基于特征参数趋势进化的故障诊断和预测方法
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
时间序列分析（ＴＳＡ）中有各种数学模型可 供选用［１ ９｜。其中，指数平滑预测模型给近期的实 测值以较大的权数，给远期的实测值以较小的权 数，使预测值既能较多地反映最新的信息，又能反 映大量的历史数据的信息，从而使预测结果更符 合实际［１ ９。。式（１）～式（５）给出了ＴＳＡ推理算法 中二次指数平滑预测模型。
２特征参数趋势进化预测
特征参数随时间的变化（进化）趋势是由系统 的工作、环境等条件决定的随机过程。对于耗损 型故障，系统的特征参数通常具有一定形式进化 趋势的特性，这一特性是用来预测其未来时刻状 态的依据［１引。进行趋势预测时，一般可采用多项 式曲线拟合、时间序列等参数化模型的方法，也可 以采用人工神经网络等非参数化模型的方法。
万方数据
滚动体特征频率、保持架特征频率、有效值和峰值 系数等【１ｑ；②发动机压缩机由于黏污而引起的性 能退化将导致发动机效率的降低，进而造成燃油 增加和输出功率降低，可以表征这一退化过程的 特征参数有进气温度、出气温度、进气总压力、排 气总压力，并进一步根据热动力模型综合为压缩 机效率和压力比等参数［６。７’”３；③发动机燃料喷嘴 由于堵塞而引起的性能退化将降低发动机中燃料 燃烧过程的效率，并且会在燃烧室和涡轮叶片上 产生潜在的损伤热点，可以表征这一退化过程的 特征参数有进气压力、进气口温度、发动机转速、 燃料流量、振动以及润滑油系统信息（如油压、油 温、油液中碎屑含量）等［６可］。
滑预测模型对系统未来某时刻的故障状态进行预测的方法。给出包括故障概率和故障指数在内的故障诊断
和预测结果形式，可进一步为系统的维修决策等提供参考。
关键词：故障预测；故障诊断；特征参数｝趋势进化；时间序列
中图分类号：Ｎ９４５．２
文献标识码：Ａ
Ａｂｓｔｒａｃｔ：Ｔｉｍｅ ｓｅｒｉｅｓ ａｎａｌｙｓｉｓ ｍｅｔｈｏｄｓ ａｒｅ ｕｓｅｄ ｔｏ ｐｒｏｇｎｏｓｔｉｃｓ ｔｈｅ ｆｅａｔｕｒｅ ｐａｒａｍｅｔｅｒｓ ｅｖｏｌｕｔｉｏｎ ｔｈａｔ ｃａｎ ｉｎｄｉ—
布
螽 媳 耳 聋
监测时问
（ａ）形式１
第２期
孙博等：基于特征参数趋势进化的故障诊断和预测方法
（ｂ）形式２ 图１故障判据类型示意图 Ｆｉｇ．１ Ｓｃｈｅｍｅ ｏｆ ｆａｉｌｕｒｅ ｃｒｉｔｅｒｉａ
对于故障判据形式１，故障判据相对易于确 定，如机械产品可靠性及故障诊断和预测中常用 的应力一强度干涉方法即属于该类；而对于大多数 复杂的系统对象而言，往往难于确定某一个可以 表征系统故障状态的特征参数，与某种故障模式 相关的特征参数通常有很多个。此时，一般可以 确定对应某故障模式下特征参数的变化情况。例 如对于发动机效率降低２５％的故障模式，通过试 验实测得到与之对应的压力比、燃料流量以及进 气口温度等的变化百分比【６仉１０］。如图１（ｂ）所 示，故障模式１和模式２对应的特征参数变化率 情况，并具有一定的进化趋势（图中椭圆所示为联 合概率分布的等概率分布线，将在后面内容中说 明）。一般来说，确定系统已知故障模式对应的特 征参数空间分布，可以通过历史经验、专家知识、 试验数据等相关信息来进行。系统的物理模型如 气路分析模型、控制系统仿真模型、热动力学模型 等不是必须的，但有助于确定和分析已知故障模 式特征参数空间分布的趋势进化情况。
