航天测控数传一体化系统健康管理系统设计*

王钧慧，刘爱平，肖小兵

(中国西南电子技术研究所，成都610036)

0 引 言

装备健康管理是随着故障诊断技术的进步而发展起来的，其内涵是通过分析装备健康状态的影响因素，紧密结合状态监测、维修、使用和环境等信息，对装备健康状态进行评估和预测，并基于装备的健康状态合理选择维修策略，周密计划维修活动。

近年来国内外学者针对健康管理开展了大量工作并取得了丰硕的研究成果。Wang等人[1]提出了基于面向服务架构(Service Oriented Architecture,SOA)和双总线技术的健康管理软件体系架构，实现了民用飞机的健康管理功能。Zhang等人[2]对大数据收集、清理、存储和分析等内容进行了完整的描述，提出了一种基于大数据开源软件框架来实现航天器健康管理的方法。Li等人[3]针对卫星星座网络的健康管理方法，提出了卫星星座网络建模方法，根据节点重要性评估算法来寻找网络中的关键节点，并根据实时运行状态对卫星星座网络的健康状态进行评估。Orsagh等人[4]针对航空电子设备中开关模式电源和GPS接收机两种设备，利用数据进行模型训练实现了对设备寿命和故障的预测。黄鹤等人[5]设计了一种航空电子系统的健康管理体系，并对基于测试性模型的多信号增强诊断和基于马尔科夫及贝叶斯网络的健康评估方法进行了详细论述。高洪青[6]从有源相控阵雷达的状态监测与健康管理入手，构建了分层式健康管理系统框架，根据作用距离和副瓣电平等指标进行了信息融合和健康评估，实现了有源相控阵雷达的状态监测和健康管理。何谦等人[7]针对S频段统一测控系统故障诊断及健康管理的需求给出了故障诊断软件体系架构，并基于故障树的设备故障诊断开展了设备状态评估设计。杨罗兰等人[8]在经典测控系统故障识别和预测技术的基础之上，针对测控系统关键指标预测的问题，探索了基于历史数据的指标预测方法，并对基于SVR的单步和多步指标预测方法进行了具体分析。孙宝升等人[9]基于中继卫星S频段多址(S-band Multiple Access,SMA)全景波束支持本文提出了一种中低轨卫星在轨健康管理的新概念和模式。王储等人[10]对故障预测与健康管理(Prognostic and Health Management，PHM)的相关概念、国内外发展现状以及关键技术进行了简要介绍，并结合测控系统的发展现状提出了针对该领域的PHM技术的研究方法和具体实施策略。魏永峰等人[11]以某型雷达抗干扰测试系统为例，阐述了可应用于测控装备故障预测与健康管理的一种科学管理方法，提出基于模型的PHM技术在抗干扰测试系统中应用。基于视情维修的开放体系(Open System Architecture for Condition Based Maintenance,OSA-CBM)架构在航电、动车组等应用场景已经进行了应用[12-13]，该架构对航天测控数传一体化系统健康管理系统设计也有很强的指导意义。

本文提出了一种适用于航天测控数传一体化系统的健康管理设计方法，包括系统工作模式、组成、软件体系架构、主要业务流程和关键技术解决方法。

1 系统方案设计

1.1 系统运行模式

本系统采用在线诊断和离线诊断两种手段来完成全系统健康管理。系统工作模式如图1所示。

图1 系统工作模式示意图

在线诊断是通过设备在线诊断和业务在线评估两个手段来实现。设备在线诊断是指结合系统/设备故障树模型、故障传导模型和规则知识，识别虚警，确定设备故障。通过故障树分析和专家系统规则引擎进行逻辑推理，定位真实故障设备，确定故障原因。业务在线评估是指通过业务运行数据感知设备缺陷，反证设备健康状态；建立业务健康度曲线，降低业务健康评估复杂度。系统运行时，将能够反映系统和业务状态的多维度信号/数据特征与业务健康模型对比后进行多维特征融合，降维形成健康度曲线，对业务状态进行直观展示和评价；关注健康曲线剧烈波动时刻的瞬时系统，为后续离线分析提供参考输入。

