大數(shù)據(jù)驅(qū)動的裝備健康管理研究

鞠建波，胡勝林,單志超,祝 超

(海軍航空工程學院， 山東 煙臺 264001)

?

【后勤保障與裝備管理】

大數(shù)據(jù)驅(qū)動的裝備健康管理研究

鞠建波，胡勝林,單志超,祝 超

(海軍航空工程學院， 山東 煙臺 264001)

介紹了基于大數(shù)據(jù)支持的裝備健康管理研究的方法。通過建立隸屬度函數(shù)和設立預警值，對裝備進行狀態(tài)監(jiān)測；采集裝備的數(shù)據(jù)信息，利用大數(shù)據(jù)處理技術(shù)，實現(xiàn)裝備的故障預測；基于預測結(jié)果，對裝備進行健康評估，提出保障決策，實現(xiàn)裝備的維護保障。

故障預測；健康管理；大數(shù)據(jù)技術(shù)；狀態(tài)監(jiān)測；健康評估；保障決策

目前，裝備的維護保障主要是在出現(xiàn)故障后進行現(xiàn)場維修的模式來完成的，屬于被動式故障排除；傳統(tǒng)的故障預測方法預測不準確和效率低，裝備維護系統(tǒng)不夠完善[1]。為了準確地預測裝備可能出現(xiàn)的故障，給出故障的處理方法，滿足裝備對綜合保障能力的需求，本文提出的基于大數(shù)據(jù)支持的裝備健康管理研究方法，通過對裝備進行狀態(tài)監(jiān)測、數(shù)據(jù)采集、大數(shù)據(jù)技術(shù)處理實現(xiàn)設備的故障預測；基于預測結(jié)果，對裝備進行健康評估，提出保障決策方案，實現(xiàn)裝備的維護保障。

1 大數(shù)據(jù)技術(shù)

一般而言，大數(shù)據(jù)[2]的定義是5V，就是大數(shù)據(jù)包括的數(shù)據(jù)體量(Volume)大、處理速度(Velocity)快、數(shù)據(jù)類別(Variety)多、數(shù)據(jù)真實性(Veracity)高、商業(yè)價值(Value)廣等5個主要特征。

大數(shù)據(jù)處理數(shù)據(jù)的基本理念是用全體代替抽樣，用效率代替絕對精確，用相關(guān)代替因果。大數(shù)據(jù)對其采集、傳輸、處理和應用的相關(guān)數(shù)據(jù)，包括大量的結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，用非傳統(tǒng)的工具對其進行處理，從而獲得分析和預測結(jié)果，這就是大數(shù)據(jù)技術(shù)。

2 大數(shù)據(jù)支持的裝備健康管理

基于大數(shù)據(jù)支持的裝備健康管理[3]總體構(gòu)架如圖1所示，主要包含了數(shù)據(jù)采集、數(shù)據(jù)處理、狀態(tài)監(jiān)測、故障預測、健康評估和保障決策6個方面的內(nèi)容。

圖1 健康管理整體系統(tǒng)流程

2.1 狀態(tài)監(jiān)測

裝備的狀態(tài)主要由各方面的數(shù)據(jù)變化表現(xiàn)出來，通過接受來自傳感器[4]及其他狀態(tài)監(jiān)測模塊的數(shù)據(jù)，將這些數(shù)據(jù)同預定的失效數(shù)據(jù)等進行比較，監(jiān)測系統(tǒng)當前的狀態(tài)，并且可以根據(jù)預定的各種參數(shù)指標極限值/閾值提供故障預警。

2.1.1 隸屬度函數(shù)的建立

由于電子設備故障概率在0～1內(nèi)的閉區(qū)間，并且特征參數(shù)的值與裝備發(fā)生故障的概率是一種映射，所以合理選擇隸屬度函數(shù)，可以很好地反映參數(shù)值變化與裝備發(fā)生故障概率的關(guān)系，裝備在健康狀態(tài)、亞健康狀態(tài)以及故障狀態(tài)下[5]，其特征參數(shù)也相應的發(fā)生變化。而特征參數(shù)值與裝備狀態(tài)的對應關(guān)系，可以通過隸屬度函數(shù)體現(xiàn)。

定義隸屬度函數(shù)[6]曲線如圖2所示，用取值于區(qū)間[0～1]的隸屬函數(shù)表示裝備元件屬于某種狀態(tài)的程度高低。隸屬度u(x)越接近于1，表示屬于的程度越高，反之越低。

根據(jù)以上分析及專家經(jīng)驗，隸屬度函數(shù)的表達式如下：

(1)

式(1)中xm為實際特征參數(shù)測量數(shù)值，x0為電路正常工作時被測元件特征參數(shù)的標準值，ti為極限偏差，ei為正常變換范圍，u(x)為裝備元件的隸屬度函數(shù)，其隸屬度值定義為發(fā)生故障概率。

