基于統(tǒng)計與模式識別的裝備健康評估技術研究

，

(中國人民解放軍92228部隊，北京 102442)

0 引言

當前周邊形勢錯綜復雜，國土防空任務異常繁重，裝備保障隨時面臨平戰(zhàn)轉換、戰(zhàn)損搶修和應急支援等修理任務，為確保我軍各級岸防裝備保障力量敏捷響應、迅速跟進，亟需研制能夠實時反映裝備技術狀態(tài)、物資供應和維修保障需求的信息化保障平臺，保障裝備迅速恢復裝備完好性，提高岸防裝備作戰(zhàn)效能。另外，岸防裝備體制系列和裝備性能與估計先進水平日益接近，但是，裝備的可靠性、維修性、測試性水平等通用質量特性與設計要求及部隊的使用要求還有不少差距，成為影響裝備整體質量的薄弱環(huán)節(jié)，通過收集裝備使用階段維修保障數(shù)據(jù)，跟蹤評估裝備性能質量，能夠及時對裝備進行性能優(yōu)化調整，確保各任務剖面內充分發(fā)揮裝備的作戰(zhàn)能力，為提高使用維修效能提供可靠依據(jù)。因此，研究典型岸防裝備的健康狀態(tài)評估技術，支撐岸防裝備保障特性分析，為指定岸防武器系統(tǒng)修理方案提供依據(jù)。

1 典型岸防裝備健康狀態(tài)評估概述

典型岸防裝備健康評估方法，主要包括系統(tǒng)級、部件級、指標級等健康評估方法，由于不同系統(tǒng)、部件的健康參數(shù)、健康定義、健康標準等不同，需要結合具體評估對象、運行狀態(tài)、事件等綜合因素，分別選取不同方法完成系統(tǒng)級、部件級、產品級的健康狀態(tài)評估[1-3]。

對于系統(tǒng)級健康評估，采用模糊健康評估方法，通過獨立地分析每個含量后再做融合，可以較好的定義各設備和關鍵指標間的評估權重，利用各設備健康評估結果，給出系統(tǒng)級的健康評估綜合評價結論。

對于設備級健康評估，采用模式識別方法，通過分析算法的幾何意義與系統(tǒng)健康評估定義之間的關系，將系統(tǒng)性能的健康評估問題轉化為一個分類問題，從整體上評價設備級的健康狀態(tài)。

對于指標級健康評估，根據(jù)各項具體指標特性，采用基于統(tǒng)計學(包括基于門限、基于趨勢以及其他基于統(tǒng)計學方法)的評估方法，實現(xiàn)對典型岸防裝備的各性能參數(shù)以及總體性能參數(shù)的健康評估，得到各指標評估結果[4]。

2 基于統(tǒng)計分析的指標級健康狀態(tài)評估

被評估對象部分健康參數(shù)，隨著環(huán)境、使用等因素影響，呈現(xiàn)一定規(guī)律，利用統(tǒng)計分析方法，可有效建立參數(shù)的統(tǒng)計分布；利用健康參數(shù)監(jiān)測數(shù)據(jù)進行分布計算，分析典型岸防裝備在線運行數(shù)據(jù)同正常數(shù)據(jù)在分布上的差別，分析數(shù)據(jù)整體偏移程度、數(shù)據(jù)發(fā)展趨勢，評估波動平穩(wěn)類指標、長期退化類指標、波動頻繁指標，據(jù)此得出健康指數(shù)CV[5]。

2.1 基于門限值的波動平穩(wěn)指標類健康評估

通過歷史數(shù)據(jù)分析，對于在一定狀態(tài)下波動較為平穩(wěn)的參數(shù)，采用短期指標的數(shù)據(jù)進行計算，得出指標的平均值與平均相對誤差，根據(jù)健康評估算法衡量出該指標的健康水平。

其中：SH指標健康指數(shù)；xi指標檢測值序列；Xs指標標準值；n指標序列數(shù)量；xmax指標上限；xmin指標下限；

以某雷達裝備某溫度指標為例，其溫度指標正常為10.20～31.3℃，從11月1號到11月30日，溫度上生為44.5～61.70℃。因此，利用故障前平均溫度值作為11的溫度標準值，利用實際值與標準值平均相對誤差計算得到11份的健康指數(shù)為19.978。

