歐陽霄,楊 輝, 朱東濟,羅 昊,蔡紅維

(1.西昌衛(wèi)星發(fā)射中心，四川 西昌 615000； 2.中國航天員科研訓練中心，北京 100094)

0 引言

目前航天發(fā)射場單脈沖雷達設備仍然采用傳統(tǒng)的計劃式維護，需要投入大量的人力資源。這種計劃式維護模式在計劃制定合理且人員溝通、執(zhí)行效率高的情況下能夠較好地管理設備，但隨著我國航天發(fā)射任務越發(fā)密集，計劃式維護模式越來越難以滿足航天發(fā)射場單脈沖雷達設備的實際需求。

總體上說，目前采用的計劃式維護模式過于依靠人力資源，也不能完全避免設備故障造成的巨大損失。傳統(tǒng)的計劃式維護模式已經越來越難以適應單脈沖雷達的實際使用需求。因此，有必要探尋一種新的單脈沖雷達設備管理和維護模式。

科學合理的維護模式其核心是按需維護，計劃式維護模式也是一種按需維護，只不過裝備管理人員在按需求制定維護計劃時，更多地依靠經驗或者對裝備大體的認識，其需求是不明確的、非量化的。20世紀70年代，故障預測與健康管理(PHM,prognostic and health management)技術在美國誕生，并迅速應用于軍工領域，取得了良好的效果。PHM技術的發(fā)展使得裝備維護模式由傳統(tǒng)的計劃式維護迅速發(fā)展為狀態(tài)維護(CBM,condition based maintenance)及后來的可靠性維護(RCM,reliability centered maintenance)[1-2]。新興的維護模式通過裝備日常檢查、狀態(tài)連續(xù)監(jiān)測、裝備故障診斷等手段獲得信息，再通過數據統(tǒng)計分析，對裝備狀態(tài)進行量化評估和故障趨勢預測，從而得到明確的維護需求。這樣的維護模式能夠極大地降低裝備維護成本，由計算機代替大部分由人工負責的工作，從而降低對裝備管理人員的素質需求[3-4]。

故障預測技術是PHM技術中最關鍵的技術手段之一。通過應用故障預測技術，能夠比較清楚地了解裝備各關鍵系統(tǒng)或零部件發(fā)生故障的剩余壽命或者可能性，能夠視情提前安排裝備維護或維修，有效避免發(fā)生故障造成重大損失。如果應用于單脈沖雷達設備，能夠有效地降低裝備管理難度和成本。因此，故障預測技術對于單脈沖雷達設備的意義十分重大。

1 故障預測技術概述

目前，國內外應用比較成熟的基礎故障預測技術主要有兩大類：基于基于歷史數據的故障預測方法和物理模型的故障預測方法。其中，根據使用模型的不同又可分別為多種小類別。為了提高故障預測的精度和適用性，還發(fā)展出了結合多種基礎技術的綜合故障預測技術。

1.1 基于物理模型的故障預測方法

指分析全系統(tǒng)運行機制建立精確的物理模型，再通過模型進行預測的方法[5]。

基于物理模型的預測方法，其關鍵是比較完備的、適用的物理模型，而對于復雜度高、集成度高的系統(tǒng)，得出其完整物理模型幾乎是不可能，因此基于物理模型的預測方法廣泛應用于機械損傷預測和簡單電路故障預測。

