基于数据驱动的机载雷达健康评估技术研究

孔凡泉 倪向东

（中国电子科技集团公司第38 研究所，安徽合肥 230088）

1 概述

机载雷达在实际作战使用时由空中勤务人员操作使用，仅能靠机上在线检测结果和系统实际运行情况简单评估系统状态，无法对系统内设备的真实状态进行准确掌握，更无法对预期任务完成情况进行准确预测，影响作战决策和作战效果；然而，机载雷达维护保障是由地面勤务人员负责，系统状态主要靠空勤人员口述和地面开机检查获得，地勤人员对任务执行和设备运行情况不能实时跟踪掌握，无法准确掌握雷达状态，在出现问题时无法第一时间掌握故障现象，很多问题不能复现，给保障工作带来了很大挑战，同样影响作战决策和作战效果。

在这种背景下，机载雷达健康管理可对机载雷达在线检测和监控功能的进行拓展，更全面、更系统地对机载雷达状态进行综合健康评估。机载雷达健康管理可以综合利用雷达在作战、维护以及空中、地面不同场景的历史信息、在线检测信息等多种信息，为地面勤务人员提供综合信息和辅助决策，降低寿命周期成本，避免一些不可预料的潜在问题，可靠地完成系统预期任务。

2 机载雷达健康管理系统架构

本文以OSA-CBM 开放体系为指导，构建单部机载雷达装备健康管理体系架构，如图1 所示。

图1 机载雷达健康管理系统体系架构

机载雷达健康管理系统体系架构通常由状态监测、健康评估、状态预测和综合决策等功能模块构成，通过对雷达系统、子系统及部件各类特征信息的采集监测，判断与定位其故障，综合评估雷达健康状态，预测故障趋势、性能和寿命长短，为装备维修保障和作战使用决策提供依据。

状态监测：该部分利用各种传感器采集雷达系统的相关参数信息，主要通过雷达装备状态记录设备和人工辅助进行记录，具有状态信息、性能参数、故障信息、点航数据、视频回波等信息，是PHM 系统的数据基础。同时，还要进行数据转换和数据传输，将数据处理成后续模块的状态监测、健康评估和故障预测等需要的格式，即进行数据归一化处理。

健康评估：主要是收集评估对象的健康资料，对健康特征数据进行分析处理，综合历史数据和当前数据，构建雷达装备健康状态评估指标体系，对雷达的健康状态（含故障诊断与定位）进行评估，兼顾雷达探测能力和保障能力评估。

状态预测：主要是根据历史数据和当前数据，针对系统关键子系统或部件建立相应的预测模型，对其运行趋势进行预判，包括故障预测、性能预测和剩余寿命预测。这部分是PHM的难点，需要长期探索、积累和验证。

综合决策：在状态监测、健康评估和状态预测的数据和结果基础上进行综合研判决策。其目的是产生作战使用和维修保障活动等建议措施，作战使用和维修保障决策是相互作用的结果。作战使用建议主要包括性能预测结果、受限制的功能与性能、操作使用建议等。

3 数据驱动健康评估方法

在进行装备健康状态评估时，需要从装备的功能结构和影响关系出发，可综合运用模糊理论、层次分析法和定量分析法完成。装备的健康状态是模糊的、不确定的，可采用以健康度为基础的模糊综合方法进行装备健康评估。装备的健康度可用0～1 归一化数值表示，接近1 时，表示该装备处于健康状态；接近或达到了0，表示该装备处于危险状态；处于0～1 之间时，表示中间状态。基于健康度数据驱动的装备健康状态评估，可用于对系统整机、子系统设备或零部件的健康状态进行评估。根据雷达装备组成的层次结构特点和健康状态的模糊特性，其评估过程如图2 所示。

图2 机载雷达健康状态评估过程

3.1 建立装备健康状态集

装备的健康状态由各组成子系统的健康状态决定，而各组成子系统的健康状态又由相应的各组成部件的健康状态决定，因此，要进行装备健康状态评估，首先要进行部件健康状态评估，然后进行子系统设备健康状态评估，逐级进行，最终综合得到装备的健康状态。以某机载雷达为例，其综合评估模型如图3 所示。

