基于特征提取的装备可靠性不确定度量方法

江 莲，李荣修



基于特征提取的装备可靠性不确定度量方法

江 莲1，李荣修2

（1. 92337部队，辽宁大连116023；2. 92001部队，山东青岛266003）

针对当前大型复杂装备可靠性动态变化特性难以量化评估的问题，提出基于特征提取的装备可靠性不确定度量方法，通过提取特征参数，建立运行状态与特征参数之间的逻辑回归模型，改进系统多状态评估方法，识别装备运行过程中的隐患状态，为预防性维修提供决策支持。

特征提取 可靠性 不确定度量 多状态系统

0 引言

随着科技发展和制造水平提高，大型装备的部件数量庞大且构成原理复杂，其可靠性处于动态变化状态，难以用量化的方法掌握其规律，增加装备安全管理风险。现有可靠性评估方法通常分为两类，一类为二元状态法，此类方法假设装备具有正常和故障两种状态[1,2]，其精度显然不适用于大型复杂装备可靠性评估；另一类为多状态法，是由二元状态法演变而来，此类方法假设系统具有多个状态[3-5]，其可靠性随时间而动态变化，对系统可靠性的评估更加精确，但多个状态必定涉及多个变量和多维计算，导致其评估函数异常复杂，往往难以应用于工程实践。

装备使用过程中一些运行状态参数，如温度、压力、电压、电流等，能够实时表征装备的可靠性状态，当参数值超限或不稳定时，预示着装备已经发生故障或存在严重故障隐患。在分析装备运行状态数据的基础上，提出基于特征提取的装备可靠性不确定度量方法，通过筛选提取特征参数，定义装备正常、隐患、故障三种运行状态，建立运行状态与特征参数之间的逻辑回归模型，使模型具备快速判定装备可靠性状态的能力，并识别装备运行过程中的隐患状态，为预防性维修提供决策支持。

1 装备运行状态特征描述与提取

装备的运行状态与各项性能参数有关，以某电力推进系统为例，装备的可靠性与电压、电流、温度有直接的关联关系，如果某项参数超出警戒范围，装备将发生故障。装备运行参数数量众多，不可能全部引入模型，需要筛选提取。特征参数提取的目的一是引入表征装备运行状态的主要参数，忽略次要参数，避免一些次要参数的异常数据干扰分析结果；二是降低计算量，使参与计算的变量数尽可能少，数据分析方法更加简单易行。

本文特征提取方法分为粗筛选和精筛选两个步骤：①依据装备故障原理及专家经验粗筛选出可能对装备故障预判有指导意义的参数，将这些参数分为两类，第一类确定性参数，是装备故障的判定可以由这些参数确定，参数值超出固定范围将明确作为故障处理；第二类待确定参数，根据使用经验判断这些参数的变化有时与装备故障有关联或存在一定关联概率。②采用主成分法精筛选第二类参数。精筛选之前先进行相关性分析，判断参数之间是否相关，否则不能进行主成分分析。表1为待确定参数的相关性分析结果，参数之间的相关性很高，如果直接引入特征参数，共线性问题将导致分析结果偏离实际。由表2中各参数的相关系数可知，必须运用主成分分析法对表中待确定参数进行降维，将原来的多个互相关联的参数组合成相互独立的少数几个能够充分反映装备运行状态的参数。

2 装备可靠性不确定度量

装备可靠性具有不确定性，装备实际运行过程中尽管各项参数未超出警戒范围且未出现故障现象，但实际状态却处于故障发生的边缘，随时有可能发生故障。通常情况下将装备的运行状态分为正常和故障两种，对于电子类或不可修复的装备具有简单易行的优势，但对于机械设备，特别是电力推进系统来说，两种状态不能满足实际装备安全管理工作的需求。装备在实际使用过程中，操纵人员不仅要掌握装备是否已发生故障，而且希望在第一时间预测到故障发生，即掌握装备在故障发生之前的不稳定状态。因此，定义装备在故障发生之前的不稳定状态为“隐患”，用于度量装备可靠性的不确定性。