Ｂｅｉｊｉｎｇ １０００８３，Ｃｈｉｎａ）
摘要：采用时间序列方法对可以表征系统故障状态的特征参数的趋势进化进行预测，同时考虑特征参数的
概率分布特性，给出了对系统进行故障诊断和预测的方法。在已获得特征参数监测数据的基础上，分别对具
源自文库
有广义强度／故障阈值确定分布或故障模式特征参数空间分布两种形式的故障判据，提出了利用二次指数平
基于特征参数信息的故障诊断和预测方法 是根据系统的功能和结构特点，对那些能够表 征系统运行中健康／故障状态（或对系统故障敏 感）的参数进行监测，在获得特征参数的一系列 数据信息的基础上，利用各种推理算法对系统 进行故障诊断和预测。文献调研表明，这种方 法在国外的相关项目研究中已得到实际应用。 如美国Ｉｍｐａｃｔ公司与美国海军的合作项目综合
收稿日期：２００７—０４—０３：修订日期：２００７—０７—１１ 基金项目：国防科工委基础科研资助项目 通讯作者：孙博Ｅ－ｍａｉｌ：ｂｏｂｓｕｎ＠ｄｓｅ．ｂｕａａ．ｅｄｕ．ｃｎ
万方数据
高精度的物理模型方法［３。¨。对故障诊断和预 测方法的分类，还没有统一的标准，从不同角度 进行的分类可参见文献［１—２，５—７，１２］。典型地， 文献［１２］中从故障诊断与预测的认知模型角度 将故障诊断和预测方法分为基于故障状态信 息、基于异常现象（特征参数）信息以及基于使 用环境信息等类别。
１特征参数和故障判据
特征参数是指那些可以表征系统健康／故障 状态（或者说对系统故障敏感）的参数，既可以是 物理和工作性能参数（如电阻值、漏电流、输出电 压、电流等），也可以是环境应力参数（如温度、湿 度、振动等），还可以是由多种参数组合的综合参 数（如压缩机效率、压力比等）。
对于不同的故障模式，一般都可以确定对应 的一组特征参数。如①滚动轴承的外圈磨损，内 圈磨损，滚动体剥落以及保持架剥落等故障模式， 其特征参数主要有外圈特征频率、内圈特征频率、
故障诊断是指利用各种数据信息（如传感器 监测数据、历史维修数据、加速寿命试验数据等） 对系统当前时刻的健康／故障状态进行评估。故 障预测则是指在获得当前时刻的健康／故障状态 评估信息的基础上，利用各种智能推理算法（如物 理模型、神经网络、数据融合等）对系统未来某时 刻的健康／故障状态进行评估或对系统当前时刻 的剩余寿命进行预测［１吨］。相关文献中围绕不同 产品／系统对象对各种故障诊断和预测方法进行 了研究。目前，这些产品对象主要集中于发动机 及部件、齿轮、轴承等机械旋转部件。采用的方 法既有简单的历史失效率数据模型方法，也有
多项式曲线拟合是一种较简单的预测模型，通 过对实测数据的回归分析，应用最小二乘法或其他 数学方法，拟合出与实测数据最相符合的曲线，通 过曲线外推的方法进行趋势预测。这种方法原理 简单、实施方便，但该方法预测误差通常较大。
万方数据