离线诊断是指综合利用系统全域全景数据和在线关注的业务异常数据，结合健康模型、专家知识和分析算法，在大量数据中分析设备运行规律，提取设备故障特征信号，发现、识别、确认设备故障和缺陷，必要时辅以主动式诊断(标校测试)协助分析。故障预测的方法主要有两类：一是基于失效物理模型的故障预测技术；二是基于数据驱动的故障预测技术。航天测运控装备中存在大量的电子设备，失效物理模型建立的难度较高，建议采用基于数据驱动的故障预测技术。航天测运控装备中大量的数据都属于带时间标签的数据，比如设备运行状态、测试数据、标校数据和环境数据等内容，因此可采用InfluxDB、Kdb+等时序数据库来进行数据存储。为了获取足够多的数据，建议健康管理采用“中心+端”的模式，由中心获取多套航天测控数传一体化系统的运行数据，通过机器学习算法完成模型训练；中心将训练好的模型下发给设备端，设备端根据模型完成实时故障预测。

1.2 系统组成

如图2所示，健康管理系统包含测控数传设备、监控分系统、健康管理软件及信息库等。

图2 健康管理系统组成

(1)测控数传设备

包括各个分系统的可监控单元，设备主要是利用内置的传感器进行健康状态信息采集并上报监控分系统。健康管理数据传输网络可共用现有的监控网，无需单独建设。

(2)监控分系统

定时获取各设备的健康状态信息，实时将设备健康状态信息写入状态库；监控分系统同时接收测控数传任务运行状态并进行记录；监控分系统接收健康管理的要求完成相关的测试标校工作。

(3)健康管理软件

健康管理软件主要包括信息采集服务、数据预处理服务、故障诊断服务、健康状态评估服务、预测分析服务、状态维护服务等。各个服务密切配合完成健康管理的相关功能；

(4)信息库

主要包括状态库、装备库和知识库。状态库可根据数据特点选用关系型数据库或者大数据平台，主要完成设备健康状态、任务状态、测试标校结果等各类信息；装备库主要保存设备关键信息、设备健康状态、预测状态等内容；知识库主要包括健康管理各服务所需要的知识，包括故障诊断知识、健康评估知识和预测分析知识。

1.3 系统工作流程设计

如图3所示，健康管理流程通过如下三种方式来触发启动：第一种方式为健康管理软件接收到设备状态异常消息；第二种方式为健康管理软件接收到任务结束消息；第三种方式为健康管理软件根据日常维护计划通过时间符合方式来触发。

健康诊断处理核心思想是模拟专业操作维护人员对设备问题解决的思维方式与步骤进行系统故障分析与定位、系统健康状态及任务执行状态预测和任务执行能力评估。因此上述三种激活方式，一旦设备状态异常或任务执行异常均会激活系统健康诊断的故障定位与分析功能，属于条件驱动方式。设备状态异常采用专家故障诊断(故障树)方式进行分析和定位，必要时可结合实时测试和标校进行进一步确认；任务执行异常则通过对执行任务的功能和性能分析进行故障定位，也可结合实时测试和标校进行进一步确认。第三种方式为日常管理方式，并采用定期计划管理，即依据健康模型，定期对系统健康状态指数开展健康检查，并对各项检测、标校、测试结果进行分析。

系统健康诊断首先为系统设备建立健康档案，进而在设备故障、任务异常定位分析或日常健康检查结果基础上进一步开展信息综合分析处理，进行系统健康状态预测，更新系统设备健康状态。系统标校、测试是系统级健康诊断的重要依据。

图3 健康管理工作流程设计

1.4 关键功能设计

航天测控数传一体化系统健康管理实现从状态检测、特征提取、故障诊断、综合评估、趋势预测及维修决策全过程的管理，具备设备级自主健康管理能力，构建良好的人机交互辅助决策机制，作为装备维护与使用管理的主要平台。本节介绍系统任务健康评估和设备故障预测两个关键点的实现路径，同时给出健康管理软件架构设计方法。

