装备电气系统智能故障诊断与健康预测技术发展研究

李 良， 李 原， 黄家彬

（96921 部队， 北京 100020）

0 引言

由于日趋复杂的装备功能集成和使用环境影响因素的增加， 其发生故障和功能失效的几率逐渐增大，因此故障诊断和健康维护逐渐成为装备正常运行的重要保障。 而当前传统的基于专家知识、基于统计数据分析和基于模型的故障诊断方法难以适用功能日趋复杂的现代化装备保障需求。 随着人工智能、大数据技术迅速发展，应用相关的机器学习、总线控制、数据挖掘方法对装备试验和操作使用过程中产生的大量数据进行采集、分析，学习、挖掘“海量”数据中隐藏的知识，有效地认识和掌握装备运行规律，并通过机器学习、智能搜索快速定位故障，这对现代化作战背景下实现复杂装备的故障检测、故障定位、故障识别和健康预测具有特别重要的意义。

1 故障诊断与预测技术国内外研究现状

随着现代装备的复杂性、综合化、智能化程度不断提高，其研制、生产尤其是维护和保障的成本越来越高，基于复杂系统可靠性、安全性、经济性考虑，以诊断和预测技术为核心的故障诊断、 预测和健康管理（Diagnosis，Prognostics and Health Management，DPHM）策略获得越来越多的重视和应用。 研制、生产DPHM 是对复杂系统传统使用的机内测试（build-in test，BIT）和状态（健康）监控能力的进一步扩展，它是从状态监控向健康管理的转变，这种转变引入了对系统未来可靠性的预测能力， 有效提高电气系统安全性、完好性和任务成功性，从而以较少的维修投入， 实现基于状态的维修或视情维修 （conditionbased maintenance，CBM）和自主式保障[1]。

1.1 国外研究现状

故障诊断、预测及健康管理技术（PHM）起源于20 世纪90 年代末，综合诊断系统向测试、监控、诊断、预测和维修管理一体化方向发展， 并从最初侧重考虑的电子系统扩展到电子、机械、结构、动力等各种主要分系统。 总的来说，PHM 系统是在需求牵引、技术推动下，并借助高技术装备项目的研制契机而诞生的。 美军20 世纪90 年代末引入民用领域的视情维修， 作为一项战略性的装备保障策略，其目的是对装备状态进行实时或近实时的监控，根据电气系统的实际状态确定最佳维修时机。 随着高速数据采集、大容量数据存储、高速数据传输和处理、信息融合、MEMS 和网络等信息技术和高新技术的迅速发展，意味着允许在装备中完成更多的数据存储和处理功能，以消除过多依赖地面站来处理信息的需求，为提高PHM能力创造了条件。近年来，PHM 技术受到各国军方和工业界的广泛关注， 各方都在积极采取各种方式加速这类军民两用技术的开发和利用。

在军事领域， 美军为F-35 JSF 开发的PHM 系统是最早、也是目前技术水平最高的应用，F-35 的PHM 系统代表了目前CBM 应用的最高水准。 同时，PHM 技术也已广泛应用于英、美、加拿大等国研制的各类飞机系统中，称作“健康与使用监控系统（HUMS）”的集成应用平台。美国各军种及其他机构也开展了与PHM／HUMS 类似的技术发展项目， 如美国空军研究实验室提出的综合系统健康管理（ISHM）系统方案：海军的综合状态评估系统（ICAS）和预测增强诊断系统（PEDS）项目；陆军的诊断改进计划（ADIP）、嵌入式诊断和预测同步（EDAPS）计划等。

1.2 国内研究现状

目前国内在故障诊断、预测和健康管理方面，也开展了较为广泛的研究工作。 研究需求和研究对象主要集中在航空、航天、船舶和兵器等复杂高技术装备研究和应用领域。研究主体以高校和研究院所居多，虽然在一些设计中进行了积极的尝试， 但是总体的应用研究规模和水平仍然不太成熟，各机构的研究能力和水平参差不齐，行业或技术领域专业研究组织薄弱。虽然近年来，也出现了一些基础研究成果，但是由于缺乏良好的研究管理机制，研究体系分散，统一高效的协调机制欠缺，造成了理论和应用脱节， 基础研究缺乏背景支撑和实验验证等致命的缺陷。可以说，国内对于故障预测和健康管理技术的研究目前正处于研究探索阶段， 尚未上升到设备视情维护所要求的剩余寿命预测阶段。

2 电气系统智能故障诊断技术总体研究

在航空航天、 国防军事以及工业各领域中应用的不同类型的PHM 系统，其体现的基本思想是类似的，区别主要表现在不同领域其具体应用的技术和方法的不同。视情维修的开放体系结构 （open system architecture for condition-based maintenance，OSA-CBM ） 综合了这些PHM 系统共同的设计思想以及应用技术和方法，可用于指导实际构建应用于机械、 电子和结构等领域的各种具体类型的PHM 系统。

在装备电气系统全寿命周期健康管理总体架构下，采用基于数据驱动和知识相结合的方法，对电气系统全生命周期故障诊断和预测技术展开研究， 主要包括数据管理、特征提取、智能诊断与健康预测。 基于测试数据的装备电气系统智能故障诊断技术，可实现电气系统测试数据的存储和管理，利用数据挖掘、人工智能、机器学习等理论和方法实现对数据的特征提取， 通过智能搜索和定位技术实现快速、准确故障定位。故障诊断的实现方法包括基于规则推理的专家系统和智能推理方法等； 知识库通过专家添加或离线模式挖掘获取； 故障预测方法包括回归分析、外推趋势预测、智能预测方法[2-4]。