时间序列分析方法把实测数据看作一个随机 序列，根据相邻实测值具有依赖性，建立数学模型 来拟合时间序列，可以实现较准确的预测。如美 国Ｉｍｐａｃｔ公司为海军以及空军的航空发动机 ＥＨＭ项目的研究中采用了该方法［６－７ １０］。
本文将集中解决上述问题，首先将故障判据 分为具有确定的广义强度／故障阈值分布和故障 模式特征参数空间分布两种形式。提出基于时间 序列方法对特征参数的趋势进化进行预测，给出 了采用二次指数平滑模型对特征参数趋势进化进 行预测的案例。最后，在考虑特征参数概率分布 的基础上，对包括故障概率和故障指数在内的故 障诊断和预测结果形式进行了讨论。
ｋｉｎｄｓ ｏｆ ｒｅｓｕｌｔｓ ｔｈａｔ ｃａｌｌ ｕｓｅ ｔｏ ａｓｓｉｓｔ ｔｈｅ ｄｅｃｉｓｉｏｎ ｆｏｒ ｍａｉｎｔｅｎａｎｃｅ．
Ｋｅｙ ｗｏｒｄｓ：ｆａｕｌｔ ｐｒｏｇｎｏｓｔｉｃｓ；ｆａｕｌｔ ｄｉａｇｎｏｓｔｉｃｓ’ｆｅａｔｕｒｅ ｐａｒａｍｅｔｅｒｓ；ｅｖｏｌｕｔｉｏｎ Ｉ ｔｉｍｅ ｓｅｒｉｅｓ
文献［１７］中从对失效模型的形式和数据处理 技术的总结出发，给出了电子产品故障诊断和预 测基本方法的适用范围。在此基础上，文献Ｅ１８］ 中进一步以图形化示意的方式给出了两类不同参 数监测情况下的故障预测基本流程：一类是表征 系统健康／故障状态的性能或应力参数可直接监 测得到；另一类是这些参数不可直接监测得到， 而要通过数学或物理模型得到。但在具体实施 应用前还需要对相关方法和技术细节问题进行 深入研究。如在无法确定广义强度或故障阈值 确定分布的情况下如何确定故障判据以及进行 故障诊断和预测？在已有参数监测数据的基础 上，如何预测这些参数的趋势进化？考虑参数 分散性后得到的故障诊断和预测结果如何用于 辅助维修决策？
根据系统的结构组成、功能以及故障特点，可 以将故障判据分为两类：一类是具有确定分布形 式的广义强度或故障阈值；另一类是可以确定每 种故障模式所对应的特征参数的空间分布，两种 形式故障判据的比较如表１和图１所示。
表１ 特征参数与故障判据对应关系表
Ｔａｂｌｅ １ Ｆｅａｔｕｒｅ ｐａｒａｍｅｔｅｒ ＶＳ ｆａｉｌｕｒｅ ｃｒｉｔｅｒｉｏｎ
第２９卷第２期
２００８年
３月
航空学报
ＡＣＴＡ ＡＥＲＯＮＡＵＴＩＣＡ ＥＴ ＡＳＴＲＯＮＡＵＴＩＣＡ ＳＩＮＩＣＡ
Ｖ０１．２９ Ｎｏ．２ Ｍａｒ． ２００８
文章编号：１０００—６８９３（２００８）０２—０３９３—０６
基于特征参数趋势进化的故障诊断和预测方法
孙博，康锐，张叔农
（北京航空航天大学可靠性工程研究所，北京 １０００８３） Ａｎ Ａｐｐｒｏａｃｈ ｔｏ Ｄｉａｇｎｏｓｔｉｃｓ ａｎｄ Ｐｒｏｇｎｏｓｔｉｃｓ Ｂａｓｅｄ ｏｎ
航空学报
第２９卷
状态评估系统（ＩＣＡＳ）中的发动机健康管理 （ＥＨＭ）子项目［３’５１１；Ｉｍｐａｃｔ公司和Ｈｏｎｅｙｗｅｌｌ 以及Ｂｏｅｉｎｇ为美国空军军用战斗机的辅助电源 单元（ＡＰＵ）的性能退化预测进行的研究¨３；Ｉｍ— ｐａｃｔ公司和Ｇｅｏｒｇｉａ研究所为联合攻击战斗机 （ＪＳＦ）项目中的航空发动机ＥＨＭ进行的研 究…３；航空发动机轴承的剩余寿命预测［１４３；飞 控系统执行器（ＦＣＡ）单元的故障诊断和预 测Ｅｓ，ｌｓ］；ＪＳＦ航电设备中电子组件切换模式电源 （ＳＭＰＳ）等‘１ ６｜。
