机载设备健康指数的综合评价方法研究

王华+陈建平+扈延光

摘 要：飞机机载设备主要的预防性维修策略是基于状态的维修策略，要求对设备的状态开展综合评价。考虑到目前机载设备的状态评价缺乏综合指标，引入健康指数（HI）用于表征机载设备的状态，结合以可靠性为中心的维修技术提出HI评价框架。结合云理论和专家评价法研究了HI影响因素的劣化等级、权重等级的综合评价算法，给出算例用以演示评价流程，验证了算法的有效性。最终建立起综合评价方法，适用于机载设备健康指数的综合评价，为制定合理的维修策略提供支撑。

关键词：机载设备 健康指数 基于状态的维修 云模型 综合评价

中图分类号：V240.2 文献标识码：A 文章编号：1674-098X（2017）04（c）-0020-04

预防性维修策略中的视情维修，即基于状态的维修，是目前飞机机载设备的主要维修策略。我国军用标准GJB 1378A—2007《装备以可靠性为中心的维修分析》规定并强调了在装备投入使用后，应调整预防性维修间隔期。确定合理的维修间隔期，应对设备的状态进行综合评价。由于影响机载设备可靠性状态的因素中含有大量定性、定量因素，目前实践中既缺乏一个综合指标来表征设备的状态，又缺乏一个评价框架用于对状态的影响因素进行归类、划分，导致信息收集及综合评价工作开展不充分，难以利用好设备的使用、维护信息。

健康状态，是指在规定的条件下和规定的时间内，装备能够保持一定可靠性和维修性水平并稳定、持续完成预定功能的能力[1]；健康指数（Health Index，HI），是指衡量和表征被研究对象健康状态的一个数值[2]。电力行业和航空器健康管理领域都有HI指标，HI反映了设备运行时保持特定性能的满意程度，是设备的使用、维护等信息的组合。在不同的应用案例中，HI可设定不同的取值范围。文献[3]认为HI是设备实际状态相较于期望的正常状态的劣化程度，HI取1时设备状态最佳，取0时应当停机检修。针对电力设备，文献[2]将HI的取值范围设定为（0，10）。只要对设备开展健康评估，将评估的结果表达为一个具体数值，该数值理论上可作为健康指数。

目前已有大量文献研究了设备的健康评估方法。文献[4]运用变精度粗糙集方法来开展航空发动机健康评估；文献[5]运用模糊层次分析法建立起综合评价模型，应用于机械设备的健康评估。健康评估通常分为两大步骤：首先选出哪些特征参量能否反映设备的健康状态；然后运用多属性综合评价方法确定HI。考虑到目前机载设备历史信息多是不完备的，评价HI同时用到定性和定量信息，客觀赋权法难以实现，所以该文采用主观赋权法中的专家评价法[6，7]。该文首先建立HI的评价框架，然后结合云理论给出专家评价法流程及主要算法，最后通过案例验证算法的有效性。

1 健康指数的评价框架

机械类、机电类和电子类产品的故障机理有所差异，因此HI影响因素集不同。综合评价设备健康状态，通常选取能够表征设备运行状态的特征参量，如文献[3]中采用压力、转速、温度等指标，文献[8]中采用航空发动机燃油流量指标。然而，仅考虑一些易于获取的量化指标是不足够的，HI的影响因素还包含许多定性或复杂的综合因素。如文献[1]综合考虑了地理和环境因素、使用和维修因素；文献[5]认为设备或零部件的健康状态与可靠性、维修性、安全性、检测性、经济性、技术性能这六大方面有关；在HI理论应用相对成熟的电力行业CBRM体系中，评价HI还考虑了“家族病史”和“潜在缺陷”因素[2]。

通常军用飞机具有机械、电气、军械、通讯导航、火控、无线电、仪表、氧气和高空救生等分系统共几百项机载成品，按照以可靠性为中心的维修（RCM）思想，预防性维修大纲只需针对重要功能产品，即故障影响任务完成、安全性或导致重大的经济后果的产品。因此，健康指数的影响因素应包含产生“任务后果、安全后果”和“经济后果”三方面的因素。该文参考国家电网公司颁布的《主要输变电设备状态评价导则》中的扣分方式，按照“不健康状态的种类越多，健康指数越高；不健康状态越严重，健康指数越高”的原则，将总的扣分值视为HI值；该方法在评价同一设备的新状态时，只需要在旧状态扣分值的基础上观测并调整扣分值，便能快速得到新状态的HI值。影响因素应扣分值为劣化等级和权重等级的乘积，未劣化时不扣分。表1将劣化等级和权重等级各分成四级，在实践中该表的数值可随具体产品而更改。

