航天器健康管理技术研究.docx
《航天器健康管理技术研究.docx》由会员分享,可在线阅读,更多相关《航天器健康管理技术研究.docx(7页珍藏版)》请在冰豆网上搜索。
航天器健康管理技术研究
航天器健康管理技术研究
摘要:
航天器健康管理技术对于保障航天任务的顺利实现、节省发射、运营成本、避免财产损失和人员伤亡有着重要作用。
本文总结了国内外航天器健康管理技术的发展状况以及最新成果,总结了航天器健康管理技术存在的问题以及发展的方向。
介绍了我国航天器健康管理研究与世界先进水平的差距,结合我国特点,探讨了我国健康管理技术的研究重点。
1引言
航天任务具有政治影响大、风险高、投资大、周期长等特点,因此保证航天任务的顺利实施对任务和国家来说都是一个重要目标。
航天器以及有效载荷通常都是高可靠性设计的,但是由于空间环境的复杂性以及地面测试条件的局限性,航天器以及有效载荷在运行时仍然会出现故障。
尽管现在各个国家都开展了航天器故障方面的研究,但由于是航天器系统是一个典型的复杂系统,这类系统的特点就是子系统交互关联,在其性能、功能提高的同时,由于组成环节和影响因素的增加,发生故障的潜在可能性也在增大,甚至有的故障可能会发生连锁反应,引起整个任务流程的失败甚至引起整个系统的瘫痪。
航天器的健康管理技术是对航天器以及有效载荷进行故障预测、故障诊断、故障隔离、故障处理决策、部件性能跟踪、趋势预测等方面实现自主保障的一门技术,对于控制航天器以及有效载荷的风险、降低保障成本、缩减维护规模具有现实意义。
航天器健康管理技术是在故障诊断技术的基础上发展起来的,尤其是像航天器这样的复杂系统健康管理技术(ComplicatedSystemIntergradedHealthManagement,CSIHM是集测试技术、人工智能、信息技术为一体的综合应用,从故障监测、诊断、隔离、重构(Fault
Detection,lsolation,Reconfiguration,FAIR)技术一步一步发展演变而来的,将管理功能扩展到自主重构、资源重组以便安全、有效地实现任务目标
2研究状况
现在各个航天大国都在开展航天器健康管理所技术的研究,NAS/更是将其
定为航天器健康管理技术放在21世纪太空飞行技术需求的第一位。
NASA勺航天器健康管理研究项目由X-33/X-34/X-37,军用飞机项目有F-18,F-22,JSF,UCAV等,美国的的健康管理技术有两个典型代表,一是运载器综合健康管理技术(VehicleIntegratedHealthManagement,IVHM,二是JSF项目提出的
预测与健康管理技术(PHMo
2.1IVHM
IVHM是NASA近些年在其可重复使用空间飞行器(reusablelaunch
vehicle,RLV)项目中正式提出的,它是在飞行器系统中集成和应用先进的软件、
传感器、智能诊断、数字通信、系统集成等技术,来实现对飞行器系统智能的、
系统级的健康评估和控制、信息和决策管理,帮助操作人员完成飞行任务、减小风险和危害。
IVHM是NASA在运载器健康管理(VehicleHealthManagement,VHM技
术的基础上提出的,VHM技术最初在NSL-1、NSL-2火箭项目上应用实施,VHM的另一应用对象是X-33,此项目将具有对飞行器各个子系统故障监测和功能管理模块集成封装于两个LRU单元内,成为VHM计算机,分为3个子系统:
通过远程健康节点(remotehealthnode,RHN)组成智能传感器网络采集飞行器
结构、机械和环境等数据;监测和记录6条MIL-STD21553总线的通讯状况;通过使用分布式光纤温度、氢气、应力传感器监测低温油箱。
以X-33的这种