圖2 隸屬度函數(shù)分布

2.1.2 預警值的建立

裝備發(fā)生故障的顯著表現(xiàn)就是特征參數(shù)值超過了容許值。有些特征參數(shù)稍超過容許值時，可能不影響設備的正常使用，但有的特征參數(shù)則不能超過容許值，否則會損壞甚至燒毀設備。對于容易引發(fā)嚴重故障特征參數(shù)，需要建立相應的預警值(閾值)。假設特征參數(shù)實際測量數(shù)值為x，其隸屬度函數(shù)滿足式(1)，同時要求x滿足以下關(guān)系式時預警。

(2)

通過隸屬度函數(shù)的建立，獲得特征參數(shù)值與設備狀態(tài)的對應關(guān)系，確定裝備正處于的狀態(tài)；預警值的建立，能夠在裝備重要參數(shù)超過預警值時提供警報，從而避免更嚴重的故障發(fā)生。通過上述方法，實現(xiàn)對裝備的狀態(tài)監(jiān)測。

2.2 數(shù)據(jù)采集和大數(shù)據(jù)處理系統(tǒng)

2.2.1 數(shù)據(jù)采集和分析

從獲取數(shù)據(jù)中提取、挖掘有價值的、潛在的信息，找出趨勢，為決策層提供有力依據(jù)。數(shù)據(jù)獲取的容量，速度及準確性都直接影響裝備健康管理的有效性和準確性。數(shù)據(jù)采集和分析流程圖如圖3所示。

圖3 數(shù)據(jù)收集與分析流程

識別信息需求可以為收集分析數(shù)據(jù)提供清晰的目標，確保數(shù)據(jù)分析過程有效性，然后進行數(shù)據(jù)收集并分析數(shù)據(jù)。數(shù)據(jù)分析方法包括可視化分析、數(shù)據(jù)挖掘、預測性分析以及語義引擎等等，這些方法均可為大數(shù)據(jù)處理系統(tǒng)提供數(shù)據(jù)支持。

2.2.2 大數(shù)據(jù)處理系統(tǒng)

故障預測能力是裝備健康管理的顯著特征之一，大數(shù)據(jù)處理系統(tǒng)是實現(xiàn)裝備健康管理的核心環(huán)節(jié)。通過處理采集而來的實時數(shù)據(jù)，利用大數(shù)據(jù)，實現(xiàn)裝備的故障預測。在此給出了基于大數(shù)據(jù)處理技術(shù)的系統(tǒng)結(jié)構(gòu)圖(圖4)。

圖4 基于大數(shù)據(jù)處理技術(shù)的系統(tǒng)結(jié)構(gòu)

由圖4可知，可跨地域地將全部數(shù)據(jù)存儲在服務器系統(tǒng)，利用數(shù)據(jù)庫技術(shù)使各使用單位、各地維修人員、基層技術(shù)部門、管理部門、科研院所、航空維修企業(yè)以及生產(chǎn)廠商等通過不同的裝備和方式，訪問和操作共同的大數(shù)據(jù)庫，在服務器上對數(shù)據(jù)進行統(tǒng)一的錄入、管理和維護，大大提高數(shù)據(jù)的完整性與安全性。同時在服務器上完成大量數(shù)據(jù)信息的傳輸與處理、裝備狀態(tài)在線與離線檢測以及處理各種診斷和預測請求并反饋處理結(jié)果。

在此基礎(chǔ)上可以引進蘋果APP Store思想，將裝備數(shù)據(jù)接口標準化、算法應用標準化。故障預測專家可以直接使用系統(tǒng)已有的全部診斷與預測算法，對裝備及其部件狀態(tài)在未來一段時間里可能出現(xiàn)的故障進行預測和診斷。同時開發(fā)人員還可以將新開發(fā)的預測與診斷算法共享到系統(tǒng)中，供所有其他人員對算法進行應用測試，提高相關(guān)技術(shù)的應用研發(fā)效率。

2.3 健康評估和保障決策

由故障預測的結(jié)果對裝備進行健康評估，可知整個裝備系統(tǒng)在當前狀況下的健康情況，各部位單元處于的健康狀態(tài)以及發(fā)生故障可能的時間段及其發(fā)生的概率。

通過對裝備的狀態(tài)監(jiān)測、功能和性能測試的信息以及故障預測的綜合分析、處理，得到當前和將來裝備狀態(tài)水平的評估，對整個裝備的剩余使用壽命進行預估，由健康評估的結(jié)果，提出保障決策方案，決策判斷模塊單元是否需要更換以及更換時間以及確定其他保障方案。

通過上述六個方面的協(xié)同合作，實現(xiàn)裝備的健康管理。

3 裝備健康管理發(fā)展趨勢

雖然世界各國的裝備保障技術(shù)發(fā)展迅速[6]，但裝備健康管理研究發(fā)展還存在許多瓶頸難題，技術(shù)遠未成熟，與大規(guī)模的工程應用還有相當距離，如何有效利用大數(shù)據(jù)技術(shù)平臺以及提高裝備健康管理系統(tǒng)的精度和置信度是研究的重中之重。其發(fā)展方向主要有如下幾個方面：