设备维持健康状态的能力，应在规定的条件下进行评价，当设备执行任务的环境、使用维护等条件发生变化时，设备的健康指数也会受到影响。在提炼故障模式时，仅利用设备自身已发生的故障信息并不足够，还需要参考同厂、同型设备的故障信息。机载设备的FMECA结论、RCMA结论和RCM分析结果等，是开展健康指数评价的重要信息来源。本文提出的评价框架见表2。设备健康指数为全部单项HI取值之和。

机载设备的主要性能参数（可测量的参数），根据其异常后可能出现的后果，填入表2中“任务后果、安全后果”和“经济后果”栏的“特征参数”行；以“任务后果”为例，“特征参数”行可填入压力、速度等能够反映设备执行任务能力的量化参数；当某种因素、状态无法用定量的参数来描述时，可用定性的语言描述将其总结成故障模式，填入“故障模式”一行，如漏油、锈蚀、划伤等。三种后果中，特征参数与故障模式是互补关系，应尽量使二者无交集，避免同一不健康因素被多次记录、多次扣分。

“环境因素”“使用、维护、维修”“同厂、同型设备被通报的故障、缺陷信息”栏中主要填写除设备自身性能参数之外的定性、定量因素；针对“环境因素”，通常机载设备的主要环境因素为温度、湿度、振动、高度和过载等，主要的环境应力为振动应力、热应力、潮湿应力、低气压应力和炮振应力；在评价时，应综合考虑各环境因素出现的概率、应力水平、应力变化情况和记载设备对环境应力的敏感程度[9]。针对“使用、维护、维修”，使用信息如设备已使用寿命、剩余寿命、停放时间、用户对设备使用情况评述等；维护信息包括基本维护信息，如机载设备已开展的清洁、润滑、除锈、防潮和恢复保护层等，还包括性能检查和调整信息，如对机载设备的零部件进行了技术参数调整等[10]；维修信息主要是指机载设备历次维修记录，包括换件信息、维修深度和性能恢复程度等。这些信息都能直接或间接反映机载设备当前的健康状态。

2 基于云模型的专家评价法

对健康指数影响因素的“劣化等级”及“权重权重”进行评定时，制定客观的量化规则是难以实现的，因为影响因素中包含了定性因素，且诸如“亚健康、比较重要”等定性概念带有模糊性，快捷有效的方法是专家评价法，即专家根据经验进行主观判断而得到权重或等级，再对各个专家的评判结果进行整合，得到一个综合值。需解决的问题如下。

各定性概念具有模糊性，各专家的评价结果具有随机性，当随机性过大时说明意见不统一，此结果应属无效，需要进一步的沟通及评定，直到意见相对统一。此处的“模糊性”和“随机性”如何评价？

专家的人数较少，即样本量较少，评价结果可能不稳定，假设这些样本服从一定的分布规律且已经被发掘出来，那么利用该已知的分布规律便可人为生成大量的同类样本。由大数定理可知，样本量足够大时，样本平均数将接近总体平均数。此处该如何确定分布规律？

针对问题（1），云理论可描述随机性、模糊性并存的情形；定性概念的模糊性、专家的评价结果的随机性，可用正态云模型中的熵En来评价，En越大，随机性和模糊性也就越大。针对问题（2），正态云具有普适性，它能保留原始小样本中的随机性和模糊性规律，不失为一种好的选择。

2.1 评价流程

文献[11]对正态云模型各特征量的诠释为：期望Ex代表专家评价的平均水平；熵En代表评价的离散程度，反映专家的水平；超熵He表示与正常发挥时的偏离程度，综合反映专家的心理素质和思考状态等因素。当En足夠小时，代表各专家的意见已统一；如果两次He相近，说明专家的思考状态已平稳。专家在状态平稳的情况下达成了统一的意见，才是可取的。图1所示为专家评价流程。待评价的项目为：劣化等级的取值，权重等级的取值，每个HI影响因素对应的劣化等级和权重等级。

