宋新成，王崴，楊潔，劉海平，王慶力，郝俊杰

(空軍工程大學(xué)，陜西西安 710051)

0 前言

液壓系統(tǒng)是軍用裝備重要的伺服驅(qū)動系統(tǒng)。其可靠性程度對整機(jī)的可靠性影響很大,可靠性差的軍用裝備系統(tǒng),不但不能發(fā)揮其預(yù)期的作戰(zhàn)或保障效能,而且可能直接因它而導(dǎo)致戰(zhàn)場失利。

液壓系統(tǒng)性能衰退預(yù)測技術(shù)是故障診斷、故障預(yù)測、壽命預(yù)測的基礎(chǔ)，對選取適當(dāng)?shù)木S修和保養(yǎng)方式、提升液壓系統(tǒng)可靠性具有十分重要的意義。

如圖1所示，某裝備的液壓系統(tǒng)故障模式中，內(nèi)泄漏、外泄漏、堵塞和漏氣均與液壓元件性能衰退有關(guān)，合計(jì)占比達(dá)到了79.7%，其他故障模式一定程度上也與液壓系統(tǒng)性能衰退存在間接關(guān)系。

圖1 某裝備液壓系統(tǒng)故障模式餅狀圖

液壓系統(tǒng)性能衰退預(yù)測技術(shù)始于20世紀(jì)70年代，1977年，TESSMANN和MARONEY運(yùn)用鐵譜分析技術(shù)，將污染物磨損試驗(yàn)過程中產(chǎn)生的磨屑與液壓泵性能下降聯(lián)系起來，論證了產(chǎn)生的磨屑與此類部件性能衰退的關(guān)系。1978年，ODSELL又對車輛懸架部件性能衰退進(jìn)行了研究。1984年，國內(nèi)才有了相關(guān)的研究，毛瑞玲對5080丁睛橡膠在航空煤油中性能衰退開展了初步的研究；1992年，李珈、陶增元建立了某型飛機(jī)發(fā)動機(jī)的翻修性能衰退的數(shù)學(xué)模型,并對性能衰退的發(fā)展趨勢進(jìn)行了預(yù)測；1997年，唐慶如對燃?xì)鉁u輪發(fā)動機(jī)的性能衰退進(jìn)行分析；1998年，ZHAO等建立了機(jī)械設(shè)備通用的性能衰退模型。這些之前的研究整體上不夠深入，系統(tǒng)性不強(qiáng)，對液壓系統(tǒng)的性能衰退預(yù)測主要集中在實(shí)驗(yàn)結(jié)果分析，在預(yù)測模型的建立、預(yù)測方法的應(yīng)用上比較單一。

20世紀(jì)以后，美國威斯康辛大學(xué)、密西根大學(xué)及工業(yè)界近40家企業(yè)，在美國國家自然科學(xué)基金的資助下，于2001年共同成立美國智能維護(hù)系統(tǒng)中心(Center for Intelligent Maintenance Systems,IMS Center)。該機(jī)構(gòu)對基于主動維護(hù)模式(Predict And Prevent，PAP)的智能維護(hù)技術(shù)與方法開展了廣泛的研究。智能維護(hù)技術(shù)的關(guān)鍵就是利用性能衰退預(yù)測方法，結(jié)合互聯(lián)網(wǎng)、非接觸式通信技術(shù)和嵌入式智能電子技術(shù)等優(yōu)勢，維護(hù)設(shè)備達(dá)到幾乎零故障停機(jī)的運(yùn)行性能或生產(chǎn)效率。液壓系統(tǒng)因此也進(jìn)入了快速發(fā)展時(shí)期。隨著模糊理論、灰色理論、人工智能等理論的應(yīng)用，液壓系統(tǒng)性能衰退預(yù)測技術(shù)進(jìn)展頗大。

這里根據(jù)分支方向?qū)ζ溥M(jìn)行介紹，然后對該技術(shù)在軍用裝備方面的應(yīng)用進(jìn)行舉例，最后探討該技術(shù)存在的不足和未來的發(fā)展方向。

1 液壓系統(tǒng)性能衰退預(yù)測研究現(xiàn)狀

裝備液壓系統(tǒng)性能預(yù)測是依據(jù)現(xiàn)有情況，推演預(yù)測性能衰退變化情況，為故障診斷和預(yù)測以及壽命預(yù)測打下基礎(chǔ)。與傳統(tǒng)模型不同，性能衰退模型需要更高的靈敏度來描述各種性能退化階段。