Ｅｖｏｌｕｔｉｏｎａｒｙ Ｆｅａｔｕｒｅ Ｐａｒａｍｅｔｅｒｓ Ｓｕｎ Ｂｏ，Ｋａｎｇ Ｒｕｉ，Ｚｈａｎｇ Ｓｈｕｎｏｎｇ （Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｒｅｌｉａｂｉｌｉｔｙ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｂｅｉｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ａｅｒｏｎａｕｔｉｃｓ ａｎｄ Ａｓｔｒｏｎａｕｔｉｃｓ，
ｃａｔｅ ｔｈｅ ｓｙｓｔｅｍ’Ｓ ｆａｕｌｔ．Ｃｏｎｓｉｄｅｒｉｎｇ ｔｈｅ ｕｎｃｅｒｔａｉｎｔｙ ｏｆ ｆｅａｔｕｒｅ ｐａｒａｍｅｔｅｒｓ，ａ ｍｅｔｈｏｄ ｆｏｒ ｆａｕｌｔ ｄｉａｇｎｏｓｔｉｃｓ ａｎｄ ｐｒｏｇｎｏｓｔｉｃｓ ａｒｅ ｐｒｅｓｅｎｔｅｄ．Ｔｈｅ ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｆｅａｔｕｒｅ ｐａｒａｍｅｔｅｒ ａｎｄ ｆａｕｌｔ ｃｒｉｔｅｒｉｏｎ ｉｓ ｆｉｒｓｔ ｄｉｓｃｕｓｓｅｄ． Ｔｈｅｎ，ｔｈｅ ｆａｕｌｔ ｃｒｉｔｅｒｉｏｎ ｉｓ ｓｕｍｍａｒｉｚｅｄ ｔＯ ｔＷＯ ｔｙｐｅｓ：ｇｅｎｅｒａｌ ｓｔｒｅｎｇｔｈ／ｆａｕｌｔ ｔｈｒｅｓｈｏｌｄ ａｎｄ ｓｐａｃｅ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｆｅａｔｕｒｅ ｐａｒａｍｅｔｅｒｓ ｆｏｒ ｆａｕｌｔ ｍｏｄｅ．Ｔｈｅ ｅｖｏｌｕｔｉｏｎ ｏｆ ｆｅａｔｕｒｅ ｐａｒａｍｅｔｅｒｓ ａｌｏｎｇ ｐｒｏｄｕｃｔ ｌｉｆｅｔｉｍｅ ｉｓ ａ ｓｔｏｃｈａｓｔｉｃ ｐｒｏｃｅｓｓ ｕｎｄｅｒ ｔｈｅ ｉｎｆｌｕｅｎｃｅ ｏｆ ｐｒｏｄｕｃｔ ｗｏｒｋ ｃｏｎｄｉｔｉｏｎｓ ａｎｄ ｅｎｖｉｒｏｎｍｅｎｔ ｃｏｎｄｉｔｉｏｎｓ．Ｂａｓｅｄ ｏｎ ｍｏｎｉｔｏｒｉｎｇ ｄａｔａ ｏｆ ｆｅａｔｕｒｅ ｐａｒａｍｅｔｅｒｓ，ｔｈｅ ｔｉｍｅ ｓｅｒｉｅｓ ａｎａｌｙｓｉｓ ｍｅｔｈｏｄｓ ｃａｎ ｂｅ ｕｓｅｄ ｔｏ ｐｒｏｇｎｏｓｔｉｃｓ ｔｈｅ ｆｕｔｕｒｅ ｃｏｎｄｉｔｉｏｎｓ ｏｆ ｓｙｓ— ｔｅｍｓ．Ａ ｑｕａｄｒｉｃ ｅｘｐｏｎｅｎｔｉａｌ ｓｍｏｏｔｈｉｎｇ ｍｏｄｅｌ ｉｓ ｐｒｅｓｅｎｔｅｄ ｉｎ ａ ｃａｓｅ ｓｔｕｄｙ．Ｆｏｒ ａ ｃｅｒｔａｉｎ ｔｉｍｅ，ｔｈｅ ｃｏｎｄｉｔｉｏｎｓ ｏｆ ｓｙｓｔｅｍｓ ｃａｎ ｂｅ ｄｉａｇｎｏｓｅｄ ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｑｕａｎｔｉｆｉｃａｔｉｏｎａｌ ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｆｅａｔｕｒｅ ｐａｒａｍｅｔｅｒ ａｎｄ ｆａｕｌｔ ｃｒｉ— ｔｅｒｉｏｎ．Ｂａｓｅｄ ｏｎ ｔｈｅ ｃｏｎｓｉｄｅｒａｔｉｏｎ ｏｆ ｆｅａｔｕｒｅ ｐａｒａｍｅｔｅｒｓ ｄｉｓｔｒｉｂｕｔｉｏｎ，ｆａｕｈ ｐｒｏｂａｂｉｌｉｔｙ ａｎｄ ｆａｕｌｔ ｉｎｄｅｘ ａｒｅ ｔｗｏ
