器系統(tǒng)/運(yùn)載火箭系統(tǒng)中并未發(fā)現(xiàn)有過(guò)應(yīng)用先例[2]。如何根據(jù)導(dǎo)彈裝備的實(shí)際特點(diǎn)對(duì)其進(jìn)行健康狀態(tài)監(jiān)測(cè),確定導(dǎo)彈當(dāng)前的健康狀態(tài)并對(duì)其進(jìn)行性能評(píng)估和故障預(yù)測(cè),進(jìn)而安排合理的維修保障措施,實(shí)現(xiàn)導(dǎo)彈裝備的視情維修,都是嶄新的研究課題[3]。
本文的研究目的就是針對(duì)這個(gè)問(wèn)題,著眼當(dāng)前部隊(duì)信息化、智能化轉(zhuǎn)型建設(shè)特點(diǎn),以部隊(duì)現(xiàn)實(shí)需求為出發(fā)點(diǎn),依據(jù)導(dǎo)彈自身特點(diǎn),綜合試驗(yàn)鑒定、測(cè)發(fā)等過(guò)程,通過(guò)不同數(shù)據(jù)傳輸鏈路采集到的導(dǎo)彈大量運(yùn)行狀態(tài)的監(jiān)測(cè)數(shù)據(jù),針對(duì)導(dǎo)彈武器系統(tǒng)的試驗(yàn)鑒定、服役使用等階段,利用PHM(Prognostics and Health Management)來(lái)研究導(dǎo)彈故障預(yù)測(cè)與健康管理中的關(guān)鍵方法。為建設(shè)一套健康狀態(tài)評(píng)估及性能預(yù)測(cè)軟件系統(tǒng)提供方法支持,從而創(chuàng)新導(dǎo)彈健康管理層級(jí)化、可擴(kuò)展健康評(píng)估與預(yù)測(cè)模型的構(gòu)建工具。
在導(dǎo)彈領(lǐng)域的研究應(yīng)用,主要是借鑒飛機(jī)的有關(guān)研究。在導(dǎo)彈智能檢測(cè)方面,北約通過(guò)使用RFID系統(tǒng)來(lái)監(jiān)測(cè)ESSM(Evolved Sea Sparrow Missile,ESSM)的溫度、濕度、震動(dòng)、撞擊等數(shù)據(jù),對(duì)導(dǎo)彈進(jìn)行監(jiān)測(cè),極大地節(jié)約維修成本的同時(shí),還可以確保導(dǎo)彈存在健康隱患時(shí)及時(shí)地得到維修,提高了導(dǎo)彈的可靠性,以及武器系統(tǒng)的準(zhǔn)確性。美國(guó)空軍通過(guò)在海爾法II導(dǎo)彈上研究使用掛飛健康監(jiān)測(cè)系統(tǒng),監(jiān)測(cè)、記錄海爾法II導(dǎo)彈在阿帕奇AH-64D直升機(jī)上的掛飛情況,對(duì)造成損傷的環(huán)境因素進(jìn)行自動(dòng)監(jiān)測(cè)和記錄,并為地面上的檢測(cè)人員提供檢查依據(jù),可以顯著地降低地勤人員和導(dǎo)彈維修人員的工作量,以及提高維修工作的準(zhǔn)確性。在導(dǎo)彈智能診斷系統(tǒng)研究方面,美國(guó)陸軍設(shè)計(jì)的導(dǎo)彈存儲(chǔ)和運(yùn)輸環(huán)境的系統(tǒng)——遙測(cè)戰(zhàn)備器材預(yù)測(cè)/診斷系統(tǒng)(RRAPDS),將溫度、濕度、振動(dòng)傳感器整合在導(dǎo)彈內(nèi)部來(lái)監(jiān)測(cè)、診斷、預(yù)測(cè)、分析長(zhǎng)時(shí)間庫(kù)存的導(dǎo)彈的健康狀況,可以對(duì)常態(tài)環(huán)境下的溫度、大氣壓力、濕度和振動(dòng)等參數(shù)進(jìn)行感知,測(cè)試人員可以通過(guò)遙測(cè)的方式獲取有用的信息,并將信息發(fā)送到相關(guān)通訊網(wǎng),減少了導(dǎo)彈武器及其發(fā)射平臺(tái)等維修保養(yǎng)、供給、運(yùn)輸和存儲(chǔ)等相關(guān)的費(fèi)用。目前,該系統(tǒng)已被成功地應(yīng)用在愛(ài)國(guó)者地空導(dǎo)彈(GEM和AC-3),以及陶氏反坦克導(dǎo)彈中[4]。
