摘要：故障預(yù)測(cè)與健康管理系統(tǒng)（PrognosticsandHealthManagement,PHM）是提高系統(tǒng)性能與完好率，減少維修人力與保障費(fèi)用的關(guān)鍵技術(shù)。一個(gè)典型的PHM系統(tǒng)主要功能有數(shù)據(jù)采集、數(shù)據(jù)分析、故障診斷功能、健康評(píng)估功能、壽命預(yù)測(cè)功能和維修決策功能。對(duì)數(shù)據(jù)的正確處理直接影響到故障診斷、健康評(píng)估和壽命預(yù)測(cè)，所以選擇正確的算法對(duì)整個(gè)系統(tǒng)是至關(guān)重要的。本文從提高故障診斷準(zhǔn)確率和可靠性的目標(biāo)出發(fā)，對(duì)飛機(jī)故障的各種檢測(cè)和診斷方法進(jìn)行了系統(tǒng)性的研究，并討論了信息融合技術(shù)、小波變換和貝葉斯網(wǎng)絡(luò)的優(yōu)缺點(diǎn)。

關(guān)鍵詞：PHM；信息融合；小波變換；貝葉斯網(wǎng)絡(luò)

1引言

隨著航空系統(tǒng)復(fù)雜性和綜合化水平的日益提高和基于飛機(jī)系統(tǒng)可靠性、安全性、經(jīng)濟(jì)性的考慮，以檢測(cè)技術(shù)為核心的故障預(yù)測(cè)與健康管理系統(tǒng)（PHM）技術(shù)所起的作用不可或缺，是航空技術(shù)發(fā)展趨勢(shì)之一，PHM技術(shù)的發(fā)展體現(xiàn)在以系統(tǒng)級(jí)集成應(yīng)用為牽引，開展?fàn)顟B(tài)檢測(cè)、故障診斷、預(yù)測(cè)、健康管理與維護(hù)等功能為一體，在準(zhǔn)確的時(shí)間對(duì)準(zhǔn)確的部位采取正確的維修活動(dòng)，并使得系統(tǒng)在尚未完全故障之前人們就能依據(jù)系統(tǒng)的當(dāng)前健康狀況決定何時(shí)維修，從而實(shí)現(xiàn)自助式保障，降低使用和保障費(fèi)用的目標(biāo)。即數(shù)據(jù)處理算法的研究是故障檢測(cè)技術(shù)的核心并決定了檢測(cè)系統(tǒng)的準(zhǔn)確度。

2.國(guó)內(nèi)外發(fā)展情況

航空故障診斷技術(shù)起于20世紀(jì)60年代末，到90年代后隨著人工智能和數(shù)據(jù)融合技術(shù)研究與應(yīng)用的深入，國(guó)外正朝著基于數(shù)據(jù)融合聯(lián)機(jī)診斷功能的綜合信息系統(tǒng)方向發(fā)展。故障診斷算法可分為基于數(shù)學(xué)模型的診斷算法和分類診斷法兩大類。數(shù)學(xué)模型診斷方法應(yīng)用的關(guān)鍵時(shí)建立比較精準(zhǔn)的數(shù)學(xué)模型和故障方程及其求解。近二十年，美在數(shù)據(jù)融合技術(shù)的應(yīng)用做了大量的研究工作，采用人工神經(jīng)網(wǎng)絡(luò)與D-S證據(jù)理論相結(jié)合的數(shù)據(jù)融合算法。應(yīng)用信號(hào)特征譜提取技術(shù)、模糊邏輯與神經(jīng)網(wǎng)絡(luò)相結(jié)合的多項(xiàng)人工智能技術(shù)。國(guó)內(nèi)對(duì)多傳感器數(shù)據(jù)融合的研究起步相對(duì)較晚，20世紀(jì)末才逐漸被重視起來(lái)，多數(shù)研究是基于各種類型人工神經(jīng)網(wǎng)絡(luò)對(duì)故障進(jìn)行診斷算法研究，目前國(guó)內(nèi)開展了多傳感器數(shù)據(jù)融合技術(shù)的研究，與國(guó)外故障診斷技術(shù)相比還處于起步階段。

