论文部分内容阅读
摘 要：预测与健康管理（PHM）技术在飞行器中的应用对于提高飞行器可靠性、保障飞行安全、降低维修保障费用都具有重要意义。本文开展了飞控系统区域级PHM系统的研究工作，并给出了飞行器平台级PHM系统的整体结构;然后对PHM系统中的故障诊断和剩余寿命预测技术进行了介绍。最后，以飞控系统中的关键部件副翼作动器为例，建立了成员级PHM系统，概述了系统故障诊断方法和剩余寿命预测方法。经过副翼作动器运行数据和寿命数据的验证，表明这两种方法都具有很好的效果。
关键词：PHM系统;飞控系统;副翼作动器;故障诊断;预测
中图分类号：TJ765
文献标识码：A
文章编号：1673-5048（2020）06-0091-06
0 引 言
随着我国航空工业的迅速发展，飞行器的功能、结构日趋复杂。人们对于飞行器的可靠性、飞行安全性和维修保障等问题给予越来越高的关注。飞行器安全关键系统是指不正确的功能或失效会导致灾难性后果的系统，如飞控系统、发动机系统和刹车系统等[1]。
飞行器安全关键系统如果在飞行过程中发生故障，为了将故障影响降到最低，需要对其开展实时的状态监测和故障诊断，以便及时完成故障确认和隔离。驾驶员可以根据故障结果报告对机载系统进行重构和任务降级，从而有效防止故障蔓延，确保飞行安全[2]。
故障预测与健康管理（prognostics and health management，PHM）技术是一种提高装备可靠性、安全性、维修性和经济可承受性的关键技术。PHM技术具有状态监测、故障诊断、寿命预测和健康管理等功能，实现了由传统的定期维修和预防性维修向基于状态的维修的转变。在飞行器关键系统中使用PHM技术，对于提高飞行安全性和降低维修保障费用具有十分重要的意义。
1 PHM技术简介
PHM技术，是指首先在设备关键部位上安装先进的传感器，以获取与设备状态信息有关的大量原始数据，然后对原始数据进行去噪、特征提取等预处理，去除干扰影响，凸显故障特征，进一步利用各种算法和智能模型实现设备的故障诊断隔离和剩余寿命预测，最后对设备健康状态进行科学评估，并结合维修资源情况制定合理的维修方案[3]。
PHM技术可以实现对设备的状态监测、故障诊断隔离、剩余寿命预测、健康状态评估和维修策略制定等功能，对设备的可靠性、安全性、维修性和经济可承受性都有显著的提高。飞行器在飞行过程中所处的环境是恶劣
且多变的，通过PHM技术实现对飞行器各类运行参数和各部件运行状况的实时监控，可以采取积极主动的措施
来应对突发情况，保证飞行任务的完成。综合的飞行器PHM系统可逐层分为飞行器平台级、区域级和成员级三个层级。通过成员级的故障诊断隔离，可以在故障发展为区域级、灾难性故障之前提前预警，方便驾驶人员主动采取应对措施或进行任务降级，保障飞行安全。结合故障诊断信息和剩余使用寿命等预测信息，可以对飞行器的健康状态进行科学评估，实现视情维修。这极大地避免了传统的定期维修方式带来的潜在风险（维修间隔内出现故障）或额外维修（维修时无故障），提高了维修保障效率，降低了维修保障费用[4]。
PHM技术在飞行器领域的应用始于20世纪50年代时英美等西方国家对航空飞行器故障诊断技术的研究;从最开始的机内自检测（build in test，BIT）技术，逐渐发展为飞行器综合健康管理（integrated vehicle health ma-nagement，IVHM）技术。如今，IVHM技术在不同类别的飞行器中都得到了应用，如民用飞机的机载维护系统、战斗机的健康管理系统和直升机的健康与使用监测系统[5]。随着飞行器的进一步发展，飞行器对可靠性和维护性的要求也逐渐增强，PHM技术将得到更为广泛和深入的应用。
2 飞控系统的PHM系统设计
2.1 PHM系统构架
飞控系统是飞行器的安全关键系统，根据视情维修开放式体系结构建立飞控区域级PHM系统。飞控区域级PHM系统由7个不同层次的功能模块构成[6]：
① 数据获取层：收集各传感器采集到的监测数据和飞控系统的各种测量数据，将数据经过解析、筛选、对齐等操作后传输到数据处理层。
② 数据处理层：对接收到的数据进行去噪、融合、故障特征提取等预处理，去除干扰影响，凸显故障特征。
③ 状态监测层：对可以表征飞行器运行状态的关键参数进行实时监测，通过与故障阈值比较获得相应的状态指示结果，并提供告警信息。
④ 诊断预测层：融合各传感器采集的数据，完成故障定位与隔离，并获得剩余使用寿命信息。
⑤ 健康评估层：结合操作状态、负荷和历史故障信息，综合状态监测层和诊断预测层的结果，评估系统整体健康状态，并预测健康状态未来发展趋势。
⑥ 决策支持层：根据健康评估和预测的结果，适当调整飞行计划以完成目标任务或提前结合维修资源制定维修策略。
⑦ 显示层：人机交互界面接收数据，对实时监测、诊断、预测、评估的结果进行显示，方便操作人员及时获取运行状态信息。
飞行器的PHM系统，逻辑上采用分層智能推理结构，分为飞行器平台级、区域级、成员级三个层级[7]，如图1所示。飞控系统由众多部件组成，针对其中的关键部件如加速度计组件、副翼、垂尾等建立成员级PHM系统，可以获取关键部件的实时运行状况和故障信息，并直接提交给飞控区域级PHM系统。飞控区域级PHM系统对收集到的各成员级PHM信息进行区域级故障模式及传播影响分析、典型系统性能退化趋势分析、PHM信息融合及健康评估研究，最终得到飞控区域级PHM分析结果，并传送给更高层级的飞行器平台级PHM系统。飞行器平台级PHM系统接收各区域级PHM系统的信息，并通过智能信息融合和综合推理最终得到飞行器整体PHM分析结果。 2.2 PHM系统关键技术
2.2.1 故障诊断技术
飞控系统的各主要部件是飞控指令的最终实施部件，对飞控系统的正常运行起到非常关键的作用，因此对其进行故障诊断是十分必要的。目前，针对飞行器部件的故障诊断方法可大致分为三类：基于知识的、基于模型的和基于数据驱动的故障诊断方法[8-11]。
