装备健康管理关键技术发展趋势

来源：金航数码，作者：侯安生，仅供学习交流，侵删。

现代武器装备的采办、使用与保障费用日益庞大，经济可承受性不可回避。据统计，武器装备全寿命周期的使用与保障费用占总费用的72%。基于状态的维修（CBM）、货架产品（COTS）、自主保障（ALIS）、装备诊断与健康管理（PHM）等都是压缩维修保障费用的重要手段。

PHM早期应用主要集中于航空发动机领域，例如GE的F404发动机、PW的F117发动机等等，主要包括测试、监控及健康管理。让PHM声名显赫的，是F35联合战斗机项目的智能后勤信息系统ALIS，该系统囊括了飞机系统状态监控、健康评估、故障预测、维修计划、后勤保障等若干功能，是第一个真正有故障预测概念的PHM。

1. PHM定义

PHM是指故障预测和健康管理，为了满足自主保障、自主诊断的要求提出来的，是基于状态的维修CBM（视情维修，Condition Based Maintenance）的升级发展。它强调资产设备管理中的状态感知，监控设备健康状况、故障频发区域与周期，通过数据监控与分析，预测故障的发生，从而大幅度提高运维效率。

要实现PHM，除了物理基础条件保障外，既需要大数据分析技术，又需要非常密集的行业知识、经验和模型作为支撑。

诊断是产品（装备）在预期的使用状态下，通过评估其健康状态变化，监控健康状态、预测剩余使用寿命的过程；健康管理是利用诊断信息对相关安全、基于状态维修（CBM）、确保产品充足库存的决策。PHM允许产品在实际生命周期内系统可靠性的扩展使用。

2. PHM技术发展

从20世纪70年代起，故障诊断、故障预测、CBM、发动机监控、健康管理等系统逐渐在工程项目中探索应用。在30年的发展过程中，电子产品机上测试（BIT）、发动机健康监控（EHM）、结构件健康监控（SHM）、齿轮箱、液压系统健康监控等具体领域问题的PHM技术得到了发展，出现了健康与使用监控系统（HUMS）、集成状态评估系统（ICAS）、装备诊断与预测工具（ADAPT）集成应用平台，故障诊断、使用监测与维修保障系统相互交联变得愈来愈重要。工程实践表明，PHM技术可以降低维修保障费用、提高战备完好率和任务成功率，体现在：通过减少备件、保障设备、维修人力等保障资源需求，降低维修保障费用；通过减少维修，特别是计划外维修次数，缩短维修时间，提高战备完好率；通过健康感知，减少任务过程中故障引起的风险，提高任务成功率。

PHM系统一般应具备故障检测、故障隔离、增强的诊断、性能检测（监测）、故障预测、健康管理、部件寿命追踪等能力，通过联合分布式信息系统（JDIS）与自主保障系统交联。F35联合攻击战斗机（JSF）的PHM系统分为机上与地面监控管理两方面。机上部分，包括推进系统、任务系统等若干个区域管理器（AM），完成子系统、部件性能检测，增强的故障诊断，实现关键系统与部件的故障预测等任务。例如，推进系统区域管理器（AM）就集成了吸入碎片监控（IDMS）、发动机微粒监控（EDMS）、涡流叶片监控（ECBS）、滑油微粒监控（ODM）等功能。

3. PHM分析模型和关键技术点

PHM强调装备管理中的状态感知、数据监控与分析，监控设备健康状况、故障频发区域与周期，预测故障的发生，从而大幅度提高运维效率。大多数故障诊断与故障预测工具都具有领域相关的特点。如图1的F35 PHM应用架构，涉及诸多分析模型和关键技术。

图1：F35 PHM应用架构

PHM分析模型包括故障诊断模型、寿命预测模型、决策支持模型、信息反馈与机器学习模型、数据处理模型、特征提取模型。如图2的PHM各阶段模型。

图2：PHM各阶段模型

诊断和预测分析方法包括三类：物理失效模式（The Physics-of Failure(PoF)/Model-based Approach）、数据驱动模式（The Data-Driven Approach）、融合模式（Fusion Approach）。物理失效模式分析是装备产品失效的根本原因，包括地点、方式和部件，是建立在产品寿命周期内以可靠性为基础、评估物理部件配置、识别部件失效评估预测的方法论。数据驱动模式分析是在使用实时和历史数据基础上，以统计概率分析获得评估、决策、预测产品剩余寿命和可靠性的方法。融合模式是物理失效模式和数据驱动模式两者相结合的分析方法。