图3 某机载雷达健康状态评估模型

假设某机载雷达由n 个子系统组成，则可用U=（U1，U2，…，Ui，…，Un）表示其健康状态集，其中，Ui（i=1，2，…，n）为第i 个子系统的健康状态；Ui=（Ui1，Ui2，…Uij，…，Uim）表示第i 个子系统的健康状态集，其中，Uij（i=1，2，…，n；j=1，2，…，m）为第i 个子系统第j 个部件的健康状态。每个部件又由一个或多个健康特征数据进行描述，即Dij=（Dij1，Dij2，…，Dijk，…，Dijp），其中Dijk=（i=1，2，…，n；j=1，2，…，m；k=1，2，…，p）表示第i 个子系统第j 个部件的第可个特征参数健康特征数据。

可对装备健康状态等级进行划分，如某机载雷达的健康状态可分为四个等级，健康、良好、注意和危险，其状态评价集可用A=（I，II，III，IV）来表示。

3.2 特征数据提取与归一化处理

机载雷达具有“长时间地面战备、间歇性空中作战”的特点。由于检修状态和工作状态的差异，仅靠地面维护测试数据，往往无法准确确定其健康状态。由于环境的不同，部分数据在地面维护状态和空中作战状态存在较大差异，因此可分为地面维护数据和空中作战数据。

为了更好的描述装备健康状态，需要提取能够有效反映装备健康状态的特征参数，并根据这些数据的特点，进行分类处理和归一化，通常需要充分利用可以获得的全面数据信息。

按照数据类型区分，可分为数值型数据、逻辑型数据和文本型数据，数值型数据是在一定范围内变化的具有特殊物理含义的数据，逻辑型数据主要用来表示真假，一般用0、1 表示，文本型数据主要是对某种状态或功能的定性描述，如威力基本正常，小目标探测情况不好等。如表1 所示，某雷达发射组件参数，同时具有两种类型数据。

表1 某雷达发射组件特征数据分类表

基于空中作战记录数据和地面维护测试数据的数据驱动机载雷达健康状态评估，一项重要工作是数据的归一化处理。由于装备健康状态影响因素的量纲不一致，为了能够进行定量分析，需要对影响因素进行归一化处理，即将其压缩到[0,1]之间，归一化方法根据不同种类数据分类确定，归一化后的数据可以直观反映出该健康特征数据的好坏。

3.3 各层次重要度确定

不同的特殊数据和不同的部件对系统健康状态的影响是有差异的，确定子系统和部件的重要度是装备健康状态评估的关键，可采用层次分析法结合FMECA 分析结果确定子系统的重要度权重向量W={W1，W2，…，Wi，…，Wn}、部件的重要度向量Wi={Wi1，Wi2，…，Wij，…，Wim}和健康度数据的重要度向量Wij={Wij1，Wij2，…，Wijk，…，Wijp}。FMECA 数据一般在装备研制阶段就会给出，对装备每一约定层次的故障模式、原因及影响进行了全面分析，同时建立了各约定层次之间的迭代关系，可得到装备由健康状态发展为故障状态的各系统、各层次的影响因素，在确定各层次重要度时可结合使用维护阶段的数据对其进行修正。

3.4 建立部件级健康度模糊判断矩阵

部件级健康状态等级隶属度可根据部件的健康度数据得出，求解隶属度的函数有很多，不同函数具有不同特点，可根据部件、子系统或系统特点进行选取，本文采用采用岭形分布隶属度函数来求解部件级健康状态等级隶属度，如公式（1）-（5）所示，该函数具有主值区间宽、过渡带平缓的特点。

由此可得到第i 个子系统第j 个部件以健康度数据为评价标准的模糊评判矩阵为

3.5 各层次健康状态隶属度评估

在以上基础上，综合部件的健康度数据隶属度和重要度，可得到第i 个子系统第j 个部件的健康状态隶属度评估向量为

3.6 确定装备整体健康状态

按照最大隶属度原则，可确定雷达装备的健康状态。

4 应用与验证

根据上述方法，以某机载雷达为样本，选取3 个子系统共6个部件进行分析评估，根据系统输入输出数据进行特征提取确定了9 种特征数据，并对其进行了重要度分析，结果如所表2 所示。

表2 某机载雷达部分子系统及部件重要度分析表

对该机载雷达一定时间内的健康状态进行了跟踪分析，结果如表3 所示。

表3 某机载雷达健康状态评估

5 结论

数据驱动PHM 技术在复杂系统健康管理应用中受到了广发关注，尤其是在现役装备中的应用具有独特优势，但是在实际应用中仍面临许多现实的挑战。本文针对现役机载雷达的维修保障和作战使用特点，提出了一种基于数据驱动的机载雷达PHM 设计结构和健康评估方法，可以离线分析、处理和评估雷达健康状态，具有一定的工程应用价值。