基于状态指标的更新决策方法研究

针对设备在实际运行和执行任务时经常涉及到维修、更新报废等管理活动缺乏定量模型支撑的问题,提出了利用典型部件的预测寿命和非典型部件的历史寿命对设备系统级的健康状态进行综合评估的方法,建立了一种以状态指标为决策序列的动态规划更新决策方法;该方法能综合考虑维修费用和更新费用,确定最优更新决策,降低保障费用,有效地提高了设备的经济效益;最后经过案例分析证明了该方法的有效性,对于提高设备的保障能力和经济效益提供了理论支撑和方法指导.     

飞机故障预测与健康管理应用模式研究

针对现有飞机维修机制的不足进行了分析,描述了故障预测与健康管理、视情维修和自主后勤的三者之间的关系。提出了三种典型的故障预测与健康管理(PHM)应用模式,在分析比较现有三种模式优劣的基础上,进一步指出PHM的发展趋势。设计了一种飞机故障预测与健康管理(PHM)系统框架,并运用物联网技术完成了对自主保障系统的构建,能够有效提升飞机的自主保障能力。最后论证了故障预测与健康管理和持续采办与全寿命支持(CALS)之间的关系,为装备采购和全寿命支持提供了技术支持和理论依据。     

机电系统故障预测技术的现状与分析

故障预测技术作为智能维护系统(IMS)和故障预测与健康管理(PHM)系统的重要技术基础,近些年来受到越来越广泛的重视.首先综合机电系统故障预测方法,并从对象和方法两个堆度展现机电系统故障预测技术的发展状况,同时对各类方法的优缺点进行分析.最后,给出当前机电系统故障预测领域存在的机遇与挑战,为进一步研究明确方向.     

复杂装备故障预测与健康管理系统初探

故障预测与健康管理(PHM)系统是新型维修保障模式—自主后勤保障的重要组成部分,对提高复杂装备的战备完好性和降低维修成本具有重要意义;首先介绍PHM系统基本概念及主要组成,并对在复杂装备全寿命周期实施PHM的必要性进行分析;综合论述了PHM系统实现中的关键支撑技术:基于RCM分析的方案设计、基于匹配度的健康状态评估和基于剩余寿命预测的维修决策;最后给出了PHM系统在无人机装备中的应用实例;国内外应用情况表明,PHM系统可显著提高维修保障效率并降低维修保障费用,可实现经济可承受性目标。     

空空导弹投放信号中断故障容错设计与PHM实现

载机送出投放信号启动空空导弹弹射过程,当该过程尚未结束而投放信号中断或瞬断时,则会产生机-弹分离安全性问题.为了防止该问题的发生,在弹射控制电路的基础上,采用高能复合钽电解电容储存电能的方法实现投放信号中断故障容错.在电容充电过程中,通过在线测试充电电压得到实际电容充电曲线,比较该曲线和标准曲线的均方误差进行故障预测和健康管理.试验表明了故障容错设计和故障预测的可行性和有效性.     

数据驱动视角下飞机故障预测与健康管理系统设计及验证

由于故障预测与健康管理系统(PHM)是涉及多层次、多领域、耦合度高的复杂系统,很难从整体对PHM系统进行设计和验证,所以始终没有成熟的工具和方法;从数据驱动的视角,研究了飞机PHM系统设计及验证;以数据为主线,采用了4种方法实现PHM系统设计及验证:1)采用系统建模语言(SysML)进行PHM系统的架构设计;2)采用基于事件的方法将被观测系统的行为状态化,实现PHM系统中资源的充分利用,降低局部的资源压力;3)采用基于模型的推理方法,实现了系统状态模型的应用;4)采用多线程、异构能量耦合等方法定义了一个PHM仿真框架,并在该框架指导下开发了一个仿真环境,并针对机载配电系统设置了几种测试用例进行诊断推理,对提到的各种方法进行了验证;研究结果表明,上述方法是合理有效的,可以构建描述完整、资源均衡的PHM系统架构。     

工业锂电池退化过程研究与剩余使用寿命预测

随着锂离子电池在航空航天、军工建设、工业制造、电动汽车以及储能设备等领域的广泛研究与应用,其剩余使用寿命预测具有重要意义.本文通过对锂离子电池退化原理与退化过程数据分析,剔除锂离子电池松弛效应,建立含随机效应的Wiener退化过程模型.在获知其退化阈值的情况下,推导出锂离子电池的寿命分布,并在此基础上,对单个锂离子电池剩余使用寿命进行预测.最后在NASA的PCoE数据库提供的电池数据集进行实例验证,结果表明相对于参考文献所述传统的设备贮存-工作联合退化模型,Wiener过程退化模型具有更高的预测精度.     

