论文部分内容阅读
摘要：当前，基于竞争故障的航空机电系统剩余寿命预测模型的研究较多，而其中以性能退化和突发故障并存为基础的模型建立备受关注。这一方法以状态监测数据为依据，分析了性能退化故障和突发故障的关联度，并通过对参数退化率的监测分析预测系统的使用寿命，最后建立了航空机电系统寿命变化趋势的模型。该模型的建立有利于提高航空机电系统剩余寿命预测的准确率，能够为机电系统的维修提供科学的参考。
关键词：机电系统;性能退化;剩余寿命
中图分类号：TP311 文献标识码：A
文章编号：1009-3044（2019）31-0229-02
对航空机电系统剩余寿命的预测能够为飞机的飞行提供一定的依据，能够有利于提高飞行的安全性和稳定性，因而受到了极高的重视。关于航空机电系统剩余寿命的研究也较多，如故障预测、故障维修等，这些方法都以状态的检测信息为基准，所采集到的信息较为单一、片面，无法准确预测航空机电系统的剩余寿命。也就是说，关于航空机电系统剩余寿命的预测多集中在单一的角度而开展，退化量的多元化没有受到应有的关注。因此，笔者尝试通过多个退化模式对航空机电系统的故障进行判断，并判断系统的剩余寿命。
1基本思路
根据机电系统剩余寿命预测所需要的数据，本研究选择了相关参数，随后建立了以性能退化为基准的故障模式，重新设定了新的参数，然后分析了混合威布尔模型对突发故障的预测作用，并对其进行了预测。然后，从多元退化的角度建立了退化故障和突发故障的剩余寿命预测模型。
2获取数据
航空机电系统剩余寿命的预测需要有丰富的、有效的参数支持，而如何获取参数也成了当前学界研究的热点和难点问题。常规来讲，航空机电系统会产生两类数据，一类是性能退化数据，另一类是突发数据。性能退化数据主要是通过系统状态的检测获得的，而状态检测数据具有样本小、纬度高的特点。为了更好地利用这些参数，在使用前要先对其进行优化处理：首先要进行筛选，选出有效数据，剔除无效数据。然后将收集到的参数融合到一起，并通过贝叶斯工具分析机电系统的退化情况。另外，突发故障具有突发性、紧急性的特点，突发故障的数据少，因此，多使用普遍反映故障发生率高的数据作为突发故障数据使用。
3航空机电系统剩余寿命预测的基本框架
为了提高对航空机电系统剩余寿命的预测准确度，本研究建立了以性能退化故障数据和突发故障数据为基础的竞争故障影响下的剩余寿命预测框架。详见图1。
4以贝叶斯线性模型为支撑的航空机电系统性能退化预测的模型
首先，假设航空机电系统的性能退化的相关参数已经被提取，然后再构建航空机电系统性能退化预测的模型。设参数和退化程度的关系为0，将矩阵表示为u=（u1，u2，……vuk），其中k是个数，vk是n行列矢量，n为观测的次数。那么能够将状态检测参数和性能退化参数表示为：U=V·θ e，e～N（O，∑）。由于航空机电系统的状态检测数据具有不稳定性和随机性的特点，本研究选择使用了贝叶斯线性模型对检测数据进行处理，以此降低数据的不确定性，从而提升预测的精准度。根据有关研究和笔者的实际经验，假设航空机电系统的检测参数呈逆高斯分布状态，通过公式能够计算出航空机电系统状态监测数据的期望和方差值，然后使用M=E【（θ-θ）（θ-θ）T计算后验期望值。
航空机电系统的性能退化数据多表现为平稳状态，因此，本研究使用线性退化模型对航空机电系统各部分的状态参数的退化率进行描述，并使用退化率预测系统的使用寿命。用s（t）表示t时间段内的退化累积量，用ε（t）表示噪音函数，用来衡量t课时的噪音数据，公式可表示为s（t）=Ф βt ε（t）。
根据有关研究和实际经验，航空机电系统检测数据呈正向分布，其均值用u表示，方差用δ表示。使用贝叶斯法能够得到不断融合的监测参数，并建设系统的剩余寿命为T，性能退化的范围用D表示，则能够将第l个观测点的预测寿命表示为S（T t）=D。