在國(guó)內(nèi)PHM技術(shù)尚處于研究階段,但其重要性已成為共識(shí)。清華大學(xué)、北京航空航天大學(xué)和上海交通大學(xué)等多家院校和研究機(jī)構(gòu),先后在不同方向?qū)HM的理論方法和應(yīng)用技術(shù)開(kāi)展了大量研究工作。北京航空航天大學(xué)[5]針對(duì)飛行器應(yīng)用領(lǐng)域的相關(guān)算法、模型和管理方式進(jìn)行了探索性研究,比如基于故障物理的電子系統(tǒng)加速試驗(yàn)和健康監(jiān)控。軍方也對(duì)PHM技術(shù)開(kāi)展了大量的理論及應(yīng)用研究,空軍工程大學(xué)的張亮等[6]針對(duì)我軍新一代作戰(zhàn)飛機(jī)的技術(shù)特點(diǎn)及其維修保障需求,對(duì)機(jī)載PHM系統(tǒng)體系結(jié)構(gòu)的各種方案進(jìn)行了對(duì)比分析,提出了一種由模塊/單元層PHM、子系統(tǒng)級(jí)PHM、區(qū)域級(jí)PHM和平臺(tái)級(jí)PHM等4層集成的層次化體系結(jié)構(gòu);海軍工程大學(xué)呂建偉等[7]對(duì)艦船裝備進(jìn)行了單個(gè)裝備、裝備系統(tǒng)和全艦系統(tǒng)的逐級(jí)評(píng)估,最終得到艦船整體的健康狀態(tài)評(píng)估結(jié)果;空軍雷達(dá)學(xué)院的王晗中等[8]為克服傳統(tǒng)維修保障方式的缺陷并適應(yīng)現(xiàn)代雷達(dá)裝備維修保障的發(fā)展需求,構(gòu)建了基于PHM的雷達(dá)裝備維修保障系統(tǒng);解放軍炮兵學(xué)院的彭樂(lè)林等[9]根據(jù)無(wú)人機(jī)系統(tǒng)故障特點(diǎn)建立了系統(tǒng)設(shè)備拓?fù)浣Y(jié)構(gòu),并構(gòu)建了無(wú)人機(jī)PHM系統(tǒng)邏輯體系結(jié)構(gòu)。
雖然國(guó)內(nèi)外各種PHM系統(tǒng)已逐步開(kāi)始得到應(yīng)用,但還遠(yuǎn)沒(méi)有達(dá)到工程實(shí)用化的程度。如何根據(jù)得到的監(jiān)測(cè)數(shù)據(jù)有效的評(píng)估設(shè)備的健康狀態(tài),進(jìn)而實(shí)現(xiàn)有效的、準(zhǔn)確的健康評(píng)估與故障預(yù)測(cè),仍需要大量研究工作[10]。
故障預(yù)測(cè)與健康管理總體架構(gòu)包含底層硬件支撐、核心算法支撐、五大功能模塊以及頂層服務(wù)。其中,五大功能模塊包括指標(biāo)體系構(gòu)建模塊,針對(duì)構(gòu)建的健康評(píng)估模型基于專(zhuān)家知識(shí)或數(shù)據(jù)驅(qū)動(dòng)進(jìn)行賦權(quán);包括性能評(píng)估模塊,基于構(gòu)建的評(píng)估模型和導(dǎo)彈測(cè)試參數(shù)完成多層次、多維度的健康狀態(tài)快速評(píng)估;包括評(píng)估總覽模塊,對(duì)健康評(píng)估結(jié)果進(jìn)行直觀可視化展示;包括結(jié)構(gòu)評(píng)估模塊,針對(duì)不同層次設(shè)備和系統(tǒng)在不同場(chǎng)景下的評(píng)估結(jié)果進(jìn)行融合;包括故障預(yù)報(bào)模塊,完成不同層級(jí)參數(shù)和性能退化趨勢(shì)的預(yù)測(cè),并結(jié)合閾值完成故障預(yù)報(bào)。
