导弹故障预测与健康管理系统关键方法研究

刘 月，李 灿，郝利超，张智杰，3

（1.陆军工程大学石家庄校区，河北 石家庄050000；2.93786部队，河北 张家口075000；3.68303部队，青海 格尔木816000）

PHM技术是指利用尽可能少的传感器采集系统的各种数据信息，借助各种智能推理算法（如物理模型、神经网络、专家系统等）来评估系统自身的健康状态，在系统故障发生前对其故障进行预测，并结合各种可利用的资源信息提供一系列的维修保障措施以实现系统的视情维修[1]。综观PHM技术的发展，该技术在飞机系统领域得到较为广泛的应用，而在导弹武器系统/运载火箭系统中并未发现有过应用先例[2]。如何根据导弹装备的实际特点对其进行健康状态监测，确定导弹当前的健康状态并对其进行性能评估和故障预测，进而安排合理的维修保障措施，实现导弹装备的视情维修，都是崭新的研究课题[3]。

本文的研究目的就是针对这个问题，着眼当前部队信息化、智能化转型建设特点，以部队现实需求为出发点，依据导弹自身特点，综合试验鉴定、测发等过程，通过不同数据传输链路采集到的导弹大量运行状态的监测数据，针对导弹武器系统的试验鉴定、服役使用等阶段，利用PHM（Prognostics and Health Management）来研究导弹故障预测与健康管理中的关键方法。为建设一套健康状态评估及性能预测软件系统提供方法支持，从而创新导弹健康管理层级化、可扩展健康评估与预测模型的构建工具。

1 国内外研究现状

在导弹领域的研究应用，主要是借鉴飞机的有关研究。在导弹智能检测方面，北约通过使用RFID系统来监测ESSM（Evolved Sea Sparrow Missile，ESSM）的温度、湿度、震动、撞击等数据，对导弹进行监测，极大地节约维修成本的同时，还可以确保导弹存在健康隐患时及时地得到维修，提高了导弹的可靠性，以及武器系统的准确性。美国空军通过在海尔法II导弹上研究使用挂飞健康监测系统，监测、记录海尔法II导弹在阿帕奇AH-64D直升机上的挂飞情况，对造成损伤的环境因素进行自动监测和记录，并为地面上的检测人员提供检查依据，可以显著地降低地勤人员和导弹维修人员的工作量，以及提高维修工作的准确性。在导弹智能诊断系统研究方面，美国陆军设计的导弹存储和运输环境的系统——遥测战备器材预测/诊断系统（RRAPDS），将温度、湿度、振动传感器整合在导弹内部来监测、诊断、预测、分析长时间库存的导弹的健康状况，可以对常态环境下的温度、大气压力、湿度和振动等参数进行感知，测试人员可以通过遥测的方式获取有用的信息，并将信息发送到相关通讯网，减少了导弹武器及其发射平台等维修保养、供给、运输和存储等相关的费用。目前，该系统已被成功地应用在爱国者地空导弹（GEM和AC-3），以及陶氏反坦克导弹中[4]。

在国内PHM技术尚处于研究阶段，但其重要性已成为共识。清华大学、北京航空航天大学和上海交通大学等多家院校和研究机构，先后在不同方向对PHM的理论方法和应用技术开展了大量研究工作。北京航空航天大学[5]针对飞行器应用领域的相关算法、模型和管理方式进行了探索性研究，比如基于故障物理的电子系统加速试验和健康监控。军方也对PHM技术开展了大量的理论及应用研究，空军工程大学的张亮等[6]针对我军新一代作战飞机的技术特点及其维修保障需求，对机载PHM系统体系结构的各种方案进行了对比分析，提出了一种由模块/单元层PHM、子系统级PHM、区域级PHM和平台级PHM等4层集成的层次化体系结构；海军工程大学吕建伟等[7]对舰船装备进行了单个装备、装备系统和全舰系统的逐级评估，最终得到舰船整体的健康状态评估结果；空军雷达学院的王晗中等[8]为克服传统维修保障方式的缺陷并适应现代雷达装备维修保障的发展需求，构建了基于PHM的雷达装备维修保障系统；解放军炮兵学院的彭乐林等[9]根据无人机系统故障特点建立了系统设备拓扑结构，并构建了无人机PHM系统逻辑体系结构。

