大数据驱动的装备健康管理研究

鞠建波，胡胜林,单志超,祝 超

(海军航空工程学院， 山东 烟台 264001)



【后勤保障与装备管理】

大数据驱动的装备健康管理研究

鞠建波，胡胜林,单志超,祝 超

(海军航空工程学院， 山东 烟台 264001)

介绍了基于大数据支持的装备健康管理研究的方法。通过建立隶属度函数和设立预警值，对装备进行状态监测；采集装备的数据信息，利用大数据处理技术，实现装备的故障预测；基于预测结果，对装备进行健康评估，提出保障决策，实现装备的维护保障。

故障预测；健康管理；大数据技术；状态监测；健康评估；保障决策

目前，装备的维护保障主要是在出现故障后进行现场维修的模式来完成的，属于被动式故障排除；传统的故障预测方法预测不准确和效率低，装备维护系统不够完善[1]。为了准确地预测装备可能出现的故障，给出故障的处理方法，满足装备对综合保障能力的需求，本文提出的基于大数据支持的装备健康管理研究方法，通过对装备进行状态监测、数据采集、大数据技术处理实现设备的故障预测；基于预测结果，对装备进行健康评估，提出保障决策方案，实现装备的维护保障。

1 大数据技术

一般而言，大数据[2]的定义是5V，就是大数据包括的数据体量(Volume)大、处理速度(Velocity)快、数据类别(Variety)多、数据真实性(Veracity)高、商业价值(Value)广等5个主要特征。

大数据处理数据的基本理念是用全体代替抽样，用效率代替绝对精确，用相关代替因果。大数据对其采集、传输、处理和应用的相关数据，包括大量的结构化、半结构化和非结构化数据，用非传统的工具对其进行处理，从而获得分析和预测结果，这就是大数据技术。

2 大数据支持的装备健康管理

基于大数据支持的装备健康管理[3]总体构架如图1所示，主要包含了数据采集、数据处理、状态监测、故障预测、健康评估和保障决策6个方面的内容。

图1 健康管理整体系统流程

2.1 状态监测

装备的状态主要由各方面的数据变化表现出来，通过接受来自传感器[4]及其他状态监测模块的数据，将这些数据同预定的失效数据等进行比较，监测系统当前的状态，并且可以根据预定的各种参数指标极限值/阈值提供故障预警。

2.1.1 隶属度函数的建立

由于电子设备故障概率在0～1内的闭区间，并且特征参数的值与装备发生故障的概率是一种映射，所以合理选择隶属度函数，可以很好地反映参数值变化与装备发生故障概率的关系，装备在健康状态、亚健康状态以及故障状态下[5]，其特征参数也相应的发生变化。而特征参数值与装备状态的对应关系，可以通过隶属度函数体现。

定义隶属度函数[6]曲线如图2所示，用取值于区间[0～1]的隶属函数表示装备元件属于某种状态的程度高低。隶属度u(x)越接近于1，表示属于的程度越高，反之越低。

根据以上分析及专家经验，隶属度函数的表达式如下：

(1)

式(1)中xm为实际特征参数测量数值，x0为电路正常工作时被测元件特征参数的标准值，ti为极限偏差，ei为正常变换范围，u(x)为装备元件的隶属度函数，其隶属度值定义为发生故障概率。

图2 隶属度函数分布

2.1.2 预警值的建立

装备发生故障的显著表现就是特征参数值超过了容许值。有些特征参数稍超过容许值时，可能不影响设备的正常使用，但有的特征参数则不能超过容许值，否则会损坏甚至烧毁设备。对于容易引发严重故障特征参数，需要建立相应的预警值(阈值)。假设特征参数实际测量数值为x，其隶属度函数满足式(1)，同时要求x满足以下关系式时预警。

(2)

通过隶属度函数的建立，获得特征参数值与设备状态的对应关系，确定装备正处于的状态；预警值的建立，能够在装备重要参数超过预警值时提供警报，从而避免更严重的故障发生。通过上述方法，实现对装备的状态监测。

2.2 数据采集和大数据处理系统

2.2.1 数据采集和分析

从获取数据中提取、挖掘有价值的、潜在的信息，找出趋势，为决策层提供有力依据。数据获取的容量，速度及准确性都直接影响装备健康管理的有效性和准确性。数据采集和分析流程图如图3所示。

图3 数据收集与分析流程

识别信息需求可以为收集分析数据提供清晰的目标，确保数据分析过程有效性，然后进行数据收集并分析数据。数据分析方法包括可视化分析、数据挖掘、预测性分析以及语义引擎等等，这些方法均可为大数据处理系统提供数据支持。

2.2.2 大数据处理系统

故障预测能力是装备健康管理的显著特征之一，大数据处理系统是实现装备健康管理的核心环节。通过处理采集而来的实时数据，利用大数据，实现装备的故障预测。在此给出了基于大数据处理技术的系统结构图(图4)。

图4 基于大数据处理技术的系统结构

由图4可知，可跨地域地将全部数据存储在服务器系统，利用数据库技术使各使用单位、各地维修人员、基层技术部门、管理部门、科研院所、航空维修企业以及生产厂商等通过不同的装备和方式，访问和操作共同的大数据库，在服务器上对数据进行统一的录入、管理和维护，大大提高数据的完整性与安全性。同时在服务器上完成大量数据信息的传输与处理、装备状态在线与离线检测以及处理各种诊断和预测请求并反馈处理结果。

