基于贝叶斯网络的火箭发动机失效预警

卢明章，宋永军，赵海军

(中国人民解放军91049部队，山东 青岛 266102)

0 引言

固体火箭发动机是导弹的重要组成部分，也是贮存过程中最容易发生问题的部位[1]。在长时间服役的情况下，装备各部件的可靠性面临严峻的考验，分析发动机在贮存过程中的失效规律，对其剩余寿命进行准确的评估至关重要[2]。火箭发动机的失效预警是当前研究的热点，国内外学者在发动机可靠性、零部件失效判定等方面取得了很多研究成果[3-5]，不过尚缺乏一种能系统性地对火箭发动机失效风险实施预警的方法。

贝叶斯网络(Bayesian-net)是一种将因果知识和概率知识相结合的信息表示框架，它主要由2部分构成：网络结构和条件概率表，贝叶斯网络已经成为不确定知识表达和推理领域最有效的理论模型之一[6-8]。在小子样条件下，火箭发动机各部件的失效概率存在许多不确定信息，可以用条件概率把各种相关信息纳入到同一个贝叶斯网络，贴切地反映各种要素之间的因果关系和条件相关关系，并利用贝叶斯规则在网络中进行正向或逆向推理，从而得出发动机部件的失效风险概率，实现对火箭发动机失效的有效预警。

1 火箭发动机失效预警建模

贝叶斯网络构建任务分为网络结构的构建和概率获取[9-10]。利用故障树中火箭发动机的结构和零部件失效模式以及零部件之间的故障关系建立贝叶斯网络结构，并借助零部件失效风险以及零部件之间的相关影响，确定贝叶斯网络节点概率[11]。

1.1 节点选择和贝叶斯网络的构建

火箭发动机失效预警贝叶斯网络中失效风险节点的选择要考虑装备超期服役的现状，遵循科学性、代表性的节点选取原则，保证失效预警的有效性。

根据火箭发动机的基本构造，可以给出整个发动机失效预警的贝叶斯网络结构，如图1所示。其中，初始节点为失效风险诱因节点，即影响发动机或部件失效的零部件失效，它是发动机失效直接的风险源；次层节点为失效风险指标节点，即发动机部件的失效；终端节点为发动机的全面失效。

1.2 网络节点设置和赋值

在对节点进行设置过程中，要根据不同节点的性质，设置不同的风险状态。通常根据危险严重性和危险可能性(分别由危险响应试验和破坏试验确定)来综合评估固体火箭发动机的风险等级，GJBz20296-95中，将危险可能性分为5个等级：A(频繁)、B(很可能)、C(有时)、D(极少)和E(不可能)[2]。在此，发动机全面失效、燃烧室壳体、喷管以及点火装置等关键节点的风险状态分为5种：非常高(VH)、高(H)、中等(M)、低(L)和非常低(VL)；为了简化模型，对于初始节点与过渡节点，如点火药失效等节点的风险状态分为3种：高(H)、中(M)和低(L)。

由于历史故障数据和失效试验次数很少，火箭发动机失效属于小子样事件，论文主要通过主观判断以及向装备管理保障方面的专家征询意见后，采用专家评分法[12]为各节点赋予一个相对主观的先验概率值(如表1，表2所示)，并给出节点之间的条件概率和联合概率。

图1 火箭发动机失效预警贝叶斯网络Fig.1 Bayesian-net of failure pre-warning of rocket motor

表1 五状态节点相应状态下的先验概率Table 1 Prior probability of nodes which have 5 states

部件节点名失效风险的先验概率/%非常高(VH)高(H)中等(M)低(L)非常低(VL)燃烧室壳体RanKe5.221.512.220.640.5喷管PenGuan6.32.74.946.539.6点火装置DianHuo11.225.3929.824.7发动机全面失效FaDongJi152182828

根据火箭发动机失效预警网络中的故障传播条件概率，利用NETICA软件，可以给出完整的发动机失效预警的网络拓扑(限于篇幅，文中没有给出具体的条件概率和联合概率表)，如图2所示。

表2 三状态节点相应状态下的先验概率Table 2 Prior probability of nodes which have 3 states

图2 失效风险先验概率Fig.2 Prior probability of failure risk

2 贝叶斯网络推理

构建火箭发动机失效风险贝叶斯网络之后，就可以利用其进行推理计算。既可以根据观测到的发动机零部件失效事件或失效概率的变化，修正贝叶斯网络中相应的风险诱因节点的先验概率值，根据条件概率和联合概率，观察其他节点的失效概率变化，分析失效节点对其他节点的影响；也可以在有证据情况下，通过调整终端节点的先验概率赋值，根据其他节点的变化，分析各影响因素的状态。

2.1 贝叶斯正推理

在已知零部件失效或失效风险增大的情况下，对发动机失效风险贝叶斯网络进行正向推理，能够分析各零部件失效风险对发动机的影响程度。例如由于推进剂老化，衬层与推进剂之间发生脱粘，导致衬层的失效风险增大，网络中衬层节点的先验概率由1%，2%，97%变化为80%，15%，5%，则推进剂药柱失效风险为“高”的概率变为

Prob(YaoZhu="H")=

∑(Prob(YaoZhu="H")|ChenCeng)*

(Prob(ChenCeng="H","M"or"L"))=72.6%.