虽然国内外各种PHM系统已逐步开始得到应用，但还远没有达到工程实用化的程度。如何根据得到的监测数据有效的评估设备的健康状态，进而实现有效的、准确的健康评估与故障预测，仍需要大量研究工作[10]。

2 关键方法研究

2.1 故障预测与健康管理架构研究

故障预测与健康管理总体架构包含底层硬件支撑、核心算法支撑、五大功能模块以及顶层服务。其中，五大功能模块包括指标体系构建模块，针对构建的健康评估模型基于专家知识或数据驱动进行赋权；包括性能评估模块，基于构建的评估模型和导弹测试参数完成多层次、多维度的健康状态快速评估；包括评估总览模块，对健康评估结果进行直观可视化展示；包括结构评估模块，针对不同层次设备和系统在不同场景下的评估结果进行融合；包括故障预报模块，完成不同层级参数和性能退化趋势的预测，并结合阈值完成故障预报。

结合测试任务下采集的多型号、多产品、多批次、多单机的实际试验数据条件，一是实现对头伺、一伺等典型单机下的阈值指标进行解析配置管理，进而支持单机级性能评估、参数趋势预测、故障预报等工作开展，并支持用户对多产品间、多测试日期间的单机性能状态进行丰富的可视化查看与对比分析；二是实现对测试任务以及整弹产品的指标体系进行交互式框图建模管理，进而支持场景级、整弹级性能综合评估、结构评估以及故障预报等工作开展，并支持用户对多产品间、多测试日期间的场景级、整弹级性能状态进行丰富的可视化查看与对比分析。

2.2 指标体系构建方法研究

2.2.1 基于专家重要度的权重生成算法

如图1所示，基于专家重要度的权重生成算法，利用层次分析法的系统性优势，根据整弹系统级单串联、并联、混联等多种结构层次，结合专家知识给出各单机或组合结构的重要度序列，生成相应单机或系统的权重序列。其中基于层次分析法的权重计算方法，建立整弹系统级及内部单机串联、并联、混联结构框图（如图2所示，三角形表示整体间隔标识，必须成对出现），根据专家知识给出各部分重要度。

对于无支路串联，各单机先并联，再与其他单机串联的结构，首先利用层次分析法计算各并联结构内各单机的权重序列，再由并联结构整体的重要度根据层次分析法计算出串联结构各组成部分的权重序列。

对于有支路串联，各部分并联后整体串联的结构，利用层次分析法计算各支路串联单机的权重序列，再计算并联结构内部各支路部分的串联整体或单机的权重序列，最终计算串联结构各组成部分的并联整体或单机的权重序列。

图1 基于专家重要度的权重生成算法流程图

2.2.2 基于统计分布的自适应阈值生成算法

基于统计数据驱动的自适应阈值生成算法，通过多种典型的概率分布函数与定量的拟合优度检验算法，确定拟合实时监测参数效果最优的分布类型，进一步通过确定置信度生成最优分布下的参数阈值。

基于统计分布和优度拟合的自适应阈值生成算法流程如图3所示。

根据上述基于统计数据驱动的自适应阈值生成算法，得到监测参数的经验阈值和统计阈值，采用专家打分法赋予两类阈值相应的权重，采用两类阈值的加权平均作为整弹核心单机监测参数的实时阈值，从而完成阈值指标的自适应构建，为监测参数的实时异常检测提供判据。

图2 基于专家重要度的权重生成算法示意图

图3 统计分布阈值生成算法流程图

2.3 健康评估算法研究

2.3.1 串并混联结构层级模型的综合性能评估算法

导弹根据任务计划需要完成多项测试，基于具体测试场景，根据系统组成单元之间的功能相关性、各个模块的重要度以及结构重要度，构建描述系统构成以及各单元逻辑关系的层级模型，如图4所示。