基于知识的故障诊断方法引入了待诊断部件的许多知识和故障信息，通过知识和经验判断部件是否故障及故障模式。常用的基于知识的故障诊断方法有：基于模糊推理的方法和基于知识库的方法。基于模糊推理的故障诊断方法是根据模糊集合征兆空间与故障状态空间的某种映射关系，通过征兆来判断故障。它利用模糊逻辑的概念阐述设备故障现象与故障产生原因之间的模糊关系，并利用模糊集合论中的元素隶属度和模糊关系方程，解决故障诊断问题。基于知识库的故障诊断方法的基本原理为：知识库管理诊断对象的知识，将其提取到故障规则集，当实际信息与故障规则的某部分相匹配时，则可对应到相应故障。此类方法的难点在于如何获取对象部件的故障知识。而且随着故障知识的累积，要不断对诊断方法进行更新以提高诊断正确率。
基于模型的故障诊断方法的核心思想是构建一个模型来估计待诊断部件的正常输出值，用部件的真实输出值和估计输出值进行比较形成残差。当部件正常工作时，残差理论上为零;而当部件发生故障时，残差非零。最后从残差信号中提取故障特征并通过相应的故障诊断算法实现故障诊断。常用的模型通常有两种：数学模型和观测器。数学模型是基于部件的控制方程建立的能完整描述部件控制回路的精确模型。观测器则是对作动器输入输出间非线性关系的一种拟合，常用的观测器有卡尔曼滤波器、神经网络等。这类方法基于对象部件的工作特性，诊断逻辑清晰，有利于及时、准确地实现故障诊断。其局限性在于诊断结果很大程度上依赖于建立的模型，在实际应用中建模误差、不确定性扰动等因素都会对诊断结果产生影响。对于模型很难建立的复杂对象，此类方法难以得到应用。
基于数据驱动的故障诊断方法直接依赖于对象部件的监测数据进行故障诊断。它首先采用数据处理方法对数据进行故障特征提取，然后运用不同的分类方法如神经网络、支持向量机等对故障数据进行分类，以达到故障诊断的目的。为了实现较好的故障诊断结果，需要对监测数据进行恰当的处理，对分类器进行良好的训练。此类方法不需要对象部件的先验知识，监测数据可通过传感器方便获取，适用于大部分对象部件。随着人工智能技术的快速发展，此类方法得到了广泛的应用，各类神经网络如Elman神经网络[12]、概率神经网络[13]、自组织映射神经网络[14]等都被应用到了故障诊断中。
2.2.2 剩余寿命预测技术
剩余寿命（remaining useful life，RUL）预测技术作为PHM核心技术之一，能够为系统自主健康管理与维护、自主式保障等提供评估系统状态的决策信息，具有重要的实际应用价值。RUL预测方法可分为三类：基于物理模型、基于知识和基于数据驱动的RUL预测方法[15-17]。
基于物理模型的RUL预测方法通过建立系统工作机理模型，并结合系统的在线监测数据，实现对象系统的RUL预测。这一类方法主要用于物理模型容易描述的对象系统，代表性应用为机械部件，如通过构建裂纹扩展物理模型实现机械部件的RUL预测。基于物理模型的RUL预测方法的主要优点在于它与系统机理密切相关，能够深入分析系统本质特性;并通过结合系统的实时监测状态信息，易获得较精确的RUL预测结果。但是随着系统和设备的日益复杂，系统各功能部件之间存在大量的耦合关系，通常无法或者难以获得系统的物理解析模型，导致基于物理模型的RUL预测方法难以得到广泛应用。
基于知识的RUL预测方法利用已知的先验知识建立知识库，根据知识库模型实现对象系统的RUL预测，典型方法包括专家系统和模糊逻辑。该类方法的局限性在于知识库的丰富程度直接决定了RUL的预测精度。而在实际应用中，系统知识往往难以获取，并且将已获取的系统知识转化为符合系统运行的特定规则也比较困难，因此，基于知识的RUL预测方法不能广泛应用。
基于数据驱动的RUL预测方法从监测数据中获取与系统属性相关的特征参数，并将这些特征参数与对象系统退化行为相关联，借助智能算法和模型进行检测、分析和预测，获得对象系统的RUL预测结果。这类方法主要优点在于：不需要系统物理模型参数作为输入数据，为难以构建物理模型的系统RUL预测提供了解决办法;具有较好的方法基础支撑，统计模型和机器学习方法为监测数据挖掘提供了多种方法;实施过程相对简单，只需处理含有系统退化的相关数据，适用于在线应用。随着传感器技术、网络技术、大容量存储技术和计算机技术的发展，可用系统监测数据类型日益丰富，支撑的数据建模分析方法也日益完备，这些因素都为数据驱动方法的进一步发展和完善提供了条件。
3 飞控系统典型部件的PHM应用
在组成飞控系统的众多部件中，副翼作动器是飞控指令的重要执行部件，一旦发生故障将会对飞行安全产生严重威胁，且副翼作动器的故障率在飞控系统中相对较高，因此对其进行状态监控和故障诊断对于保障飞行安全具有十分重要的意义。传统的副翼作动器故障诊断主要依靠机内测试来完成，此类检测的虚警率较高，且故障难以复现，给维修工作带来了一定的困难。为保障飞行安全、降低虚警率和减少维护成本，需要采用更为先进的PHM技术。通过PHM技术进一步对副翼作动器的RUL进行预测，能更为主动地掌握作動器的当前和未来的健康状态，提前合理安排维修计划[18]。对副翼作动器建立成员级的PHM子系统，其核心内容为故障诊断和寿命预测。
3.1 故障诊断
副翼作动器的故障模式众多，不可能对所有故障模式都进行诊断分析，需要对那些故障发生概率高或故障严酷度高的故障模式开展诊断研究。因此，在对作动器开展故障模式影响及危害性分析调研的基础上，梳理出7种需要诊断的关键故障模式，如表1所示。 针对副翼作动器需要诊断的故障模式，并结合副翼作动器的传感器布局的可行性，筛选出与故障判定最为相关的传感器数据展开监测分析。选定的4类监测数据包括：力马达线圈电流信号（A/B/C/D通道）;直接驱动阀（direct drive valve，DDV）位移传感器信号（A/B/C/D通道）;作动筒位移传感器信号（A/B/C/D通道）;故障监测（fault detection，FD）开关输出信号。依据故障数据表现出来的特性，将故障分为四类：通道故障、非通道故障、FD故障和液压故障。基于多冗余的监测传感器，通道故障可根据每一种监测传感器的四通道数据之间差值的大小判定具体故障通道;非通道故障通过构建的观测器模型与实际监测数据获得残差，并通过自编码分类器对残差进行分类来实现故障隔离;液压故障可以直接通过作动筒位移传感器信号的变化率来判定;FD开关故障的判定则根据FD信号的正常与否进行判断识别。若以上的诊断规则都无法对监测信号做出判别，则认定当前作动器仍处于正常的工作状态。副翼作动器的故障诊断流程图如图2所示。