故障诊断与预测都是对客观事物状态的一种判断，故障诊断与预测包括认知模型、功能及性能信息（基于故障状态信息）使用中表现出来的异常现象信息（基于异常现象信息）、使用中所承受的环境应力和工作应力信息（基于使用环境信息）、预置损伤标尺的状态信息（基于损伤标尺信息）等。

基于故障状态信息的故障诊断与预测典型方法包括电子产品的机上测试（BIT），以及非电子产品功能系统的故障诊断等，环境应力对电子产品造成的某些累积损伤也表现为电性能的退化。

基于异常现象信息的故障诊断与故障预测，在非正常工作状态下所表现出来或可侦测到的异常现象（振动、噪声、污染、温度、电磁场等）进行故障诊断，并基于趋势分析进行故障预测。大多数机械产品由于存在明显的退化过程，多采用这种故障诊断与预测方式。

基于异常现象信息进行故障诊断与故障预测的是基于历史统计数据、故障注入获得的数据等各类已知信息，针对当前产品异常现象特征，进行故障损伤程度的判断及故障预测。概率分析方法、人工神经网络、专家系统、模糊集、被观测对象物理模型等都可以用于建立异常现象与故障损伤关系模型。概率趋势分析模型通过异常现象对应的关键参数集，依据历史数据建立各参数变化与故障损伤的概率模型（退化概率轨迹），与当前多参数概率状态空间进行比较，进行当前健康状态判断与趋势分析。神经网络（ANN）趋势分析模型利用ANN的非线性转化特征，及其智能学习机制，来建立监测到的故障现象与产品故障损伤状态之间的联系。利用已知的“异常特征-故障损伤”退化轨迹，或通过故障注入（seeded fault）建立与特征分析结果关联的退化轨迹，对ANN模型进行“训练/学习”；然后，利用“训练/学习”后的ANN依据当前产品特征对产品的故障损伤状态进行判断。由于ANN具有自适应特征，因此可以利用非显式特征信息来进行“训练/学习”与故障损伤状态判断。基于系统模型进行趋势分析利用建立被观测对象动态响应模型（包括退化过程中的动态响应），针对当前系统的响应输出，进行参数辨识，对照正常状态下的参数统计特性，进行故障模式确认、故障诊断和故障预测。

基于使用环境信息的故障预测由美国马里兰大学CALCEESPC提出的电子产品"寿命消耗监控（LCM）"方法论是目前主要发展方向。LCM方法论采集的是环境信息，基于电子产品的失效物理模型，通过环境应力和工作应力监测，进行累计损伤计算，进而推断产品的剩余寿命。

数据融合及综合诊断与预测综合利用来自多种信息源、多参数、多传感器信息，以及历史与经验信息，以减小故障诊断与预测的差错，提高置信度。数据融合时要考虑的主要问题是各种来源信息的可信程度/精确度的差异，常用的方法有权重/表决、贝叶斯推理、卡尔曼滤波、神经网络、隐含马尔科夫模型(HMMs)、渐进式蒙特卡洛模型、专家系统、模糊逻辑等方法。

4. PHM技术展望及应用难点

PHM技术的发展经历了故障诊断、故障预测、系统集成三个日益完善的阶段，在部件级和系统级两个层次、在机械产品和电子产品两个领域经历了不同的发展历程。当前PHM技术的发展体现在以系统级集成应用为牵引，提高故障诊断与预测精度、扩展健康监控的应用对象范围，支持CBM与ALIS的发展。

在PHM系统集成应用方面，体现在针对故障预测的不确定性，如何进行风险-收益分析，实现容忍不确定性的保障决策。在提高故障诊断与预测精度方面，体现在研究混合及智能数据融合技术，加强经验数据与故障注入数据的积累，提高诊断与预测置信度及监控途径和数据精度。在扩展应用对象范围方面，体现在向电子产品故障预测的扩展。

国内的航空公司，几十年海量的数据，都无法自己开发PHM系统。这个难点就是模型：健康模型怎么评价，而预测模型更难。这就是工业技术体系，如何将专家经验和实践经验相结合，这正是工业化的核心。