T/R组件故障预测技术研究

范梦恒，赵 宁，张 宇

(1.中国船舶集团有限公司第八研究院，南京 211153;2.南京理工大学 计算机学院，南京 210094)

0 引 言

作为有源相控阵雷达的核心部件，T/R组件集成度高，组装工艺复杂，既包括无源器件表面贴装、低温共烧陶瓷基板与壳体的大面积焊接、射频连接器与壳体的焊接等温度梯度焊接工艺，还涉及微波MMIC裸芯片环氧粘接、共晶焊接以及金丝键合等先进微组装工艺[1]。T/R组件对于整部雷达至关重要，可影响整部雷达的关键性能。 随着雷达整机对于自身性能监测与维修的要求越来越高，T/R组件的健康监测与管理也变得尤为重要。

1 故障预测技术研究现状

测试性技术的快速发展经历了由外部测试到机内测试(Built-In Test，BIT)、智能BIT、综合诊断、故障预测与健康管理(Prognostics Health Management，PHM)的过程，其中PHM技术由美国国家科学基金会智能维修系统研究中心提出，已在世界范围内航空、船舶、电子、机械制造等诸多行业实施应用。PHM是对原有测试性设计的进一步拓展，主要引入了状态评估、故障预测、维护策略的自动分析生成，实现了对设备的视情维修，避免了传统的修复性维修和计划性维修带来的设备故障或维修资源的不必要浪费。测试性技术发展演变为PHM技术是一个必然的过程，后者基于实际需求，从被动等待处理转变为主动测试维修，再到事前预测和规划维护修理[2]。

1.1 国外

在民用领域，法国阿尔斯通公司的“铁路状态管理系统”、美国GE公司的“系统健康管理一体化解决方案”、日本日立公司的“燃气机组智能维护系统”、美国波音公司的“地空一体化远程飞机航运与健康管理中心”均是PHM技术的典型应用，目的是提高装备的使用效率，降低全系统全寿命周期费用。

在军用领域，以美军为例，海军的“综合状态评估系统”、陆军的“陆军诊断改进计划”、空军的“空军故障预测与健康管理系统”都是运用了PHM技术，其中空军系统已装备F-35战斗机，促进了自主式保障建设，显著提高了智能化保障水平，降低了使用与维修费用和寿命周期费用，有利于消除装备的故障虚警率。另外，海军的“岸海一体装备远程综合状态评估与状态管理中心” 提供远程监控和故障定位功能，使海军企业能高效创新地保障作战舰艇，在安全环境中实现实时远程诊断和故障定位，并能提供状态监控、数据融合、合作共享等功能，为装备的高效使用和有力保障发挥了积极作用。

1.2 国内

在雷达装备故障诊断与预测技术方面，国内相关机构和学者也做了一些研究，取得了一定的成果。

哈尔滨工业大学以雷达发射机作为研究对象，开展了雷达发射机健康状态评价及预测技术研究，探讨了基于特征提取的雷达发射机异构参数——波形参数预处理，利用修正模糊层次分析法对雷达发射机的健康状态进行评价、对故障征兆参数进行预测，并以绝缘栅双极型晶体管为例开发了PHM系统演示软件。

西北工业大学针对在役雷达系统外场故障诊断技术需求，采用系统工程方法开展了雷达系统级、电路板级和元器件级3个层次的在线智能故障诊断技术研究，以提高雷达系统的保障性水平及作战效能。

西安电子科技大学开展了天线辐射特性测量及诊断技术研究，提出了一种天线快速测量及诊断新方法——换相测量法，其基本思想是在天线和测量探头均保持固定的情况下，测量天线不同配相状态下探头的接收信号幅相，然后用数学算法对实验数据进行处理，即可确定任意配相状态下各通道激励的幅相，进而根据一次试验结果复原所有的方向图。

