無人機故障預測與健康管理研究現狀及發展

羅曉亮，涂 龍，王浩旭，王曉晶，胡振峰，喻凡坤，梁秀兵

(軍事科學院國防科技創新研究院 前沿交叉技術研究中心，北京 100071)

0 引言

智能化與無人化是面向未來智能化戰爭武器裝備的發展趨勢。由于無人機具有空戰的隱蔽性和作戰效率，有效降低了危險區域作戰人員傷亡的風險，在當前信息化和智能化戰爭中發揮的作用也日漸凸顯。無人機是集光機電控制于一體的大型復雜系統，造價和保障費用高昂，重復使用飛行頻次高，要求具有狀態監測、故障診斷和預測等安全保障能力，進一步實現系統的自主修復和長期高可靠運行，因而對故障預測與健康管理(PHM)技術需求極為迫切[1]。無人機的使用維修費用占從制造到退役全生命周期總費用的70%以上，基于復雜系統魯棒性、可靠性、安全性及經濟性考慮，PHM對無人機的全壽命周期使用及維護保障起到至關重要的作用，因而得到越來越多的重視和應用。目前，美國、英國、以色列等國軍方已將PHM技術廣泛應用于各型無人機[2-4]。

PHM技術是通過先進傳感器采集的數據信息，結合相關算法和模型來診斷系統故障，借助推理模型來預測系統及關鍵部位的健康狀態，實現基于設備狀態(歷史、當前和未來狀態)的智能維護，達到系統視情維修的目的，以取代傳統基于事件的事后維修或基于時間的定期維修[5]。并且PHM技術能夠在準確的時間對無人機準確的部位進行精準的維修保障，提高無人機保障自主性和系統安全性，降低使用與維護費用[6]。作為提高無人機系統可靠性、維修性、測試性、保障性和安全性的一項關鍵技術，無人機PHM技術受到各國軍方的廣泛關注，是無人機自主維修保障領域的重要技術發展趨勢。

1 無人機PHM技術國內外發展現狀

隨著智能化戰爭的逐步來臨，無人機在戰場上的應用也越來越廣泛，國內外關于無人機故障預測與健康管理的研究也逐漸興起。無人機屬于高度智能化的復雜裝備，由于平臺無人且工作在惡劣對抗環境下，無人機故障預測與健康管理的技術難度遠高于傳統裝備。也正因為如此，無人機相比傳統武器裝備更需要高性能的故障預測與健康管理技術為戰斗力提供持久保障。從近五年的國內外公開發表的文獻來看，關于無人機故障預測與健康管理的學術研究尚處于早期階段，美英等西方國家在無人機 PHM 技術研究走在前列，我國相關科研機構保持了有力的跟進態勢。從具體研究內容上來看，無人機PHM技術的研究內容主要體現在電力系統及剩余壽命、任務規劃的監測以及系統設計三個方面。

在無人機電力系統及剩余壽命的PHM研究方面，美國智利大學電機工程系的G.Sierra研究組對小型旋翼電動無人機的電池健康管理進行了研究。該研究組設計的旋翼無人機電池管理系統可準確估算充電狀態，通過使用基于模型的預測架構來預測小型多轉子鋰聚合物電池的放電終止時間，并且該架構可在低成本硬件中高效地實現，為無人機實現目標任務提供有力保障[7]。斯特拉斯克萊德大學能源與環境研究所Rory Telford研究組，對基于隱馬爾可夫模型的無人機電網故障分類與診斷系統進行了研究。結果表明：該系統具有故障的自主檢測和分類，以及評估各種電力系統故障嚴重性的能力，可以實現故障的精確分類，并且具有較高的診斷精度，有助于和改善電力系統健康管理和控制[8]。美國宇航局艾姆斯研究中心的Shankar Sankararaman研究組針對無人機載荷變化特性，提出了一種用于表征和量化無人機起飛過程中功率需求計算方法。無人機的飛行能力由電池中的電荷量來驅動，基于無人機的電源和充電需求，設計了無人機電源系統。通過飛行測試獲得的信息被轉換為多維稀疏數據，并且提出了一種基于多維稀疏數據表征電池電量變化的新方法，能夠預測未來的充電需求，進而計算電池的放電終止時間，最終計算出電源系統的剩余使用壽命[9]。

