一、PHM定义
故障预测与健康管理(pmgIlostic and health marIagement,PHM),是指利用尽可能少的传感器采集系统的各种数据信 息,借助各种智能推理算法(如物理模型、神经网络、数据融 合、模糊逻辑、专家系统等)来评估系统自身的健康状态,在 系统故障发生前对其故障进行预测,并结合各种可利用的资 源信息,提供一系列的维修保障措施,以实现系统的视情维 修旧J。它主要包含2层含义:一是故障预测(Prognostics),一 是健康管理(Health Management)”。故障预测是指根据系 统或部组件当前或历史性能状态,预测性地诊断部件或系统 完成其功能的状态(未来的状态),提供早期的检测和隔离能 力,并且进行管理和预报的技术和手段,包括确定部件或系 统的剩余寿命或正常工作的时间长度。健康管理是指根据 诊断或预测信息、可用资源和使用需求对维修活动做出适当决策的能力。
其目标是利用各种先进的传感器采集系统 的状态数据,采用基于智能模型的合理算法进行系统特征提 取,获取系统当前健康状态特征,从而实现对系统健康状态 的监控、预测和管理。其主要功能包括故障检测、故障隔离、 故障预测、剩余寿命预测以、实时装备调节、多传感器融合及 故障决策等,它是对复杂系统传统使用的机内测试(Build—In Test,BIrII)和状态(健康程度)监控能力的进一步扩展。 PHM代表了一种方法的转变,即从传统的基于传感器 的诊断转向基于智能系统的预测,反应性的通信转向主动性 的3Rs(即在准确的时间对准确的部位采取正确的维修活 动)。PHM重点是利用先进的传感器的集成,并借助各种算 法和智能模型来诊断、预测、监控和管理设备的状态。这一 技术的实现将使传统的事后维修或定期维修被基于状态的 维修(condition-Based Maintenance,cBM,亦称视情维修)所 取代。
二、PHM模型结构及存在不足
2.1 PHM模型结构
目前,健康管理研究领域的开放式系统结构还没有形成 统一的标准,*值得参考的是由美国宾夕法尼亚州的机械信 息管理开放系统联盟MIMOSA制定和发布的CBM(0pen System Architecture for Condition.Based Maintenance,0SA. cBM)开放式系统结构¨1。该结构将CBM系统分成7个功 能模块:数据获取层(Data Acquisition),数据处理层(Data MaIlipulation),状态监测层(condition Monitor),健康评估层 (HealtIl Assessment),预测层(Prognostics),决策支持层(De. cision support)和表达层Presentation IJayer)。 其中,健康评估层与故障预测层是*主要的两层,是PHM 系统的主要构成部分;数据采集和传输层、数据处理层是PHM 系统的重要环节,数据获取得越全面、越准确则对系统的健康 评估和故障预测就越精确;状态监测层是进行健康管理的初 步环节;决策支持层为维修资源管理和其他监视综合健康管 理系统的性能和有效性的处理过程提供支撑;表达层用于实 现人机交互,同时也完成与其他所有层的信息传输。
2.2 PHM模型存在的不足
PHM技术经过将近30年的发展,取得了一定的成就,但 仍然存在许多不足:
1)应用领域不够广泛。现有的PHM技术主要应用于 机械系统、网络软件监控、电力系统、卫星系统、航空系统等 领域旧。在导弹武器系统等领域的应用尚未见报道,而且国 内航空领域PHM技术仅限于航空电子部分,60%以上的故 障不能实现自动检测和隔离。
2)结构体系尚不完善。目前PHM还没有统一的标准 体系,虽然提出了许多PHM模型,但只是针对某个特定的系 统而言,并不具有普适性旧。
3)对系统的健康管理研究极少。纵观国内外设计的各 类PHM系统,其核心技术主要指故障检测、故障诊断与故障预测。PHM着重在于视情维修,在于故障的预防,也就是 说,在该系统的设计中应当突出的功能是系统故障的尽早发 现,即状态监测和健康管理。而视情维修的前提就是依据当 前系统的健康状况来决定是否维修,目前多数文献着重状态 监测,但如何准确估计系统的健康状况却极少提及。
4)故障诊断效率不高。随着各类系统复杂性的提高, 系统内部的故障机理往往难以了解,导致无法准确建立故障 模型,而且由于早期故障特征表现不明显,健康管理没有建 立指标体系,测试点有限,各类特征参数提取不够完备,使得 早期的故障诊断更加困难,效率不高。
5)对特征量的提取没有建立一套完整的指标体系。健 康管理主要依托系统特征参数进行,所以,建立一套科学有 效、可信度高的指标体系,对于实现健康管理至关重要,而目 前国内外研究重点都在故障诊断、故障预测方法方面,而对 特征量的指标体系研究较少,尤其在导弹健康管理指标体系 方面,目前尚处于探索阶段。
