飞机复合材料构件健康预测与管理综述*1



飞机复合材料构件健康预测与管理综述*1

朱兵，董恩生，孙超，徐伟

(空军航空大学，吉林 长春130022)

摘要：先进复合材料具有比模量高、耐高温、耐疲劳等优点，在现代飞机上的用量越来越大。随着飞机服役年限的增加，复合材料构件会产生裂纹、内部分层等损伤。而对于复合材料构件异常的漏判往往会造成机毁人亡的灾难性后果。健康预测与管理技术能够实现对飞机复合材料的状态进行实时监测，及时发现复合材料的异常，实现视情维修，进而保证飞行安全。阐述了健康预测与管理技术中几种常用的传感器技术及健康预测方法，并比较它们的优缺点，以及应用条件，为今后更方便地进行研究打下基础。

关键词：复合材料；损伤；实时监测；视情维修；健康预测与管理技术；传感器

0引言

随着科学技术的不断发展，具有比模量高、耐高温、耐疲劳等优点的先进复合材料在先进飞机上(机翼、尾翼、燃料箱、设备舱等)的用量越来越大。例如，在军用飞机上，瑞典研制的JAS-39狮鹰战斗机，复合材料占机身结构质量的30%；美国研制的V-22鱼鹰式倾转旋翼机，复合材料占机身结构质量的45%；美国研制的F-22，复合材料占机身结构质量的26%；欧洲四国研制的超声速战机EF-2000，复合材料占机身结构质量的43%；美国研制的轻型侦察攻击直升机RAH-66，复合材料用量达机身结构质量的51%；A400M军用运输机的复合材料用量达到全机质量的30%[1-2]。在民用飞机上，波音公司研制的B777飞机，其复合材料占结构质量的11%；波音B787飞机，复合材料占结构质量的50%；空客公司研制的A380，复合材料占结构质量的22%[3]。随着服役年限的不断增加，复合材料构件会产生裂纹、内部分层等损伤，会影响飞行安全。传统的故障诊断是在故障发生后才去找出故障的部位，这样就会造成人力、物力、财力等不必要的损失和浪费。国外的一项统计表明，飞机生命周期平均花费的27%都用在定期的维护上。由于材料的各向异性、纤维的导电性以及模型的绝缘性，使得复合材料维护和修理要比金属材料更具挑战性[4]。所以对复合材料的健康状态进行有效监测及预测显得至关重要。因此，必须对复合材料的异常或损伤进行有效预防来保证飞机的整体安全[5]。健康预测与管理(prognostic and health management，PHM)技术能够实现对飞机复合材料构件的状态进行实时监测和预报，及时发现异常，保证飞行安全，降低飞机复合材料部件的维修和使用费用。

1健康预测与管理技术的国内外研究现状

健康预测与管理技术成为国内外研究的热点。澳大利亚的国防科学与技术组织(defence science and technology organisation，DSTO)的L. Molent等首次运用结冰-达格代尔模型给出了飞机构件裂缝深度的对数与飞机实际服役年限的线性关系，并由此确定带有裂缝的飞机构件有效剩余寿命或者适当的维护期限，该方法已经被广泛地用于服役飞机金属构件的裂缝检测及其有效剩余寿命的监测[6]；美国学者Jack Edmonds,Gail A. Hickman等论证了将一组压电传感器阵列附在V-22鱼鹰直升机的复合材料结构部件上用于敏感和驱动，并对复合材料结构部件的振动响应进行统计学分析，用来探测、评估复合材料结构的损伤[7]；美国公司Comp Air commissioned Chandler Monitoring Systems Inc(CMS)的K. Chandler等基于安装在飞行器上的一组光纤Bragg光栅传感器阵列和询问系统，设计和开发了一个新颖的对复合材料构件健康状态监测系统和火灾探测系统，能实现对复合材料健康状态的有效预测，该系统是飞机复合材料构件的第1套光学监控系统[8]。国内也有多家大学和研究机构开展健康预测与管理技术研究，重庆邮电大学的黄大荣等基于卡尔曼滤波原理和专家系统知识提出了一种混合预测方法，能够较好地解决故障先兆知识获取困难的问题，实现故障预测的在线实时控制，有效预防系统故障发生[9]；中国民航大学的张天刚等将基于贝叶斯框架下的LS-SVM(least squares support vector machine)回归模型用于液压系统的健康预测，并给出了模型的选择算法，取得了较好的预测效果[10]；沈阳飞机研究所崔建国等将混沌理论与声发射技术结合起来，使用小波分析对采集的声发射信号进行去噪，使用混沌理论提取关联维数，并用神经网络进行健康预测，很好地预测了飞机水平尾翼的健康状态[11]。可见，国外对PHM技术早已应用到实际问题的处理之中；国内大都处于理论研究阶段，投入实际应用很少。