２特征参数趋势进化预测
特征参数随时间的变化（进化）趋势是由系统 的工作、环境等条件决定的随机过程。对于耗损 型故障，系统的特征参数通常具有一定形式进化 趋势的特性，这一特性是用来预测其未来时刻状 态的依据［１引。进行趋势预测时，一般可采用多项 式曲线拟合、时间序列等参数化模型的方法，也可 以采用人工神经网络等非参数化模型的方法。
万方数据
滚动体特征频率、保持架特征频率、有效值和峰值 系数等【１ｑ；②发动机压缩机由于黏污而引起的性 能退化将导致发动机效率的降低，进而造成燃油 增加和输出功率降低，可以表征这一退化过程的 特征参数有进气温度、出气温度、进气总压力、排 气总压力，并进一步根据热动力模型综合为压缩 机效率和压力比等参数［６。７’”３；③发动机燃料喷嘴 由于堵塞而引起的性能退化将降低发动机中燃料 燃烧过程的效率，并且会在燃烧室和涡轮叶片上 产生潜在的损伤热点，可以表征这一退化过程的 特征参数有进气压力、进气口温度、发动机转速、 燃料流量、振动以及润滑油系统信息（如油压、油 温、油液中碎屑含量）等［６可］。
滑预测模型对系统未来某时刻的故障状态进行预测的方法。给出包括故障概率和故障指数在内的故障诊断
和预测结果形式，可进一步为系统的维修决策等提供参考。
关键词：故障预测；故障诊断；特征参数｝趋势进化；时间序列
中图分类号：Ｎ９４５．２
文献标识码：Ａ
Ａｂｓｔｒａｃｔ：Ｔｉｍｅ ｓｅｒｉｅｓ ａｎａｌｙｓｉｓ ｍｅｔｈｏｄｓ ａｒｅ ｕｓｅｄ ｔｏ ｐｒｏｇｎｏｓｔｉｃｓ ｔｈｅ ｆｅａｔｕｒｅ ｐａｒａｍｅｔｅｒｓ ｅｖｏｌｕｔｉｏｎ ｔｈａｔ ｃａｎ ｉｎｄｉ—
布
螽 媳 耳 聋
监测时问
（ａ）形式１
第２期
孙博等：基于特征参数趋势进化的故障诊断和预测方法
（ｂ）形式２ 图１故障判据类型示意图 Ｆｉｇ．１ Ｓｃｈｅｍｅ ｏｆ ｆａｉｌｕｒｅ ｃｒｉｔｅｒｉａ
对于故障判据形式１，故障判据相对易于确 定，如机械产品可靠性及故障诊断和预测中常用 的应力一强度干涉方法即属于该类；而对于大多数 复杂的系统对象而言，往往难于确定某一个可以 表征系统故障状态的特征参数，与某种故障模式 相关的特征参数通常有很多个。此时，一般可以 确定对应某故障模式下特征参数的变化情况。例 如对于发动机效率降低２５％的故障模式，通过试 验实测得到与之对应的压力比、燃料流量以及进 气口温度等的变化百分比【６仉１０］。如图１（ｂ）所 示，故障模式１和模式２对应的特征参数变化率 情况，并具有一定的进化趋势（图中椭圆所示为联 合概率分布的等概率分布线，将在后面内容中说 明）。一般来说，确定系统已知故障模式对应的特 征参数空间分布，可以通过历史经验、专家知识、 试验数据等相关信息来进行。系统的物理模型如 气路分析模型、控制系统仿真模型、热动力学模型 等不是必须的，但有助于确定和分析已知故障模 式特征参数空间分布的趋势进化情况。