为了验证上述故障诊断方法的可行性，针对7种故障模式进行故障植入，每种故障模式下获取了50组故障数据开展诊断分析，最终的故障诊断结果如表2所示。可以看出故障诊断结果具有较高置信度和准确率，进一步验证该故障诊断方法的有效性。
3.2 寿命预测
副翼作动器的工作性能会随着使用时间的累积而有所退化，可以用能表征作动器工作性能的特征参数来描述作动器的退化现象。副翼作动器由正常工作到发生退化故障的渐变过程中，这些特征参数会同时发生退化直至故障阈值。研究特征参数由当前值退化到故障阈值的时间，即为对副翼作动器进行剩余寿命预测。副翼作动器的寿命预测首先要对特征参数的全寿命周期历史数据进行前处理，包括剔除奇异值点和进行数据平滑，使数据的退化趋势更明显，然后采用非线性回归的方法对处理过的数据进行拟合得到退化模型，基于退化模型和当前时刻的特征参数历史数据，利用改进粒子滤波算法对退化模型的参数向量进行预测。最后，根据预测退化模型计算特征参数由当前值退化到故障阈值的时间，即剩余使用寿命。副翼作动器的寿命预测流程图如图3所示。
针对作动器开展寿命预测研究，采集了作动器前2 000小时工作周期的监测数据。所获得的数据包含7种数据，即作动器零偏数据、作动器位置精度数据、作动器位置跟踪误差数据、FD开关电流数据、作动器内漏数据、模态回中阀（mode comeback valve，MCV）零偏数据和MCV动态跟踪精度数据，每类数据共106个数据点。
虽然可以获得众多的特征监测数据开展寿命预测分析，但并不是所有的特征监测数据都具有明显的退化趋势。因此，为了更好地进行副翼作动器的剩余寿命预测，可以计算上述7种特征监测数据的改进排列熵。
改进排列熵越大，表明时间序列存在长期记忆性，即时间序列存在某种趋势，且熵越大趋势性越明显;改进排列熵越小，表明时间序列的随机游走性越强。对于时间序列数据{x（0），x（1），…，x（T）}改进排列熵的计算方法如式（1）～（2）所示[19]。
式中：T为数据长度;n为排列熵的阶数，本文采用二阶排列熵，因此n=2;（xa+1，xb+2，xb+3，…，xb+n）为时间序列的状态向量，共有（T-n+1）（T-n+2）/2个状态向量;πi为第i种排列，共有n！种排列;p（πi）为第i种排列的频率;H（n）为时间序列的n阶改进排列熵。
7种特征监测数据的改进排列熵数值如表3所示。由表3可知，MCV动态跟踪精度的改进排列熵值最大，具有最明显的趋势性，因此，选择MCV动态跟踪精度数据来进行寿命预测。
对选定好的寿命预测数据进行前處理，首先采用中值滤波器对MCV动态跟踪精度数据进行奇异值剔除，然后采用Savitzky-Golay平滑滤波器对其进行平滑，得到的结果如图4所示。由图可以看出，处理前的数据波动较大，趋势特性不明显;处理后的数据较为平滑，有明显的增长趋势。
对于前处理后的MCV动态跟踪精度数据，选择能最好对它进行拟合的三次函数作为预测模型，如式（3）所示。
F（t）=at3+bt2+ct+d（3）
其中： a，b，c，d为模型参数，F（t）为数据在t时刻的取值。各参数的状态空间模型如式（4）所示。
其中： ω为过程噪声;v为量测噪声。
通过拟合MCV动态跟踪精度数据的前90个数据来获取模型参数a，b，c，d的初值，并将其作为改进粒子滤波算法的先验分布。基于所给的状态空间模型，改进粒子滤波算法通过一组带权重的粒子近似获得状态的后验分布，后验分布的期望则为状态的估计值。利用状态的估计值对MCV动态跟踪精度进行预测，预测结果如图5所示。可以看出，预测值与真实数据的差值较小，且随着预测时间的增加，差值有逐渐减小的趋势。预测结果表明预测曲线能较好地反映真实数据的退化趋势，因而验证了该方法的有效性。
4 结 论
随着飞行器技术的快速发展，对飞行器可靠性、飞行安全性和维修保障性的要求越来越高。对作为飞行器安全关键系统的飞控系统开展了区域级PHM系统的研究并介绍了系统的功能模块组成。针对飞控系统中的关键部件副翼作动器，提出了一种多方法融合的故障诊断方法和基于改进粒子滤波算法的寿命预测方法，介绍了PHM技术在成员级PHM系统中的具体应用。通过副翼作动器运行数据的验证，表明这两种方案都具有很好的效果。本文的研究内容对于飞控系统PHM系统的开发与实现具有一定的意义，并对构建飞行器其他安全关键系统的PHM系统有一定的借鉴意义。
参考文献：
[1] 张绍杰，李正强，海晓航，等. 基于MBSE的民用飞机安全关键系统设计[J]. 中国科学：技术科学，2018，48（3）：299-311. Zhang Shaojie，Li Zhengqiang，Hai Xiaohang，et al. Safety Critical Systems Design for Civil Aircrafts by Model Based Systems Engineering[J]. Scientia Sinica Technologica，2018，48（3）：299-311. （in Chinese）
[2] 王少萍. 大型飞机机载系统预测与健康管理关键技术[J]. 航空学报，2014，35（6）：1459-1472.
Wang Shaoping. Prognostics and Health Management Key Techno-logy of Aircraft Airborne System[J]. Acta Aeronautica et Astronautica Sinica，2014，35（6）：1459-1472. （in Chinese）
[3] 年夫顺. 关于故障预测与健康管理技术的几点认识[J]. 儀器仪表学报，2018，39（8）：1-14.