隨著計(jì)算機(jī)技術(shù)和人工智能技術(shù)的發(fā)展，遺傳算法、神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)等智能預(yù)測技術(shù)逐步應(yīng)用到液壓系統(tǒng)性能衰退預(yù)測領(lǐng)域，主要衍生出了統(tǒng)計(jì)預(yù)測技術(shù)、數(shù)學(xué)預(yù)測技術(shù)、智能預(yù)測技術(shù)三大類預(yù)測方法，具體分類如圖2所示。

圖2 液壓系統(tǒng)性能衰退預(yù)測技術(shù)分類

1.1 統(tǒng)計(jì)預(yù)測技術(shù)

1968年HEWETT首次提出，統(tǒng)計(jì)預(yù)測對壽命試驗(yàn)與可靠性增長試驗(yàn)有重要的指導(dǎo)作用。該技術(shù)通過對大量資料進(jìn)行分析，預(yù)測系統(tǒng)變化趨勢，進(jìn)而實(shí)現(xiàn)對故障的診斷。統(tǒng)計(jì)預(yù)測技術(shù)包括基于數(shù)據(jù)分析法的預(yù)測技術(shù)和基于回歸分析的預(yù)測技術(shù)。

(1)基于數(shù)據(jù)分析

通過對觀測的歷史數(shù)據(jù)模型做出假設(shè)，然后經(jīng)過模型參數(shù)的估計(jì)得到相應(yīng)的預(yù)測值。單純利用性能衰退指標(biāo)建立的統(tǒng)計(jì)學(xué)模型一般準(zhǔn)確度欠佳，像ZHANG等就將流體力學(xué)與沖蝕理論相結(jié)合，建立了湍流磨損和沖蝕磨損的數(shù)學(xué)模型，相比更符合實(shí)際；ISCIOGLU在系統(tǒng)動態(tài)性能數(shù)據(jù)基礎(chǔ)上進(jìn)行的多狀態(tài)建模，也有更高的準(zhǔn)確度。簡而言之，該預(yù)測方法受制于模型假設(shè)的影響很大，若模型假設(shè)不能反映實(shí)際系統(tǒng)，預(yù)測結(jié)果將會存在極大誤差。在學(xué)者們的研究中，隱馬爾可夫模型(Hidden Markov Model，HMM)和混合高斯模型(Gaussian Mixture Models，GMM)都有較好的效果。最新的，變換逆高斯(Transformed Inverse Gaussian，TIG)衰退預(yù)測模型,在建模能力、可算性、靈活性上更優(yōu)。

(2)基于回歸分析

通過數(shù)據(jù)的回歸分析，確定多種變量間的相互依賴關(guān)系，從而建立變量之間的關(guān)系模型。采用該方法計(jì)算及預(yù)測策略簡單，但對樣本質(zhì)量要求較高，在處理非線性模型誤差較大。相比而言，付朝君基于設(shè)備故障特征信號隨時(shí)間序列的變化，通過回歸分析等效估算性能衰退模型，誤差相對較小。另外，在對衰退特征進(jìn)行融合基礎(chǔ)上，通過回歸分析來預(yù)測也是一種常用的方法?？偟膩碚f，該方法單純地應(yīng)用預(yù)測精度不夠，國內(nèi)有部分應(yīng)用，國外很少采取該方法。

1.2 數(shù)學(xué)預(yù)測技術(shù)

數(shù)學(xué)預(yù)測技術(shù)核心是建立數(shù)學(xué)模型，通過模型實(shí)現(xiàn)預(yù)測的目的。該方法在軍用裝備液壓系統(tǒng)中的應(yīng)用比較廣泛。在軍事裝備的性能衰退預(yù)測、故障診斷、故障預(yù)測中都取得了良好的效果。該技術(shù)主要包括基于模糊理論的預(yù)測技術(shù)、基于灰色理論的預(yù)測技術(shù)和基于維納過程3種。

(1)基于模糊理論(Fuzzy Theory)