在得到新的检测数据之后，将数据带入U=V·θ e，e-N（0，∑）之中就能够得到机电系统的退化程度，并能够得到系统的退化率，然后使用贝叶斯法预测航空系统在未来一段时间段内的退化率。并假设航空机电系统退化率呈正态分布，并表示出后验期望均值、方差和区间等。然后按照s（T I）=D这一公式，使用蒙特卡洛仿真法计算航空机电系统性能退化故障的剩余寿命。
5以混合威布尔模型为支撑的航空机电系统突发故障预测的模型
1）混合威布尔模型
由于航空机电系统的性能退化故障数据类型多样，但突发故障数据较少，笔者就选用了威布尔分布对航空机电寿命预测中的突发故障数据进行处理，以更加充分地利用这些数据。我们使用y来表示机电性能退化和寿命分布变化的关系。由于航空机电系统性能退化具有多种类型，本文选用混合威布尔模型的可靠性更高。设航空机电系统是由两个围而不分布构成，其中的一个权重概率为p，那么机电系统突发故障的可靠度就可以表示为R（t）=pxexp[t/a （1-p）xexp]。然后结合机电系统的特点，根据性能退化率的上下限建立了威布尔模型，系统可靠性的计算如下：R（t）=pxexp[-t/a] （1-p）xexp[-t/a]，所得的结果可靠度更高。同时，在代人公式计算的航空机电系统性能退化率的上下限，能够计算对应的威尔分布形状参数，建立了混合威尔分布模型，所得到的权重p和（1_p），另外还需要验证分布逆Ga（a，b）的超参数。
2）逆Ga（a，b）的超参数先验和后验参数学习
通过计算我们能够知道参数a的均值和方差，尺度参数能够表示为a=t/ln（1/Ro）]，超参数a和b能够得到a=E2/a2，b=E（a）/a2，通过搜集突发故障检测数据，t为突发故障发生，n为突发故障的样本数，在学习后的后验参数a和b表示为a=a t，b= n。
3）Beta（w，n）超参数先验和后验参数的学习
分布参数的先验分布为叮π（p）=β（p，w，n），一般情况下，我们将Pn设为0.5，然后对数据和超参数关系w/w n=pn，然后就可以将先验分布和后验分布参数表示出来，即w=（w-1）/B（w，n），n=（n-1）/b（w，n）。通过这一公式，我们能够准确地表述出来先验分布、后验分布超参数两者之间是如何相互影响的。
6实例分析
为了更好地验证模型的有效性，我们选取了航空机电系统中具有代表性的系统为例，根据系统的主要检测参数，采取了检测时刻的起飞时间，选取10个监测点作为样本，使用蒙特卡洛仿真方法计算航空发动机性能退化程度，并分析了其阈值的准确度等相关数据。
从表1中我们能够得到10个监测点的检测参数，并能够计算出性能退化值和实际退化值的误差低，利用前文中的计算公式能够得到航空发动机系统性能退化乘0余寿命。
通过表1中对发动机的3此检测和维修参数，我们能够得到突发故障的先验值为0.95，然后计算相关参数，并使用蒙特卡洛方法预测航空发动机系统突发故障寿命本实验以R=0.90作为可靠度阈值，设发动机系统的性能退化故障剩余寿命为TP，突发故障的寿命Ts，取它们的最小值，计算结果如下：每次飞行时间分别为1708、4739、5594，每次突发故障剩余寿命的预测值分别为6026、2922、2113，剩余寿命的预测值分别为5872、2822、2113，R可靠阈值分别为-2.65，-1.62，-1.02。最后得到实际飞行时间为2185小时，整体结果误差率小于5%，说明本方法有效，能够用于航空机电系统剩余寿命的预测。
7結束语