Ｂｅｉｊｉｎｇ １０００８３，Ｃｈｉｎａ）
摘要：采用时间序列方法对可以表征系统故障状态的特征参数的趋势进化进行预测，同时考虑特征参数的
概率分布特性，给出了对系统进行故障诊断和预测的方法。在已获得特征参数监测数据的基础上，分别对具
源自文库
有广义强度／故障阈值确定分布或故障模式特征参数空间分布两种形式的故障判据，提出了利用二次指数平
基于特征参数信息的故障诊断和预测方法 是根据系统的功能和结构特点，对那些能够表 征系统运行中健康／故障状态（或对系统故障敏 感）的参数进行监测，在获得特征参数的一系列 数据信息的基础上，利用各种推理算法对系统 进行故障诊断和预测。文献调研表明，这种方 法在国外的相关项目研究中已得到实际应用。 如美国Ｉｍｐａｃｔ公司与美国海军的合作项目综合
收稿日期：２００７—０４—０３：修订日期：２００７—０７—１１ 基金项目：国防科工委基础科研资助项目 通讯作者：孙博Ｅ－ｍａｉｌ：ｂｏｂｓｕｎ＠ｄｓｅ．ｂｕａａ．ｅｄｕ．ｃｎ
万方数据
高精度的物理模型方法［３。¨。对故障诊断和预 测方法的分类，还没有统一的标准，从不同角度 进行的分类可参见文献［１—２，５—７，１２］。典型地， 文献［１２］中从故障诊断与预测的认知模型角度 将故障诊断和预测方法分为基于故障状态信 息、基于异常现象（特征参数）信息以及基于使 用环境信息等类别。
１特征参数和故障判据
特征参数是指那些可以表征系统健康／故障 状态（或者说对系统故障敏感）的参数，既可以是 物理和工作性能参数（如电阻值、漏电流、输出电 压、电流等），也可以是环境应力参数（如温度、湿 度、振动等），还可以是由多种参数组合的综合参 数（如压缩机效率、压力比等）。
对于不同的故障模式，一般都可以确定对应 的一组特征参数。如①滚动轴承的外圈磨损，内 圈磨损，滚动体剥落以及保持架剥落等故障模式， 其特征参数主要有外圈特征频率、内圈特征频率、
故障诊断是指利用各种数据信息（如传感器 监测数据、历史维修数据、加速寿命试验数据等） 对系统当前时刻的健康／故障状态进行评估。故 障预测则是指在获得当前时刻的健康／故障状态 评估信息的基础上，利用各种智能推理算法（如物 理模型、神经网络、数据融合等）对系统未来某时 刻的健康／故障状态进行评估或对系统当前时刻 的剩余寿命进行预测［１吨］。相关文献中围绕不同 产品／系统对象对各种故障诊断和预测方法进行 了研究。目前，这些产品对象主要集中于发动机 及部件、齿轮、轴承等机械旋转部件。采用的方 法既有简单的历史失效率数据模型方法，也有
多项式曲线拟合是一种较简单的预测模型，通 过对实测数据的回归分析，应用最小二乘法或其他 数学方法，拟合出与实测数据最相符合的曲线，通 过曲线外推的方法进行趋势预测。这种方法原理 简单、实施方便，但该方法预测误差通常较大。
万方数据
时间序列分析方法把实测数据看作一个随机 序列，根据相邻实测值具有依赖性，建立数学模型 来拟合时间序列，可以实现较准确的预测。如美 国Ｉｍｐａｃｔ公司为海军以及空军的航空发动机 ＥＨＭ项目的研究中采用了该方法［６－７ １０］。