1.2 基于歷史數據的故障預測方法

指通過分析歷史數據特征建立適用的近似數學模型來預測其未來數據變化的故障預測方法[4]。根據數據特征的區(qū)別，該方法可分為兩大類：參數模型法與非參數模型法。

1.2.1 參數模型法

參數模型法是根據歷史數據的信息從而假設出一類數學模型，然后估計出模型參數值，根據模型得到未來的預測值，其基本流程如圖1所示。

圖1 參數模型法預測基本流程

由圖1可以看出，參數模型法的基本流程是：首先對歷史數據進行時域、頻域及統(tǒng)計特征的分析，并由此確定擬采用的模型。然后采用相應的數學方法對模型的參數進行估算，并通過一定的判據對模型本身的精度進行計算。當模型精度滿足要求時，即可采用該參數的模型進行預測，否則需重復迭代上述過程，直到求得一組合適的模型參數。參數模型法是基于歷史數據本身的特征假設出一個數學模型進行預測的，根據歷史數據特征的不同需采用不同類別的模型，且該方法一般用于直接測量的單個參數的趨勢預測。

對于單脈沖雷達這樣的復雜系統(tǒng)，需要分析的參數非常多，且各參數的特征是不同的，難以找到一種通用的模型來應用多個參數的預測。常用的參數模型法有：曲線擬合法、ARIMA時間序列分析法、灰色模型法[6-9]等。

1.2.2 非參數模型法

非參數模型法是將整個系統(tǒng)作為一個“黑箱”，通過某種手段或假設分析其輸入與輸出的關系(該黑箱系統(tǒng)允許多輸入輸出、沒有輸入/輸出的特殊情況)[5]。

根據數據分析手段的不同，非參數模型法又可分為機器學習預測法和隱馬爾科夫鏈分析法等。常用的比較成熟的機器學習法有神經網絡分析法、支持向量機分析法[7]等多種方法。

相對于參數模型法，非參數模型法除了能預測可直接測量的單個參數(將時域上靠后的歷史數據作為輸出，靠前的歷史數據作為輸入)，也能預測由多個協(xié)變量共同作用的某一個或幾個不可直接測量的參數甚至于某抽象的“狀態(tài)”，在PHM技術領域很有應用前景[10-11]。

2 單脈沖雷達故障預測的基本流程

隨著科學技術的飛速發(fā)展，多種故障預測技術和手段在各個領域的應用十分廣泛，但是，并沒有一種可靠的技術或手段能夠通用于各種類型的參數或系統(tǒng)，而是必須根據待預測系統(tǒng)本身的特點分析并選擇合適的預測技術。根據采用的技術路線不同，單脈沖雷達故障預測的實現可以有3種基本途徑。

2.1 并行結構實現

即通過技術手段監(jiān)測每一個必要的節(jié)點數據并進行預測，若覆蓋范圍足夠大，當預測到某一個或幾個參數將到達風險區(qū)時，即安排對該參數對應的零部件進行維修或更換，提前杜絕裝備失效的風險。

理論上說，對于單脈沖雷達這樣的復雜電子系統(tǒng)來說，監(jiān)測節(jié)點要達到全覆蓋可以說是天文數字，從各方面考慮都是不可行的。但要考慮到目前雷達裝備維修方式以直接更換為主，且已有所有易損零部件至板卡級甚至分系統(tǒng)級的備件。若能通過分析各板卡或分系統(tǒng)的運行機理，找出一個或幾個可直接測量的參數進行監(jiān)測及預測，就能夠將監(jiān)測節(jié)點降低到可接受的程度同時可靠地快速定位及預測雷達各部分出現的故障，并預先更換備品備件，完全避免雷達因故障失效的風險，具體流程如圖2所示。

圖2 并行結構實現預測流程

由此可見，研究單個直接測量參數的預測技術是有實際意義且很有應用前景的。

2.2 分層結構實現

即通過數學理論使用一個或幾個無法直接測量的參數來量化裝備或系統(tǒng)狀態(tài)，通過一定技術手段建立起能直接測量的參數與該狀態(tài)參數之間的聯系。理論上說，需要深入分析整個裝備運行機理，將裝備狀態(tài)按照運行機理劃分為多個層次，最終細化到關鍵零部件或板卡級別，從而確定需設置的監(jiān)測節(jié)點，如圖3所示。