Nian Fushun. Viewpoints about the Prognostics and Health Management[J]. Chinese Journal of Scientific Instrument，2018，39（8）：1-14. （in Chinese）
[4] 吴明辉，许爱强，戴豪民. PHM技术在综合航空电子系统中的应用[J]. 兵工自动化，2013，32（4）：72-77.
Wu Minghui，Xu Aiqiang，Dai Haomin. Application of PHM Technic in Integrated Avionics Electronic System[J]. Ordnance Industry Automation，2013，32（4）：72-77. （in Chinese）
[5] 李兴旺，汪慧云，沈勇，等. 飞机综合健康管理系统的应用与发展[J]. 计算机测量与控制，2015，23（4）：1069-1072.
Li Xingwang，Wang Huiyun，Shen Yong，et al. Application and Development of Integrated Vehicle Health Management System in Aviation Field[J]. Computer Measurement & Control，2015，23（4）：1069-1072. （in Chinese）
[6] 罗荣蒸，孙波，张雷，等. 航天器预测与健康管理技术研究[J]. 航天器工程，2013，22（4）：95-102.
Luo Rongzheng，Sun Bo，Zhang Lei，et al. Analysis of PHM Technology for Spacecraft[J]. Spacecraft Engineering，2013，22（4）：95-102. （in Chinese）
[7] 上海航空测控技术研究所. 航空故障诊断与健康管理技术[M]. 北京：航空工业出版社，2013：38-43.
Shanghai Aero Measurement & Control Technology Research Institute. Aviation Fault Diagnosis and Health Management Technology[M]. Beijing：Aviation Industry Press，2013：38-43. （in Chinese）
[8] Bobrinskoy A，Cazaurang F，Gatti M，et al. Model-Based Fault Diagnosis of a Flight-Critical Actuator[C]∥ Recent Advances in Aero-space Actuation Systems and Components Conference，2014：84-89.
[9] 胡良谋，曹克强，徐浩军，等. 支持向量机故障诊断及控制技术[M]. 北京：国防工业出版社，2011：4-13.
Hu Liangmou，Cao Keqiang，Xu Haojun，et al. Support Vector Machine Fault Diagnosis and Control Technology[M]. Beijing：National Defense Industry Press，2011：4-13. （in Chinese）
[10] Liu H M，Li D，Lu C，et al. Fault Diagnosis for a Hydraulic Servo System Using Wavelet Packet and Neural Network[C]∥ World Congress on Intelligent Control and Automation，2016：1981-1965.
[11] 陈皓. 基于RBF神经网络的副翼促动器故障检测方法[J]. 控制工程，2018，25（12）：2245-2250.
Chen Hao. The Research of Fault Detecting Method for Aileron Actuator Using RBF Neural Network[J]. Control Engineering ofChina，2018，25（12）：2245-2250. （in Chinese） [12] Liu H M，Wang S P，Ouyang P C. Fault Diagnosis Based on Improved Elman Neural Network for a Hydraulic Servo System[C]∥IEEE Conference on Robotics，Automation and Mechatronics，2016：1-6.
[13] Liu H M，Jing J Y，Ma J. Fault Diagnosis of Electromechanical Actuator Based on VMD Multifractal Detrended Fluctuation Analysis and PNN[J]. Complexity，2018（2）：1-11.
[14] Lu C，Yuan H，Ma J. Fault Detection，Diagnosis，and Perfor-mance Assessment Scheme for Multiple Redundancy Aileron Actuator[J]. Mechanical Systems and Signal Processing，2018，113：199-221.
[15] Hu Y W，Liu S J，Lu H T，et al. Remaining Useful Life Model and Assessment of Mechanical Products：A Brief Review and a Note on the State Space Model Method[J]. Chinese Journal of Mechanical Engineering，2019，32（1）：1-20.
[16] 裴洪，胡昌華，司小胜，等. 基于机器学习的设备剩余寿命预测方法综述[J]. 机械工程学报，2019，55（8）：1-13.
Pei Hong，Hu Changhua，Si Xiaosheng，et al. Review of Machine Learning Based Remaining Useful Life Prediction Methods for Equipment[J]. Journal of Mechanical Engineering，2019，55（8）：1-13. （in Chinese）
[17] 李超. 基于监测数据的机械设备剩余寿命预测研究[D]. 大连：大连理工大学，2014.
Li Chao. Research on Remaining Useful Life Prediction of Mechanical Equipment Based on Monitoring Data[D]. Dalian：Dalian University of Technology，2014. （in Chinese）
[18] 于劲松，刘浩，张平，等. 航空机电作动器健康管理验证系统研究[J]. 计算机测量与控制，2014，22（6）：1835-1838.
Yu Jinsong，Liu Hao，Zhang Ping，et al. Study on Validation System of Prognostic and Health Management System for Aviation Electromechanical Actuator[J]. Computer Measurement & Control，2014，22（6）：1835-1838. （in Chinese）
[19] Liu L S，Wang S J，Liu D T，et al. Entropy-Based Sensor Selection for Condition Monitoring and Prognostics of Aircraft Engine[J]. Microelectronics Reliability，2015，50（9）：2092-2096.
Research on Application of Prognostics and Health Management
Technology in Aircraft Flight Control System
Ma Bo1，2，Liu Huiyu3*，Chen Yinchao2，Xie Lei 2，Yang Chaoxu2
（1. Aviation Key Laboratory of Science and Technology on Fighter Integrated Simulation，Chengdu 610065，China;
2. Chengdu Aircraft Design & Research Institute，AVIC，Chengdu 610065，China;
3. School of Aeronautics and Astronautics，Sichuan University，Chengdu 610065，China）
Abstract：The application of prognostics and health management （PHM） technology in aircraft is of great significanceto improve reliability，ensure flight safety，and reduce maintenance costs.
Firstly，research onthe regional PHM system of flight control system is carried outand the overall structure of the aircraft PHM system is given. Then，the fault diagnosis technology and remaining useful life prediction technology in the PHM system are introduced. Finally，a member-level PHM subsystem is established for the aileron actuator，which is a key component of the flight control system，and the core contents of the PHM subsystem，includingthe fault diagnosis method and the remaining useful life prediction method，are summarized. Through the verification of aileron actuator operating data and life data，the results show that both methods have good results.