3 复杂武器系统健康管理模型
3.1复杂武器系统删模型 在构建复杂武器系统健康管理模型时,有必要对复杂武 器系统特点及整个寿命周期进行详细分析,以便设计较为合 理的PHM模型。本文以某型复杂武器系统为例,其寿面剖 面如图1所示。
在其整个寿命周期内,通常受到外界环境应力(主要包 括温度、湿度、盐度、振动、频率、磁场、电场、冲击等)的作用, 其健康状态实际上就是武器系统与环境应力相互博弈而表 现出来的特征。 复杂武器系统通常需要相应的保障设备来支持,所以, 复杂武器系统概念的内涵就非常广泛,就有狭义与广义之 分,狭义的复杂武器系统仅指武器本身,广义的复杂武器系 统包括武器系统及其保障设备。
基于此,复杂武器系统的健 康可以划分为狭义健康和广义健康。狭义健康是指复杂武 器系统自身的健康,广义的复杂武器系统健康主要包括三方 面:武器系统自身的健康;保障设备的健康;适应环境的 能力。 复杂武器系统不同于普通武器系统,由于其系统复杂、造价昂贵,不能像普通武器系统一样进行无限次的实验,有 些实验代价高、周期长,有些实验甚至是毁灭性的,所以,其 实验数据非常有限,对其进行健康管理,需要特别注意对数 据的利用和处理。 对复杂武器系统构建PHM模型,需要充分分析三类健 康因素的特点。在三类健康因素中,复杂武器系统自身性能 状态可以通过准确测试而获知;环境适应能力是定性参量,不能通过传统的测试得到,比较普遍地做法是通过专家系统 进行评判,然后确定各专家的权重,*终得到结果;保障性能 指标参数既有定性的量(例如武器系统的可达性、维修的安 全性、可用度等指标),又有可定量的量(例如武器系统维修 器材的标称电压)。 由上述分析,建立广义复杂武器系统PHM结构模型、环 境适应性能PHM结构模型,如图2所示。
复杂武器系统通常采用内厂试验类方法、现场信息类方 法、工程分析类方法、加速寿命试验方法等进行剩余寿命预 估和故障预测一。在日常管理过程中,一般需要进行定期 检测,这些过程中产生的各类数据(测试数据、维修数据、故 障数据等)非常重要,可以作为PHM中故障预测与健康管理 的推理诊断数据。实际应用中,复杂武器系统由于其造价昂 贵,通常不允许反复试验或利用故障注入的方式得到典型的 征兆数据,所以,所有历史数据和现场测试数据都应作为健 康管理的数据源。
3.2复杂武器系统PHM关键环节
基于对复杂武器系统PHM模型分析,要实现复杂武器 系统的健康管理,需要注重以下环节:
1)特征参数的提取及健康指标的确定。
要对武器系统 进行故障预测与健康管理,首先要确定可以直接表征其健康 状态的参数指标,或可问接推理判断系统健康状态所需要的 参数信息,这些指标或信息就是系统健康管理所需要的特征 参数。其次,还需要确定能够表征武器系统健康状况的健康 指标,这些指标必须是能真正反映武器系统健康状态的关键 量。健康指标的选择就是要能够反映武器系统在外界环境 应力作用下,*明显、*具特征的参量。根据上述分析,确定 需要分析或提取的数据信息包括设计信息、测试信息、故障信息、维护信息、外观信息。在进行数据信息提取过程中,还 需要对中间数据、测试数据等进行处理,主要包括数据归一 化处理、权重赋值等。
2)数据/信息融合。
PHM系统进行信息融合的目的是 为了提高检测精度和鲁棒性,提高异常检测、故障诊断和预 测技术的整体效能,其*终目标是将测量系统和融合算法与 相应的健康管理体系结构进行组合优化,提高检测/预测的 置信水平,为故障诊断和预测决策提供依据。常用的数据融 合算法有贝叶斯理论,IBs证据理论,模糊逻辑推论,神经网 络融合算法等。通常可在3个层次中进行:传感器层融合: 没有信息丢失,但信息传输量及计算量大;特征层融合:在设 备特征提取过程中会造成一定信息丢失;推理层融合:基于 传感器和特征层融合结果,为系统级健康管理提供可靠的数 据依据。 3)系统健康状态的检测与鉴定。在对武器系统进行测 试及健康管理过程中,经常会出现两类不确定性问题:传感 器或者测试设备发生故障(*常见的就是“零漂”),从而提 供错误或不准确的数据;在武器系统进行使用过程中,一些 真实故障是间歇性的,即这类故障只出现在特定的环境条件 下,而在其他条件下自动恢复正常。这2类问题会导致故障 不能复现(cND)和重测合格(R1№K)等情况的出现。所以,对系统健康状态的检测与鉴定就显得尤为重要,只有提出很 好的方法解决上述2类问题,才能够降低系统误报和漏报, 真正做到健康管理,提高武器系统的可用性、可信赖性,提高 作战效率。目前解决这类问题的思路是对系统采用人工智 能技术,主要包括专家系统、神经网络、模糊逻辑、遗传算 法等。