2健康预测与管理技术中应用的传感器类型

传感器，是将感受到的物理量、化学量、生物量等信息，按照一定的规律，转换成便于测量和传输的信号的装置。传感器能够敏感环境、电气、机械和电子等参量，能将被测的非电量转换成电信号，是健康预测与管理系统结构中的重要组成部分[12]。随着传感器技术的发展，传感器在飞机复合材料构件的健康监测中发挥着越来越重要的作用。常用的传感器如下：

2.1光纤传感器

光纤传感器能将来自光源的光送入调制器，使待测参数与进入调制区的光相互作用后，导致光的光学性质(如光的强度、波长、频率等)发生变化，被调制的光经过光纤送入光探测器，经解调后，获得被测参数。由于光纤具有质量轻、柔韧性好、直径小等优点，光纤传感器在测量过程中可实现普通光电传感器无法到达的区域[13]。

2.2超声波传感器

超声波传感可以被应用于主动和被动模式，因此在传感技术领域获得相当大的关注。对材料中传输的超声波信号进行分析作为传统的无损检测方法，长期以来被用于检测和评估飞机上复合材料构件损伤。然而，这种方法利用超声波传播扫描结构部件，逐点对材料性能或损伤位置进行表述，并不是连续的，也不能用于机载。因此，斯坦福大学在对多执行器接收机传导(multi-actuator receiver transduction，MART)层进行研究时，使用嵌入式的超声波传感器阵列，使传感器建立起发射—接收的连接关系，用于评估构件的损伤，取得了很好的效果[14]。超声波传感器技术在构件健康监测中的研究主要包括：①小型化、坚固耐用、可嵌入式传感器；②优化传感器的布局，使其能够检测结构部件的全部损伤特性，而不仅仅是超声波传播路径上的损伤；③对附着在或嵌入在航空器薄壁结构上的传感器发生的超声波导波建立传输模型。

2.3压电传感器

压电传感器的基本原理是压电材料的压电效应，它能实现机械能与电能之间的相互转换，被用来测量力和压力、位移、加速度等与力有关的参数[13]。压电传感器具有质量轻，能耗小，能感应很小的张力及很小的加速度等优点，可以被用于飞机构件的健康预测与管理系统中。

使用压电材料的传感器最大的好处是，只简单地改变激励信号的时域范围，就可广泛地将其应用在不同类型的损伤探测技术中。另外，张力监控技术和声发射技术通过压电传感器在没有激励源的情况下也能进行损伤探测[15]。

上述几种传感器技术，其传感器都需要安装或附着在飞机上，这或多或少地会增加飞机质量，影响飞机的空气动力性能。

2.4同面多电极电容传感器

同面多电极电容传感器能将被测物理量的变化转换为电容量的变化[16]。一对电极结构是同面多电极电容传感器的基本组成单元，由发射电极、接收电极、屏蔽电极和绝缘层构成，见图1。

图1　同面两电极电容传感器的结构示意图Fig.1　Schematic with two surface electrode　　　capacitance sensors

基本原理：同面电极的上方为敏感区域，传感器的电场线深度即为检测深度。工作时，将两个电极接到检测电路中，当复合材料内部出现分层、裂纹等损伤时，损伤部位的等效介电常数将会发生变化，从而引起电容值发生变化。通过测得电容值就可以得到检测部位的损伤情况[17]。

同面多电极电容传感器具有灵敏度高、结构简单、成本低、体积小、性能优良和能在恶劣环境中工作等优点，故将其用于复合材料构件的健康预测与管理系统中，可以在不增加飞机整体质量及不影响飞机空气动力性能的条件下，完成复合材料健康预测与管理过程中的数据获取。