(1)

改变贝叶斯网络中衬层节点的失效先验概率，如图3所示，经过推理计算，可得到其他相关节点的失效概率变化。

图3 贝叶斯正推理结果Fig.3 Result of Bayesian reasoning

从图3中可以看出，衬层的失效风险增大会导致推进剂药柱失效风险增大，进而影响到发动机的全面失效风险。

2.2 贝叶斯证据网络推理

发动机失效预警网络也可以进行证据网络推理，以判断各种影响因素对全面失效风险的影响程度，以利于保障人员对发动机失效关键诱因重点控制，将发动机失效风险降低到最低水平。以发动机全面失效风险概率增大为例，在全面失效节点5种状态VH，H，M，L，VL的概率由15%，21%，8%，28%，28%变化为75%，13%，7%，3%，2%后，经过逆推理，燃烧室壳体、喷管、点火装置以及推进剂药柱、装药支撑装置等部件的失效概率如图4所示。

图4 证据网络推理结果Fig.4 Result of evidence network reasoning

从图4中可以看出，点火装置和推进剂药柱的失效风险为“非常高”的概率分别由11.2%和8.3%上升为78.6%和83.1%，明显高出燃烧室壳体、喷管、和装药支撑装置等部件的失效概率变化。可以得出结论，点火装置和推进剂药柱是发动机失效的主要诱因，应作为平时保障管理的重点对待，及时消除失效隐患。

3 结束语

复杂装备的故障特性与其结构、性能有着本质的关联，论文将贝叶斯网络应用于火箭发动机失效预警，将各类零部件风险诱因对发动机整体的影响纳入到具有因果关联的网络结构中，在对各级节点赋值的基础上，基于贝叶斯推理得出了各类指标的影响程度。模型推理结果表明，借助装备结构关系构建的贝叶斯网络更贴合其故障关联性和传播路径，可以较好地实现失效预警。

对固体火箭发动机的失效风险进行预警以便能够及时采取措施化解风险，是提高导弹贮存可靠性的有效途径，可为保障人员提供参考，提高装备的管理和保障能力。

参考文献：

[1] 常新龙, 孙兵晓, 马章海, 等. 固体发动机失效模式分析及贮存可靠性评价指标体系研究[J]. 质量与可靠性, 2008(5): 24-27.

CHANG Xin-long, SUN Bing-xiao, MA Zhang-hai, et al. Study on Failure Mode and Storage Reliability Evaluation Index System of Solid Motor[J]. Quality and Reliability, 2008(5): 24-27.

[2] 邢耀国, 董可海, 沈伟, 等. 固体火箭发动机使用工程[M]. 北京: 国防工业出版社, 2010.

XING Yao-guo,DONG Ke-hai,SHEN Wei,et al.Application Engineering for Solid Rocket Motor[M].Beijing:National Defense Industry Press,2010.

[3] WU Y T, MILLWATER H R， CRUSE T A. Advanced Probabilistic Analysis Method for Implicit Performance Functions[R]. AIAA，1990, 28(9): 1663-1669.

[4] KNAUSS W G. Fracture and Failure at and Near Interfaces under Pressure[R]. AD-A348939, 1998.

[5] 邢耀国, 李高春, 王玉峰, 等. 固体火箭发动机状态监测和失效判定技术的发展和展望[J]. 海军航空工程学院学报, 2006, 21(5): 552-556.

XING Yao-guo, LI Gao-chun, WANG Yu-feng, et al. Progress and Prospect in Technology of Monitoring and Testing for Health and Failure Determination in Solid Rocket Motor[J]. Journal of Naval Aeronautical Engineering Institute, 2006, 21(5): 552-556.

[6] Helge Langseth, Luigi Portinale. Bayesian Networks in Reliability[J]. Reliability Engineering and System Safety, 2007, 92(1):92-108.

[7] 李曼, 冯新喜. 基于贝叶斯网络的威胁识别[J]. 现代防御技术, 2009, 37(5): 10-13.

LI Man, FENG Xin-xi. Threat Identification Based on Bayesian Networks[J]. Modern Defence Technology, 2009, 37(5): 10-13.

[8] HARTFORD, BAECHER. Risk and Uncertainty in Dam Safety[M].Bodmin: Thomas Telford, 2004.

[9] COWELL R G, VERRALL R J，YOON Y K. Modeling Operational Risk with Bayesian Networks[J]. Journal of Risk and Insurance, 2007, 74(4): 795-827.

[10] BONAFEDE C E, GIUDICI P. Bayesian Networks for Enterprise Risk Assessment[J]. Physica A: Statistical Mechanics and Its Applications, 2007(1): 22-28.

[11] 陆静, 王捷. 基于贝叶斯网络的商业银行全面风险预警系统[J]. 系统工程理论与实践, 2012, 32(2): 225-235.

LU Jing, WANG Jie. Enterprise Risk Pre-Warning System of Commercial Banks Based on Bayesian Networks[J]. Systems Engineering Theory & Practice, 2012, 32(2): 225-235.

[12] 胡保朝, 杨亦材, 谢蔚民. 固体发动机失效树专家评分法[J]. 固体火箭技术, 1993(3): 37-43.

HU Bao-chao, YANG Yi-cai，XIE Wei-min. Fault Tree Expert Evaluation Method of Solid Motor[J]. Journal of Solid Rocket Technology, 1993(3): 37-43.