本文将集中解决上述问题，首先将故障判据 分为具有确定的广义强度／故障阈值分布和故障 模式特征参数空间分布两种形式。提出基于时间 序列方法对特征参数的趋势进化进行预测，给出 了采用二次指数平滑模型对特征参数趋势进化进 行预测的案例。最后，在考虑特征参数概率分布 的基础上，对包括故障概率和故障指数在内的故 障诊断和预测结果形式进行了讨论。
ｋｉｎｄｓ ｏｆ ｒｅｓｕｌｔｓ ｔｈａｔ ｃａｌｌ ｕｓｅ ｔｏ ａｓｓｉｓｔ ｔｈｅ ｄｅｃｉｓｉｏｎ ｆｏｒ ｍａｉｎｔｅｎａｎｃｅ．
Ｋｅｙ ｗｏｒｄｓ：ｆａｕｌｔ ｐｒｏｇｎｏｓｔｉｃｓ；ｆａｕｌｔ ｄｉａｇｎｏｓｔｉｃｓ’ｆｅａｔｕｒｅ ｐａｒａｍｅｔｅｒｓ；ｅｖｏｌｕｔｉｏｎ Ｉ ｔｉｍｅ ｓｅｒｉｅｓ
文献［１７］中从对失效模型的形式和数据处理 技术的总结出发，给出了电子产品故障诊断和预 测基本方法的适用范围。在此基础上，文献Ｅ１８］ 中进一步以图形化示意的方式给出了两类不同参 数监测情况下的故障预测基本流程：一类是表征 系统健康／故障状态的性能或应力参数可直接监 测得到；另一类是这些参数不可直接监测得到， 而要通过数学或物理模型得到。但在具体实施 应用前还需要对相关方法和技术细节问题进行 深入研究。如在无法确定广义强度或故障阈值 确定分布的情况下如何确定故障判据以及进行 故障诊断和预测？在已有参数监测数据的基础 上，如何预测这些参数的趋势进化？考虑参数 分散性后得到的故障诊断和预测结果如何用于 辅助维修决策？
根据系统的结构组成、功能以及故障特点，可 以将故障判据分为两类：一类是具有确定分布形 式的广义强度或故障阈值；另一类是可以确定每 种故障模式所对应的特征参数的空间分布，两种 形式故障判据的比较如表１和图１所示。
表１ 特征参数与故障判据对应关系表
Ｔａｂｌｅ １ Ｆｅａｔｕｒｅ ｐａｒａｍｅｔｅｒ ＶＳ ｆａｉｌｕｒｅ ｃｒｉｔｅｒｉｏｎ
第２９卷第２期
２００８年
３月
航空学报
ＡＣＴＡ ＡＥＲＯＮＡＵＴＩＣＡ ＥＴ ＡＳＴＲＯＮＡＵＴＩＣＡ ＳＩＮＩＣＡ
Ｖ０１．２９ Ｎｏ．２ Ｍａｒ． ２００８
文章编号：１０００—６８９３（２００８）０２—０３９３—０６
基于特征参数趋势进化的故障诊断和预测方法
孙博，康锐，张叔农
（北京航空航天大学可靠性工程研究所，北京 １０００８３） Ａｎ Ａｐｐｒｏａｃｈ ｔｏ Ｄｉａｇｎｏｓｔｉｃｓ ａｎｄ Ｐｒｏｇｎｏｓｔｉｃｓ Ｂａｓｅｄ ｏｎ
航空学报
第２９卷
状态评估系统（ＩＣＡＳ）中的发动机健康管理 （ＥＨＭ）子项目［３’５１１；Ｉｍｐａｃｔ公司和Ｈｏｎｅｙｗｅｌｌ 以及Ｂｏｅｉｎｇ为美国空军军用战斗机的辅助电源 单元（ＡＰＵ）的性能退化预测进行的研究¨３；Ｉｍ— ｐａｃｔ公司和Ｇｅｏｒｇｉａ研究所为联合攻击战斗机 （ＪＳＦ）项目中的航空发动机ＥＨＭ进行的研 究…３；航空发动机轴承的剩余寿命预测［１４３；飞 控系统执行器（ＦＣＡ）单元的故障诊断和预 测Ｅｓ，ｌｓ］；ＪＳＦ航电设备中电子组件切换模式电源 （ＳＭＰＳ）等‘１ ６｜。
