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。
客服1