2.2 主要算法及规则

针对同一评价对象，假设n个专家的评分结果为R，利用该样本，采用逆向云算法建立云模型。文献[12]提出的逆向云新算法，具有两大优势：无需确定度（隶属度）信息；尽可能多地利用样本信息，保证超熵估计值为正实数。该文对文献提出的算法中的循环结构进行优化，给出如下伪代码：

Step3：

利用上述算法建立后，可利用正态云发生器算法，生成大量云滴，视为一次评分的分值，视为属于某个概念的确定度。为了求评分的期望值，常规方法是直接对求均值；文献[13]经过仿真试验表明，对大量云滴直接采用正态曲线拟合得到的期望值，误差要更小，该文采纳该方法。

上述方法得到的期望值通常为非整数，假设劣化等级取值的综合评价结果为（1.94，4.3，7.9，9.9），当两个待评价的影响因素都属于亚健康时，应鼓励专家辨别出二者劣化的细微差异，所以可将表1的取值区间视为连续，允许专家将“亚健康”状态下劣化相对严重的一者扣分值设定得较高（如取5.3）。同理，权重等级量化也可遵循该规则。

3 算例说明

评价对象虽然不同，但是每次的评价和计算流程都如图1所示，为了便于说明，该节利用简单算例来说明评价流程。20位专家对定性概念“比较健康”的应扣分值进行了3次评定，每次评定的分值见表3，正态云模型可视化如图2所示。

第一次评分时专家对“比较健康”的理解差异较大，从图2a中可看出云滴较为分散，评价质量不佳。经过沟通后进行第二次评分，从表3中看出部分专家修改了评分值，所得到的云模型中的熵已经从0.49降低到0.31，说明评分结果趋于集中，如图2b所示，超熵从0.15降低到0.06，降低幅度较大，说明本次沟通效果明显；再进行一轮沟通后，从表3中发现只有少数专家微调评分结果，所得云模型的熵和超熵稍有较低，超熵保持平稳，说明该轮沟通效果不明显，评价结果稳定，从图2c中可见云滴聚集程度高、图形更“瘦”，意味着较佳的评价结果已出现。对图2c中的云滴采用正态分布曲线拟合，得到期望值为1.94，作为定性概念“比较健康”的扣分值。

4 结语

对飞机机载设备开展状态评价是制定基于状态的维修策略的必要前提，该文引入健康指数作为评价设备状态的综合指标，建立起一个通用的HI评价框架，对影响机载设备健康状态的因素进行归类、划分。该文详细阐述了基于云理论的专家评价法在机载设备健康指数评价中的应用方法，给出算例验证了验证了算法的有效性，具有较强的现实意义。

参考文献

[1] 吕建伟，余鹏，魏军，等.舰船装备健康状态评估方法[J].海军工程大学学报，2011（3）：72-76.

[2] 周莉梅，马钊，盛万兴.现代配电网健康指数理论最新研究进展[J].供用电，2016（1）：3-7，13.

[3] 张彦如，耿梦晓.基于健康指数的设备运行状态评价与预测[J].合肥工业大学学报：自然科学版，2015（10）：1318-1323.

[4] 杨洲，景博，张劼.航空发动机健康评估变精度粗糙集决策方法[J].航空动力学报，2013（2）：283-289.

[5] 宾光富，周元，Balbir S.Dhillon.基于Fuzzy-AHP的机械设备多特征参数健康状态综合评价研究[J].中国机械工程，2009（20）：2487-2492.

[6] 李远远，云俊.多属性综合评价指标体系理论综述[J].武汉理工大学学报：信息与管理工程版，2009（2）：305-309.

[7] 谢学铭，郑健.基于云模型主观赋权法的多目标决策研究[J].中国西部科技，2009（25）：7-8.

[8] 钟诗胜，雷达.一种可用于航空发动机健康状态预测的动态集成极端学习机模型[J].航空动力学报，2014（9）：2085-2090.

[9] 寿命和可靠性文件汇编.航空工业部第六〇一研究所[Z].1987.

[10] 段学刚.航空电子装备维修概论[M].北京：国防工业出版社，2010.

[11] 胡石元，姜昕，丁家玲.教师课堂教学质量的云模型评价方法[J].武汉大学学报：哲学社会科学版，2007（3）：455-460.

[12] 陈昊，李兵，刘常昱.一种无确定度的逆向云算法[J].小型微型计算机系统，2015（3）：544-549.

[13] 吕辉军，王晔，李德毅，等.逆向云在定性评价中的应用[J].计算机学报，2003（8）：1009-1014.