但总体来讲，我国雷达装备可靠性和测试性协同设计、故障预测和健康管理技术研究目前处于起步阶段，仍然存在很多问题，许多关键技术尚未取得突破。

2 T/R组件故障预测技术

2.1 故障预测基本方法

故障预测基本方法如下：

(1) 开展故障模式症状与测试扩展分析，合理布局测试点/传感器

所有的预测都需要采集基本特征信息，所以故障预测的第一步就是以测试性为基础，开展故障模式症状与测试扩展分析，确定故障模式及基本信息、故障演变特点、故障征兆，合理进行测试点/传感器的布局。

(2) 建立关键参数模型和故障预测模型

采用灰色模型、时间序列模型等方法对射频输出功率、接收通道噪声等关键性能等单参数进行建模；利用竞争失效原理，采用蒙特卡罗方法建立T/R组件多参数故障预测模型。

(3) 建立健康评估模型

以发射通道的射频输出功率、接收通道噪声系数、温度等参数为基础，采用马氏距离或KL距离建立T/R组件健康评估模型。

(4) 阵面间接评估方法

T/R组件是阵面最基本的构成，每个收发通道性能的变化最终都可以反应在阵面收发通道幅度和相位一致性性能上，所以通过监测阵面所有通道幅度和相位的相对变化可以评估T/R组件故障状态，分析其性能变化趋势。

2.2 T/R组件故障模式症状与测试扩展分析

故障预测以故障征兆和传感器布局分析为基础，而传统的故障模式、影响、危害性分析(Failure Mode，Effects，and Criticality Analysis，FMECA)方法不支持开展此类分析工作。为支持故障预测，须进一步开展故障模式症状与测试扩展分析，分析步骤如下：

(1) TR组件FMECA

传统的FMECA方法是最基本的故障分析方法，其分析流程如图1所示。

图1 FMECA分析流程图

收发功能是T/R组件的基本功能：发射功能最基本的表征参数是发射功率，任何导致发射功率下降(一般80%)的故障因素，如发射管失效、输入信号故障、过热、过脉宽、过工作比、工作电源电压下降等都是发射故障因素，会造成阵面发射功率下降及发射波束指向偏离，其中过热、过脉宽、过工作比比较常见；接收功能最基本的表征参数是噪声系数和接收机增益，会导致阵面接收灵敏度下降及接收波束指向偏离，接收电路一般比较稳定，很少发生故障。

另外，现在的T/R组件多为数字组件，容易发生收发相位问题，这也是常见故障，对雷达阵面指向影响巨大，直接影响雷达接收功能；T/R组件往往含有多个收发通道，除了前端收发通道是独立的，其电源供电、信号产生、冷却等都是局部公用或完全公用，公共部件发生故障会影响较多的收发通道，危害性较大，应该从设计源头上控制提高其可靠性。

(2) 分析故障演变过程

根据电路结构构成、设计原理、维修经验，以组件的工作状态相关测试数据为基础分析故障演变。例如，冷却液温度升高将造成组件温度过高，从而导致发射功率逐步下降直至启动关机保护或者被烧毁；信号工作比增大可导致供电电流增大，最终致使电源启动保护或者烧坏发射管。通过故障演变梳理“症状”彼此的关联性，根据关联性、同等性原则分析/预测关联故障的发生。

(3) 确定故障征兆

根据FMECA报告的三级影响，结合经验数据、原理分析和(或)可用的仿真分析手段确定故障模式会导致的各种影响或故障先兆表现。

(4) 确定测试点/传感器及布局

根据FMECA分析，对于故障率高、危害性大的故障，须设置必要的传感器监测点；依据故障症状/先兆在关联敏感位置设置传感器，开展监测测试；在关联接口处设置必要的监测点来监测组件外围接口信号的状态，以排除关联故障产生的故障。根据T/R组件的功能组成特点，发射管电压、电流、发射脉宽、发射工作比、发射功率、发射管工作温度、接收机工作电压、接收机幅度、输入信号幅度、数字板单元工作状态等都应设置监测点。