圖3 分層結構實現預測流程

這種方法相對于并行結構來說，對監(jiān)測節(jié)點的要求要低得多，同時數據分析和處理的投入也要小得多。但需要注意的是，在缺失故障特征歷史數據或可靠性實驗數據的情況下，該技術路線只能評估和預測整個大系統(tǒng)的健康狀態(tài)，卻無法定位故障位于哪個零件，從而確定維護計劃和措施。

具體分析目前雷達設備的實際使用維護情況，航天發(fā)射場單脈沖雷達實際上不允許應用多層結構的故障預測系統(tǒng)，因為任何零部件出現異常就必須維修或更換。因此實際上應用兩層結構與并行結構結合的技術路線實現設備故障預測是更具工程應用價值的，如圖4所示。

圖4 有實際應用價值的分層結構實現預測流程

2.3 基于故障特征的預測

基于故障特征的預測不關注分系統(tǒng)板卡的狀態(tài)，而是首先根據系統(tǒng)運行機制，綜合考慮測量成本的情況下確定關鍵測量節(jié)點作為故障特征；再分析歷史數據中不同故障狀態(tài)下的特征數據，確定不同的故障模式；最后通過實時監(jiān)關鍵測量節(jié)點，通過HMM等數學方法分析計算設備目前各特征量與不同故障狀態(tài)下特征量的差別大小，并預測設備從現有狀態(tài)轉移至故障狀態(tài)所需時間(即剩余壽命)[5-8]。

基于故障特征的預測計算量不大且測量成本可控，且能夠直接確定設備將要發(fā)生的故障模式并針對性地開展相應預防維護措施。但是，由于故障數據的缺失，該方法難以在目前單脈沖雷達設備上應用。

3 單個參數劣化過程預測的原理與實現

單脈沖雷達是航天發(fā)射場的典型重要測控設備，多注速調管是單脈沖雷達發(fā)射機關鍵零部件，若其發(fā)生故障，將直接導致雷達無法正常工作。而陰極電流是反映多注速調管狀態(tài)的重要參數，隨著速調管劣化程度的增加，陰極電流信號的失真程度也越來越大。因此可以選用陰極電流作為多注速調管的特征參數對多注速調管進行故障預測。

由于目前雷達設備暫不具備實驗條件，本文選用資料中通過實驗直接測得的多注速調管陰極電流信號為研究目標，應用ARIMA時間序列分析法對該信號進行了仿真實驗[4]。

資料中，研究者對多注速調管陰極電流進行了40次等時間間隔直接測量，結果如表1所示。

表1 多注速調管陰極電流測試結果

為驗證預測方法的精度，采用第1～35個數據作為歷史數據，用后5個數據作為真值驗證ARIMA分析法預測出的5個數據。

3.1 ARIMA分析的基本流程

ARIMA分析預測法的基本流程如圖5所示。

圖5 ARIMA分析預測法的基本流程

第一步，對歷史數據進行預處理。若數據存在周期性或非平穩(wěn)，則需對數據進行差分或去周期性處理；若數據為非等間隔時間測量，則要進行時域插值，確保數據在時域上的等間隔。

第二步，對數據的統(tǒng)計特征進行分析，主要分析偏自相關函數(PACF)和自相關函數(ACF)，根據其特征確定模型的階數。

第三步，按照一定的判據對模型進行驗證，若驗證通過，就可以通過確定的模型進行預測[12]。

若存在統(tǒng)計特征無法確定模型階數的特殊情況，則需要通過枚舉法反復驗證各個階數的模型，直到驗證通過[13-14]。

應用Matlab的系統(tǒng)辨識工具箱對數據進行分析，用1～20階的AR模型分別進行驗證，當采用AR(16)模型進行驗證時其效果最好。

3.2 實驗結果與分析

確定預測模型的參數后，用AR(16)模型進行5步預測，結果如圖6及表2所示。

圖6 ARIMA預測結果

表2 預測數據與原始數據對比

由圖6及表可以看出，用ARIMA方法對雷達發(fā)射機速調管陰極電流進行短期預測效果良好，最大誤差不超過1.5%。應用該方法時，若確定模型參數含MA項，則預測誤差會隨預測步長不斷累計，因此ARIMA方法一般用于中短期預測。