3 电气系统智能故障诊断技术研究方法

智能故障诊断技术研究方法包括故障特征提取方法、故障定位方法和故障预测方法。每一部分的实现需要通过算法构建模型来完成， 本论文提出了智能故障诊断系统实现的具体算法。

3.1 故障特征提取方法

针对系统测试数据的特点， 故障特征提取拟采用的具体算法包括阈值分析、包络分析、相似性分析。

3.1.1 阈值分析

阈值分析法，即给出实测数据的阈值范围，若实测数据超过该阈值范围， 判断该组数据不正常阈值分析包括临界值判别法和N%误差阈值定制法。 临界值判别法是在分析模拟量或数字量时， 根据历史数据或经验确定正常数据的上下临界值，将实测数据与阈值进行比较，得到数据正常或不正常的结论。如判断电压、温度值是否正常时，首先设定一个正常的阈值范围，当电压或温度超过阈值时，则判断为异常。

N%误差阈值制定法以所测得数字量或模拟量在均值N%的误差范围内为正常状态，其中N 根据需求制定。

3.1.2 包络分析

传感数据的类型多样，有的传感数据呈波形分布，阈值并不是固定不变的，在不同的时刻，阈值不同。 因此其包络线有一定的规律或趋向， 采用包络线分析方法可以对作更详细的分析。

如图1 和图2 所示，实线表示实测数据，虚线表示对应准则，当实测数据在上下包络线之内，表示数据正常，若超过包络线，表示某时刻数据异常，此时提取异常数据信息（对应值）。

图1 包络线分析图例1

图2 包络线分析图例2

在包络线分析法中，包络线来源于准则库，根据理论值设置，或根据历史数据提取包络线。

3.1.3 相似性分析

相似性度量意在量化分析给定数据之间的近似程度， 对于时间序列而言， 相似性度量主要衡量的是序列之间是否具有相似的趋势和形态。 由于时间序列往往容易受到噪声、 延迟和波动等因素的影响， 其数据在表现形式上往往呈现振幅不一致、平移和不连续等特点。 同时相似性度量在序列搜索、聚类等任务中有重要应用，因此如何设计和实现有效的相似性度量方法将极大影响时间序列上层应用分析的准确和有效性。对于系统健康管理系统中的故障特征提取， 同样可以通过对时间序列的相似性分析来完成。

3.2 基于神经网络的控制系统故障定位

所提出的故障定位方法包含4 个主要步骤： 控制系统的故障树模型的构建、故障编码、神经网络建模、以及测试评估，见图3。

图3 神经网络故障定位流程

第一阶段，根据系统结构、功能和行为方面知识的构建故障树模型。 它是以某一故障事件为根节点，以该故障发生的前提条件为父节点、测点信息为子节点而建立的反映事件逻辑与或关系的倒树状结构图。

第二阶段，依据故障树模型，对测点状态信息和故障事件进行编码。用0 和1 表示某个测点的状态信息，表征是否出现异常值，异常为0，正常为1，所有测点测量值的状态编码组合成测试编码。 对具体位置发生的故障事件用二进制编码，作为故障编码。从而建立控制系统的测试编码和故障编码。

第三阶段，以测试编码作为神经网络的输入，故障编码作为神经网络的输出，基于大量历史数据，训练神经网络，建立特定的网络模型。

第四阶段，在建立的故障定位模型的基础上，根据实时测点的状态信息，进行故障定位。对模型输出结果的准确性进行评估。

3.3 故障预测方法研究

在基于人工智能和数据挖掘的控制系统诊断与预测方案下，具体实现控制系统的故障功能，有三种模式，即基于关键测试参数的故障预测、 基于主成分分析的故障预测和基于健康因子的故障预测。

3.3.1 基于关键测试参数的故障预测

基于关键测试参数的故障预测包括关键参数选择、预测模型、诊断推理，最后得出故障预测结论。 该方法通过离线构建回归预测模型（构建方法有神经网络、LSTM、SVM 等），对关键状态量进行预测，得到未来时间点的参数值，即控制系统的未来状态，在对未来状态进行故障诊断，判读是否发生故障。

关键测试参数选择： 整个电气控制系统测试数据量多，对每个参数进行预测会造成处理量大和冗余，因此从数据库中选择能表征未来变化状态的关键测试参数。

预测模型：由于不同的参数分布特点和变化趋势不同，因此预测时所采用的预测模型不同， 预测模型通过离线构建和训练。 预测算法有神经网络、SVM、LSTM、线性回归等。

诊断推理：预测模型得到参数未来的值，表征电气控制系统未来的状态，基于参数值进行故障诊断，包括异常检测、针对推理。

预测结论： 诊断推理的结果可判断系统未来是否发生故障。

3.3.2 基于主成分分析的故障预测

基于主成分分析的故障预测是在基于关键测试参数的故障预测基础上加入主成分分析。 该方法不直接对测试参数进行预测，先对测试数据降维和特征提取，选择主成分，提取出有效信息，降低冗余，减少运算量。在对提取出来的主成分进行分析和预测[5]。

3.3.3 基于健康因子的故障预测

基于健康因子的故障预测是构建能够表征系统当前状态的健康因子，即对当前状态进行健康评估，再对健康因子进行预测和分析，得到系统未来的健康状态。

4 结论

本文分析了智能故障诊断的国内外发展现状， 并结合国内外的一些研究成果给出了智能故障诊断系统的实现方案， 并结合实现方案给出了诊断和预测方案流程中每一部分功能实现拟采用的具体算法， 为智能故障诊断技术工程化设计提供参考和借鉴。