1) 數(shù)據(jù)采集和數(shù)據(jù)融合技術(shù)。對于數(shù)據(jù)的搜集和傳輸，目前的研究主要體現(xiàn)在傳感器網(wǎng)絡的高精度、集成化、高速傳輸?shù)确矫妫粩嗉訌娊?jīng)驗數(shù)據(jù)與故障注入數(shù)據(jù)的積累，通過互聯(lián)網(wǎng)，融合處理各個領(lǐng)域獲得的有用信息，發(fā)揮大數(shù)據(jù)的優(yōu)勢。

2) 混合型故障預測算法。由于故障預測研究的難度大，使用單一的方法進行故障預測往往難于實現(xiàn)其高可靠性、高置信度、低虛警率的要求。因此將多種不同的故障預測算法有機結(jié)合，進一步提高預測系統(tǒng)的綜合性能。

3) 仿真驗證系統(tǒng)研究。故障預測結(jié)果的驗證，如果采用真實的試驗，需要較大的樣本空間、裝備失效模式模擬等，難度和工作量都很大。仿真驗證系統(tǒng)對于預測算法開發(fā)和驗證工作都能起到極大的輔助作用，而且對安全性要求很高的設備進行建模仿真驗證，可以減少危險性。因此，對仿真驗證系統(tǒng)的建模和仿真能力，提出了更高的要求。

4 結(jié)語

裝備健康管理是一個復雜的系統(tǒng)工程，涉及裝備本身的專業(yè)技術(shù)、維修保障技術(shù)、硬軟件領(lǐng)域等多個鄰域[7-10]?；诖髷?shù)據(jù)支持的裝備健康管理研究方法，突破了傳統(tǒng)方法單一、片面的維護手段，可大幅提高設備維護效率和速度。今后應該重點開展故障預測、健康管理等方面的設計和驗證工作，盡快應用于各行各業(yè)中。

[1] RABINER L R A.Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition[J].Proceedings of the IEEE，1989，77(2):257-286.

[2] 孟小峰，慈祥.大數(shù)據(jù)管理:概念,技術(shù)與挑戰(zhàn)[J].計算機研究與發(fā)展，2013，50(1)：146-169.

[3] 曾聲奎,吳際.故障預測與健康管理技術(shù)的現(xiàn)狀與發(fā)展[J].航空學報，2005，26(5)：626-632.

[4] 胡巧玲,茹金平.基于大數(shù)據(jù)分析的人口遷移量預測模型仿真[J].計算機仿真,2014，31(10):246-249.

[5] 劉鋒.互聯(lián)網(wǎng)進化論[M].北京：清華大學出版社，2012.

[6] 鞠建波,趙玉剛.基于隸屬度函數(shù)的電子設備故障預測研究[J].計算機測量與控制，20015，23(7):2305-2307.

[7] 米林，封泠雨，譚偉.風電齒輪箱在線監(jiān)測系統(tǒng)方案設計[J].重慶理工大學學報(自然科學)，2016(2):109-113.

[8] 曹立軍.以任務成功性為中心的維修決策方法與應用[J].火力與指揮控制，2007，32(6):97-101.

[9] 孫旭升，周剛，于洋，等.機械設備故障預測與健康管理綜述[J].兵工自動化，2016(1):30-33.

[10]孫旭升，周剛，李鳳宇，等.核動力裝置故障預測與健康管理研究[J].四川兵工學報，2015(8):51-54.

(責任編輯 唐定國)

Research on Equipment Health Management Based on Big Data

JU Jian-bo, HU Sheng-lin, SHAN Zhi-chao, ZHU Chao

(Naval Aeronautial and Astronautical University, Yantai 264001, China)

This paper introduced the research method of equipment health management based on large data. Through the establishment of membership function and the early warning value, we can achieve the state monitoring for the equipment; then we collect the equipment data by means of using large data processing technology to achieve equipment failure prediction; At last, based on the forecast results, we put forward the protection decision according to the health assessment of equipment to realize the equipment maintenance.

fault prediction; health management; big data technology; condition monitoring; health assessment; security decision

2017-03-07；

2017-04-30 基金項目：國家自然科學基金資助項目(60874112); 軍隊科研專項資助項目(41512322)

鞠建波(1961—),男,教授,主要從事軍事裝備故障診斷和水下目標探測與識別研究。

胡勝林 (1993—),男,碩士研究生,主要從事軍事裝備故障診斷研究。

10.11809/scbgxb2017.06.016

format:JU Jian-bo, HU Sheng-lin, SHAN Zhi-chao, et al.Research on Equipment Health Management Based on Big Data[J].Journal of Ordnance Equipment Engineering,2017(6):73-75.

N945

A

2096-2304(2017)06-0073-03

本文引用格式：鞠建波，胡勝林,單志超，等.大數(shù)據(jù)驅(qū)動的裝備健康管理研究[J].兵器裝備工程學報，2017(6):73-75.