結(jié)合測(cè)試任務(wù)下采集的多型號(hào)、多產(chǎn)品、多批次、多單機(jī)的實(shí)際試驗(yàn)數(shù)據(jù)條件,一是實(shí)現(xiàn)對(duì)頭伺、一伺等典型單機(jī)下的閾值指標(biāo)進(jìn)行解析配置管理,進(jìn)而支持單機(jī)級(jí)性能評(píng)估、參數(shù)趨勢(shì)預(yù)測(cè)、故障預(yù)報(bào)等工作開(kāi)展,并支持用戶對(duì)多產(chǎn)品間、多測(cè)試日期間的單機(jī)性能狀態(tài)進(jìn)行豐富的可視化查看與對(duì)比分析;二是實(shí)現(xiàn)對(duì)測(cè)試任務(wù)以及整彈產(chǎn)品的指標(biāo)體系進(jìn)行交互式框圖建模管理,進(jìn)而支持場(chǎng)景級(jí)、整彈級(jí)性能綜合評(píng)估、結(jié)構(gòu)評(píng)估以及故障預(yù)報(bào)等工作開(kāi)展,并支持用戶對(duì)多產(chǎn)品間、多測(cè)試日期間的場(chǎng)景級(jí)、整彈級(jí)性能狀態(tài)進(jìn)行豐富的可視化查看與對(duì)比分析。
2.2.1 基于專(zhuān)家重要度的權(quán)重生成算法
如圖1所示,基于專(zhuān)家重要度的權(quán)重生成算法,利用層次分析法的系統(tǒng)性優(yōu)勢(shì),根據(jù)整彈系統(tǒng)級(jí)單串聯(lián)、并聯(lián)、混聯(lián)等多種結(jié)構(gòu)層次,結(jié)合專(zhuān)家知識(shí)給出各單機(jī)或組合結(jié)構(gòu)的重要度序列,生成相應(yīng)單機(jī)或系統(tǒng)的權(quán)重序列。其中基于層次分析法的權(quán)重計(jì)算方法,建立整彈系統(tǒng)級(jí)及內(nèi)部單機(jī)串聯(lián)、并聯(lián)、混聯(lián)結(jié)構(gòu)框圖(如圖2所示,三角形表示整體間隔標(biāo)識(shí),必須成對(duì)出現(xiàn)),根據(jù)專(zhuān)家知識(shí)給出各部分重要度。
對(duì)于無(wú)支路串聯(lián),各單機(jī)先并聯(lián),再與其他單機(jī)串聯(lián)的結(jié)構(gòu),首先利用層次分析法計(jì)算各并聯(lián)結(jié)構(gòu)內(nèi)各單機(jī)的權(quán)重序列,再由并聯(lián)結(jié)構(gòu)整體的重要度根據(jù)層次分析法計(jì)算出串聯(lián)結(jié)構(gòu)各組成部分的權(quán)重序列。
對(duì)于有支路串聯(lián),各部分并聯(lián)后整體串聯(lián)的結(jié)構(gòu),利用層次分析法計(jì)算各支路串聯(lián)單機(jī)的權(quán)重序列,再計(jì)算并聯(lián)結(jié)構(gòu)內(nèi)部各支路部分的串聯(lián)整體或單機(jī)的權(quán)重序列,最終計(jì)算串聯(lián)結(jié)構(gòu)各組成部分的并聯(lián)整體或單機(jī)的權(quán)重序列。
圖1 基于專(zhuān)家重要度的權(quán)重生成算法流程圖
2.2.2 基于統(tǒng)計(jì)分布的自適應(yīng)閾值生成算法
基于統(tǒng)計(jì)數(shù)據(jù)驅(qū)動(dòng)的自適應(yīng)閾值生成算法,通過(guò)多種典型的概率分布函數(shù)與定量的擬合優(yōu)度檢驗(yàn)算法,確定擬合實(shí)時(shí)監(jiān)測(cè)參數(shù)效果最優(yōu)的分布類(lèi)型,進(jìn)一步通過(guò)確定置信度生成最優(yōu)分布下的參數(shù)閾值。