在實(shí)際系統(tǒng)中，大多系統(tǒng)的性能數(shù)據(jù)都屬于非線性數(shù)據(jù)，分析處理難度大；并且衰退指標(biāo)不確定不精確，如性能衰退到什么程度就屬于故障。針對這種情況，模糊理論就能很好解決。HONG、CAI采用模糊理論對液壓系統(tǒng)性能衰退和故障診斷進(jìn)行了研究。但是該方法在獲得模糊規(guī)則及隸屬函數(shù)的方式上，沒有固定方案，主要依賴于主觀經(jīng)驗(yàn)。在此基礎(chǔ)上，GHINI、VACCA將模糊邏輯系統(tǒng)與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合，對供水泵和液壓控制閥進(jìn)行了衰退預(yù)測，預(yù)測準(zhǔn)確度有所提升。

(2)基于灰色理論(Grey Theory)

當(dāng)系統(tǒng)可用的數(shù)據(jù)量較少時(shí)，可在灰色理論預(yù)測方法的基礎(chǔ)上，通過較少的樣本數(shù)據(jù)獲取豐富的、有規(guī)律的數(shù)據(jù)，然后對數(shù)據(jù)進(jìn)行建模，進(jìn)而實(shí)現(xiàn)預(yù)測。李楠利用灰色理論開展了基于滑油光譜數(shù)據(jù)的航空發(fā)動機(jī)磨損狀態(tài)研究;WANG等研究的基于時(shí)間序列建模和灰色理論結(jié)合驗(yàn)證產(chǎn)品的退化路徑也有一定的參考意義；ZENG等還提出了一種新的結(jié)構(gòu)相容的多變量灰色預(yù)測模型，從而豐富了該理論。該技術(shù)由于所需樣本數(shù)據(jù)少，因此也存在預(yù)測精度不夠的不足，基本都是與其他預(yù)測技術(shù)結(jié)合，或者通過對預(yù)測模型進(jìn)行優(yōu)化的方式進(jìn)行應(yīng)用。

(3)基于維納過程(Wiener Process)

維納過程也稱作布朗運(yùn)動過程，它是一種具有連續(xù)時(shí)間和狀態(tài)空間參數(shù)的隨機(jī)過程，可以全面反映退化失效的累積效應(yīng)，已被廣泛用于描述產(chǎn)品性能參數(shù)的衰退過程。趙洪利、張猛基于發(fā)動機(jī)排氣溫度裕度(EGTM)數(shù)據(jù)，建立了隨機(jī)維納模型，并引入嚴(yán)酷度因子修正模型，對發(fā)動機(jī)性能衰退下發(fā)間隔預(yù)測的誤差只有1.7%。維納過程的初始參數(shù)和漂移系數(shù)的選擇對預(yù)測結(jié)果影響比較大，因此WANG等利用期望最大化(EM)算法來估計(jì)維納過程的初始參數(shù)，通過卡爾曼濾波方法來估計(jì)維納過程的漂移系數(shù)，從而得到了優(yōu)化后的維納過程性能衰退預(yù)測模型。WANG、TSUI還提出了一種自適應(yīng)漂移布朗運(yùn)動的預(yù)測模型。整體上，經(jīng)過優(yōu)化初始參數(shù)和漂移系數(shù)后，該預(yù)測模型具有更高的預(yù)測準(zhǔn)確度。

1.3 智能預(yù)測技術(shù)

智能預(yù)測技術(shù)是裝備液壓系統(tǒng)性能衰退預(yù)測的趨勢。人工智能技術(shù)的優(yōu)點(diǎn)使其在預(yù)測領(lǐng)域得到了迅速發(fā)展，應(yīng)用范圍十分廣泛，在環(huán)境保護(hù)、車輛故障、經(jīng)濟(jì)金融、地質(zhì)勘探等領(lǐng)域均有應(yīng)用。當(dāng)前的許多研究也是采取了智能預(yù)測的方法。由于智能算法種類多樣，這里主要列舉部分遺傳算法、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)3種智能預(yù)測算法。

(1)基于遺傳算法(Genetic Algorithm，GA)