3.故障診斷的基本原理和分類

例如飛機(jī)的發(fā)動(dòng)機(jī)，一般有壓氣機(jī)、燃燒室、渦輪等主要部件組成，每個(gè)部件又有若干個(gè)零件及構(gòu)件構(gòu)成，從系統(tǒng)論的觀點(diǎn)出發(fā)，若把發(fā)動(dòng)機(jī)視為系統(tǒng)，則系統(tǒng)或系統(tǒng)的一部分不能或?qū)⒉荒芡瓿深A(yù)定功能的事件或狀態(tài)，統(tǒng)稱為故障。如果把發(fā)動(dòng)機(jī)故障（原因）引起的發(fā)動(dòng)機(jī)性能衰退（結(jié)果）的實(shí)際因果過(guò)程看作是正過(guò)程，那么故障診斷過(guò)程就是有可測(cè)參數(shù)的變化（性能退化）來(lái)找出故障原因（確定故障部位）的逆過(guò)程。

一般可視為分類診斷法和故障方程法兩類：非數(shù)學(xué)模型的分類診斷法，它的理論基礎(chǔ)是模式識(shí)別理論，其被診斷對(duì)象（系統(tǒng)）可能發(fā)生的故障狀態(tài)是有限的。常見的分類方法有：模式匹配法、判別函數(shù)分類法、基于概率統(tǒng)計(jì)的分類法、神經(jīng)網(wǎng)絡(luò)分類法和基于規(guī)則推理的分類法等。基于數(shù)學(xué)模型的故障方程法必須建立復(fù)雜的數(shù)學(xué)模型，其故障模型的建模精度與故障診斷的準(zhǔn)確度關(guān)系極大，外界的干擾對(duì)求解結(jié)果的影響也相對(duì)較大。

4.算法的研究

3.1基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合技術(shù)

由于飛機(jī)的結(jié)構(gòu)復(fù)雜、模型的嚴(yán)重非線性，測(cè)量綜合誤差對(duì)故障檢測(cè)的干擾影響的原因，造成了飛機(jī)故障診斷的復(fù)雜與困難。基于以上情況采用信息融合技術(shù)來(lái)診斷故障。例如將測(cè)量點(diǎn)電壓、溫度、能量數(shù)據(jù)通過(guò)權(quán)重/表決、貝葉斯推理、卡爾曼濾波等過(guò)程進(jìn)行恰當(dāng)?shù)娜诤希岣邤?shù)據(jù)來(lái)源的置信度。信息融合技術(shù)示意如圖1：

圖1信息融合技術(shù)示意圖

基于D-S證據(jù)理論的信息融合故障診斷方法研究能有效地提高融合診斷準(zhǔn)確率。應(yīng)用多種改進(jìn)BP網(wǎng)絡(luò)、徑向基網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)、SOFM自組織特征映射網(wǎng)絡(luò)、Elman回歸神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)理論，在不同規(guī)格化方式和噪聲干擾條件下的研究，得出以等方差標(biāo)準(zhǔn)規(guī)格化方式為最佳，以概率神經(jīng)網(wǎng)絡(luò)的抗干擾能力最強(qiáng)、故障診斷準(zhǔn)確率最高。