3 基于特征提取的装备可靠性不确定度量方法

以某电力推进系统为例对进行基于特征提取的装备可靠性不确定度量方法说明。

3.1定义装备运行状态

将装备的可靠性状态分为正常、隐患、故障三类，其表示方法为：

其中1为正常，2为隐患，3为故障，1，2，…3为表征装备可靠性三种状态的特征参数。

3.2提取特征参数集

第一步粗筛选根据常见故障及其表征，选出14个特征参数，其中转速、A~G温度等8个参数为确定参数，AB电压、A~D电流等6个参数为待确定参数。第二步精筛选采用主成分分析法提取待确定参数，主成分列表见表3，提取结果为2个主成分，提取了方差的85.866%。主成分函数如下,第一主成分

1=0.8962+0.8863+0.1364+0.9225

第二主成分

2=-0.0882-0.0923+0.9594-0.0845-0.0446+0.9597

待确定参数由6个降维得到2个。最终提取特征参数10个，其中包含确定性参数8个，1、8、9、10、11、12、13、14，待确定参数2个，1、2。装备的运行状态描述为i={1、8、9、10、11、12、13、14，1、2}。

3.3特征分析

选择模型训练数据集，共185项数据，其中包含故障数据83项，正常数据102项。采用逻辑回归法对装备故障、正常两种状态下数据进行分析，建立回归模型。假设装备发生故障的条件概

率为:

（y=1|x）=P，输入训练数据集并计算模型参数，见表4。

3.4不确定度量

由于训练数据集中只有故障和正常两种数据，因此，模型输出的装备可靠性状态暂时为:

为处于该状态的置信度。将正常状态下的数据根据置信度区间进行重新定义。

应用上述回归模型对装备运行状态数据进行识别，可预测到故障、隐患、正常三种状态，用于度量装备运行状态的不确定性。输入测试数据集，共145项数据，包含故障、正常、隐患数据量分别为40、43、62，其中隐患数据为装备发生故障前10分钟内运行状态数据。应用模型对该数据集进行运行状态预测，预测结果见表5。

由表5中数据可知，模型对于装备故障识别达到87.5%，能够满足日常装备管理要求，并且对于装备隐患的识别有突出表现，对于运行过程中可能出现故障的状态预测准确率高达90.3%，能够有效提示装备使用人员尽快开展故障检测或预防性维修。

4 结论

基于特征提取的可靠性不确定度量方法通过粗筛选和精筛选两个步骤实现了装备运行状态特征参数提取，实践表明该方法对于装备运行状态特征提取完备、准确。该方法突破传统二元状态的思维定势，定义正常、隐患、故障三种状态，达到了量化装备运行状态不确定性的目的，在确保故障预测准确率的基础上，有效地识别出装备运行的隐患状态。

[1] 徐宇亮，孙际哲，陈西宏，王光明．电子设备健康状态评估与故障预测方法[J]．系统工程与电子技术，2012, 34（5）:1068-1072.

[2] 航天发射场装备状态质量预测模型研究[J]．计算机测量与控制, 2005,13（12）:1387-1389.

[3] 高鹏，谢里阳．基于改进发生函数方法的多状态系统可靠性分析[J]．航空学报, 2010,31（5）:934-939.

[4] 张志华. 小样本多技术状态性能可靠性的方针评估方法[J]．系统仿真学报, 2007,19（2）:417-420.

[5] Brunelle R D. Review and classification of reliability measures for multistate and continuum models．IEEE Trans , 1999,31:1117-1180．

Uncertain Measurement Method of Equipment Reliability Based on Features Extraction

Jiang Lian1, Li Rongxiu2

（1. No.92337 of PLA, Dalian 116023, Liaoning, China；2. No. 92001 of PLA, Qingdao 266003, Shandong, China）

O242

A

1003-4862（2017）05-0066-03

2016-12-15

江莲（1984-），女，工程师。研究方向：舰艇装备可靠性试验。