在無人機任務規劃的PHM研究方面，哈爾濱工業大學劉大同教授研究組研究了基于飛行模式識別的無人機飛行數據估計與預測混合方法，可快速準確的實現無人機飛行狀態跟蹤。針對建立復雜系統的精確物理模型的困難性，以及飛行數據中含有非線性、不確定性和噪聲等問題，提出了一種基于飛行模式識別的無跡卡爾曼濾波混合方法。該方法結合了兩種思想：1)利用飛行模式識別機制將無人機飛行數據劃分為不同的段，提高了估計和預測模型的適應性；2)根據不同的飛行模式，從飛行數據中學習高斯過程遞推模型，并將其作為各無跡卡爾曼濾波器(UKF)的狀態轉移方程，以實現更高的估計精度和不確定性表示?；趯嶋H無人機飛行數據的實驗，成功驗證了該框架的有效性[10-11]。巴西國家空間研究院的Rafael Santos等學者研究了基于PHM的多無人機任務分配問題。無人機集群的剩余使用壽命通過基于概率密度函數的故障樹分析計算得出，并且概率密度函數與各無人機關鍵部件的時間和故障概率有關，通過使用后退地平線任務分配算法實現了基于無人機健康狀況(主要是剩余使用壽命)的任務分配，可以避免計劃外中斷影響無人機任務的執行[12]。

在無人機PHM系統設計方面，空軍工程大學的馮國強研究組利用生物學中的自平衡理論進行無人機容錯控制與故障診斷系統設計，通過設計“平衡點”確定無人機的安全狀態，將容錯控制與故障診斷應用于故障預測和健康管理[13]。中國電子科技集團公司第五十四研究所的雷耀麟等人設計了基于遙測數據及智能解譯的無人機故障預測與健康管理系統，且利用模擬故障樣本對故障預測算法進行了仿真實驗，表明無人機故障預測系統具有良好的故障檢測能力[14]?？哲姽こ檀髮W的佘代銳等人設計了一種基于無線傳感器網絡的故障預測與健康管理系統，提出傳感器節點連通和覆蓋模型，實現了無人機機載傳感器無尺度拓撲網絡構建成本的最小化[15]。陸軍工程大學的蘇續軍等人提出利用BP神經網絡預測無人機系統故障的方法，給出了BP神經網絡的建模和計算方法，計算表明該方法可用于無人機故障預測[16]。

2 無人機PHM體系框架

無人系統的傳感器從各部件、各設備和各系統采集的數據信息經數據處理后，狀態監測層通過比較提取的特征值與閾值的大小，來判斷故障與否，對發生故障的部件進行故障診斷，追尋故障原因及位置，而狀態良好的部件依據失效機理預測其剩余壽命，最后PHM系統根據無人系統的健康狀態和任務需求提供決策信息[6]。由于無人系統零部件多、設備復雜且耦合、數據采集量大等因素，體系構架用傳統的分布式會導致各分系統數據信息難以集成，而集中式構架對于海量數據的處理會出現遲緩，無法完成實時反饋；因此無人系統PHM體系構架采用分布式和集中式相結合的方式。圖1是無人機PHM系統拓撲結構，按照系統層級，無人機PHM系統分為系統層、分系統層、設備層和關鍵部件層。由圖可知，底下三層采用分布式體系構架，關鍵部件層和設備層收集并形成各自的狀態數據，將各自的狀態信息上傳給對應的上一層；分系統層對傳來的數據進行分析、融合等處理，完成各分系統的健康狀態評估，并將診斷、預測等結果集中上傳到系統層。PHM中的系統層采用集中式體系構架，主要獲取各分系統層的健康狀態及其變化信息，結合歷史數據庫和專家知識對無人機的非正常狀態進行故障診斷、健康評估、故障預測等，實現自主決策，達到輔助維修人員的目的。

圖1 無人機PHM系統拓撲結構

3 無人機PHM技術的關鍵技術研究

按照功能劃分，無人機PHM技術主要包含兩方面：故障預測和健康管理。故障預測即預先診斷和測算無人機系統或部件的工作狀態與正常值的偏差程度，進而推斷其剩余壽命；健康管理即根據診斷預測結果，使用故障模型和維修資源對維修保障做出適當決策，包括故障建模、狀態監測、數據處理、綜合診斷、健康管理、維修決策等。如圖2所示：具體包括數據采集和傳感器技術、數據通信技術、數據預處理技術、數據融合技術、狀態監控和故障預測技術等。