在此基础上可以引进苹果APP Store思想，将装备数据接口标准化、算法应用标准化。故障预测专家可以直接使用系统已有的全部诊断与预测算法，对装备及其部件状态在未来一段时间里可能出现的故障进行预测和诊断。同时开发人员还可以将新开发的预测与诊断算法共享到系统中，供所有其他人员对算法进行应用测试，提高相关技术的应用研发效率。

2.3 健康评估和保障决策

由故障预测的结果对装备进行健康评估，可知整个装备系统在当前状况下的健康情况，各部位单元处于的健康状态以及发生故障可能的时间段及其发生的概率。

通过对装备的状态监测、功能和性能测试的信息以及故障预测的综合分析、处理，得到当前和将来装备状态水平的评估，对整个装备的剩余使用寿命进行预估，由健康评估的结果，提出保障决策方案，决策判断模块单元是否需要更换以及更换时间以及确定其他保障方案。

通过上述六个方面的协同合作，实现装备的健康管理。

3 装备健康管理发展趋势

虽然世界各国的装备保障技术发展迅速[6]，但装备健康管理研究发展还存在许多瓶颈难题，技术远未成熟，与大规模的工程应用还有相当距离，如何有效利用大数据技术平台以及提高装备健康管理系统的精度和置信度是研究的重中之重。其发展方向主要有如下几个方面：

1) 数据采集和数据融合技术。对于数据的搜集和传输，目前的研究主要体现在传感器网络的高精度、集成化、高速传输等方面，不断加强经验数据与故障注入数据的积累，通过互联网，融合处理各个领域获得的有用信息，发挥大数据的优势。

2) 混合型故障预测算法。由于故障预测研究的难度大，使用单一的方法进行故障预测往往难于实现其高可靠性、高置信度、低虚警率的要求。因此将多种不同的故障预测算法有机结合，进一步提高预测系统的综合性能。

3) 仿真验证系统研究。故障预测结果的验证，如果采用真实的试验，需要较大的样本空间、装备失效模式模拟等，难度和工作量都很大。仿真验证系统对于预测算法开发和验证工作都能起到极大的辅助作用，而且对安全性要求很高的设备进行建模仿真验证，可以减少危险性。因此，对仿真验证系统的建模和仿真能力，提出了更高的要求。

4 结语

装备健康管理是一个复杂的系统工程，涉及装备本身的专业技术、维修保障技术、硬软件领域等多个邻域[7-10]。基于大数据支持的装备健康管理研究方法，突破了传统方法单一、片面的维护手段，可大幅提高设备维护效率和速度。今后应该重点开展故障预测、健康管理等方面的设计和验证工作，尽快应用于各行各业中。

[1] RABINER L R A.Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition[J].Proceedings of the IEEE，1989，77(2):257-286.

[2] 孟小峰，慈祥.大数据管理:概念,技术与挑战[J].计算机研究与发展，2013，50(1)：146-169.

[3] 曾声奎,吴际.故障预测与健康管理技术的现状与发展[J].航空学报，2005，26(5)：626-632.

[4] 胡巧玲,茹金平.基于大数据分析的人口迁移量预测模型仿真[J].计算机仿真,2014，31(10):246-249.

[5] 刘锋.互联网进化论[M].北京：清华大学出版社，2012.

[6] 鞠建波,赵玉刚.基于隶属度函数的电子设备故障预测研究[J].计算机测量与控制，20015，23(7):2305-2307.

[7] 米林，封泠雨，谭伟.风电齿轮箱在线监测系统方案设计[J].重庆理工大学学报(自然科学)，2016(2):109-113.

[8] 曹立军.以任务成功性为中心的维修决策方法与应用[J].火力与指挥控制，2007，32(6):97-101.

[9] 孙旭升，周刚，于洋，等.机械设备故障预测与健康管理综述[J].兵工自动化，2016(1):30-33.

[10]孙旭升，周刚，李凤宇，等.核动力装置故障预测与健康管理研究[J].四川兵工学报，2015(8):51-54.

(责任编辑 唐定国)

Research on Equipment Health Management Based on Big Data

JU Jian-bo, HU Sheng-lin, SHAN Zhi-chao, ZHU Chao

(Naval Aeronautial and Astronautical University, Yantai 264001, China)

This paper introduced the research method of equipment health management based on large data. Through the establishment of membership function and the early warning value, we can achieve the state monitoring for the equipment; then we collect the equipment data by means of using large data processing technology to achieve equipment failure prediction; At last, based on the forecast results, we put forward the protection decision according to the health assessment of equipment to realize the equipment maintenance.

fault prediction; health management; big data technology; condition monitoring; health assessment; security decision

2017-03-07；

2017-04-30 基金项目：国家自然科学基金资助项目(60874112); 军队科研专项资助项目(41512322)

鞠建波(1961—),男,教授,主要从事军事装备故障诊断和水下目标探测与识别研究。

胡胜林 (1993—),男,硕士研究生,主要从事军事装备故障诊断研究。

10.11809/scbgxb2017.06.016

format:JU Jian-bo, HU Sheng-lin, SHAN Zhi-chao, et al.Research on Equipment Health Management Based on Big Data[J].Journal of Ordnance Equipment Engineering,2017(6):73-75.

N945

A

2096-2304(2017)06-0073-03

本文引用格式：鞠建波，胡胜林,单志超，等.大数据驱动的装备健康管理研究[J].兵器装备工程学报，2017(6):73-75.