遺傳算法通過模擬生物遺傳過程，找到適應(yīng)性最強(qiáng)的個(gè)體，即最優(yōu)解。應(yīng)用于性能衰退預(yù)測時(shí)，可以利用遺傳算法尋求最優(yōu)解的特點(diǎn)來找到預(yù)測特征量的最佳組合方式。鄧志江設(shè)計(jì)的自行火炮故障智能診斷與預(yù)測系統(tǒng)中就利用了該技術(shù)，該方法需要的信息量少，適用范圍廣泛；但該算法不夠穩(wěn)定，容易出現(xiàn)有利信息被淘汰，參數(shù)選擇比較困難。相比較而言，ZHANG等采取的量子遺傳算法(QGA)和動態(tài)模糊神經(jīng)網(wǎng)絡(luò)(DFNN)結(jié)合的算法的穩(wěn)定性更高，更多保留了有利信息；張弛結(jié)合了卡爾曼濾波(Kalman Filter，KF)對模型可用信息利用率高、精度更高的優(yōu)點(diǎn)，利用遺傳算法預(yù)測民航發(fā)動機(jī)性能衰退也有較高精度。

(2)基于支持向量機(jī)(Support Vector Machine，SVM)

支持向量機(jī)是在統(tǒng)計(jì)學(xué)理論(Statistic Learning Theory，SLT)基礎(chǔ)上發(fā)展起來的一種數(shù)據(jù)挖掘的新方法。最早由VAPNIK等提出，它是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化(Structural Risk Minimization，SRM)原則上的，屬于解決有限樣本下的機(jī)器學(xué)習(xí)問題的一種方法。TRAN等在建立性能衰退模型基礎(chǔ)上，運(yùn)用支持向量機(jī)進(jìn)行預(yù)測的思路是常規(guī)的思路。SVM能有效避免算法陷入局部最優(yōu)的問題，對小樣本數(shù)據(jù)下的性能衰退預(yù)測也有良好效果，同時(shí)能解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)存在的過學(xué)習(xí)問題，但是SVM算法對大規(guī)模訓(xùn)練樣本實(shí)施難度大，因此，ZHANG等提出的帶積分算子的時(shí)移最小二乘支持向量機(jī)、支持向量機(jī)回歸(Support Vector Regression，SVR)都是可行的改進(jìn)方法。

(3)基于神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)

神經(jīng)網(wǎng)絡(luò)是人工智能領(lǐng)域研究的熱點(diǎn)，它是對大腦神經(jīng)網(wǎng)絡(luò)功能的一種模擬，能夠很好地處理非線性映射?；谏窠?jīng)網(wǎng)絡(luò)的預(yù)測技術(shù)在軍用裝備的應(yīng)用比較普遍，典型的有：LIU等建立的集成多子系統(tǒng)，張英等人提出的集成多預(yù)測模型，都是更全面的預(yù)測模型，有更準(zhǔn)確的預(yù)測效果。一般而言，由于傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)(ANN)不能對時(shí)間累積效應(yīng)進(jìn)行處理，因而大多需要如文獻(xiàn)[45]引入基于卷積的神經(jīng)網(wǎng)絡(luò)(CNN)來實(shí)現(xiàn)性能衰退預(yù)測的目的，比如GUO等開展的基于卷積神經(jīng)網(wǎng)絡(luò)的液壓缸微泄漏在線測量建模與實(shí)驗(yàn)研究。在性能衰退預(yù)測的基礎(chǔ)上，可以實(shí)現(xiàn)液壓系統(tǒng)的故障診斷。此外，極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)作為神經(jīng)網(wǎng)絡(luò)的一個(gè)分支，在性能衰退預(yù)測領(lǐng)域也有應(yīng)用，代表的有:PAN等采取的果蠅算法(Fruit Fly Optimization Algorithm，F(xiàn)OA)優(yōu)化的ELM顯著提升了預(yù)測準(zhǔn)確率。

在神經(jīng)網(wǎng)絡(luò)的參數(shù)選擇和模型訓(xùn)練中，群智能(Swarm Intelligence,SI)算法,比如粒子群優(yōu)化算法(Particle Swarm Optimization，PSO)、蟻群算法(Ant Colony Optimization，ACO)等都取得了較好的優(yōu)化效果，從而提高了預(yù)測的精度。

2 液壓系統(tǒng)性能衰退預(yù)測技術(shù)在軍用裝備中的典型應(yīng)用

在軍用裝備液壓系統(tǒng)性能衰退預(yù)測的資料中，可查詢到的國外的研究資料較少，主要以國內(nèi)的為主。從現(xiàn)有研究情況可以看出，該技術(shù)顯著促進(jìn)了軍用裝備的維修和保障工作，提升了裝備的效能。前文已經(jīng)對該技術(shù)的應(yīng)用進(jìn)行了闡述，這里主要對其在軍用裝備中的三類應(yīng)用加以介紹。