3.2小波變換

對(duì)于含有大量時(shí)變與奇異成分的故障信號(hào)，適于平穩(wěn)信號(hào)分析的傳統(tǒng)分析方法Fourier變換等將會(huì)產(chǎn)生較大的誤差，不利于故障信號(hào)特征的提取。而小波變換作為傅里葉變換方法的發(fā)展與延拓具有良好的時(shí)頻特性，基于小波脊線的漸進(jìn)信號(hào)瞬時(shí)頻率提取算法能有效地提取頻率隨時(shí)間連續(xù)變換信號(hào)的故障特征；有時(shí)故障信號(hào)與正常信號(hào)在時(shí)頻域上的表現(xiàn)非常接近，傳統(tǒng)的方法不能準(zhǔn)確提取，而基于小波變換的負(fù)荷波動(dòng)判定方法能明顯的區(qū)分出故障信號(hào)與正常信號(hào)，進(jìn)而提高了故障診斷的可靠性；對(duì)于測(cè)試中的高頻噪音，提出了基于小波包變換的浮動(dòng)閾值算法，能有效地去除噪音同時(shí)還保留了信號(hào)的有用高頻部分。例如利用小波包對(duì)起動(dòng)電樞電流信號(hào)的處理如下圖所示：

圖2原始信號(hào)部分放大波形

圖3傅式變換后信號(hào)放大情況

圖4浮動(dòng)閾值濾波后的信號(hào)放大情況

根據(jù)圖3和圖4可以看出基于小波包變換的浮動(dòng)閾值更能有效地去除于原信號(hào)相似的噪聲，這對(duì)信號(hào)的處理時(shí)極其重要的。

3.3貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)較易對(duì)現(xiàn)實(shí)世界上許多可認(rèn)知的行為建模，但是它最重要的強(qiáng)項(xiàng)在于關(guān)于行為、解釋以及參數(shù)選擇方面的推理計(jì)算，貝葉斯網(wǎng)絡(luò)具有堅(jiān)實(shí)的概率推理基礎(chǔ)，同時(shí)能表達(dá)的條件獨(dú)立性能有力表達(dá)設(shè)備故障之間的關(guān)聯(lián)關(guān)系；貝葉斯能利用一些故障征兆快速計(jì)算故障原因概率信息的過(guò)程，對(duì)已有的信息要求低，可在信息不完全、不確定情況下的推理；貝葉斯網(wǎng)絡(luò)具有很強(qiáng)的學(xué)習(xí)能力，貝葉斯網(wǎng)絡(luò)的學(xué)習(xí)在實(shí)際中可以根據(jù)新的樣本重新學(xué)習(xí)，以提高其故障診斷能力和準(zhǔn)確性。在實(shí)際過(guò)程中，由于難以預(yù)料的外界因素導(dǎo)致某些測(cè)點(diǎn)可能會(huì)出現(xiàn)數(shù)據(jù)丟失或無(wú)法讀出，即獲得數(shù)據(jù)信息不完備，從文獻(xiàn)中可知，由不完備數(shù)據(jù)訓(xùn)練獲得的貝葉斯網(wǎng)絡(luò)仍能維持較好的故障診斷率（80%），即使部分測(cè)點(diǎn)數(shù)據(jù)丟失也可以判斷故障模塊，這驗(yàn)證了貝葉斯網(wǎng)絡(luò)能有效處理不確定、不完備信息，并能得出正確的結(jié)論，這正是其他方法所不能比擬的優(yōu)越性。若網(wǎng)絡(luò)不合理還可以通過(guò)結(jié)構(gòu)學(xué)習(xí)獲得合理的網(wǎng)絡(luò)結(jié)構(gòu)，具有適時(shí)改變的特點(diǎn)。

4.結(jié)論

本文針對(duì)飛機(jī)數(shù)據(jù)的復(fù)雜性采取不同的數(shù)據(jù)處理算法，D-S證據(jù)理論的信息融合故障診斷方法利用多傳感器信息融合與處理相應(yīng)各類故障特征的選擇與提取技術(shù)，利用各自不同的理論方法對(duì)不同的故障數(shù)據(jù)進(jìn)行相應(yīng)的故障特征提取、有效識(shí)別和隔離的診斷方法的研究。小波包變換的浮動(dòng)閾值算法能有效處理高頻噪聲；貝葉斯網(wǎng)絡(luò)對(duì)新的數(shù)據(jù)樣本有很強(qiáng)的學(xué)習(xí)能力，能有效提高其故障診斷能力和準(zhǔn)確性。