提取該指標12月數(shù)據(jù)，發(fā)現(xiàn)第一周該指標仍然較高，直至12月7日后，溫度恢復正常且波動穩(wěn)定，經(jīng)計算得出其健康指數(shù)為41.5，其健康指標仍然較低，未達到合格狀態(tài)。進一步對7日到31日進行指標評估，得出健康指數(shù)為98.9，發(fā)現(xiàn)溫度指標結果已經(jīng)恢復正常，與實際情況較為吻合。

2.2 基于長期性能退化指標評估

針對長期退性能退化數(shù)據(jù)的健康評估，利用工程門限要求，根據(jù)評估周期內該指標平均值，初步確定該指標健康指數(shù)范圍；根據(jù)性能指標的當前退化水平及未來退化水平，和上一年的性能水平比較該指標退化加速率、加速比率，利用兩者的加權得出該指標的健康評估結果。最后，利用歸一化方法，計算給出指標評估期內健康指數(shù)。

以某雷達裝備10年某功率指標為例進行分析，通過歷史數(shù)據(jù)確定該設備的評估周期為年周期。收集2001～2010年該設備的電壓、電流并計算得出功率指標；進一步計算得出年平均功率，選取2005年及2007年進行該指標的健康評估。其退化比率及加速比率公式如下：

2005該年功率的退化率為4.002 72%，其平均功率為975.297 328 9 W，經(jīng)分析計算其健康指數(shù)為97.297 492，退化速率為3.29%，由此可見，05年內出現(xiàn)的退化較少，其加速比率評估項提升了指標的總體評估結果，評估結果較高，與實際情況較一致。

2007年評估，其平均功率為859.391 469 6 W，退化率為15.411 19%，經(jīng)分析計算其健康指數(shù)為91.754 834，退化加速率為135.65%，由此可見，07年內出現(xiàn)的退化加速比率較大，其速率評估項降低了指標的總體評估結果，評估結果比2005年出現(xiàn)了明顯降低，與實際情況較一致。

2.3 基于統(tǒng)計學的波動頻繁的指標評估

在典型岸防裝備中，對于受事件狀態(tài)影響其參數(shù)可能存在統(tǒng)計特性的性能指標，利用歷史參數(shù)值，建立其正常狀態(tài)下分布曲線，當前評估期內的參數(shù)分布進行比較計算，可獲取參數(shù)偏差，從而給出該參數(shù)的評估結果。

以下以某雷達裝備電流參數(shù)為例，闡述基于統(tǒng)計學的波動頻繁的指標評估方法。

選取某雷達裝備2002年～2009年某電流參數(shù)數(shù)據(jù)，建立參數(shù)直方圖如下。

圖1 某雷達裝備電流參數(shù)直方圖

通過直方圖得出該指標數(shù)據(jù)在評估周期內具有一定的變化規(guī)律，觀察直方圖，其形狀和正態(tài)分布的密度函數(shù)很相似，以橫軸10為對稱軸，在橫軸10的頻數(shù)處取得極大值，向對稱軸的兩端延伸時對應的頻數(shù)趨近0。采用極大似然估計去擬合這個直方圖所對應的正態(tài)分布，求得正態(tài)分布的參數(shù)。然后在建立系統(tǒng)中對各參數(shù)分布的優(yōu)度進行檢驗，以驗證建立分布是否合理、準確。然后采用KL散度度量方式，利用歷史分布與當前分布之間的差異來衡量指標的健康水平，得出其健康狀態(tài)評估值。

3 基于模式識別的設備級健康狀態(tài)評估

模式識別方法能夠較容易的表現(xiàn)出各指標結果對設備整體健康度的影響，特別是，當難以人為的直接給定或建立各指標對設備級健康程度的權重影響關系時，模式識別方法能夠取得較好的效果。以雷達裝備中的功放為例，構建設備級健康評估方法體系，評估方法包括支持向量機、貝葉斯網(wǎng)絡或神經(jīng)網(wǎng)絡等。