2.1 航空武器

航空武器結(jié)構(gòu)復(fù)雜、精密，液壓系統(tǒng)應(yīng)用普遍，而液壓系統(tǒng)一旦出現(xiàn)故障后果十分嚴(yán)重，液壓管路、油箱、油泵等都是容易出現(xiàn)故障的位置。在此方面，學(xué)者們進(jìn)行了一系列的研究，舉例如下：

MA等對飛機(jī)液壓柱塞泵的工程驅(qū)動性能退化進(jìn)行了分析預(yù)測，通過考慮液壓柱塞泵的退化率和故障機(jī)制之間的密切關(guān)系，開發(fā)了具有可變變化率的逆高斯(IG)過程模型來描述泵的退化行為。在此模型下，開發(fā)了貝葉斯統(tǒng)計(jì)方法來進(jìn)行退化數(shù)據(jù)分析，還提出了模型參數(shù)估計(jì)和可靠性評估的相應(yīng)程序，使用實(shí)際實(shí)驗(yàn)數(shù)據(jù)說明了所提出的降解分析方法?？勺兯俾实哪娓咚?IG)模型計(jì)算過程見圖3。

圖3 可變速率的逆高斯(IG)模型計(jì)算過程[52]

LIU等針對航空發(fā)動機(jī)性能退化進(jìn)行了自適應(yīng)建模，提出了一種基于平衡流形及其展開模型的飛機(jī)發(fā)動機(jī)自適應(yīng)建模方法,系統(tǒng)地研究了膨脹模型的性質(zhì)以及映射設(shè)計(jì)對形狀的影響,討論了模型的自適應(yīng)性分析，給出了建立飛機(jī)發(fā)動機(jī)近似非線性模型的辨識過程,討論了壓縮機(jī)的劣化修正以及與線性變參數(shù)模型和Kalman估計(jì)量的比較,結(jié)果表明:建模精度高，結(jié)構(gòu)簡單。

MEHMOOD等研究了飛機(jī)金屬液壓管道的失效問題，發(fā)現(xiàn)管道在飛行過程中耗盡液壓，使飛機(jī)處于潛在的危險(xiǎn)中;通過掃描電子顯微鏡(SEM)觀察了斷口表面的疲勞條紋,對一斷裂管道和一斷裂液壓管道進(jìn)行了失效分析,發(fā)現(xiàn)了金屬套管周向溝槽的裂紋形核的產(chǎn)生機(jī)制。

2.2 特種車輛

軍用特種車輛存在使用環(huán)境惡劣、強(qiáng)度大的情況，液壓系統(tǒng)故障也比較多，同時(shí)存在故障位置確定難、排除難的問題。為了解決這一問題，學(xué)者們也進(jìn)行了一系列的研究，舉例如下：

CAO、DAI提出了挖掘機(jī)液壓執(zhí)行機(jī)構(gòu)磨損引起的性能退化模型。該模型通過分析活塞磨損時(shí)的響應(yīng)，描述了液壓執(zhí)行器性能退化的物理過程。該模型包括液壓執(zhí)行機(jī)構(gòu)的動力學(xué)模型、壓縮彈性O(shè)形密封圈的擠壓應(yīng)力和變形模型、密封件的磨損模型和泄漏率模型。這些模型可用于推導(dǎo)挖掘機(jī)液壓執(zhí)行器性能退化規(guī)律，預(yù)測密封件等關(guān)鍵部件的使用壽命。最后，基于所建立的模型，給出了液壓執(zhí)行器響應(yīng)的仿真結(jié)果,見圖4。

圖4 不同磨損階段活塞的3種位移曲線[55]

DONG等針對兩棲突擊車液壓馬達(dá)故障率高、故障檢測和定位困難的問題，探討了兩棲突擊車泄漏與各影響因素的關(guān)系，采用投影尋蹤回歸方法建立泄漏預(yù)測模型，取得了較好的預(yù)測效果。這對兩棲突擊車液壓馬達(dá)的故障診斷具有重要意義。