圖2 無人機PHM系統關鍵技術結構框圖

3.1 數據采集和傳感器技術

數據采集需要依靠先進的傳感器技術[17]，而傳感器獲得的狀態參數是無人機PHM系統的數據基礎，因此數據采集和傳感器技術將直接影響PHM系統的整體效能，因此數據采集和傳感器技術將直接影響PHM系統的整體效果。無人機PHM系統要求傳感器具有體積小、重量輕，能和其它傳感器聯網優化，可適應惡劣的工作條件和環境，能屏蔽電磁干擾等特點。目前傳感器技術有兩大研究方向：1)單個傳感器的技術革新；2)多傳感器之間的網絡布局。傳感器在極端環境下的數據監測一直是一大難點，中國航發動力所李軍等[18]提出航空發動機載荷、轉速和溫度數據的獲取依賴于滑油金屬屑末檢測傳感器、滑油成分監測傳感器；Ari Novis[19]等分析了美國聯合攻擊戰斗機(joint strike fighter，JSF)發動機氣路顆粒荷電信息的監測問題，提出IDMS(吸入物監測系統)和EDMS(發動機損失監測系統)能進行實時監控；Sanjay Garg[20]等總結了各類傳感器在發動機PHM管理中的重要作用；由此可見，特殊部件的數據監測需要傳感器性能的技術革新。另外，大量傳感器協同采集無人機系統的數據，可實現數據信息精確獲取，工業和信息化部電子第五研究所攻克了大規模傳感器網絡測試關鍵技術，提高了數據監測的精度[21]。

3.2 數據預處理和數據挖掘技術

由于傳感器自身性能、所處的工作環境等因素，傳感器采集的數據會受到噪聲等干擾，得到的數據具有隨機性、模糊性以及不確定性，因此需要對采集的原始數據進行數據的預處理和挖掘提取，數據預處理主要包括: 數據清洗、數據集成、數據變換。1)數據清洗(Data Cleaning)通過修補、剔除大量數據中不完整或者不合理的數據，來提高數據質量。傳感器采集的海量數據一般存在數據缺失，由于無人機PHM系統的復雜性，數據模型難以建立，通常使用基于數據驅動的數據補充法，王林[22]分析了民用飛機缺失數據，提出數據補充準則，通過數據實驗證明多重補充法可以較好的保持數據之間的關系。無人機PHM系統故障和傳感器的異常都會導致異常數據的產生，朱倩雯[23]等采用的基于四分位算法，對不同類型、不同數量異常數據的剔除效果顯著。對于含有噪聲的數據進行分箱法、高斯濾波法和回歸法處理。2)數據集成(Data Integration)是將多來源、多格式、不同特性的數據通過一定的特征規則有機集中起來?，F階段，無人機全壽命周期數據存儲分散，(計算機、文本資料等)，缺乏統一的數據管理模式[24]。傳統的數據倉庫或者數據聯合方法不能滿足數據實時處理的需求，因此數據集成技術朝著具有搜索引擎功能的方向發展，如知識圖譜、云存儲等。3)數據變換(Data Transformation)的目的是找到數據的特征，在保證數據質量的前提下，改變數據維度來減少有效變量。主要轉換方法：數據規范化處理，縮放數據特征，使原始數據盡量映射到較小的特定區域；規范化處理，如最大-最小規范化和零一規范化等。

數據挖掘是從海量的、模糊的、隨機的數據中提取隱含的、具有潛在應用價值信息的過程。無人機PHM數據挖掘常用方法有分類、回歸和聚類，基于預處理的海量數據，挖掘其隱藏信息，并利用可視化技術展示挖掘出的相關知識，滿足無人機PHM數據的需求。1)分類算法，是一種有監督學習算法，利用分類器將有標簽的數據分類，將未知屬性的數據映射到已存在的數據類別中；常見的有SVM、LR、KNN和決策樹等。洪翠[25]等利用改進的多分類SVM方法，有效識別了配電網故障類型。2)回歸算法，通過函數描述數據間的映射關系，來預測輸入變量和輸出變量之間的關系；代表性的有線性回歸、多元回歸和嶺回歸(Ridge Regression)。張鵬飛[26]等基于某城市配電網的故障報修數據，采用多元回歸獲得了變量和故障量關系，實現了配電網故障數量較高精度的短期預測。3)聚類算法，將沒有標簽的數據，根據相似度把數據自動歸類，是典型的無監督學習算法；K-means、C均值等算法應用廣泛。孫鶴旭[27]等提出一種基于并行化的改進模糊C-均值聚類的風電機組發電機故障診斷方法，可以精確判別發電機的故障模式。