基于統(tǒng)計(jì)分布和優(yōu)度擬合的自適應(yīng)閾值生成算法流程如圖3所示。
根據(jù)上述基于統(tǒng)計(jì)數(shù)據(jù)驅(qū)動(dòng)的自適應(yīng)閾值生成算法,得到監(jiān)測(cè)參數(shù)的經(jīng)驗(yàn)閾值和統(tǒng)計(jì)閾值,采用專(zhuān)家打分法賦予兩類(lèi)閾值相應(yīng)的權(quán)重,采用兩類(lèi)閾值的加權(quán)平均作為整彈核心單機(jī)監(jiān)測(cè)參數(shù)的實(shí)時(shí)閾值,從而完成閾值指標(biāo)的自適應(yīng)構(gòu)建,為監(jiān)測(cè)參數(shù)的實(shí)時(shí)異常檢測(cè)提供判據(jù)。
圖2 基于專(zhuān)家重要度的權(quán)重生成算法示意圖
圖3 統(tǒng)計(jì)分布閾值生成算法流程圖
2.3.1 串并混聯(lián)結(jié)構(gòu)層級(jí)模型的綜合性能評(píng)估算法
導(dǎo)彈根據(jù)任務(wù)計(jì)劃需要完成多項(xiàng)測(cè)試,基于具體測(cè)試場(chǎng)景,根據(jù)系統(tǒng)組成單元之間的功能相關(guān)性、各個(gè)模塊的重要度以及結(jié)構(gòu)重要度,構(gòu)建描述系統(tǒng)構(gòu)成以及各單元邏輯關(guān)系的層級(jí)模型,如圖4所示。
圖4 串并混聯(lián)結(jié)構(gòu)層級(jí)模型的綜合性能評(píng)估算法流程圖
若構(gòu)成層級(jí)模型的各個(gè)模塊為串并混聯(lián)結(jié)構(gòu)時(shí),且結(jié)構(gòu)中存在并聯(lián)結(jié)構(gòu)整體作為層級(jí)模型的一個(gè)分支,需要在前后為其添加重要度節(jié)點(diǎn),并配置相應(yīng)的重要度。具體計(jì)算方法為:
步驟1:基于并聯(lián)結(jié)構(gòu)層級(jí)模型的綜合性能評(píng)估算法計(jì)算并聯(lián)結(jié)構(gòu)整體的風(fēng)險(xiǎn)健康度,具體算法為:
步驟2:基于串聯(lián)結(jié)構(gòu)層級(jí)模型的綜合性能評(píng)估算法,計(jì)算串并混聯(lián)結(jié)構(gòu)整體的風(fēng)險(xiǎn)健康度,即實(shí)現(xiàn)串并混聯(lián)層級(jí)模型的綜合性能評(píng)估,具體算法為:
2.3.2 基于自組織映射網(wǎng)絡(luò)(SOM)的自適應(yīng)性能評(píng)估算法
基于自組織映射SOM的健康評(píng)估方法將當(dāng)前狀態(tài)下提的特征值映射為可度量的物理參量距離功能,支持與以裝備正常狀態(tài)特征參數(shù)為依據(jù)構(gòu)建健康基線對(duì)比度量、自適應(yīng)評(píng)估功能。SOM網(wǎng)絡(luò)是一種自組織競(jìng)爭(zhēng)人工神經(jīng)網(wǎng)絡(luò),它以無(wú)監(jiān)督競(jìng)爭(zhēng)學(xué)習(xí)的方式進(jìn)行網(wǎng)絡(luò)訓(xùn)練,具有自組織的功能,適用于做最近鄰分類(lèi)器。自組織映射的學(xué)習(xí)過(guò)程有別于BP網(wǎng)絡(luò),其不需要提前給定任何目標(biāo)輸出,可以不必知道輸入矢量的類(lèi)型關(guān)系。當(dāng)輸入矢量輸入到網(wǎng)絡(luò)后,網(wǎng)絡(luò)利用隨機(jī)選取的權(quán)值進(jìn)行計(jì)算,并找到獲勝神經(jīng)元,然后調(diào)整權(quán)值,用收縮領(lǐng)域和學(xué)習(xí)因子(隨時(shí)間而收縮)的辦法,最終使權(quán)值形成一組能映射輸入的數(shù)據(jù),當(dāng)網(wǎng)絡(luò)自組織形成時(shí)訓(xùn)練就結(jié)束。