Key words：PHM system;flight control system;aileron actuator;fault diagnosis;prediction
收稿日期：2020-05-20
基金项目：国防基础科研项目（JCKY2016205A004）
作者简介：马波（1985-），男，重庆人，高级工程师，研究方向是飞行器管理与控制技术研究。
通讯作者：刘慧宇（1995-），女，湖南邵阳人，研究方向是装备状态监测与故障诊断。E-mail：lhyyoga@163.com
关键词：PHM系统;飞控系统;副翼作动器;故障诊断;预测
中图分类号：TJ765
文献标识码：A
文章编号：1673-5048（2020）06-0091-06
0 引 言
随着我国航空工业的迅速发展，飞行器的功能、结构日趋复杂。人们对于飞行器的可靠性、飞行安全性和维修保障等问题给予越来越高的关注。飞行器安全关键系统是指不正确的功能或失效会导致灾难性后果的系统，如飞控系统、发动机系统和刹车系统等[1]。
飞行器安全关键系统如果在飞行过程中发生故障，为了将故障影响降到最低，需要对其开展实时的状态监测和故障诊断，以便及时完成故障确认和隔离。驾驶员可以根据故障结果报告对机载系统进行重构和任务降级，从而有效防止故障蔓延，确保飞行安全[2]。
故障预测与健康管理（prognostics and health management，PHM）技术是一种提高装备可靠性、安全性、维修性和经济可承受性的关键技术。PHM技术具有状态监测、故障诊断、寿命预测和健康管理等功能，实现了由传统的定期维修和预防性维修向基于状态的维修的转变。在飞行器关键系统中使用PHM技术，对于提高飞行安全性和降低维修保障费用具有十分重要的意义。
1 PHM技术简介
PHM技术，是指首先在设备关键部位上安装先进的传感器，以获取与设备状态信息有关的大量原始数据，然后对原始数据进行去噪、特征提取等预处理，去除干扰影响，凸显故障特征，进一步利用各种算法和智能模型实现设备的故障诊断隔离和剩余寿命预测，最后对设备健康状态进行科学评估，并结合维修资源情况制定合理的维修方案[3]。
PHM技术可以实现对设备的状态监测、故障诊断隔离、剩余寿命预测、健康状态评估和维修策略制定等功能，对设备的可靠性、安全性、维修性和经济可承受性都有显著的提高。飞行器在飞行过程中所处的环境是恶劣
且多变的，通过PHM技术实现对飞行器各类运行参数和各部件运行状况的实时监控，可以采取积极主动的措施
来应对突发情况，保证飞行任务的完成。综合的飞行器PHM系统可逐层分为飞行器平台级、区域级和成员级三个层级。通过成员级的故障诊断隔离，可以在故障发展为区域级、灾难性故障之前提前预警，方便驾驶人员主动采取应对措施或进行任务降级，保障飞行安全。结合故障诊断信息和剩余使用寿命等预测信息，可以对飞行器的健康状态进行科学评估，实现视情维修。这极大地避免了传统的定期维修方式带来的潜在风险（维修间隔内出现故障）或额外维修（维修时无故障），提高了维修保障效率，降低了维修保障费用[4]。
PHM技术在飞行器领域的应用始于20世纪50年代时英美等西方国家对航空飞行器故障诊断技术的研究;从最开始的机内自检测（build in test，BIT）技术，逐渐发展为飞行器综合健康管理（integrated vehicle health ma-nagement，IVHM）技术。如今，IVHM技术在不同类别的飞行器中都得到了应用，如民用飞机的机载维护系统、战斗机的健康管理系统和直升机的健康与使用监测系统[5]。随着飞行器的进一步发展，飞行器对可靠性和维护性的要求也逐渐增强，PHM技术将得到更为广泛和深入的应用。
2 飞控系统的PHM系统设计
2.1 PHM系统构架
飞控系统是飞行器的安全关键系统，根据视情维修开放式体系结构建立飞控区域级PHM系统。飞控区域级PHM系统由7个不同层次的功能模块构成[6]：
① 数据获取层：收集各传感器采集到的监测数据和飞控系统的各种测量数据，将数据经过解析、筛选、对齐等操作后传输到数据处理层。
② 数据处理层：对接收到的数据进行去噪、融合、故障特征提取等预处理，去除干扰影响，凸显故障特征。
③ 状态监测层：对可以表征飞行器运行状态的关键参数进行实时监测，通过与故障阈值比较获得相应的状态指示结果，并提供告警信息。
④ 诊断预测层：融合各传感器采集的数据，完成故障定位与隔离，并获得剩余使用寿命信息。
⑤ 健康评估层：结合操作状态、负荷和历史故障信息，综合状态监测层和诊断预测层的结果，评估系统整体健康状态，并预测健康状态未来发展趋势。
⑥ 决策支持层：根据健康评估和预测的结果，适当调整飞行计划以完成目标任务或提前结合维修资源制定维修策略。
⑦ 显示层：人机交互界面接收数据，对实时监测、诊断、预测、评估的结果进行显示，方便操作人员及时获取运行状态信息。
飞行器的PHM系统，逻辑上采用分層智能推理结构，分为飞行器平台级、区域级、成员级三个层级[7]，如图1所示。飞控系统由众多部件组成，针对其中的关键部件如加速度计组件、副翼、垂尾等建立成员级PHM系统，可以获取关键部件的实时运行状况和故障信息，并直接提交给飞控区域级PHM系统。飞控区域级PHM系统对收集到的各成员级PHM信息进行区域级故障模式及传播影响分析、典型系统性能退化趋势分析、PHM信息融合及健康评估研究，最终得到飞控区域级PHM分析结果，并传送给更高层级的飞行器平台级PHM系统。飞行器平台级PHM系统接收各区域级PHM系统的信息，并通过智能信息融合和综合推理最终得到飞行器整体PHM分析结果。 2.2 PHM系统关键技术
2.2.1 故障诊断技术
飞控系统的各主要部件是飞控指令的最终实施部件，对飞控系统的正常运行起到非常关键的作用，因此对其进行故障诊断是十分必要的。目前，针对飞行器部件的故障诊断方法可大致分为三类：基于知识的、基于模型的和基于数据驱动的故障诊断方法[8-11]。