1.4.1 传感器设计

根据航天测运控设备的典型故障模式，并根据测试性设计和维修性设计，总结出能够表征设备健康状态的检测点和测试点。在系统运行过程中由监控分系统完成状态采集和存储。同时，需要根据后续健康管理分析的结果进行迭代，逐渐完善采集点的设计。

针对天伺馈分系统等机电设备，一般采集齿轮箱振动、俯仰箱噪声、方位基座噪声、温度、水浸状态、馈源气压、电机振动等数据。电机的振动传感器安装在电机外壳上；电枢电压传感器和电枢电流传感器套在电机电缆上；测速反馈传感器套在测速反馈线上；温度传感器探头自带强磁片，吸附在电机的外壳上；齿轮箱的振动传感器安装位置齿轮箱输入轴向上；水浸传感器安装齿轮箱的底部。针对变频器、功放等设备主要采集电流、电压、温度等数据。

1.4.2 系统健康评估方法

采用层次分析法来对航天测控数传一体化系统进行系统任务健康状态评估。层次分析法是指先将一个复杂问题分解为几个子问题，然后再对子问题向下进行层层分解，一直分解到不可再分解的评估指标为止。计算出各个评价指标后，将指标的评估结果进行归一化，然后通过加权融合的方式计算其父级指标评分，再向上层层融合得到子问题的评估得分，最后通过D-S证据合成的方法计算原复杂问题的评估结果。以S自跟踪功能健康评估为例，其评估元素如图4所示。

图4 S自跟踪功能健康评估

1.4.3 设备故障预测方法

采用基于数据驱动的设备故障预测技术，通过分析输入、输出和状态参数之间的关系，获得机器学习模型，并从大量的历史样本中学习输入与输出值之间的映射关系，建立非线性、非透明及非针对特定对象的模型用来计算未来值，从而可以进行故障预测。

(1)健康度计算

由于航天测运控设备故障场景较少，因此采用一分类故障预测模型。根据设备大量正常样本的分布，总结出一个多元正态分布模型，作为设备的健康模型，定义聚类中心的健康度为1，越靠近中心，健康度越大；离中心越远，健康度越小。将该模型用于预测时，设备每个时刻都可以获取一组工作参数，将这组工作参数输入到多元正态分布模型中，可以得到一个健康度。可通过马氏距离来描述设备的健康度。设由n个设备的正常历史样本组成的样本集为X：

X=x1,x2,…,xn。

式中：xi=(xi1,xi2,…,xim),i=1,2,…,n，表示第i时刻设备的所有参数。计算样本均值：

计算样本斜方差：

δ=(X-μ)×(X-μ)T。

新样本xt与聚类中心μ的马氏距离定义为

Mahalanobis(xt,μ)=(xt-μ)T·δ-1(xt-μ)。

新样本xt越趋近于聚类中心μ，马氏距离趋近于0，即健康度越大；新样本xt越远离于聚类中心μ，马氏距离越大，健康度越小。

(2)基于时间序列的故障预测

设备的每个时刻都可以得到一个模式，并且每个模式都可以对其计算故障度，那么可以得到设备前n个时刻的故障度，也就形成了一个时间序列的观测值：

(t1,y1),(t2,y2),…,(tn,yn)。

每个观测值表示ti时刻的故障度为yi，基于这n个观测值，预测未来一段时间的故障度走势。故障预测算法可选用自回归(Autoregressive，AR)模型、循环神经网络(Recurrent Neural Network，RNN)、长短时神经网络(Long Short-Term Memory Network，LSTM)等机器学习算法来完成。

2 软件架构设计及实现

针对航天测控数传一体化系统不断演进的特点，本文提出了基于微服务的健康管理软件体系架构，证明该架构具有通用、开放、灵活的特点，可满足健康管理应用要求。软件体系架构如图5所示。