Ｅｖｏｌｕｔｉｏｎａｒｙ Ｆｅａｔｕｒｅ Ｐａｒａｍｅｔｅｒｓ Ｓｕｎ Ｂｏ，Ｋａｎｇ Ｒｕｉ，Ｚｈａｎｇ Ｓｈｕｎｏｎｇ （Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｒｅｌｉａｂｉｌｉｔｙ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｂｅｉｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ａｅｒｏｎａｕｔｉｃｓ ａｎｄ Ａｓｔｒｏｎａｕｔｉｃｓ，
ｃａｔｅ ｔｈｅ ｓｙｓｔｅｍ’Ｓ ｆａｕｌｔ．Ｃｏｎｓｉｄｅｒｉｎｇ ｔｈｅ ｕｎｃｅｒｔａｉｎｔｙ ｏｆ ｆｅａｔｕｒｅ ｐａｒａｍｅｔｅｒｓ，ａ ｍｅｔｈｏｄ ｆｏｒ ｆａｕｌｔ ｄｉａｇｎｏｓｔｉｃｓ ａｎｄ ｐｒｏｇｎｏｓｔｉｃｓ ａｒｅ ｐｒｅｓｅｎｔｅｄ．Ｔｈｅ ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｆｅａｔｕｒｅ ｐａｒａｍｅｔｅｒ ａｎｄ ｆａｕｌｔ ｃｒｉｔｅｒｉｏｎ ｉｓ ｆｉｒｓｔ ｄｉｓｃｕｓｓｅｄ． Ｔｈｅｎ，ｔｈｅ ｆａｕｌｔ ｃｒｉｔｅｒｉｏｎ ｉｓ ｓｕｍｍａｒｉｚｅｄ ｔＯ ｔＷＯ ｔｙｐｅｓ：ｇｅｎｅｒａｌ ｓｔｒｅｎｇｔｈ／ｆａｕｌｔ ｔｈｒｅｓｈｏｌｄ ａｎｄ ｓｐａｃｅ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｆｅａｔｕｒｅ ｐａｒａｍｅｔｅｒｓ ｆｏｒ ｆａｕｌｔ ｍｏｄｅ．Ｔｈｅ ｅｖｏｌｕｔｉｏｎ ｏｆ ｆｅａｔｕｒｅ ｐａｒａｍｅｔｅｒｓ ａｌｏｎｇ ｐｒｏｄｕｃｔ ｌｉｆｅｔｉｍｅ ｉｓ ａ ｓｔｏｃｈａｓｔｉｃ ｐｒｏｃｅｓｓ ｕｎｄｅｒ ｔｈｅ ｉｎｆｌｕｅｎｃｅ ｏｆ ｐｒｏｄｕｃｔ ｗｏｒｋ ｃｏｎｄｉｔｉｏｎｓ ａｎｄ ｅｎｖｉｒｏｎｍｅｎｔ ｃｏｎｄｉｔｉｏｎｓ．Ｂａｓｅｄ ｏｎ ｍｏｎｉｔｏｒｉｎｇ ｄａｔａ ｏｆ ｆｅａｔｕｒｅ ｐａｒａｍｅｔｅｒｓ，ｔｈｅ ｔｉｍｅ ｓｅｒｉｅｓ ａｎａｌｙｓｉｓ ｍｅｔｈｏｄｓ ｃａｎ ｂｅ ｕｓｅｄ ｔｏ ｐｒｏｇｎｏｓｔｉｃｓ ｔｈｅ ｆｕｔｕｒｅ ｃｏｎｄｉｔｉｏｎｓ ｏｆ ｓｙｓ— ｔｅｍｓ．Ａ ｑｕａｄｒｉｃ ｅｘｐｏｎｅｎｔｉａｌ ｓｍｏｏｔｈｉｎｇ ｍｏｄｅｌ ｉｓ ｐｒｅｓｅｎｔｅｄ ｉｎ ａ ｃａｓｅ ｓｔｕｄｙ．Ｆｏｒ ａ ｃｅｒｔａｉｎ ｔｉｍｅ，ｔｈｅ ｃｏｎｄｉｔｉｏｎｓ ｏｆ ｓｙｓｔｅｍｓ ｃａｎ ｂｅ ｄｉａｇｎｏｓｅｄ ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｑｕａｎｔｉｆｉｃａｔｉｏｎａｌ ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｆｅａｔｕｒｅ ｐａｒａｍｅｔｅｒ ａｎｄ ｆａｕｌｔ ｃｒｉ— ｔｅｒｉｏｎ．Ｂａｓｅｄ ｏｎ ｔｈｅ ｃｏｎｓｉｄｅｒａｔｉｏｎ ｏｆ ｆｅａｔｕｒｅ ｐａｒａｍｅｔｅｒｓ ｄｉｓｔｒｉｂｕｔｉｏｎ，ｆａｕｈ ｐｒｏｂａｂｉｌｉｔｙ ａｎｄ ｆａｕｌｔ ｉｎｄｅｘ ａｒｅ ｔｗｏ