王咸鋒開展了某型火炮藥協(xié)調(diào)器液壓系統(tǒng)故障診斷研究，總結(jié)了液壓系統(tǒng)的共性故障和協(xié)調(diào)器液壓系統(tǒng)的個(gè)性故障;同時(shí)建立了協(xié)調(diào)器液壓系統(tǒng)的FMEA表格，選取了協(xié)調(diào)器液壓系統(tǒng)的典型故障參數(shù)，并進(jìn)行仿真，為后續(xù)故障診斷提供故障數(shù)據(jù);利用函數(shù)型主成分分析對樣本數(shù)據(jù)函數(shù)化后提取了特征參數(shù)，并將特征參數(shù)與故障參數(shù)之間的映射通過BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，驗(yàn)證了其可行性。

2.3 防空裝備

防空裝備液壓系統(tǒng)是裝備組成的重要部分，大多采用液壓驅(qū)動的方式實(shí)現(xiàn)起豎、調(diào)平等操作，液壓系統(tǒng)發(fā)生故障，不僅會影響部隊(duì)的正常訓(xùn)練，嚴(yán)重時(shí)甚至造成發(fā)射任務(wù)的失敗。學(xué)者們進(jìn)行了深入研究，舉例如下：

XU和QUAN通過可靠性增強(qiáng)試驗(yàn)(RET)，加速了性能退化過程，以暴露其固有的設(shè)計(jì)和制造缺陷。以導(dǎo)彈伺服系統(tǒng)為研究對象進(jìn)行了兩次強(qiáng)化試驗(yàn)，并對兩組試驗(yàn)數(shù)據(jù)進(jìn)行了預(yù)處理，建立了以溫度變化率為伺服系統(tǒng)在自然狀態(tài)下的主要應(yīng)力的加速退化模型，得到如圖5所示的導(dǎo)彈伺服系統(tǒng)應(yīng)力分布和性能退化曲線。

圖5 導(dǎo)彈伺服系統(tǒng)應(yīng)力分布和性能退化曲線[58]

許葆華、李洪儒研究了某型導(dǎo)彈發(fā)射裝置液壓元件故障的預(yù)測，闡述某型導(dǎo)彈發(fā)射裝置液壓元件故障預(yù)測系統(tǒng)的總體設(shè)計(jì)思想，確定了監(jiān)測對象,選取故障特征信號,并從故障特征信號中提取了故障特征參量；介紹了以DAQ系統(tǒng)為硬件平臺的系統(tǒng)硬件設(shè)計(jì)和以LabVIEW8.0為軟件開發(fā)平臺的系統(tǒng)軟件設(shè)計(jì)，應(yīng)用基于支持向量機(jī)的故障預(yù)測方法實(shí)現(xiàn)對發(fā)射裝置液壓元件的故障預(yù)測。

LI等提出了基于HLA的導(dǎo)彈武器仿真系統(tǒng)液壓系統(tǒng)模型，并根據(jù)其功能劃分為不同的子系統(tǒng)，在子系統(tǒng)之間設(shè)置檢測點(diǎn);通過神經(jīng)網(wǎng)絡(luò)、診斷系統(tǒng)仿真模型和故障庫對故障進(jìn)行定位和分類，從而檢測出故障的位置和原因,仿真結(jié)果驗(yàn)證了該方法的可行性和有效性。

3 液壓系統(tǒng)性能衰退預(yù)測技術(shù)在軍用裝備領(lǐng)域面臨的問題

3.1 現(xiàn)場數(shù)據(jù)獲取量少

在軍用裝備的實(shí)際使用中，由于無法進(jìn)行改裝，很難通過安裝傳感器來獲取系統(tǒng)的數(shù)據(jù)；另外，由于液壓系統(tǒng)的特殊性，液壓設(shè)備損壞與失效往往發(fā)生在設(shè)備內(nèi)部，不便拆裝，且現(xiàn)場檢測條件有限，因而難以直接觀測。這兩方面因素造成了液壓系統(tǒng)故障的現(xiàn)場數(shù)據(jù)量少，多數(shù)只能獲取到故障現(xiàn)象和故障元件,對于后期開展定量分析造成了較大挑戰(zhàn)。