图5 软件体系架构设计

面向微服务的架构具有结构清晰、易于理解、松耦合、便于独立测试、部署和管理等特点。每个服务组件都是简单灵活、可独立部署的；服务之间是松耦合的，服务内部是高内聚的，每个服务很容易按需扩展。

2.1 基础设施

基础设施为系统健康管理软件运行提供支撑环境，包括硬件设备、操作系统和数据库管理系统等。

2.2 数据服务

数据服务层包括数据库和数据服务，健康管理数据库分为状态数据库、装备信息库和知识库三类，业务数据可并入状态数据库或独立存储。

(1)状态数据库

状态数据库涵盖地面站设备健康管理所需的数据类型，包括业务数据、状态数据、测试数据及环境数据等。

(2)装备信息库

为了满足设备信息化全生命周期管理需求，建立设备信息电子档案，为日后的数据挖掘分析、技术状态管控以及设备精准维修提供支撑。

(3)知识库

知识库主要包括系统关联、数据筛查、故障诊断、状态评估、趋势预测、等级划分、维修决策以及数据挖掘等方面的各类算法模型，用于支撑故障诊断和健康状态评估等。

2.3 业务服务

业务服务是健康管理的核心层，用于实现健康管理的主要功能。业务服务可根据需要分层设计不同粒度的业务服务，也可以通过服务聚合形成更高层的业务服务。

分系统业务服务可根据需求分为多层，初步考虑可分为基础服务、功能服务和任务服务三层。

基础服务主要实现一些细粒度的较单一功能，主要包括天伺馈信息采集、监控信息采集、环境信息采集、数据筛选、数据异常检测、数据特征提取、设备故障诊断、系统/分系统业务能力诊断、设备健康状态评估、系统/分系统业务能力评估、系统性能预测和设备寿命预测等。

功能服务主要实现健康管理的主要功能，主要包括：

(1)信息采集——主要完成系统各类健康状态相关信息的采集，数据采集的颗粒度以现场可更换最小单元为单位，采集周期可设置。

(2)数据预处理——分类完成各类数据的处理，包括数据筛选、平滑、降噪、均值、方差和变异特征提取等。

(3)故障诊断——依据设备状态监测信息，结合故障诊断模型完成各设备的故障诊断。

(4)健康状态评估——根据健康状态评估模型，完成系统设备健康状态评估及系统/分系统业务能力评估。

(5)预测分析——根据预测算法模型及装备信息预测设备剩余使用寿命及设备故障发生时间。

(6)装备维护——根据装备信息(健康体检、故障诊断、状态评估等)提出装备维修建议。

(7)数据管理——完成所有健康管理数据库和数据文件的管理与维护。

任务服务主要实现一些粗粒度的高层服务，主要包括：

(1)综合健康体检——协调监控分系统，分级完成系统、分系统和单机设备的健康体检，并按要求形成体检报告。

(2)故障联合诊断——完成系统、分系统设备等复杂故障的多手段联合诊断。

(3)全寿命周期管理——完成设备信息录入、运行过程中状态跟踪等功能。

(4)装备效能评估——完成任务完成率、设备完好性等效能评估内容。

2.4 信息综合显示

完成设备故障信息、设备健康评估信息、设备健康预测信息和装备维修维护决策等多信息的综合显示。健康管理人机交互界面如图6所示。

图6 健康管理人机交互界面

3 结束语

本文提出了一种航天测控数传一体化系统健康管理设计方法，阐述了系统运行模式、组成和工作流程，给出了一种面向航天测运控设备的系统任务健康评估和设备故障预测实现路径，并介绍了基于微服务的健康管理软件体系架构，对于后续健康管理系统的建设具有指导意义。但同时，还需要对以下部分继续进行研究：

(1)健康管理在本领域是一项新技术，离视情维修的目标还有一定差距，需要结合用户应用场景加强理论研究和工程应用探索。同时，利用积累的历史数据对关重件的故障预测算法开展研究，逐步完善算法模型库。

(2)根据健康管理系统的应用效能，在下一代装备中重新优化系统“六性”设计，逐步提高装备作战效能。