图4 串并混联结构层级模型的综合性能评估算法流程图

若构成层级模型的各个模块为串并混联结构时，且结构中存在并联结构整体作为层级模型的一个分支，需要在前后为其添加重要度节点，并配置相应的重要度。具体计算方法为：

步骤1：基于并联结构层级模型的综合性能评估算法计算并联结构整体的风险健康度，具体算法为：

步骤2：基于串联结构层级模型的综合性能评估算法，计算串并混联结构整体的风险健康度，即实现串并混联层级模型的综合性能评估，具体算法为：

2.3.2 基于自组织映射网络（SOM）的自适应性能评估算法

基于自组织映射SOM的健康评估方法将当前状态下提的特征值映射为可度量的物理参量距离功能，支持与以装备正常状态特征参数为依据构建健康基线对比度量、自适应评估功能。SOM网络是一种自组织竞争人工神经网络，它以无监督竞争学习的方式进行网络训练，具有自组织的功能，适用于做最近邻分类器。自组织映射的学习过程有别于BP网络，其不需要提前给定任何目标输出，可以不必知道输入矢量的类型关系。当输入矢量输入到网络后，网络利用随机选取的权值进行计算，并找到获胜神经元，然后调整权值，用收缩领域和学习因子（随时间而收缩）的办法，最终使权值形成一组能映射输入的数据，当网络自组织形成时训练就结束。

该算法的基本思想是网络竞争层中的各神经元通过竞争来获取对输入模式的响应机会，最后剩一个神经元成为竞争的胜利者，并对那些与获胜神经元有关的各连接全朝着更有利于它竞争的方向调整。

从网络结构上来说，自组织映射网络的最大特点是神经元被放置在一维、二维或更高维的网络节点上。如图5所示为使用最为普遍的二维网络模型。输入层神经个数为m，竞争层由a×b=N个神经元组成的二维平面阵列，输入层与竞争层各神经元之间实现全连接。该模型包含输入输出两层，而不包含隐含层。在输入层中有m个输入节点，其中任一输入节点用j表示。输入层接受输入向量X=[x1，...，xm]T。从空间的角度看，该输入空间是m维的，输入节点通过权值wij（i=1，2，...，N；j=1，2，...，m）和网络的N个神经元相连。将权值wij根据相连的神经元划分为N个权向量，任一权值向量为Wi=[wi1，wi2，...，wim]T（i=1，2，...，N）。在输出层分布着网络的N个神经元，其中任一神经元用i表示，其输入为。

通过对网络进行训练，能够自动地对网络的输入进行分类，从而达到聚类的效果。在训练开始前，输出节点被赋予一个很小的随机权值。输入样本后，使输出节点进行竞争，并调整获胜节点及其邻域内节点的权值。训练完成时，输出层节点分布能够较好地保留数据在原空间中的拓扑分布状况。

针对装备健康评估，利用正常状态下的装备运行参数数据训练SOM网络，构建健康状态基线，训练次数为100次，训练维度为[10，10]。将待评估装备参数数据输入到训练好的SOM神经网络，与健康基线模型对比，通过度量待测数据与健康基线模型的重叠度即可获取该组待测数据和最佳匹配单元之间的距离，进而获取最大量化误差MQE。将MQE归一化，即可获取当前状态下的CV值。CV值为1表示处于健康状态，CV值越小，表示性能衰退越严重。

2.4 故障预测方法研究

2.4.1 基于跟踪粒子滤波的故障预报模型

在实际预测过程中，由于寿命衰退过程本身存在较大的个体差异，单独给出状态估计值的预测方式就会略显武断，能够为制定设备维护决策提供的信息有限，而若能以概率分布的形式给出对未来时刻系统状态的预测则更容易让人接受。然而目前主流的大部分预测方法，诸如序贯神经网络、时序模型等预测手段，往往无法给出预测结果的概率分布，或者其预测区间计算物理意义不明确。

