摘要：故障預測與健康管理系統（PrognosticsandHealthManagement,PHM）是提高系統性能與完好率，減少維修人力與保障費用的關鍵技術。一個典型的PHM系統主要功能有數據采集、數據分析、故障診斷功能、健康評估功能、壽命預測功能和維修決策功能。對數據的正確處理直接影響到故障診斷、健康評估和壽命預測，所以選擇正確的算法對整個系統是至關重要的。本文從提高故障診斷準確率和可靠性的目標出發，對飛機故障的各種檢測和診斷方法進行了系統性的研究，并討論了信息融合技術、小波變換和貝葉斯網絡的優缺點。

關鍵詞：PHM；信息融合；小波變換；貝葉斯網絡

1引言

隨著航空系統復雜性和綜合化水平的日益提高和基于飛機系統可靠性、安全性、經濟性的考慮，以檢測技術為核心的故障預測與健康管理系統（PHM）技術所起的作用不可或缺，是航空技術發展趨勢之一，PHM技術的發展體現在以系統級集成應用為牽引，開展狀態檢測、故障診斷、預測、健康管理與維護等功能為一體，在準確的時間對準確的部位采取正確的維修活動，并使得系統在尚未完全故障之前人們就能依據系統的當前健康狀況決定何時維修，從而實現自助式保障，降低使用和保障費用的目標。即數據處理算法的研究是故障檢測技術的核心并決定了檢測系統的準確度。

2.國內外發展情況

航空故障診斷技術起于20世紀60年代末，到90年代后隨著人工智能和數據融合技術研究與應用的深入，國外正朝著基于數據融合聯機診斷功能的綜合信息系統方向發展。故障診斷算法可分為基于數學模型的診斷算法和分類診斷法兩大類。數學模型診斷方法應用的關鍵時建立比較精準的數學模型和故障方程及其求解。近二十年，美在數據融合技術的應用做了大量的研究工作，采用人工神經網絡與D-S證據理論相結合的數據融合算法。應用信號特征譜提取技術、模糊邏輯與神經網絡相結合的多項人工智能技術。國內對多傳感器數據融合的研究起步相對較晚，20世紀末才逐漸被重視起來，多數研究是基于各種類型人工神經網絡對故障進行診斷算法研究，目前國內開展了多傳感器數據融合技術的研究，與國外故障診斷技術相比還處于起步階段。

3.故障診斷的基本原理和分類

例如飛機的發動機，一般有壓氣機、燃燒室、渦輪等主要部件組成，每個部件又有若干個零件及構件構成，從系統論的觀點出發，若把發動機視為系統，則系統或系統的一部分不能或將不能完成預定功能的事件或狀態，統稱為故障。如果把發動機故障（原因）引起的發動機性能衰退（結果）的實際因果過程看作是正過程，那么故障診斷過程就是有可測參數的變化（性能退化）來找出故障原因（確定故障部位）的逆過程。

一般可視為分類診斷法和故障方程法兩類：非數學模型的分類診斷法，它的理論基礎是模式識別理論，其被診斷對象（系統）可能發生的故障狀態是有限的。常見的分類方法有：模式匹配法、判別函數分類法、基于概率統計的分類法、神經網絡分類法和基于規則推理的分類法等。基于數學模型的故障方程法必須建立復雜的數學模型，其故障模型的建模精度與故障診斷的準確度關系極大，外界的干擾對求解結果的影響也相對較大。

4.算法的研究

3.1基于神經網絡的數據融合技術

由于飛機的結構復雜、模型的嚴重非線性，測量綜合誤差對故障檢測的干擾影響的原因，造成了飛機故障診斷的復雜與困難。基于以上情況采用信息融合技術來診斷故障。例如將測量點電壓、溫度、能量數據通過權重/表決、貝葉斯推理、卡爾曼濾波等過程進行恰當的融合，提高數據來源的置信度。信息融合技術示意如圖1：

圖1信息融合技術示意圖

基于D-S證據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確率。應用多種改進BP網絡、徑向基網絡、概率神經網絡、SOFM自組織特征映射網絡、Elman回歸神經網絡的基礎理論，在不同規格化方式和噪聲干擾條件下的研究，得出以等方差標準規格化方式為最佳，以概率神經網絡的抗干擾能力最強、故障診斷準確率最高。

3.2小波變換

對于含有大量時變與奇異成分的故障信號，適于平穩信號分析的傳統分析方法Fourier變換等將會產生較大的誤差，不利于故障信號特征的提取。而小波變換作為傅里葉變換方法的發展與延拓具有良好的時頻特性，基于小波脊線的漸進信號瞬時頻率提取算法能有效地提取頻率隨時間連續變換信號的故障特征；有時故障信號與正常信號在時頻域上的表現非常接近，傳統的方法不能準確提取，而基于小波變換的負荷波動判定方法能明顯的區分出故障信號與正常信號，進而提高了故障診斷的可靠性；對于測試中的高頻噪音，提出了基于小波包變換的浮動閾值算法，能有效地去除噪音同時還保留了信號的有用高頻部分。例如利用小波包對起動電樞電流信號的處理如下圖所示：

圖2原始信號部分放大波形

圖3傅式變換后信號放大情況

圖4浮動閾值濾波后的信號放大情況

根據圖3和圖4可以看出基于小波包變換的浮動閾值更能有效地去除于原信號相似的噪聲，這對信號的處理時極其重要的。

3.3貝葉斯網絡

貝葉斯網絡較易對現實世界上許多可認知的行為建模，但是它最重要的強項在于關于行為、解釋以及參數選擇方面的推理計算，貝葉斯網絡具有堅實的概率推理基礎，同時能表達的條件獨立性能有力表達設備故障之間的關聯關系；貝葉斯能利用一些故障征兆快速計算故障原因概率信息的過程，對已有的信息要求低，可在信息不完全、不確定情況下的推理；貝葉斯網絡具有很強的學習能力，貝葉斯網絡的學習在實際中可以根據新的樣本重新學習，以提高其故障診斷能力和準確性。在實際過程中，由于難以預料的外界因素導致某些測點可能會出現數據丟失或無法讀出，即獲得數據信息不完備，從文獻中可知，由不完備數據訓練獲得的貝葉斯網絡仍能維持較好的故障診斷率（80%），即使部分測點數據丟失也可以判斷故障模塊，這驗證了貝葉斯網絡能有效處理不確定、不完備信息，并能得出正確的結論，這正是其他方法所不能比擬的優越性。若網絡不合理還可以通過結構學習獲得合理的網絡結構，具有適時改變的特點。

4.結論

本文針對飛機數據的復雜性采取不同的數據處理算法，D-S證據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各類故障特征的選擇與提取技術，利用各自不同的理論方法對不同的故障數據進行相應的故障特征提取、有效識別和隔離的診斷方法的研究。小波包變換的浮動閾值算法能有效處理高頻噪聲；貝葉斯網絡對新的數據樣本有很強的學習能力，能有效提高其故障診斷能力和準確性。