基于ARMA模型的工业电容退化状态研究方法

随着中国制造2025计划的推广,工业电源正处于高速发展期,大型铝电解电容的需求越来越大.电容的故障会令工业流水线中断,产生极大的损失,因此工业电容的寿命预测（RUL）具有重要意义.本文通过对铝电解电容充电状态EIS频谱分析,建立电容的状态的量化模型.根据电容状态量化数据,建立ARMA电容退化预测模型.最后通过美国航天航空局的等效串联电阻EIS频谱数据集进行验证.结果表明ARMA电容退化模型对铝电解电容的状态预测有很大的准确性.     

Robustness of AI-based prognostic and systems health management

Prognostic and systems Health Management (PHM) is an integral part of a system. It is used for solving reliability problems that often manifest due to complexities in design, manufacturing, operating environment and system maintenance. For safety-critical applications, using a model-based development process for complex systems might not always be ideal but it is equally important to establish the robustness of the solution. The information revolution has allowed data-driven methods to diffuse within this field to construct the requisite process (or system models) to cope with the so-called big data phenomenon. This is supported by large datasets that help machine-learning models achieve impressive accuracy. AI technologies are now being integrated into many PHM related applications including aerospace, automotive, medical robots and even autonomous weapon systems. However, with such rapid growth in complexity and connectivity, a systems’ behaviour is influenced in unforeseen ways by cyberattacks, human errors, working with incorrect or incomplete models and even adversarial phenomena. Many of these models depend on the training data and how well the data represents the test data. These issues require fine-tuning and even retraining the models when there is even a small change in operating conditions or equipment. Yet, there is still ambiguity associated with their implementation, even if the learning algorithms classify accordingly. Uncertainties can lie in any part of the AI-based PHM model, including in the requirements, assumptions, or even in the data used for training and validation. These factors lead to sub-optimal solutions with an open interpretation as to why the requirements have not been met. This warrants the need for achieving a level of robustness in the implemented PHM, which is a challenging task in a machine learning solution.This article aims to present a framework for testing the robustness of AI-based PHM. It reviews some key milestones achieved in the AI research community to deal with three particular issues relevant for AI-based PHM in safety-critical applications: robustness to model errors, robustness to unknown phenomena and empirical evaluation of robustness during deployment. To deal with model errors, many techniques from probabilistic inference and robust optimisation are often used to provide some robustness guarantee metric. In the case of unknown phenomena, techniques include anomaly detection methods, using causal models, the construction of ensembles and reinforcement learning. It elicits from the authors’ work on fault diagnostics and robust optimisation via machine learning techniques to offer guidelines to the PHM research community. Finally, challenges and future directions are also examined; on how to better cope with any uncertainties as they appear during the operating life of an asset.     

单板计算机的故障模式与机理及影响分析

故障模式、机理及影响分析((FMMEA）是研究产品的每个组成部分可能存在的故障模式、故障机理并确定各个故障模式对产品组成部分和功能的影响的一种可靠性分析方法。详细介绍了对单板计算机进行FM-MEA的实施过程,包括系统定义,确定潜在的故障模式,分析故障原因、故障机理、故障影响等一系列的过程。对单板计算机进行了有限元建模,并通过热应力分析和振动应力分析,得到了其在不同环境下的温度分布、振动模态等信息,为故障物理模型提供输入。利用各种故障物理模型对单板计算机各单点的故障进行了定量的计算。分析结果表明：由温度循环引起的小外形封装(SOP）的随机存储器芯片的焊点疲劳故障的故障前时间最短,是整个电路板的薄弱环节;焊点热疲劳故障为单板计算机主故障机理,在实施PHM过程中要重点监测该部位的故障状况。