2.3 T/R组件故障预测技术

2.3.1 T/R组件单参数退化规律建模

采用灰色模型、时间序列模型等方法对射频输出功率、接收通道噪声等T/R组件关键性能参数进行建模。

(1) 基于灰色模型的单参数退化规律建模

先用T/R组件的射频输出功率、接收通道噪声系统、温度的量测数据对灰色模型的未知参数进行估计，再根据估计结果预测各个参数状态。

(1)

式中，模型参数a、b未知。

(2) 基于时间序列模型的单参数退化规律建模

根据T/R组件的性能退化数据X1,X2,…,Xn，采用求和自回归滑动平均模型(Autoregressive Integrated Moving Average Model，ARIMA)对T/R组件参数变化趋势建模，并根据失效阈值进行预测，具体技术流程如图2所示：首先，采用自相关函数法确立模型阶次d，采用BIC准则确定模型阶次p、q；其次，采用Levenberg-Marquardt算法估计AR模型和MA模型参数φi、θi；最后通过预测与逆变换求得T/R组件关键性能参数退化规律模型。

图2 ARIMA模型建模流程

2.3.2 T/R组件多参数故障预测模型

利用竞争失效原理，采用蒙特卡罗方法建立T/R组件故障预测模型。假定共有K个退化型失效参数表征T/R组件性能状态，采用健康状态预测方法得到的退化演化规律分别为Di(t),i=1,2,…,K，每个参数的失效阈值分别为Ti,i=1,2,…,K，每个参数的失效(或低效)时间为ti,i=1,2,…,K，则T/R组件每个参数的失效(或低效)时间分别为t1,t2,…,tK，根据竞争失效原理得到T/R组件的失效时间为

t=min{t1,t2,…,tK}

(2)

在多种机理多参数情形下，采用蒙特卡罗算法进行求解，从而预测T/R组件的失效(或低效)时间。

2.3.3 建立关键器件失效模型

T/R组件中的发射管是最关键也是失效率最高的器件，必须针对性地关注其失效的可能性。为此，根据

厂家提供的基本失效模型轮循监测发射管电流、输出功率、工作温度(环境应力)等典型参数数据，通过对过去和现有典型参数数据的迭代分析评估其未来工作状态，并不断记录新的工作状态，修正工作或失效模型，更新综合模型库，开展新一轮的评估预测。

2.4 T/R组件健康评估技术

2.4.1 基于马氏距离或KL距离的健康评估技术

以T/R组件发射通道为例，基于射频输出功率、接收通道噪声系数、温度等参数，采用马氏距离或KL距离建立T/R组件健康评估模型。模型建立流程如图3所示。

图3 T/R组件健康状态评估模型建立流程

2.4.2 阵面间接评估技术

T/R组件工作于阵面，每一个收发通道的发射/接收特性都会直接通过阵面性能加以体现，如通道发射功率下降、接收增益下降等都将体现在阵面阵元激励电流幅相误差上，所以通过监测阵面单元幅相一致性的变化，结合单个阵元的幅相误差分析及其在阵面所处位置等因素就可以分析T/R组件性能变化趋势。

阵面幅相一致性是天线最重要的指标，直接影响天线收发波束形状/副瓣/波束指向，因此相控阵天线必定设计有幅相监测单元。幅相一致监测技术包含阵面通道发射/接收信号取样技术及其数据处理技术。 阵面监测一般采用通道耦合方法完成信号取样；数据处理技术是以暗室测试数据为基准，考虑耦合器的温度变化特性和耦合器的幅频特性进行处理。 阵面幅相一致监测技术既可以有效评估T/R通道收发状态，也可以采集记录其基本工作数据，为建立T/R组件工作模型积累数据。

3 结束语

本文基于T/R组件FMECA方法，针对雷达整机健康管理需求，分析了T/R组件故障演变/故障征兆以及监测点的布局要求，研究了T/R组件故障预测及健康评估方法，在此基础上可构建相关软硬件平台，最终实现T/R组件或有源相控阵雷达天线的故障预测与健康管理系统，对于工程实践有较强的指导意义。