3健康预测与管理技术常用方法

健康预测，通过对被预测构件的未来发展趋势、方向及可能的状态建立预测模型，基于模型做出科学合理的预测和推断。健康管理，通过将数据采集和信号处理系统，健康评估与预测系统以及地面维护保障系统集成一个综合的系统进行统一管理，从而实现健康监测、预测以及后勤维护决策的高度智能化与自动化[18]。飞机构件的PHM系统的结构示意图如图2所示。

由图2可知，PHM就是在诊断的基础上增加了健康预测和健康信息融合。而健康预测是根据被预测对象未来的运行趋势和目前的健康状态，估计其未来的健康状态以及剩余寿命，它是PHM系统的关键部分。

按照工程应用及研究的主流，健康预测技术主要可以分为4类[19-20]：①基于统计模型的预测技术；②基于数学的预测技术；③智能预测技术；④综合预测技术。如图3所示。

3.1基于统计模型的预测技术

幅值很小的故障特征很难被识别出来，但是随着时间的推移，故障特征幅值会逐渐增大。基于统计模型的预测， 是通过对观测到的历史数据作出模型假设，然后对模型参数进行估计得到相应的预测值的预测方法。这种预测方法的缺点是当模型假设与实际偏差较大时，预测效果就会很差。它包括时间序列预测法、回归分析预测法、滤波器预测法等。

3.1.1时间序列预测法

时间序列预测是根据观测数据的特点为数据建立合理的统计模型，利用模型的统计特性得到数据统计规律，以达到预测目的。随机时间序列有自回归模型(autoregressive model,AR)、滑动平均模型(moving average model,MA)和自回归滑动平均模型(antoregressive moving average model,ARMA)3种模型。电子科技大学的洪涛应用自回归滑动平均模型(ARMA)对某型液体火箭发动机氧化剂压力进行预测，进而判断发动机工作时是否存在故障趋势，从而对其进行控制[21]。时间序列预测能够根据产生该序列的系统的历史行为，较精确地找出相应系统的内在统计和发展规律。但是，该方法的前提是数据序列是平稳的且可以由历史数据线性表示。否则，预测效果将会变差。

3.1.2回归分析预测法

回归分析预测按自变量的个数分为一元回归预测和多元回归预测，是通过分析被预测对象中的自变量和因变量的相关关系，建立回归方程，并将回归方程作为预测模型，根据自变量的变化来预测因变量。该方法的优点是，如果能将影响健康预测对象的主要因素找到，且能够获取其数据资料，就能用该方法进行预测。中国林业科学研究院木材工业研究所的杨忠等，应用近红外光谱与多变量回归分析方法相结合，对校正集样本建立判别模型，有效地检测出木材的生物腐朽情况，并对生物腐朽的类型进行准确判别[22]。对于飞机复合材料构件，将其内部分层、裂纹等因素作为自变量，健康状态或损伤状态作为因变量，建立回归方程模型，也可以用来对复合材料构件进行健康预测。但是，当找不到影响健康预测的主要因素及其数据资料时，回归分析就不再适用。

3.1.3滤波器预测法

滤波器预测是通过对系统状态估计误差的极小化得到递推估计的方程组，同时得到了系统的预报方程，故可以对系统进行运动或状态预测[9]。但是，滤波器模型的不准确，会导致估计值发生很大偏差。

3.2基于数学的预测技术

在实际的健康预测和分析过程中，常常会遇到大量经典集合理论所不能解决的边界不清的模糊性问题，以及预测过程自身的不确定、不精确和噪声所带来的困难。这个时候，就需要应用精确的数学方法来解决问题。目前，基于数学的预测技术主要包括：基于模糊理论的预测技术、灰色理论预测法等。

3.2.1基于模糊理论的预测技术

图2　被预测对象的PHM系统示意图Fig.2　PHM predicted target system diagram

图3　健康预测方法的分类Fig.3　Categories health prediction methods

基于模糊理论的预测是在模糊变换原理和最大隶属度原则的基础上，根据故障的原因与征兆之间不同程度的隶属关系，综合考虑所有征兆的基础上，对发生故障可能的原因进行判断和预测。但是，在模糊预测中，由于知识库是静态的，使得健康预测系统的数据表达没有时间参数，所以该方法不适用于动态系统的健康预测。