3.3 數據通信技術

傳感器采集的大量數據經過數據預處理和數據挖掘后，需要正確、通暢、安全地傳輸到PHM系統的其他部分，如采集導航、姿態等數據信息都需要串口與機載單片機進行通信，從而實現整個系統的一體化、網絡化和信息化。目前無人系統數據間的傳輸方式主要有兩種：有線數據傳輸和無線數據傳輸。有線數據傳輸大多用于機載系統或者設備之間的數據傳輸和資源共享，在信號的穩定性和傳輸速率上有著天然的優勢。有線數據傳輸中采用了總線技術，在軍民飛機有著廣泛的應用，如F-16、F117、幻影2000、空中客車A340等普遍采用了總線技術。無線數據傳輸系統由一系列分布式傳感器(微處理器、無線傳輸器、數據采集電路等)組件構成，常用于機載系統與外界的數據傳輸，主要通過中繼衛星、微波、藍牙、WIFI等方式，中繼衛星可以覆蓋地球大部分區域，不受回傳距離限制，但數據傳輸速率低；微波可以較長距離數據傳輸，靈活便捷，但容易收到外界電磁、地形環境等因素干擾；藍牙的數據傳輸范圍極小，但成本低且體積??；WIFI的數據傳輸范圍比藍牙稍大，只適用于超視距飛行小型無人機，但WIFI的通信頻段沒有限制，有著廣泛的應用。

3.4 多傳感器數據融合技術

在無人機PHM系統中，多傳感器數據融合技術是指將單一或者多傳感器采集的數據、環境信息、歷史數據和維修記錄等通過各種智能算法融合到一起，獲得對被測環境或對象更加精確的定位，得到優化的綜合評價結果。多傳感器數據融合技術主要用來提高飛機狀態監控、故障預測和健康管理的準確性，即通過協作或競爭的過程來獲得更準確的推論結果。按照所處理數據的層級，多傳感器數據融合技術可分為3個層次[28]：1)底層融合，將傳感器采集的各種數據進行融合以進行信號識別和特征提??；2)中層融合，將提取的特征信息進一步融合以獲得故障診斷方面的信息；3)頂層融合，將基于經驗的故障庫和故障模型同故障信息進行融合，頂層融合會依據相關準則，讓不同的屬性故障信息擁有各自的可信度，得到整體一致的決策，實現系統級的預測推理和維修決策。韓曉微[29]等提出了基于鄰域搜索的 BP 網絡數據融合算法，解決了多旋翼無人機使用單姿態傳感器存在的精確度低、噪聲大、穩定性較差的問題；金星[30]等提出的對海目標航跡數據融合算法，讓具有偵察探測與目標指示功能的對海無人機，形成了統一的戰場態勢信息及高精度的目標指示信息。與傳統數據處理方法相比，多傳感器數據融合技術考慮問題更全面，得到的結果更可靠。PHM領域常用的多傳感器數據融合技術有人工神經網絡、模糊邏輯推理和貝葉斯推理等。

3.5 健康評估和故障預測技術

健康評估和故障預測技術是一種數據推理過程，利用狀態監測數據，在已有經驗、案例和模型的推理算法基礎上，將飛機狀態、故障狀況、維修能力等相關信息實時傳至維修保障系統，結合設備的結構特性和運行信息及歷次維修記錄，對故障進行診斷、分析和預報，評估部件或系統的剩余使用壽命，確定故障的類別、部位、程度和原因，預測其未來的健康狀態。利用先進的健康評估和故障預測技術，不僅可以發現早期的故障，還可以有效指導故障發生前的維修決策，避免惡性事故的發生，從根本上解決設備定期維修中的維修不足和過剩維修的問題。目前在PHM系統中廣泛應用的故障預測技術主要有三種：1)基于模型(失效物理模型和數學模型)的故障預測技術，通過失效物理參數來評估關鍵零部件的損傷程度，建立物理模型或隨機過程建模，用來評估部件剩余壽命。鄧聚龍教授提出的灰色模型是常見的故障預測模型之一。2)基于知識的故障預測技術，最典型的是專家系統，它具有豐富的知識和經驗，能指導現實問題進行判斷和決策；但是專家系統知識庫中的知識和經驗需要人類專家完成，無人機PHM系統數據知識不斷更新和變化，難以形成完備的知識。3)基于數據驅動的故障預測技術，傳感器采集的大量數據作為歷史數據可以預測無人機短期狀態，常見的有人工神經網絡、時間序列、回歸預測等。無人機PHM系統的物理數學模型復雜，產生的數據具有海量性、隨機性和模糊性，難以形成完備的知識體系，而基于數據的故障預測技術不需要無人機系統的先驗知識，以傳感器采集的數據為基礎，借助數據挖掘算法提取隱含的數據信息進行預測操作，因此基于數據的故障預測技術逐漸成為一種主流且實用的故障預測方法。