硬件组成及功能结构为基础的VHM系统在随后的X-34、F/A-18、DS-1、K-1、X-37等项目中得到了验证和发展,IVHM技术从概念到系统结构、功能、硬件组成等方面也有了完善和提高,如X-34中对硬件的升级、F/A218对嵌入VHM软件工具Livingstone的升级和在X-37视情保障中的应用。
伴随IVHM的发展,也出现了许多用于VHM的诊断推理工具,如:
Ames研究中心开发的Livingstone诊断推理工具,成功用于DS-1、X-34、X-37等;JPL(JetPropulsionLaboratory)开发的推理工具SHINE和诊断工具BEAM成
功用在X-33等中;此外还有基于模型的推理机TEAM成功用在K-1等中、基于模型的软件工具FACT
新型的传感器、先进的诊断推理算法和系统集成方法等的应用也成为
IVHM技术发展的重要成果。
综上所述,IVHM已经得到一定发展,但还不完善,尚处于原理、部分功能和概念的验证阶段,目前还没有具备完整IVHM功能的系统
2.2PHM
20世纪90年代末,随着美军重大项目F-35联合攻击机(JSF)项目的启动,为预测与健康管理(PHM)技术的诞生带来了契机。
PHM^JSF项目实现经济承受性、保障性和生存性目标的一个关键所在。
JSF的PHMS统是当前飞机上使
用的机内测试(BIT)和状态监控的发展,这种发展的主要技术要素是从状态(健康)监控向状态(健康)管理的转变,这种转变引入了故障预测能力,借助这种能力从整个系统(平台)的角度来识别和管理故障的发生。
其目的是减少维修人力、增加出动架次率、实现自主式保障。
PHM主要是利用先进传感器的集成,并借助各种算法和智能模型(如模糊逻辑等)来预测、监控和管理飞机的状态,主要包括以下一些功能:
①故障检测;②故障隔离;③故障预测;④残余使用寿命预计;⑤部件寿命跟踪;⑥性能降级趋势跟踪;⑦故障选择性报告:
只通知立即需要驾驶员知道的信息,将其余信息通报给维修人员;⑧辅助决策和资源管理;⑨信息融合和推理机;信息管理:
将准确的信息在准确的时间通报给准确的人员
PHM已成为国外新一代装备研制和实现自主式保障的一项核心技术,是21世纪提高复杂系统“五性”(可靠性、维修性、测试性、保障性和安全性)和降低寿命周期费用的一项非常有前途的军民两用技术。
2.3健康管理关键技术
健康管理技术的基础是故障诊断技术,还涉及到故障特征提取、故障预测、状态评估等内容
2.3.1故障特征提取
故障特征提取是进行故障诊断的前提条件,一般是从传感器采集数据,进行信号处理,在时域、频域、相位域提取故障特征,进行数据分析,发现数据变化的趋势,进行故障预测分析。
目前对于故障特征的提取与检测理论和方法主要有基于模型的状态分析和基于特征的状态分析、基于小波变换的信号处理、基于时间序列的特征提取等。
2.3.2故障预报
故障预报是实现故障预防、提高故障诊断实时性的技术手段。
故障的预测预报技术主要是基于致命故障或者损耗性故障的关键参数的变化趋势进行分析,以推断航天器未来可能的状态,从而采取预防措施避免航天器故障的发生或者降低航天器故障的危害程度。
故障预防研究的主要内容由:
缓变故障的早期特征提取技术,以及故障预报模型的研究。
2.3.3故障诊断
通过研究国内外故障诊断技术发展历史,可以发现现在的故障技术主要分
为三种:
基于信号处理的诊断。
基于模型的诊断。
基于人工智能的诊断。
(1)基于信号处理的故障诊断方法
基于信号处理的诊断方法是故障诊断技术发展初期的常用技术,通常是利用信号模型,如相关函数、频谱、自回归滑动平均、包络分析法、最大熵谱法、分形分析、同步信号法等,提取诸如方差、幅值、频率等特征,从而检测出故障。
(2)基于模型的诊断
基于模型的诊断又称基于深层知识的诊断方法,这种方法要求对设备的数学模型有精确了解,按照一定的数学方法进行故障诊断。
目前这种方法已经得到了深入研究,但是由于很难获得设备的精确数学模型,故难以对设备进行建模,所以这大大限制了基于模型的诊断方法的适用范围和使用效果。