3.2.2灰色理论预测法

在实际工程应用中，往往很难得到被预测对象的全部有用信息，针对少数据、贫信息不确定性问题，邓聚龙教授于1982年提出了灰色理论。灰色理论预测是对系统行为建立灰色G(h，n)(h表示阶数，n表示变量个数)模型，进行各变量动态关联分析，实现系统行为的预测。目前，GM(1，1)是最广泛的灰色模型。重庆大学测试中心的陈庆斌等，利用灰色模型GM(1，1)对空压机的轴向止推轴承磨损量进行预测，具有很高的预测精度，取得了很好的预测效果[23]。但是，发展系数(数据序列的增长速度)的增加，会导致预测误差的迅速增大。当发展系数过大时，灰色模型的预测精度会变得很低。飞机在飞行过程中，影响其复合材料构件健康状况的因素往往有很多，且各个因素所包含的信息之间的关系往往难以确定。理论上，可以将灰色预测理论引入到对飞机复合材料健康信息发展趋势的预测研究中。

3.3智能预测技术

智能预测技术主要应用在很难得到被预测对象精确的数学模型的情况下。因此，它比依赖于参数模型的预测具有更广泛的应用范围。但是智能预测技术在知识量很大时，将会出现推理复杂、无穷递归和组合爆炸等问题[24-25]。目前，常用的智能预测方法主要有：基于神经网络、支持向量机、专家经验等预测方法。

3.3.1基于神经网络预测法

神经网络是由大量模仿人类脑细胞的处理单元组成的非线性、大规模、自适应并具有学习、记忆和并行计算等功能的网络系统，它能在不同程度上模仿大脑神经系统处理、储存和查找信息，将其应用到故障诊断、状态监测以及健康预测中具有很好的效果。其中，利用最速下降算法的BP(back-propagation)神经网络是应用最为成功的一种[26]。英国剑桥传感器和通信电子部门的Peter T. Kazlas等，基于BP神经网络算法实现了对直升机变速箱健康监测[27]；美国智能自动化公司的Tom Brotherton和Tom Johnson基于BP神经网络算法实现了对先进战机液压系统和辅助电源机构的健康监测[28]。但是，BP神经网络算法存在过于依赖经验、对样本的先验知识、数据量需求很大以及模型建立不准确时预测精度低等固有缺点。由于模糊理论能解决不确定性边界问题等优点，所以，理论上可以将模糊理论与神经网络相结合用于对处于复杂、不确定环境中的飞机复合材料构件的健康预测研究。

3.3.2基于支持向量机预测法

支持向量机，是在统计学习理论和结构风险最小化的基础上，从小样本出发的机器学习方法。由于它具有学习结构简单、泛化能力高、唯一最优解及适合高维数据处理等优点，将其应用于装备的故障模式识别和状态监测中具有很广阔的前景[29]。广西民族大学的农吉夫将支持向量机与主成分分析相结合，对区域降水变化进行了有效地预测[30]；华北电力大学的宋晓华等，将蛙跳算法引入到支持向量机中，对我国能源消费总量进行了预测，取得了良好的效果[31]。由于向量机模型核函数的参数及惩罚系数是影响模型的性能主要因素，故核函数选取不当也会降低预测精度。在实际的生产、使用过程中，不易获得完备的飞机复合材料购件故障样本数据信息，相比而言，小样本数据非常容易获得。所以，在小样本的条件下，支持向量机理论上可用于飞机复合材料构件健康预测与管理的研究中。

3.3.3基于专家经验预测法

专家经验预测是将人类对某个对象的故障诊断和健康预测方面多位专家的知识、经验、推理方法等综合后编制成计算机程序，它对装备过去和现在的情况进行检测和分析，根据计算机的推理为决策者提供决策建议。防空兵指挥学院的徐凤建等，在专家系统理论的基础上，利用知识推理，给出了雷达装备故障预测专家系统的建造步骤、系统功能、工作过程以及运行结果的知识表示，为雷达装备的故障预测提供了一个可行的方法[32]。但是，由于装备在制造、装配、安装上的差异和工作条件上的差别，使得故障模式不尽相同，从而使得数据更新和获取变得复杂和困难。知识获取困难和知识库更新能力差是专家系统预测的主要缺点。

3.4综合预测技术

飞机构件所处的外部环境往往是复杂且迅速变化的，这样就会导致健康预测的不确定性因素大幅度增加。此时，利用传统的单个模型进行预测会造成信息来源范围小，以及单一预测模型的选择对预测结果过于敏感等缺陷。所以，采用单个预测模型常常不能得到理想的预测结果。为了提高预测的准确性，将不同的预测模型组合起来，再结合不同的传感器获取特征信息，最后将不确定信息融合进行预测。