4 系統(tǒng)級劣化過程預測的原理與實現

對雷達設備上的信號處理分系統(tǒng)進行分析研究，其參數如圖7所示。通過對歷史評估數據進行積累，采用基于評估的趨勢預測方法可以對系統(tǒng)級劣化過程進行預測。

圖7 信號處理分系統(tǒng)分系統(tǒng)參數(指標)梳理

對信號處理分系統(tǒng)采集了一組數據，在每個時間點進行狀態(tài)評估，計算健康等級隸屬度。采集的數據如圖8所示。

由圖8可以看出，該組數據具有比較明顯的非線性特征，若采用ARIMA模型分析法預測可以預見效果不佳。因此，采用前18組數據作為歷史數據，應用神經網絡預測法對數據進行3步預測，并采用后3組數據作為真實值驗證預測效果。

圖8 信號處理分系統(tǒng)健康等級隸屬度

4.1 神經網絡預測的基本流程

應用神經網絡技術進行預測的基本流程如圖9所示。

圖9 神經網絡預測的基本流程

神經網絡預測法與ARIMA分析法的區(qū)別主要是：無法通過原始數據的特征來確定使用的神經網絡類型及參數。

首先，通過輸入和目標的關系大致確定采用的神經網絡類型，并通過試湊的方法確定神經網絡參數，

然后，對網絡進行訓練、確認和測試(機器學習)的過程。若測試效果良好，誤差收斂精度高，則可以用該訓練好的神經網絡對參數進行預測；否則就要考慮更換神經網絡類型，并重復機器學習的過程，直到測試通過[15-16]。

根據圖8數據的特點，采用NARX(nonlinear autoregressive with external input，帶外部輸入的非線性自回歸)神經網絡，確定輸入為時間，輸出(目標)為健康等級隸屬度，設定網絡有10個隱含層，并有5步延遲[17-18]。

用該網絡對18組數據進行了訓練，訓練結果良好，擬合精度高，誤差較小，可以對數據進行預測。

4.2 實驗結果與分析

將輸入、輸出后移3步，再帶入訓練好的神經網絡進行模擬，即可得到健康等級隸屬度的3步預測值，與后3組數據對比，即可驗證預測結果精度，如圖10及表3所示。

圖10 預測結果

表3 預測結果與真實值的對比

由圖10及表3可以看出，預測效果在可接受范圍內(精度優(yōu)于80%)。非線性數據預測效果本來不如線性數據，加上訓練樣本數據量過小，是造成預測相對誤差較大的原因。神經網絡技術主要適合于大樣本數據的預測，并且通過機器學習的方式規(guī)避了復雜系統(tǒng)的識別問題，實際上是非常適合應用于單脈沖雷達故障預測的。需要注意的是，神經網絡預測技術的計算量偏大，一般需要離線進行神經網絡的訓練，用訓練好的神經網絡進行在線預測[19-20]。

5 結束語

本文研究了故障預測技術的類型、方法和基本流程，結合單脈沖雷達設備實際，探討了故障預測技術在單脈沖雷達上的應用前景。采用ARIMA分析法對單脈沖雷達設備單個直接測量參數進行了預測；采用神經網絡預測法對雷達信號處理分系統(tǒng)的系統(tǒng)級劣化過程進行了預測，預測結果均能達到單脈沖雷達使用維護要求。

研究表明，結合狀態(tài)量化評估技術，將故障預測技術推廣到更多的測控設備，將會使航天測控設備的維護、使用和管理模式向自動化、智能化發(fā)展，能夠極大地提高測控設備可靠性，節(jié)省維護成本。