該算法的基本思想是網(wǎng)絡(luò)競(jìng)爭(zhēng)層中的各神經(jīng)元通過(guò)競(jìng)爭(zhēng)來(lái)獲取對(duì)輸入模式的響應(yīng)機(jī)會(huì),最后剩一個(gè)神經(jīng)元成為競(jìng)爭(zhēng)的勝利者,并對(duì)那些與獲勝神經(jīng)元有關(guān)的各連接全朝著更有利于它競(jìng)爭(zhēng)的方向調(diào)整。
從網(wǎng)絡(luò)結(jié)構(gòu)上來(lái)說(shuō),自組織映射網(wǎng)絡(luò)的最大特點(diǎn)是神經(jīng)元被放置在一維、二維或更高維的網(wǎng)絡(luò)節(jié)點(diǎn)上。如圖5所示為使用最為普遍的二維網(wǎng)絡(luò)模型。輸入層神經(jīng)個(gè)數(shù)為m,競(jìng)爭(zhēng)層由a×b=N個(gè)神經(jīng)元組成的二維平面陣列,輸入層與競(jìng)爭(zhēng)層各神經(jīng)元之間實(shí)現(xiàn)全連接。該模型包含輸入輸出兩層,而不包含隱含層。在輸入層中有m個(gè)輸入節(jié)點(diǎn),其中任一輸入節(jié)點(diǎn)用j表示。輸入層接受輸入向量X=[x1,...,xm]T。從空間的角度看,該輸入空間是m維的,輸入節(jié)點(diǎn)通過(guò)權(quán)值wij(i=1,2,...,N;j=1,2,...,m)和網(wǎng)絡(luò)的N個(gè)神經(jīng)元相連。將權(quán)值wij根據(jù)相連的神經(jīng)元?jiǎng)澐譃镹個(gè)權(quán)向量,任一權(quán)值向量為Wi=[wi1,wi2,...,wim]T(i=1,2,...,N)。在輸出層分布著網(wǎng)絡(luò)的N個(gè)神經(jīng)元,其中任一神經(jīng)元用i表示,其輸入為。
通過(guò)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,能夠自動(dòng)地對(duì)網(wǎng)絡(luò)的輸入進(jìn)行分類(lèi),從而達(dá)到聚類(lèi)的效果。在訓(xùn)練開(kāi)始前,輸出節(jié)點(diǎn)被賦予一個(gè)很小的隨機(jī)權(quán)值。輸入樣本后,使輸出節(jié)點(diǎn)進(jìn)行競(jìng)爭(zhēng),并調(diào)整獲勝節(jié)點(diǎn)及其鄰域內(nèi)節(jié)點(diǎn)的權(quán)值。訓(xùn)練完成時(shí),輸出層節(jié)點(diǎn)分布能夠較好地保留數(shù)據(jù)在原空間中的拓?fù)浞植紶顩r。
針對(duì)裝備健康評(píng)估,利用正常狀態(tài)下的裝備運(yùn)行參數(shù)數(shù)據(jù)訓(xùn)練SOM網(wǎng)絡(luò),構(gòu)建健康狀態(tài)基線,訓(xùn)練次數(shù)為100次,訓(xùn)練維度為[10,10]。將待評(píng)估裝備參數(shù)數(shù)據(jù)輸入到訓(xùn)練好的SOM神經(jīng)網(wǎng)絡(luò),與健康基線模型對(duì)比,通過(guò)度量待測(cè)數(shù)據(jù)與健康基線模型的重疊度即可獲取該組待測(cè)數(shù)據(jù)和最佳匹配單元之間的距離,進(jìn)而獲取最大量化誤差MQE。將MQE歸一化,即可獲取當(dāng)前狀態(tài)下的CV值。CV值為1表示處于健康狀態(tài),CV值越小,表示性能衰退越嚴(yán)重。