东北大学的易平涛等在单项预测法的基础上，提出了基于密度算子的组合预测，进一步提高了预测结果的准确性[33]。

综合预测方法虽然能够克服单个预测模型在复杂、迅速变化的环境中不适用的缺点，但是它也有一些不足。对于组合预测，其整体预测精度取决于单项预测精度及权重，而权重选择不合理仍会造成预测结果的不准确。对于多传感器融合，其系统建模的方法还不完善。对于证据理论预测，推理步骤繁多会使D-S证据预测的工作量变得很大[34]。

基于健康预测与管理技术，飞机复合材料构件健康预测与管理的一般方法如图4所示。

图4　飞机复合材料构件健康预测与管理的一般方法Fig.4　General method for aircraft composite structures prediction and management of health

4结束语

先进复合材料在现代飞机上的用量越来越多，采用健康预测与管理技术对复合材料构件的健康状态进行预测，能在构件出现裂纹、内部分层等损伤时，及时确定故障部位。本文阐述了几种健康预测的技术和传感器技术，它们在国内外不同领域均获得了良好的应用。例如，在国外，美国公司CMS将传感器技术与预测技术结合起来，设计和开发了一个新颖的复合材料健康监测系统；在国内，防空兵指挥学院的徐凤建等，利用专家知识，为雷达故障预测提供了一个可行的方法等。预测技术可以实现对构件的健康状态的监测和剩余寿命的预测，同样将其应用于复合材料构件健康状态和剩余强度的预测也是可行的。

参考文献：

[1]沈军,谢怀勤.先进复合材料在航空航天领域的研发与应用[J].材料科学与工艺,2008,17(5):737-740 .

SHEN Jun,XIE Huai-qin. Constitutive Relationship Development and Application of Advanced Composite Materials in the Aerospace[J].Materials Science and Technology, 2008,17(5):737-740.

[2]陈吉平,苏佳智,郑义珠,等.复合材料在A400M军用运输机上的应用[J].航空制造技术,2013,56(15):82-85.

CHEN Ji-ping, SU Jia-zhi, ZHENG Yi-zhu,et al.Composite Materials on the A400M Military Transport Aircraft Applications[J]. Aeronautical Manufacturing Technology,2013,56(15):82-85.

[3]汪萍.复合材料在大型民用飞机中的应用[J]. 民用飞机设计与研究,2008(3):11-15.

WANG Ping.Application of Composite Materials in Large Civil Aircraft[J].Civil Aircraft Design and Research,2008(3):11-15.

[4]HALL S R,CONQUEST T J.The Total Data Integrity Initiative—Structural Health Monitoring, the Next Generation[C]∥Proceedings of the USAF ASIP，1999,2.

[5]NAKAMURA N,OGISU T,YONEDA H, et al. Impact Monitoring of the Aircraft Composite Structure Using FBG Sensor/PZT Actuator Hybrid Sensor System[C]∥The 14th International Symposium on: Smart Structures and Materials & Nondestructive Evaluation and Health Monitoring. International Society for Optics and Photonics,2007: 65270B-65270B-8.

[6]MOLENT L, SINGH R, WOOLSEY J. A Method for Evaluation of in-Service Fatigue Cracks[J]. Engineering Failure Analysis,2005, 12(1): 13-24.

[7]EDMONDS J, HICKMAN G. Damage Detection and Identification in Composite Aircraft Components[C]∥Aerospace Conference Proceedings, 2000 IEEE,2000,6:263-269.

[8]CHANDLER K, FERGUSON S, GRAVER T, et al. On-line Structural Health and Fire Monitoring of a Composite Personal Aircraft Using an FBG Sensing System[C]∥The 15th International Symposium on: Smart Structures and Materials & Nondestructive Evaluation and Health Monitoring. International Society for Optics and Photonics, 2008:69330H-69330H-6.

[9]黄大荣,黄席樾,范敏,等.基于卡尔曼滤波和专家系统的混合故障预测研究[J].计算机仿真,2005,22(9):150-152.

HUANG Da-rong,HUANG Xi-yue,FAN Min,et al.Fault Prediction Based on Kalman Filtering and Hybrid Expert System[J].Computer Simulation,2005,22(9):150-152.