基于知识的故障诊断方法引入了待诊断部件的许多知识和故障信息，通过知识和经验判断部件是否故障及故障模式。常用的基于知识的故障诊断方法有：基于模糊推理的方法和基于知识库的方法。基于模糊推理的故障诊断方法是根据模糊集合征兆空间与故障状态空间的某种映射关系，通过征兆来判断故障。它利用模糊逻辑的概念阐述设备故障现象与故障产生原因之间的模糊关系，并利用模糊集合论中的元素隶属度和模糊关系方程，解决故障诊断问题。基于知识库的故障诊断方法的基本原理为：知识库管理诊断对象的知识，将其提取到故障规则集，当实际信息与故障规则的某部分相匹配时，则可对应到相应故障。此类方法的难点在于如何获取对象部件的故障知识。而且随着故障知识的累积，要不断对诊断方法进行更新以提高诊断正确率。
基于模型的故障诊断方法的核心思想是构建一个模型来估计待诊断部件的正常输出值，用部件的真实输出值和估计输出值进行比较形成残差。当部件正常工作时，残差理论上为零;而当部件发生故障时，残差非零。最后从残差信号中提取故障特征并通过相应的故障诊断算法实现故障诊断。常用的模型通常有两种：数学模型和观测器。数学模型是基于部件的控制方程建立的能完整描述部件控制回路的精确模型。观测器则是对作动器输入输出间非线性关系的一种拟合，常用的观测器有卡尔曼滤波器、神经网络等。这类方法基于对象部件的工作特性，诊断逻辑清晰，有利于及时、准确地实现故障诊断。其局限性在于诊断结果很大程度上依赖于建立的模型，在实际应用中建模误差、不确定性扰动等因素都会对诊断结果产生影响。对于模型很难建立的复杂对象，此类方法难以得到应用。
基于数据驱动的故障诊断方法直接依赖于对象部件的监测数据进行故障诊断。它首先采用数据处理方法对数据进行故障特征提取，然后运用不同的分类方法如神经网络、支持向量机等对故障数据进行分类，以达到故障诊断的目的。为了实现较好的故障诊断结果，需要对监测数据进行恰当的处理，对分类器进行良好的训练。此类方法不需要对象部件的先验知识，监测数据可通过传感器方便获取，适用于大部分对象部件。随着人工智能技术的快速发展，此类方法得到了广泛的应用，各类神经网络如Elman神经网络[12]、概率神经网络[13]、自组织映射神经网络[14]等都被应用到了故障诊断中。
2.2.2 剩余寿命预测技术
剩余寿命（remaining useful life，RUL）预测技术作为PHM核心技术之一，能够为系统自主健康管理与维护、自主式保障等提供评估系统状态的决策信息，具有重要的实际应用价值。RUL预测方法可分为三类：基于物理模型、基于知识和基于数据驱动的RUL预测方法[15-17]。
基于物理模型的RUL预测方法通过建立系统工作机理模型，并结合系统的在线监测数据，实现对象系统的RUL预测。这一类方法主要用于物理模型容易描述的对象系统，代表性应用为机械部件，如通过构建裂纹扩展物理模型实现机械部件的RUL预测。基于物理模型的RUL预测方法的主要优点在于它与系统机理密切相关，能够深入分析系统本质特性;并通过结合系统的实时监测状态信息，易获得较精确的RUL预测结果。但是随着系统和设备的日益复杂，系统各功能部件之间存在大量的耦合关系，通常无法或者难以获得系统的物理解析模型，导致基于物理模型的RUL预测方法难以得到广泛应用。
基于知识的RUL预测方法利用已知的先验知识建立知识库，根据知识库模型实现对象系统的RUL预测，典型方法包括专家系统和模糊逻辑。该类方法的局限性在于知识库的丰富程度直接决定了RUL的预测精度。而在实际应用中，系统知识往往难以获取，并且将已获取的系统知识转化为符合系统运行的特定规则也比较困难，因此，基于知识的RUL预测方法不能广泛应用。
基于数据驱动的RUL预测方法从监测数据中获取与系统属性相关的特征参数，并将这些特征参数与对象系统退化行为相关联，借助智能算法和模型进行检测、分析和预测，获得对象系统的RUL预测结果。这类方法主要优点在于：不需要系统物理模型参数作为输入数据，为难以构建物理模型的系统RUL预测提供了解决办法;具有较好的方法基础支撑，统计模型和机器学习方法为监测数据挖掘提供了多种方法;实施过程相对简单，只需处理含有系统退化的相关数据，适用于在线应用。随着传感器技术、网络技术、大容量存储技术和计算机技术的发展，可用系统监测数据类型日益丰富，支撑的数据建模分析方法也日益完备，这些因素都为数据驱动方法的进一步发展和完善提供了条件。
3 飞控系统典型部件的PHM应用
在组成飞控系统的众多部件中，副翼作动器是飞控指令的重要执行部件，一旦发生故障将会对飞行安全产生严重威胁，且副翼作动器的故障率在飞控系统中相对较高，因此对其进行状态监控和故障诊断对于保障飞行安全具有十分重要的意义。传统的副翼作动器故障诊断主要依靠机内测试来完成，此类检测的虚警率较高，且故障难以复现，给维修工作带来了一定的困难。为保障飞行安全、降低虚警率和减少维护成本，需要采用更为先进的PHM技术。通过PHM技术进一步对副翼作动器的RUL进行预测，能更为主动地掌握作動器的当前和未来的健康状态，提前合理安排维修计划[18]。对副翼作动器建立成员级的PHM子系统，其核心内容为故障诊断和寿命预测。
3.1 故障诊断
副翼作动器的故障模式众多，不可能对所有故障模式都进行诊断分析，需要对那些故障发生概率高或故障严酷度高的故障模式开展诊断研究。因此，在对作动器开展故障模式影响及危害性分析调研的基础上，梳理出7种需要诊断的关键故障模式，如表1所示。 针对副翼作动器需要诊断的故障模式，并结合副翼作动器的传感器布局的可行性，筛选出与故障判定最为相关的传感器数据展开监测分析。选定的4类监测数据包括：力马达线圈电流信号（A/B/C/D通道）;直接驱动阀（direct drive valve，DDV）位移传感器信号（A/B/C/D通道）;作动筒位移传感器信号（A/B/C/D通道）;故障监测（fault detection，FD）开关输出信号。依据故障数据表现出来的特性，将故障分为四类：通道故障、非通道故障、FD故障和液压故障。基于多冗余的监测传感器，通道故障可根据每一种监测传感器的四通道数据之间差值的大小判定具体故障通道;非通道故障通过构建的观测器模型与实际监测数据获得残差，并通过自编码分类器对残差进行分类来实现故障隔离;液压故障可以直接通过作动筒位移传感器信号的变化率来判定;FD开关故障的判定则根据FD信号的正常与否进行判断识别。若以上的诊断规则都无法对监测信号做出判别，则认定当前作动器仍处于正常的工作状态。副翼作动器的故障诊断流程图如图2所示。