3.1 基于SVM(支持向量機)的評估方法

典型岸防裝備健康評估中，存在系統(tǒng)確定的性能評估值向評語域的不確定性映射，即在給定一個評分，將其劃分為某一等級，等級的概念具有模糊性，等級的值具有隨機性，隨機性和模糊性是最基本的不確定性。模糊集理論只能處理模糊性的問題，而不能處理模糊性和隨機性關聯(lián)的問題，因此，需要一種不確定算法實現(xiàn)將評估值向評語域的不確定性映射。20世紀90年代初期，李德毅院士研究了模糊性和隨機性及兩者之間的關聯(lián)性，在傳統(tǒng)模糊數(shù)學和概率統(tǒng)計的基礎上提出了定性定量互換的云模型，實現(xiàn)了定量與定性概念之間的不確定性轉換，解決了模糊性和隨機性關聯(lián)的問題[6-7]。因此，基于SVM等模式識別方法之后，采用云模型來解決定量值到模糊值的語義映射的問題。

例如，將雷達裝備某設備系統(tǒng)健康狀況分為四個等級，在分類過程中根據(jù)SVM分類的結果認為，當樣本點在正常樣本邊界和最優(yōu)分類面之間時，樣本錄屬于亞健康狀態(tài)；當樣本點位于最優(yōu)分類面和故障樣本之間時，樣本錄屬于性能嚴重退化狀態(tài)。這樣就將系統(tǒng)的健康狀態(tài)劃分為健康、亞健康、嚴重和故障4個狀態(tài)。設樣本點Xi到最優(yōu)分類面的距離d，則d>1時，樣本點處于健康狀態(tài)；當d<=1且d>0時，樣本處于亞健康狀態(tài)；若d>=-1且d<=0，說明樣本處于嚴重退化狀態(tài)；若d<-1，說明樣本點處于故障狀態(tài)。利用云模型的特征值，把模糊性和隨機性集成到一起，將距離d轉化為錄屬度向量，通過錄屬度向量得出健康狀態(tài)。

3.2 基于貝葉斯網(wǎng)絡的評估方法

用貝葉斯網(wǎng)絡做數(shù)據(jù)分類分為3個步驟：構造貝葉斯網(wǎng)絡、訓練貝葉斯網(wǎng)絡、貝葉斯網(wǎng)絡推理。

1)構造貝葉斯網(wǎng)絡。

以雷達裝備功放設備為例，根據(jù)功放設備性能參數(shù)指標特性，構建貝葉斯網(wǎng)絡[8]。功放設備性能參數(shù)包括駐波比、增益、增益穩(wěn)定度、ALC電壓、輸出功率、帶內平坦度、諧雜波抑制、相位噪聲、工作溫度、風扇轉速以及風通量等。其中，ALC電壓對增益以及增益穩(wěn)定度會產生影響，而增益穩(wěn)定度又會影響功放增益指標，增益指標對功放輸出功率將產生一定影響；諧雜波抑制性能指標對帶內平坦度、相位噪聲等將產生影響；風扇轉速將影響風通量以及工作溫度，風通量的變化也會對工作溫度產生一定影響。因此，根據(jù)其各性能指標的關系，可以通過獲取的樣本數(shù)據(jù)來建立基于測試參數(shù)的貝葉斯網(wǎng)絡結構圖。

圖2 功放設備貝葉斯網(wǎng)絡拓撲結構示例

2)訓練貝葉斯網(wǎng)絡。

訓練貝葉斯網(wǎng)絡采用梯度下降法，學習條件概率表(Condition Probability Table,CPT)項的值,從傳感器獲得的各個參數(shù)無論是電壓或是電流信號都是連續(xù)信號，貝葉斯網(wǎng)絡要求處理的是離散變量。因此需對傳感器測量的信號進行離散化。

以功放設備性能指標參數(shù)為例，每一個參數(shù)都有正常的波動范圍，當參數(shù)取值低于最低門限的時候，將其設為1級，當參數(shù)取值高于最高門限時，將其等級設為4級。對于在正常波動范圍內的取值，將其均勻劃分為2、3級。

3)貝葉斯網(wǎng)絡推理。

貝葉斯網(wǎng)絡推理采用基于連結樹的算法，其求解速度較快，結果精確。

①構造Moral圖(端正圖)：將原貝葉斯網(wǎng)絡中同一節(jié)點的父節(jié)點兩兩相連，同時去掉每一條連接邊的箭頭。

②三角化圖(Triangulating)或弦圖：對包含4 個及以上節(jié)點數(shù)的環(huán)，增加一條無向邊將環(huán)中兩個非相鄰節(jié)點連接起來，完成對Moral 圖的三角化。當Moral 圖中不存在符合上述條件的無向環(huán)時，不必再進行三角化。