[10]张天刚,侯晓云.贝叶斯框架的LS-SVM回归在民机液压系统预测中的应用[J]. 科技导报,2013,24(14):56-60.

ZHANG Tian-gang, HOU Xiao-yun.Bayesian Framework of LS-SVM Regression in Civil Aircraft Hydraulic Systems Prediction[J].Technology Review,2013,24(14):56-60.

[11]崔建国,董世良,吕瑞,等.基于混沌理论的飞机健康预测方法[J].数据采集与处理,2009,24(3):270-274.

CUI Jian-guo, DONG Shi-liang, LÜ Rui,et al.Health Prediction Method Based on Chaos Theory Aircraft[J].Data Acquisition and Processing,2009,24(3):270-274.

[12]ESPERON-MIGUEZ M, JOHN P, JENNIONS I K. A Review of Integrated Vehicle Health Management Tools for Legacy Platforms: Challenges and Opportunities[J].Progress in Aerospace Sciences, 2013(56):19-34.

[13]董永贵.传感技术与系统[M].北京:清华大学出版社,2006.

DONG Yong-gui.Sensing Technologies and Systems[M].Beijing: Tsinghua University Press, 2006.

[14]KO J M, NI Y Q. Technology Developments in Structural Health Monitoring of Large-Scale Bridges[J].Engineering Structures, 2005, 27(12): 1715-1725.

[15]KESSLER S S, SPEARING S M. Structural Health Monitoring of Composite Materials Using Piezoelectric Sensors[R].Submitted for Publication to Materials Evaluation, Department of Aeronautics and Astronautics Massachusetts Institute of Technology, Cambridge/USA, MA, 2139.

[16]刘少刚,安进华,罗跃生,等.单一平面电容传感器数学模型及有限元解法研究[J].哈尔滨工程大学学报,2011(1):79-84.

LIU Shao-gang, AN Jin-hua, LUO Yue-sheng, et al.Single Planar Capacitive Sensor Mathematical Model and Finite Element Method[J].Harbin Engineering University,2011(1):79-84.

[17]LEMISTRE M B, BALAGEAS D L. Health Monitoring System for Composite Material Using Electromagnetic Field Measurement[C]∥NDE For Health Monitoring and Diagnostics. International Society for Optics and Photonics,2002:272-281.

[18]BELCASTRO C M.Aviation Safety Program:Integrated Vehicle Health Management Technical Plan Summary,NASA Technology Report[R].U.S..National Aeronautics and Space Administration,2006:1-53.

[19]张金玉,张炜.装备智能故障诊断与预测[M].北京:国防工业出版社,2013.

ZHANG Jin-yu,ZHANG Wei.Equipment Intelligent Fault Diagnosis and Prediction[M].Beijing:National Defense Industry Press,2013.

[20]彭宇,刘大同,彭喜元.故障预测与健康管理技术综述[J].电子测量与仪器学报,2010，1(24):1-9.

PENG Yu,LIU Da-tong,PENG Xi-yuan.A Review:Prognostics and Health Management[J].Journal of Electronic Measurement and Instrument,2010.1(24):1-9.

[21]洪涛.液体火箭发动机涡轮泵实时故障检测算法研究[D].成都：电子科技大学,2012.

HONG Tao.Liquid Rocket Engine Turbopump Real-time Fault Detection Algorithm[D].Chengdu:University of Electronic Science and Technology,2012.

[22]杨忠,黄安民,江泽慧.近红外光谱结合回归分析预测法判别木材的生物腐朽[J].林业科学,2012,58(10):120-124.

YANG Zhong, HUANG An-min,JIANG Ze-hui.The Near Infrared Spectroscopy Combined with Discriminant Regression Analysis to Predict the Biological Decay of Wood[J].Forestry Science,2012,58(10):120-124.

[23]陈庆斌,秦树人.灰色预测法在机械测试中的应用[J].中国测试技术,2007,33(5):10-13.

CHEN Qing-bin, QIN Shu-ren.Application of Gray Prediction in Mechanical Tests[J].Chinese Test Technology,2007,33(5):10-13.

[24]吉奥克.专家系统:原理与编程[M].北京:机械工业出版社,2006.

Giauque.Expert System: Principle and Programming[M].Beijing: Mechanical Industry Press,2006.

[25]杨军,冯振声,黄考利.装备智能故障诊断技术[M].北京:国防工业出版社,2004.