2.4.1 基于跟蹤粒子濾波的故障預(yù)報(bào)模型
在實(shí)際預(yù)測(cè)過(guò)程中,由于壽命衰退過(guò)程本身存在較大的個(gè)體差異,單獨(dú)給出狀態(tài)估計(jì)值的預(yù)測(cè)方式就會(huì)略顯武斷,能夠?yàn)橹贫ㄔO(shè)備維護(hù)決策提供的信息有限,而若能以概率分布的形式給出對(duì)未來(lái)時(shí)刻系統(tǒng)狀態(tài)的預(yù)測(cè)則更容易讓人接受。然而目前主流的大部分預(yù)測(cè)方法,諸如序貫神經(jīng)網(wǎng)絡(luò)、時(shí)序模型等預(yù)測(cè)手段,往往無(wú)法給出預(yù)測(cè)結(jié)果的概率分布,或者其預(yù)測(cè)區(qū)間計(jì)算物理意義不明確。
對(duì)此,提出一種基于跟蹤粒子濾波的故障預(yù)測(cè)方法,其同樣采用迭代外推預(yù)測(cè)手段,在保持預(yù)測(cè)準(zhǔn)確度的基礎(chǔ)上,引入了預(yù)測(cè)結(jié)果的概率密度分布形式,在FXQ故障預(yù)測(cè)中具有更好的應(yīng)用價(jià)值和物理意義。
基于跟蹤粒子濾波的故障預(yù)報(bào)模型流程如圖6所示。
圖5 基于自組織映射網(wǎng)絡(luò)(SOM)的自適應(yīng)性能評(píng)估算法流程圖
圖6 基于跟蹤粒子濾波的故障預(yù)測(cè)方法流程圖
2.4.2 基于案例相似度的故障預(yù)報(bào)模型
對(duì)于整彈電氣系統(tǒng)測(cè)試數(shù)據(jù)的預(yù)測(cè)是以系統(tǒng)的特征作為預(yù)測(cè)模型的輸入,預(yù)測(cè)模型直接輸出剩余壽命的預(yù)測(cè)結(jié)果,這類(lèi)方法不需要提前定義失效準(zhǔn)則。特征層的預(yù)測(cè)方法直接建立特征和剩余壽命的映射關(guān)系,主要包括神經(jīng)網(wǎng)絡(luò)方法和基于案例的學(xué)習(xí)(IBL)的方法等等。本文擬采取IBL/CBR中的基于相似性的預(yù)測(cè)方法進(jìn)行的故障預(yù)測(cè)。
基于相似性的預(yù)測(cè)方法是一種專(zhuān)門(mén)為工程系統(tǒng)壽命預(yù)測(cè)設(shè)計(jì)的非參數(shù)方法。該方法,首先從歷史訓(xùn)練樣本中提取大量的退化軌跡,歷史樣本的失效時(shí)間是已知的,數(shù)據(jù)是全壽命的(但初始退化狀態(tài)未知),然后將退化軌跡組合在一起形成退化軌跡矩陣;對(duì)于待預(yù)測(cè)樣本,通過(guò)計(jì)算它和字典中每一退化軌跡的極小距離[距離定義的方式有很多種,擬采用極小加權(quán)歐式距離(minimal weighted Euclidean distances)或者其和梯度的組合等等]來(lái)比較它和矩陣中每一退化軌跡的相似性(距離測(cè)度);接下來(lái),計(jì)算當(dāng)前測(cè)試樣本在每一退化模型(局部模型)中的剩余使用壽命;最后,最終的RUL將由融合多個(gè)局部退化模型的RUL預(yù)測(cè)結(jié)果得到,如圖7所示。
圖7 基于案例相似性方法的剩余壽命預(yù)測(cè)流程圖