本研究以性能退化故障和突发故障为基础建立了航空机电系统剩余寿命预测的模型，这一方法实现了对状态检测数据的全面、有效使用，合理评估了性能退化故障和突发故障的相关度，较为准确地描述了机电系统寿命变化的趋势，使航空机电系统剩余寿命的预测更加准确，为机电系统复杂装备的制造和检测奠定了坚实的理论基础。
关键词：机电系统;性能退化;剩余寿命
中图分类号：TP311 文献标识码：A
文章编号：1009-3044（2019）31-0229-02
对航空机电系统剩余寿命的预测能够为飞机的飞行提供一定的依据，能够有利于提高飞行的安全性和稳定性，因而受到了极高的重视。关于航空机电系统剩余寿命的研究也较多，如故障预测、故障维修等，这些方法都以状态的检测信息为基准，所采集到的信息较为单一、片面，无法准确预测航空机电系统的剩余寿命。也就是说，关于航空机电系统剩余寿命的预测多集中在单一的角度而开展，退化量的多元化没有受到应有的关注。因此，笔者尝试通过多个退化模式对航空机电系统的故障进行判断，并判断系统的剩余寿命。
1基本思路
根据机电系统剩余寿命预测所需要的数据，本研究选择了相关参数，随后建立了以性能退化为基准的故障模式，重新设定了新的参数，然后分析了混合威布尔模型对突发故障的预测作用，并对其进行了预测。然后，从多元退化的角度建立了退化故障和突发故障的剩余寿命预测模型。
2获取数据
航空机电系统剩余寿命的预测需要有丰富的、有效的参数支持，而如何获取参数也成了当前学界研究的热点和难点问题。常规来讲，航空机电系统会产生两类数据，一类是性能退化数据，另一类是突发数据。性能退化数据主要是通过系统状态的检测获得的，而状态检测数据具有样本小、纬度高的特点。为了更好地利用这些参数，在使用前要先对其进行优化处理：首先要进行筛选，选出有效数据，剔除无效数据。然后将收集到的参数融合到一起，并通过贝叶斯工具分析机电系统的退化情况。另外，突发故障具有突发性、紧急性的特点，突发故障的数据少，因此，多使用普遍反映故障发生率高的数据作为突发故障数据使用。
3航空机电系统剩余寿命预测的基本框架
为了提高对航空机电系统剩余寿命的预测准确度，本研究建立了以性能退化故障数据和突发故障数据为基础的竞争故障影响下的剩余寿命预测框架。详见图1。
4以贝叶斯线性模型为支撑的航空机电系统性能退化预测的模型
首先，假设航空机电系统的性能退化的相关参数已经被提取，然后再构建航空机电系统性能退化预测的模型。设参数和退化程度的关系为0，将矩阵表示为u=（u1，u2，……vuk），其中k是个数，vk是n行列矢量，n为观测的次数。那么能够将状态检测参数和性能退化参数表示为：U=V·θ e，e～N（O，∑）。由于航空机电系统的状态检测数据具有不稳定性和随机性的特点，本研究选择使用了贝叶斯线性模型对检测数据进行处理，以此降低数据的不确定性，从而提升预测的精准度。根据有关研究和笔者的实际经验，假设航空机电系统的检测参数呈逆高斯分布状态，通过公式能够计算出航空机电系统状态监测数据的期望和方差值，然后使用M=E【（θ-θ）（θ-θ）T计算后验期望值。
航空机电系统的性能退化数据多表现为平稳状态，因此，本研究使用线性退化模型对航空机电系统各部分的状态参数的退化率进行描述，并使用退化率预测系统的使用寿命。用s（t）表示t时间段内的退化累积量，用ε（t）表示噪音函数，用来衡量t课时的噪音数据，公式可表示为s（t）=Ф βt ε（t）。
根据有关研究和实际经验，航空机电系统检测数据呈正向分布，其均值用u表示，方差用δ表示。使用贝叶斯法能够得到不断融合的监测参数，并建设系统的剩余寿命为T，性能退化的范围用D表示，则能够将第l个观测点的预测寿命表示为S（T t）=D。