③區(qū)分團節(jié)點(Identifying Cliques)：在三角化圖中，確定團節(jié)點，每個團節(jié)點都是無向圖的子圖。

④建立聯(lián)合樹(團樹)：建立的聯(lián)合樹必須包含所有團節(jié)點，交集作為連接兩個團節(jié)點的分隔節(jié)點,構建完團樹之后，進行團樹傳播推理，最終實現(xiàn)基于貝葉斯網(wǎng)絡的狀態(tài)評估。

3.3 基于神經(jīng)網(wǎng)絡的評估方法

人工神經(jīng)網(wǎng)絡是通過模擬生物神經(jīng)元處理外部刺激方式的一種智能計算方法，能夠解決傳統(tǒng)線性方法無法處理的很多復雜的非線性問題。在發(fā)動機等典型機械、機電設備的故障診斷中，神經(jīng)網(wǎng)絡出色的非線性問題處理能力，有利于幫助解決健康評估與等級劃分等該領域的難點問題，因此得到了大量的應用。

以徑向基(Radial-Basis Function，RBF)神經(jīng)網(wǎng)絡為例，其是單隱含層的前向網(wǎng)絡，它由三層構成：第一層是輸入層，第二層是隱含層，第三層是輸出層。根據(jù)隱單元的個數(shù)，RBF網(wǎng)絡有兩種模型：正規(guī)化網(wǎng)絡(Regularization Network)和廣義網(wǎng)絡(Generalized Network)。

基于神經(jīng)網(wǎng)絡的分類能力，經(jīng)過對健康狀態(tài)(對應神經(jīng)網(wǎng)絡的目標向量)細分，結合相關的健康狀態(tài)先驗知識，可以實現(xiàn)對目標系統(tǒng)健康的退化狀態(tài)識別與評估。

在利用神經(jīng)網(wǎng)絡進行評估時，需要根據(jù)具體對象及其數(shù)據(jù)特點，注意解決以下問題：(1)有效評估特征的選擇；(2)大量訓練樣本的獲??；(3)評估分類的類型數(shù)量；(4)狀態(tài)評估的精度。

4 基于模糊平板法的系統(tǒng)級健康狀態(tài)評估

采用模糊評判方法，實現(xiàn)系統(tǒng)級健康評估，模糊評判方法其優(yōu)點簡單快速、適合在線評估[9]。利用在典型岸防裝備的健康參數(shù)，在指標級、設備級健康評估結果的基礎上，采用德爾菲等得出各參數(shù)的影響權重，利用健康參數(shù)數(shù)據(jù)進行加權計算，得出被評估對象的評估結果。模糊評判方法具體評估流程包括：

模糊集與權重集構造：收集日常的運行數(shù)據(jù)，根據(jù)綜合評估結果及專家經(jīng)驗，確定典型岸防裝備系統(tǒng)的模糊因素集U=(μ1,μ2,μ3,…,μ4)，并建立模糊集對應的權重集合A=(α1,α2,α3,…,αn)。

評價集構造：根據(jù)健康等級定義，構造評價集，同時需要考慮不同狀態(tài)下的評價集V=(v1,v2,v3,…,vn)。

模糊關系矩陣創(chuàng)建：在直積集上定義從U到V的模糊關系矩陣R=(rkl)n×m，即定義第K個因素時，判決得到第I個結果的可能程度。

圖3 基于模糊評判的健康狀態(tài)評估方法

建立綜合評價矩陣：建立綜合評價矩陣B=A·R；

最大錄屬度計算：根據(jù)解算得出的結果，按最大錄屬度原則判決給出級別結果。

5 結束語

本文以雷達等典型岸防裝備為例，開展了裝備健康狀態(tài)評估、效能評估、效能評估以及保障特性分析應用研究，

從裝備健康指標體系構建，指標級、設備級、系統(tǒng)級裝備健康狀態(tài)評估等方面，分析了基于統(tǒng)計和模式識別的岸防裝備評估技術，可作為后續(xù)岸防裝備保障特性評估技術研究的支撐。