3.2 環(huán)境因素影響大

由于軍用裝備的使用環(huán)境特殊，存在高寒、高溫、大風(fēng)沙等惡劣條件，環(huán)境因素對液壓系統(tǒng)的性能影響很大，原有的性能衰退預(yù)測模型和故障機(jī)制分析可能存在較大偏差，因此對預(yù)測和診斷造成了很大的干擾。另外，由于不同地域環(huán)境的特殊性，性能衰退模式還存在相當(dāng)大的個(gè)性特點(diǎn)。

3.3 最優(yōu)故障閾值選擇難

液壓系統(tǒng)由于其性能衰退機(jī)制復(fù)雜、衰退耦合程度高，在實(shí)際的系統(tǒng)性能衰退預(yù)測中，個(gè)別元件可能并未達(dá)到失效程度，但因此會加速其他元件的加速衰退，此時(shí)該元件也必須進(jìn)行維修以達(dá)到系統(tǒng)整體性能的保持。而由于其故障機(jī)制之間的相互干擾，因此獲取最優(yōu)故障閾值也尤為重要。而在該方向上還需要繼續(xù)研究。

3.4 中后期預(yù)測診斷精度低

在理想情況下，能夠根據(jù)性能衰退規(guī)律和故障機(jī)制來實(shí)現(xiàn)故障診斷。但在中后期，由于疲勞、老化和磨損在變載荷譜下非線性的累積損傷或在污染物濃度陡增的情況下，液壓元件或系統(tǒng)的性能降級急劇加速，會徹底改變其故障發(fā)展規(guī)律，因此液壓元件中后期預(yù)測和故障診斷精度很難保證。

鑒于液壓系統(tǒng)性能衰退預(yù)測存在以上問題，最有效的方法就是在充分分析液壓系統(tǒng)性能衰退機(jī)制的基礎(chǔ)上，將信號處理和智能預(yù)測方法相結(jié)合，利用液壓系統(tǒng)多傳感器逐級信息融合的方法，多角度實(shí)現(xiàn)液壓系統(tǒng)的故障診斷。

4 總結(jié)與展望

對軍用裝備液壓系統(tǒng)中的故障模式進(jìn)行了闡述，并列舉了當(dāng)前在液壓系統(tǒng)性能衰退預(yù)測方向的研究成果；介紹了液壓系統(tǒng)性能衰退預(yù)測技術(shù)研究現(xiàn)狀，最后對該技術(shù)在軍用裝備液壓系統(tǒng)方面的應(yīng)用進(jìn)行了舉例。

目前，國內(nèi)外開展的性能衰退預(yù)測方面的工作仍處于初級階段，與故障診斷的發(fā)展相比，仍顯緩慢，但故障診斷的很多研究，如故障機(jī)制、特征提取和人工智能方法等方面開展的研究對性能衰退預(yù)測還是有很大的促進(jìn)作用。

未來，液壓系統(tǒng)性能衰退預(yù)測與故障診斷技術(shù)將會有3個(gè)方向的發(fā)展趨勢：

(1)液壓系統(tǒng)混合性能衰退預(yù)測方法研究。為了避免每種方法存在的局限性，發(fā)揮不同方法各自的優(yōu)點(diǎn)，綜合多種預(yù)測方法；同時(shí)研究新技術(shù)、新方法是必然趨勢，也是提高預(yù)測智能化的必經(jīng)之路。

(2)數(shù)據(jù)收集及處理方法研究。目前的軍用裝備液壓系統(tǒng)日趨復(fù)雜，如何及時(shí)獲取充足數(shù)據(jù)并加以分析決策，比如智能化的傳感器和檢測儀器、數(shù)據(jù)處理新方法的使用機(jī)內(nèi)測試(BIT)等技術(shù)，就成為該技術(shù)發(fā)展的一個(gè)重要方向。加快增強(qiáng)衰退預(yù)測的準(zhǔn)確性，提前預(yù)知故障位置、模式，以便提前做好預(yù)防，更好保障裝備性能。

(3)多智能體( Multi-Agent System,MAS)性能衰退預(yù)測。利用對分部件、零件等的獨(dú)立Agent的綜合統(tǒng)籌，發(fā)揮Agent的自治性、通信能力協(xié)調(diào)、協(xié)作能力，實(shí)現(xiàn)在外部環(huán)境、內(nèi)部運(yùn)行狀態(tài)的綜合影響下的預(yù)測能力。