在得到新的检测数据之后，将数据带入U=V·θ e，e-N（0，∑）之中就能够得到机电系统的退化程度，并能够得到系统的退化率，然后使用贝叶斯法预测航空系统在未来一段时间段内的退化率。并假设航空机电系统退化率呈正态分布，并表示出后验期望均值、方差和区间等。然后按照s（T I）=D这一公式，使用蒙特卡洛仿真法计算航空机电系统性能退化故障的剩余寿命。
5以混合威布尔模型为支撑的航空机电系统突发故障预测的模型
1）混合威布尔模型
由于航空机电系统的性能退化故障数据类型多样，但突发故障数据较少，笔者就选用了威布尔分布对航空机电寿命预测中的突发故障数据进行处理，以更加充分地利用这些数据。我们使用y来表示机电性能退化和寿命分布变化的关系。由于航空机电系统性能退化具有多种类型，本文选用混合威布尔模型的可靠性更高。设航空机电系统是由两个围而不分布构成，其中的一个权重概率为p，那么机电系统突发故障的可靠度就可以表示为R（t）=pxexp[t/a （1-p）xexp]。然后结合机电系统的特点，根据性能退化率的上下限建立了威布尔模型，系统可靠性的计算如下：R（t）=pxexp[-t/a] （1-p）xexp[-t/a]，所得的结果可靠度更高。同时，在代人公式计算的航空机电系统性能退化率的上下限，能够计算对应的威尔分布形状参数，建立了混合威尔分布模型，所得到的权重p和（1_p），另外还需要验证分布逆Ga（a，b）的超参数。
2）逆Ga（a，b）的超参数先验和后验参数学习
通过计算我们能够知道参数a的均值和方差，尺度参数能够表示为a=t/ln（1/Ro）]，超参数a和b能够得到a=E2/a2，b=E（a）/a2，通过搜集突发故障检测数据，t为突发故障发生，n为突发故障的样本数，在学习后的后验参数a和b表示为a=a t，b= n。
3）Beta（w，n）超参数先验和后验参数的学习
分布参数的先验分布为叮π（p）=β（p，w，n），一般情况下，我们将Pn设为0.5，然后对数据和超参数关系w/w n=pn，然后就可以将先验分布和后验分布参数表示出来，即w=（w-1）/B（w，n），n=（n-1）/b（w，n）。通过这一公式，我们能够准确地表述出来先验分布、后验分布超参数两者之间是如何相互影响的。
6实例分析
为了更好地验证模型的有效性，我们选取了航空机电系统中具有代表性的系统为例，根据系统的主要检测参数，采取了检测时刻的起飞时间，选取10个监测点作为样本，使用蒙特卡洛仿真方法计算航空发动机性能退化程度，并分析了其阈值的准确度等相关数据。
从表1中我们能够得到10个监测点的检测参数，并能够计算出性能退化值和实际退化值的误差低，利用前文中的计算公式能够得到航空发动机系统性能退化乘0余寿命。
通过表1中对发动机的3此检测和维修参数，我们能够得到突发故障的先验值为0.95，然后计算相关参数，并使用蒙特卡洛方法预测航空发动机系统突发故障寿命本实验以R=0.90作为可靠度阈值，设发动机系统的性能退化故障剩余寿命为TP，突发故障的寿命Ts，取它们的最小值，计算结果如下：每次飞行时间分别为1708、4739、5594，每次突发故障剩余寿命的预测值分别为6026、2922、2113，剩余寿命的预测值分别为5872、2822、2113，R可靠阈值分别为-2.65，-1.62，-1.02。最后得到实际飞行时间为2185小时，整体结果误差率小于5%，说明本方法有效，能够用于航空机电系统剩余寿命的预测。
7結束语
本研究以性能退化故障和突发故障为基础建立了航空机电系统剩余寿命预测的模型，这一方法实现了对状态检测数据的全面、有效使用，合理评估了性能退化故障和突发故障的相关度，较为准确地描述了机电系统寿命变化的趋势，使航空机电系统剩余寿命的预测更加准确，为机电系统复杂装备的制造和检测奠定了坚实的理论基础。