为了验证上述故障诊断方法的可行性，针对7种故障模式进行故障植入，每种故障模式下获取了50组故障数据开展诊断分析，最终的故障诊断结果如表2所示。可以看出故障诊断结果具有较高置信度和准确率，进一步验证该故障诊断方法的有效性。
3.2 寿命预测
副翼作动器的工作性能会随着使用时间的累积而有所退化，可以用能表征作动器工作性能的特征参数来描述作动器的退化现象。副翼作动器由正常工作到发生退化故障的渐变过程中，这些特征参数会同时发生退化直至故障阈值。研究特征参数由当前值退化到故障阈值的时间，即为对副翼作动器进行剩余寿命预测。副翼作动器的寿命预测首先要对特征参数的全寿命周期历史数据进行前处理，包括剔除奇异值点和进行数据平滑，使数据的退化趋势更明显，然后采用非线性回归的方法对处理过的数据进行拟合得到退化模型，基于退化模型和当前时刻的特征参数历史数据，利用改进粒子滤波算法对退化模型的参数向量进行预测。最后，根据预测退化模型计算特征参数由当前值退化到故障阈值的时间，即剩余使用寿命。副翼作动器的寿命预测流程图如图3所示。
针对作动器开展寿命预测研究，采集了作动器前2 000小时工作周期的监测数据。所获得的数据包含7种数据，即作动器零偏数据、作动器位置精度数据、作动器位置跟踪误差数据、FD开关电流数据、作动器内漏数据、模态回中阀（mode comeback valve，MCV）零偏数据和MCV动态跟踪精度数据，每类数据共106个数据点。
虽然可以获得众多的特征监测数据开展寿命预测分析，但并不是所有的特征监测数据都具有明显的退化趋势。因此，为了更好地进行副翼作动器的剩余寿命预测，可以计算上述7种特征监测数据的改进排列熵。
改进排列熵越大，表明时间序列存在长期记忆性，即时间序列存在某种趋势，且熵越大趋势性越明显;改进排列熵越小，表明时间序列的随机游走性越强。对于时间序列数据{x（0），x（1），…，x（T）}改进排列熵的计算方法如式（1）～（2）所示[19]。
式中：T为数据长度;n为排列熵的阶数，本文采用二阶排列熵，因此n=2;（xa+1，xb+2，xb+3，…，xb+n）为时间序列的状态向量，共有（T-n+1）（T-n+2）/2个状态向量;πi为第i种排列，共有n！种排列;p（πi）为第i种排列的频率;H（n）为时间序列的n阶改进排列熵。
7种特征监测数据的改进排列熵数值如表3所示。由表3可知，MCV动态跟踪精度的改进排列熵值最大，具有最明显的趋势性，因此，选择MCV动态跟踪精度数据来进行寿命预测。
对选定好的寿命预测数据进行前處理，首先采用中值滤波器对MCV动态跟踪精度数据进行奇异值剔除，然后采用Savitzky-Golay平滑滤波器对其进行平滑，得到的结果如图4所示。由图可以看出，处理前的数据波动较大，趋势特性不明显;处理后的数据较为平滑，有明显的增长趋势。
对于前处理后的MCV动态跟踪精度数据，选择能最好对它进行拟合的三次函数作为预测模型，如式（3）所示。
F（t）=at3+bt2+ct+d（3）
其中： a，b，c，d为模型参数，F（t）为数据在t时刻的取值。各参数的状态空间模型如式（4）所示。
其中： ω为过程噪声;v为量测噪声。
通过拟合MCV动态跟踪精度数据的前90个数据来获取模型参数a，b，c，d的初值，并将其作为改进粒子滤波算法的先验分布。基于所给的状态空间模型，改进粒子滤波算法通过一组带权重的粒子近似获得状态的后验分布，后验分布的期望则为状态的估计值。利用状态的估计值对MCV动态跟踪精度进行预测，预测结果如图5所示。可以看出，预测值与真实数据的差值较小，且随着预测时间的增加，差值有逐渐减小的趋势。预测结果表明预测曲线能较好地反映真实数据的退化趋势，因而验证了该方法的有效性。
4 结 论
随着飞行器技术的快速发展，对飞行器可靠性、飞行安全性和维修保障性的要求越来越高。对作为飞行器安全关键系统的飞控系统开展了区域级PHM系统的研究并介绍了系统的功能模块组成。针对飞控系统中的关键部件副翼作动器，提出了一种多方法融合的故障诊断方法和基于改进粒子滤波算法的寿命预测方法，介绍了PHM技术在成员级PHM系统中的具体应用。通过副翼作动器运行数据的验证，表明这两种方案都具有很好的效果。本文的研究内容对于飞控系统PHM系统的开发与实现具有一定的意义，并对构建飞行器其他安全关键系统的PHM系统有一定的借鉴意义。
参考文献：
[1] 张绍杰，李正强，海晓航，等. 基于MBSE的民用飞机安全关键系统设计[J]. 中国科学：技术科学，2018，48（3）：299-311. Zhang Shaojie，Li Zhengqiang，Hai Xiaohang，et al. Safety Critical Systems Design for Civil Aircrafts by Model Based Systems Engineering[J]. Scientia Sinica Technologica，2018，48（3）：299-311. （in Chinese）
[2] 王少萍. 大型飞机机载系统预测与健康管理关键技术[J]. 航空学报，2014，35（6）：1459-1472.
Wang Shaoping. Prognostics and Health Management Key Techno-logy of Aircraft Airborne System[J]. Acta Aeronautica et Astronautica Sinica，2014，35（6）：1459-1472. （in Chinese）
[3] 年夫顺. 关于故障预测与健康管理技术的几点认识[J]. 儀器仪表学报，2018，39（8）：1-14.
Nian Fushun. Viewpoints about the Prognostics and Health Management[J]. Chinese Journal of Scientific Instrument，2018，39（8）：1-14. （in Chinese）
[4] 吴明辉，许爱强，戴豪民. PHM技术在综合航空电子系统中的应用[J]. 兵工自动化，2013，32（4）：72-77.