LXI是基于以太網(wǎng)的一種新型測(cè)試總線,它的優(yōu)點(diǎn)在于方便連接,易于實(shí)現(xiàn)遠(yuǎn)程控制,且費(fèi)用和成本都低于VXI、PXI和GPIB。基于LXI平臺(tái)搭建測(cè)試系統(tǒng),包括機(jī)架式服務(wù)器、開(kāi)關(guān)和數(shù)據(jù)采集平臺(tái)、多路復(fù)用模塊、數(shù)字IO模塊、矩陣開(kāi)關(guān)模塊、時(shí)序測(cè)量模塊、數(shù)據(jù)輸入輸出接口模塊、數(shù)據(jù)輸出接口。
數(shù)據(jù)輸入輸出接口模塊提供健康評(píng)估與性能預(yù)測(cè)軟件與其他系統(tǒng)與軟件的統(tǒng)一接口,以規(guī)定的數(shù)據(jù)接口完成數(shù)據(jù)傳輸,實(shí)現(xiàn)原始數(shù)據(jù)的讀取與分析結(jié)果的輸出共享。與數(shù)據(jù)分析判讀軟件之間的數(shù)據(jù)接口,完成整彈各層級(jí)、各測(cè)試場(chǎng)景、各次任務(wù)的判讀測(cè)試數(shù)據(jù)、判讀判據(jù)與判讀結(jié)果的讀取與調(diào)用,提供給健康狀態(tài)評(píng)估及性能預(yù)測(cè)軟件的性能評(píng)估、評(píng)估總覽等模塊,支持后續(xù)健康評(píng)估與性能預(yù)示等算法實(shí)現(xiàn)與軟件功能實(shí)現(xiàn)。與TDM(test data managerment)系統(tǒng)之間的數(shù)據(jù)接口,完成系統(tǒng)數(shù)據(jù)庫(kù)內(nèi)原始測(cè)試數(shù)據(jù)的讀取與調(diào)用,提供數(shù)據(jù)判讀軟件中未覆蓋到而本系統(tǒng)需要調(diào)用的數(shù)據(jù),支持后續(xù)健康評(píng)估與性能預(yù)示等算法實(shí)現(xiàn)與軟件功能實(shí)現(xiàn)。
數(shù)據(jù)輸出接口,具備向其他系統(tǒng)提供分析結(jié)果的能力。軟件系統(tǒng)的分析結(jié)果,包括構(gòu)建得到的健康基線、關(guān)鍵參數(shù)級(jí)健康評(píng)估結(jié)果、核心單機(jī)級(jí)健康評(píng)估結(jié)果、系統(tǒng)級(jí)健康評(píng)估結(jié)果、整彈級(jí)健康評(píng)估結(jié)果;以及各級(jí)別參數(shù)與健康度趨勢(shì)預(yù)測(cè)結(jié)果和核心單機(jī)級(jí)、場(chǎng)景級(jí)、整彈級(jí)等結(jié)構(gòu)指標(biāo)構(gòu)建結(jié)果,統(tǒng)一由數(shù)據(jù)輸出接口完成向外部軟件的傳輸。
本文提出的導(dǎo)彈健康評(píng)估與故障預(yù)測(cè)的關(guān)鍵方法,包括架構(gòu)設(shè)計(jì)、指標(biāo)體系構(gòu)建算法、健康評(píng)估算法和故障預(yù)測(cè)算法,全面考慮了彈上控制系統(tǒng)與地面控制系統(tǒng)工作特點(diǎn),基本能滿足導(dǎo)彈故障預(yù)測(cè)與健康管理要求,難點(diǎn)是彈上PHM技術(shù)應(yīng)用實(shí)現(xiàn)。未來(lái)隨著導(dǎo)彈試驗(yàn)數(shù)據(jù)采集、存儲(chǔ)、管理等能力的持續(xù)成熟與發(fā)展,可在當(dāng)前試驗(yàn)鑒定支持軟件體系下,進(jìn)一步結(jié)合統(tǒng)計(jì)閾值自適應(yīng)生成、性能健康基線模型、時(shí)序深度模型等先進(jìn)算法技術(shù),實(shí)現(xiàn)更加自適應(yīng)的指標(biāo)體系管理,以及更加精確、自主、智能的導(dǎo)彈狀態(tài)評(píng)估與故障預(yù)測(cè)。