YANG Jun, FENG Zhen-sheng, HUANG kao-li.Equipment Intelligent Fault Diagnosis Technology[M].Beijing:National Defense Industry Press, 2004.

[26]QI X.The Establishment of Sorts Performance Prediction Model Based on BP Neural Network and Solution by SPSS[C]∥2nd International Conference on Management Science and Industrial Engineering (MSIE 2013).Atlantis Press,2013.

[27]KAZLAS P T, MONSEN P T, LEBLANC M J. Neural Network-Based Helicopter Gearbox Health Monitoring System[C]∥Neural Networks for Processing [1993]III.Proceedings of the 1993 IEEE-SP Workshop. IEEE,1993:431-440.

[28]BROTHERTON T, JOHNSON T. Anomaly Detection for Advanced Military Aircraft Using Neural networks[C]∥Aerospace Conference, 2001,IEEE Proceedings. IEEE, 2001,6:3113-3123.

[29]崔建国,李明,陈希成,等.基于支持向量机的飞行器健康诊断方法[J].压电与声光,2009,21(2):266-269.

CUI Jian-guo,LI Ming,CHEN Xi-cheng,et al.The Aircraft Health Diagnosis Based on Support Vector Machines[J].Piezoelectric and Sound and Light, 2009,21(2):266-269.

[30]农吉夫.主成分分析与支持向量机相结合的区域降水预测应用[J].数学的实践与认识,2011,41(22):91-96.

NONG Ji-fu.Principal Component Analysis and Support Vector Machine Combined with the Regional Precipitation Forecasting Applications[J].Mathematics in Practice and Theory,2011,41(22):91-96.

[31]宋晓华,杨尚东,刘达.基于蛙跳算法的改进支持向量机预测方法及应用[J].中南大学学报：自然科学版,2011,56(9):2737-2740.

SONG Xiao-hua,YANG Shang-dong,LIU Da.Improved Support Vector Machine and Its Application Based on Leapfrog Algorithm[J].Central South University：Natural Science ed,2011,56(9):2737-2740.

[32]徐凤建,车建国,许荣.基于知识推理的雷达装备故障预测专家系统[J].电子产品可靠性与环境试验,2010,49(5):29-32.

XU Feng-jian, CHE Jian-guo, XU Rong.Radar Equipment Failure Prediction Based Expert System Knowledge Reasoning[J].Electronic Product Reliability and Environmental Testing,2010,49(5):29-32.

[33]易平涛,郭亚军,李伟伟.基于密度算子的组合预测方法[J].预测,2011,30(4):60-64.

YI Ping-tao,GUO Ya-jun,LI Wei-wei.Combination Forecasting Method Based on the Density Operator[J].Forecast,2011,30(4):60-64.

[34]ROEMER M J,NWADIOGBU E O,BLOOR G.Development of Diagnostic and Prognostic Technologies for Aerospace Health Management Applications[C]∥Aerospace Conference,2001,IEEE Proceedings. IEEE,2001,6:3139-3147.

Prognostic and Health Management in Composite Aircraft Components

ZHU Bing,DONG En-Sheng,SUN Chao,XU Wei

(Aviation University of Air Force,Jilin Changchun 130022 ,China)

Abstract:With high modulus, high temperature resistance, fatigue resistance and other advantages, more advanced composite materials are applied on the modern plane. With the increase of aircraft fleet age, composite component produces crack and internal delamination damage. Missing the presence of an anomaly could potentially be catastrophic with the loss of pilot and aircraft. Prognostic and health management technology can monitor the state of aircraft composite materials in real time to timely detect composite material abnormalities. Then maintenance can be done according to situation to ensure flight safety. Prognostic and health management technology with several kinds of commonly used sensor technologies and health prediction methods is introduced, and their advantages, disadvantages and application conditions are compared, offering a basis for further research in the future.

Key words:composite material;damage;real-time monitoring;maintenance based condition;prognostic and health management technology;sensor

中图分类号：V25；V271

文献标志码：A

文章编号：1009-086X(2015)-05-0205-08

doi:10.3969/j.issn.1009-086x.2015.05.033

通信地址：130022吉林省长春市南湖大路2222号学员管理总队11队E-mail：zhubingtqq@163.com

作者简介：朱兵(1992-)，男，安徽宿州人。硕士生，研究方向为异常检测技术。

*收稿日期：2014-10-20；修回日期：2015-03-18