目前采用的多信号模型和定性模型可以克服定量模型的缺点,是国内外研究的热点。
(3)基于人工智能的故障诊断
近年来,由于人工智能技术的发展,为故障诊断技术提供了新的手段,采用人工智能技术的故障诊断不需要进行精确的设备数学模型,而且还能具有智能推理判断的特点,故称为现在故障诊断技术的新的研究热点。
基于人工智能的故障诊断技术包括机遇专家系统的故障诊断、基于神经网络的故障诊断、基于模糊理论的故障诊断、基于故障树的诊断、基于智能Angent的故障诊断等。
基于专家系统的故障诊断
专家系统一直是基于知识的故障诊断的研究重点,现在已经比较成熟。
它的思想是在诊断求解的过程中,不需要进行精确匹配,而是通过计算机提供一个求解时的推理模型,利用已有的知识进行故障诊断。
通常来说,基于专家系统的故障诊断包括知识库、全局数据库、推理机、知识获取机制、解释机制、用户界面组成。
分为专家系统运行模块和知识管理模型。
专家系统运行模块负责基于知识的故障诊断,知识管理模块负责推理规则以及知识的录入、存储、校验以及知识库的转换。
基于专家系统的故障诊断系统特点是知识表示直观形象,推理速度快,知识存储空间小,易于编程和快速开发系统原型;缺点是知识库只能覆盖有效的故障模式,对于知识库中没有记录的故障模式,显得无能为力,如果故障特征和知识的前提不能匹配,容易导致故障诊断错误。
基于神经网络的故障诊断
神经网络是模仿生物的神经系统而建立的具有学习性和并行计算能力的自适应非线性系统。
神经网络的特点是高度非线性、高度容错能力、具有非线性优化和联想记忆、可以实现自组织、分类等功能。
神经网络用于故障诊断,可以突破知识的获取方面的瓶颈,使得系统可以通过机器学习丰富自身的知识,还可以解决趋势预测和诊断推理方面的问题。
但是其缺点是不能对用户解释内部的推理过程,无法揭示系统内部的一些潜在关系。
并且对于未在训练样本范围内出现的故障,神经网络诊断显得无能为力。
基于模糊理论的故障诊断
由于航天器运行环境的复杂性,有很多的故障特征和故障之间很难确定它们之间准确的映射关系,只能借助于模糊数学的理论适用隶属度函数和模糊关系矩阵的概念确定产生故障的可能性的大小。
基于模糊理论的故障诊断在处理复杂系统的大时滞、时变以及非线性方面显示了它的优越性。
目前,基于模糊理论的故障诊断有三个方向:
基于模糊关系及合成算法的诊断;基于模糊知识处理技术的诊断;基于模糊聚类算法的诊断。
基于模糊理论的诊断存在的问题是隶属函数的确定,难免存在人的主观片面,难以保证隶属函数的客观性;对特征元素的要求比较苛刻,如果特征元素选择不合理,会造成诊断失误甚至失败。
基于故障树的故障诊断
基于故障树的诊断是一种体现故障传播关系的有向图,以诊断对象最不希望出现的事件为顶层事件,依照诊断对象的结构关系和功能关系逐次展开,直到不可分的事件为止。
其优点是能够进行快速诊断,知识库易于修改,诊断技术与应用领域无关。
缺点是故障树建立于元器件的联系和有效载荷的故障模式分析之上,因此无法诊断不可预知的故障,诊断的结果严重依赖于故障树的完善程度。
基于智能Angent的故障诊断
Angent技术是指具有自主性、反应性、主动性和社会特性的基于硬件或者
软件的计算机系统,是一种分布式计算技术。
基于angent技术的故障诊断是借
助于angent分布式计算的特点,将多个angent组合起来协同工作,提高系统的诊断率,增强环境的适应性。
使系统在运行过程中发现和挖掘知识,提高学习能力,从而实现系统的自我完善。
目前基于Angent技术的故障诊断系统正得
以广泛应用,NASA勺BarneyPell等设计了用于深空探测1号航天器的远程诊断Angent,使得深空1号成为Aanent技术在航天器自主控制和故障诊断领域成功应用的首例。
3航天器健康管理面临的问题
尽管故障诊断技术发展迅速,并且已经有了较为成