对此，提出一种基于跟踪粒子滤波的故障预测方法，其同样采用迭代外推预测手段，在保持预测准确度的基础上，引入了预测结果的概率密度分布形式，在FXQ故障预测中具有更好的应用价值和物理意义。

基于跟踪粒子滤波的故障预报模型流程如图6所示。

图5 基于自组织映射网络（SOM）的自适应性能评估算法流程图

图6 基于跟踪粒子滤波的故障预测方法流程图

2.4.2 基于案例相似度的故障预报模型

对于整弹电气系统测试数据的预测是以系统的特征作为预测模型的输入，预测模型直接输出剩余寿命的预测结果，这类方法不需要提前定义失效准则。特征层的预测方法直接建立特征和剩余寿命的映射关系，主要包括神经网络方法和基于案例的学习（IBL）的方法等等。本文拟采取IBL/CBR中的基于相似性的预测方法进行的故障预测。

基于相似性的预测方法是一种专门为工程系统寿命预测设计的非参数方法。该方法，首先从历史训练样本中提取大量的退化轨迹，历史样本的失效时间是已知的，数据是全寿命的（但初始退化状态未知），然后将退化轨迹组合在一起形成退化轨迹矩阵；对于待预测样本，通过计算它和字典中每一退化轨迹的极小距离[距离定义的方式有很多种，拟采用极小加权欧式距离（minimal weighted Euclidean distances）或者其和梯度的组合等等]来比较它和矩阵中每一退化轨迹的相似性（距离测度）；接下来，计算当前测试样本在每一退化模型（局部模型）中的剩余使用寿命；最后，最终的RUL将由融合多个局部退化模型的RUL预测结果得到，如图7所示。

图7 基于案例相似性方法的剩余寿命预测流程图

3 硬件支撑实现研究

LXI是基于以太网的一种新型测试总线，它的优点在于方便连接，易于实现远程控制，且费用和成本都低于VXI、PXI和GPIB。基于LXI平台搭建测试系统，包括机架式服务器、开关和数据采集平台、多路复用模块、数字IO模块、矩阵开关模块、时序测量模块、数据输入输出接口模块、数据输出接口。

数据输入输出接口模块提供健康评估与性能预测软件与其他系统与软件的统一接口，以规定的数据接口完成数据传输，实现原始数据的读取与分析结果的输出共享。与数据分析判读软件之间的数据接口，完成整弹各层级、各测试场景、各次任务的判读测试数据、判读判据与判读结果的读取与调用，提供给健康状态评估及性能预测软件的性能评估、评估总览等模块，支持后续健康评估与性能预示等算法实现与软件功能实现。与TDM（test data managerment）系统之间的数据接口，完成系统数据库内原始测试数据的读取与调用，提供数据判读软件中未覆盖到而本系统需要调用的数据，支持后续健康评估与性能预示等算法实现与软件功能实现。

数据输出接口，具备向其他系统提供分析结果的能力。软件系统的分析结果，包括构建得到的健康基线、关键参数级健康评估结果、核心单机级健康评估结果、系统级健康评估结果、整弹级健康评估结果；以及各级别参数与健康度趋势预测结果和核心单机级、场景级、整弹级等结构指标构建结果，统一由数据输出接口完成向外部软件的传输。

4 结束语

本文提出的导弹健康评估与故障预测的关键方法，包括架构设计、指标体系构建算法、健康评估算法和故障预测算法，全面考虑了弹上控制系统与地面控制系统工作特点，基本能满足导弹故障预测与健康管理要求，难点是弹上PHM技术应用实现。未来随着导弹试验数据采集、存储、管理等能力的持续成熟与发展，可在当前试验鉴定支持软件体系下，进一步结合统计阈值自适应生成、性能健康基线模型、时序深度模型等先进算法技术，实现更加自适应的指标体系管理，以及更加精确、自主、智能的导弹状态评估与故障预测。