3.6 智能推理與決策支持技術

智能推理與決策支持技術是實現無人機PHM系統最后的“管理”，即在健康評估和故障預測的基礎上，自動生成一系列維修保障決策來實現無人機的視情維修。為此，需要形成無人機各系統/各設備間的狀態監測系統、健康評估和故障預測系統、健康管理系統和各級知識庫等的聯動，構建無人機PHM系統的維修保障決策支持系統，實現維修決策的自動生成、維修資源的統一調配以及各相關單位的協同保障等，從而極大地提高保障的效率和精確度。建立決策支持系統的主要技術有知識圖譜，智能預測，自適應任務規劃等，知識圖譜技術能夠將無人機傳感器采集的半結構化和非結構化數據抽取成結構化知識，集成并存儲結構化知識形成知識庫；根據在線或者離線的監測數據和歷史知識庫的偏差程度，智能預測技術能對系統/設備做出健康評估并預測剩余壽命；最后根據無人機自身損傷程度和任務需求統一調配相關指令，實現無人機的自適應任務規劃。

4 無人機PHM技術發展趨勢

無人作戰系統的快速發展對其維修保障技術提出越來越高的要求，世界各國都將PHM技術作為無人機維修保障的研究熱點。吸收和借鑒國外的先進經驗，研究無人機PHM關鍵技術可為我國面向智能化時代無人化武器裝備的研制提供堅實支撐。PHM系統作為未來無人機的重要系統，結合人工智能和無人系統等戰略前沿技術的發展，將來有望在以下四個方向取得重要進展。

1)先進傳感器技術：隨著高強度、耐高溫等性能材料的出現，無人機的傳感器朝著微型化、智能化、集成化、高精度、低能耗，高可靠性等方面發展，先進傳感器技術的進步使采集的數據更加真實，能為無人機PHM系統提供更可靠的數據。

2)數據分析方法：人工智能(artificial intelligence, AI)于 1956 年被首次提出，在波浪式前進過程中，直到計算能力、海量數據以及核心算法的出現，AI在21世紀取得突破性進展，基于無人機PHM海量數據，高效合適的數據分析方法能極大提升數據質量。

3)標準化和開放性接口技術：標準化和開放性接口技術是提高無人機PHM技術的通用性，縮短研制周期，降低使用和維護費用的有效途徑。無人機PHM系統未來會采用標準化設計和開放的接口標準，如PHM系統各模塊之間的接口，部件級PHM與系統級PHM之間的接口等，可以提高系統兼容性和互操作性，從而能隨著技術進步而不斷實現技術更新。

4)故障預測技術：故障預測是PHM技術與傳統維修手段的重要區別，是無人機PHM技術的核心。機械或者機電設備能實現故障預測，但電子系統的失效機理不同于前者，目前只能實現故障檢測和隔離，無人機系統中存在大量關鍵的電子系統，為完善和促進無人機PHM技術的發展，應加強研究電子系統的失效機理和剩余壽命。

5 結束語

本文從電力系統及剩余壽命、任務規劃的監測和系統設計三個方面介紹了國內外無人機PHM技術，并總結了無人機PHM體系構架，重點分析了無人機PHM的關鍵技術：數據采集和傳感器技術、數據預處理和數據挖掘技術、數據通信技術、多傳感器數據融合技術、健康評估和故障預測技術、智能推理與決策支持技術，最后展望了目前無人機PHM技術的發展趨勢。