Wu Minghui，Xu Aiqiang，Dai Haomin. Application of PHM Technic in Integrated Avionics Electronic System[J]. Ordnance Industry Automation，2013，32（4）：72-77. （in Chinese）
[5] 李兴旺，汪慧云，沈勇，等. 飞机综合健康管理系统的应用与发展[J]. 计算机测量与控制，2015，23（4）：1069-1072.
Li Xingwang，Wang Huiyun，Shen Yong，et al. Application and Development of Integrated Vehicle Health Management System in Aviation Field[J]. Computer Measurement & Control，2015，23（4）：1069-1072. （in Chinese）
[6] 罗荣蒸，孙波，张雷，等. 航天器预测与健康管理技术研究[J]. 航天器工程，2013，22（4）：95-102.
Luo Rongzheng，Sun Bo，Zhang Lei，et al. Analysis of PHM Technology for Spacecraft[J]. Spacecraft Engineering，2013，22（4）：95-102. （in Chinese）
[7] 上海航空测控技术研究所. 航空故障诊断与健康管理技术[M]. 北京：航空工业出版社，2013：38-43.
Shanghai Aero Measurement & Control Technology Research Institute. Aviation Fault Diagnosis and Health Management Technology[M]. Beijing：Aviation Industry Press，2013：38-43. （in Chinese）
[8] Bobrinskoy A，Cazaurang F，Gatti M，et al. Model-Based Fault Diagnosis of a Flight-Critical Actuator[C]∥ Recent Advances in Aero-space Actuation Systems and Components Conference，2014：84-89.
[9] 胡良谋，曹克强，徐浩军，等. 支持向量机故障诊断及控制技术[M]. 北京：国防工业出版社，2011：4-13.
Hu Liangmou，Cao Keqiang，Xu Haojun，et al. Support Vector Machine Fault Diagnosis and Control Technology[M]. Beijing：National Defense Industry Press，2011：4-13. （in Chinese）
[10] Liu H M，Li D，Lu C，et al. Fault Diagnosis for a Hydraulic Servo System Using Wavelet Packet and Neural Network[C]∥ World Congress on Intelligent Control and Automation，2016：1981-1965.
[11] 陈皓. 基于RBF神经网络的副翼促动器故障检测方法[J]. 控制工程，2018，25（12）：2245-2250.
Chen Hao. The Research of Fault Detecting Method for Aileron Actuator Using RBF Neural Network[J]. Control Engineering ofChina，2018，25（12）：2245-2250. （in Chinese） [12] Liu H M，Wang S P，Ouyang P C. Fault Diagnosis Based on Improved Elman Neural Network for a Hydraulic Servo System[C]∥IEEE Conference on Robotics，Automation and Mechatronics，2016：1-6.
[13] Liu H M，Jing J Y，Ma J. Fault Diagnosis of Electromechanical Actuator Based on VMD Multifractal Detrended Fluctuation Analysis and PNN[J]. Complexity，2018（2）：1-11.
[14] Lu C，Yuan H，Ma J. Fault Detection，Diagnosis，and Perfor-mance Assessment Scheme for Multiple Redundancy Aileron Actuator[J]. Mechanical Systems and Signal Processing，2018，113：199-221.
[15] Hu Y W，Liu S J，Lu H T，et al. Remaining Useful Life Model and Assessment of Mechanical Products：A Brief Review and a Note on the State Space Model Method[J]. Chinese Journal of Mechanical Engineering，2019，32（1）：1-20.
[16] 裴洪，胡昌華，司小胜，等. 基于机器学习的设备剩余寿命预测方法综述[J]. 机械工程学报，2019，55（8）：1-13.
Pei Hong，Hu Changhua，Si Xiaosheng，et al. Review of Machine Learning Based Remaining Useful Life Prediction Methods for Equipment[J]. Journal of Mechanical Engineering，2019，55（8）：1-13. （in Chinese）
[17] 李超. 基于监测数据的机械设备剩余寿命预测研究[D]. 大连：大连理工大学，2014.
Li Chao. Research on Remaining Useful Life Prediction of Mechanical Equipment Based on Monitoring Data[D]. Dalian：Dalian University of Technology，2014. （in Chinese）
[18] 于劲松，刘浩，张平，等. 航空机电作动器健康管理验证系统研究[J]. 计算机测量与控制，2014，22（6）：1835-1838.
Yu Jinsong，Liu Hao，Zhang Ping，et al. Study on Validation System of Prognostic and Health Management System for Aviation Electromechanical Actuator[J]. Computer Measurement & Control，2014，22（6）：1835-1838. （in Chinese）
[19] Liu L S，Wang S J，Liu D T，et al. Entropy-Based Sensor Selection for Condition Monitoring and Prognostics of Aircraft Engine[J]. Microelectronics Reliability，2015，50（9）：2092-2096.
Research on Application of Prognostics and Health Management
Technology in Aircraft Flight Control System
Ma Bo1，2，Liu Huiyu3*，Chen Yinchao2，Xie Lei 2，Yang Chaoxu2
（1. Aviation Key Laboratory of Science and Technology on Fighter Integrated Simulation，Chengdu 610065，China;
2. Chengdu Aircraft Design & Research Institute，AVIC，Chengdu 610065，China;
3. School of Aeronautics and Astronautics，Sichuan University，Chengdu 610065，China）
Abstract：The application of prognostics and health management （PHM） technology in aircraft is of great significanceto improve reliability，ensure flight safety，and reduce maintenance costs.
Firstly，research onthe regional PHM system of flight control system is carried outand the overall structure of the aircraft PHM system is given. Then，the fault diagnosis technology and remaining useful life prediction technology in the PHM system are introduced. Finally，a member-level PHM subsystem is established for the aileron actuator，which is a key component of the flight control system，and the core contents of the PHM subsystem，includingthe fault diagnosis method and the remaining useful life prediction method，are summarized. Through the verification of aileron actuator operating data and life data，the results show that both methods have good results.
Key words：PHM system;flight control system;aileron actuator;fault diagnosis;prediction
收稿日期：2020-05-20
基金项目：国防基础科研项目（JCKY2016205A004）
作者简介：马波（1985-），男，重庆人，高级工程师，研究方向是飞行器管理与控制技术研究。
通讯作者：刘慧宇（1995-），女，湖南邵阳人，研究方向是装备状态监测与故障诊断。E-mail：lhyyoga@163.com