航空领域军机的机电产品的故障预测和健康管理技术综述-+.docx

精品文档航空领域军机的机电产品的 故障预测和健康管理技术综述数字集成电路设计与可靠性 作业目录1.前言22.主题22.1.国外飞机机电系统PHM的发展情况22.2.国内飞机机电系统PHM的发展情况22.3.当前军机机电系统PHM的主要体系结构22.4.军机机电系统PHM的主要建模方法22.5.飞机PHM系统建模22.6.飞机典型部件PHM系统建模分析及试验验证22.7.军机通用PHM平台22.8.实现PHM的支撑技术23.总结24.参考文献25.致谢21.前言随着现代武器装备复杂性、综合化、智能化程度的不断提高，为了以更经济有效的方式满足现代战争联合作战和网络中心战等新型作战模式对武器作战效能和敏捷、准确和经济的持续保障能力的需求，综合的故障诊断、预测与健康管理(PHM)技术获得美英等军事强国越来越多的重视和应用。为适应未来作战环境的需要，根据未来新一代战机的具体技术和新时期对维修保障的需求，研究新的故障诊断体系和技术方法是十分必要的。美军在联合攻击战斗机JSF提出的预测与健康管理(Prognostics and Health Management，PHM)就是这样的技术。而飞机的机电系统是飞机的成员级的重点组成部分，飞机机电系统引入PHM概念是很有必要的。PHM是由机上部分(简称机载PHM)和机下部分(简称机下PHM)构成的一体化系统。其中，机载PHM是以提高系统可靠性、可用性和安全性为目的，可在无需人工或者外部设备参与的情况下，利用先进的传感器(如涡流传感器、小功率无线综合微型传感器、无线微机电系统MEMS)的集成，并借助各种算法(如Gabor变换、快速傅里叶变换、离散傅里叶变换)和智能模型(如专家系统、神经网络、模糊逻辑等)，来完成飞机健康状态的全方位实时监测、故障检测和隔离以及故障预测，为实现系统重构提供信息，同时将健康状态信息提供给机下的自主式保障信息系统(ALIS)，从而实现预测维修和自主式维修保障目的。2.主题2.1.国外飞机机电系统PHM的发展情况回溯历史，1961年美国执行阿波罗登月计划后，发生了一系列设备故障酿成的悲剧，直接引发了1967年在NASA倡导和美国海军研究室(ONR)主持下对机械故障预防的开创性研究工作，标志着现代装各故障诊断的开端。伴随新技术变革，40年来监控与诊断技术获得了长足进展，特别在航天和军事装备可靠性安全性保障方面发展迅速。毋庸置疑，装备故障诊断的重要目标应该是故障预测，特别是关键部件剩余寿命预测和估计，乃至整个系统的精确维修与健康管理。所谓预测，即预计性诊断部件或系统完成其功能的状态，包括确定部件的残余寿命或正常工作的时间长度；所谓健康管理，是根据诊断预测信息、可用资源和使用需求对维修活动做出适当决策的能力。PHM代表了一种方法的转变，即从传统的基于传感器的诊断转向基于智能系统的预测，反应性的通信转向主动性的3Rs(即在准确的时间对准确的部位采取正确的维修活动)。PHM重点是利用先进的传感器的集成，并借助各种算法和智能模型来诊断、预测、监控和管理飞机的状态。这一技术的实现将使传统的事后维修或定期维修被基于状态的维修(CBM，亦称视情维修)所取代。PHM技术早在2000年就被列入美国国防部威胁减少局的军用关键技术报告中，国防部最新的防务采办文件将嵌人式诊断和预测技术视为降低总拥有费用和实现最佳战备完好性的基础，进一步明确确立了PHM技术在实现美军武器装备战备完好性和经济可承受性方面的重要地位。目前，PHM已成为美国国防部采购武器系统的一项要求。PHM技术的演变过程足人们认识和利用自然规律过程的一个典型反映，即从对故障和异常事件的被动反应，到主动预防，再到事先预测和综合规划管理。PHM技术是在传统的状态(健康)监控和故障诊断技术基础上发展起来的。随着系统和设备性能和复杂性的增加以及信息技术的发展，PHM技术的发展经历了由外部测试到机内测试(BIT)一测试性成为一门独立的学科一综合诊断的提出与发展一预测与健康管理(PHM)系统的形成等的发展演变过程。在应用产品层次上，从过去的部件和分系统级发展到现在的覆盖整个平台各个主要分系统的系统集成级；在机械产品和电子产品等领域经历了不同的发展历程，并最终汇聚形成一种综合的故障诊断、预测与健康管理系统。2.1.1.从外部测试到机内测试早期的系统比较简单由彼此独立的模拟系统构成，其故障诊断主要采用人工测试，维修测试人员的经验和水平起着重要作用。航电系统为分立式结构，依靠人工在地面上利用专用或通用测试设备检测和隔离飞机中的问题(外部测试)。外部测试设备需要和被测对象连接，获取其状态信息之后才能进行测试和诊断。有些重要的系统和设备，如飞机上的各系统和设备，操作人员需要实时了解其运行状态，如有故障能及时采取措施，所以需要被测系统本身具有一定的自测试能力，这就产生了嵌入式的机内测试(BIT)。BIT最初是为了警告飞行员有重要部件出了关键故障。后来又成为支持机械师查找故障的助手。早期的BIT只是检测几个主要参数，由人工判断是否为故障，故障隔离则由外部测试设备来完成。后来，由于技术的进步，系统和设备复杂程度增加，检测故障也更困难，因而要求有更强的BIT能力。部件的小型化，特别是计算机技术的广泛应用，为BIT发展提供了有利条件，机内测试能力得到了迅速提高，并出现了能够自动检测和隔离故障的机内测试设备(BIT)。2.1.2.测试性成为一门独立学科随着外部测试和机内测试的发展就产生了测试性设计问题。对于复杂的系统和设备，其故障诊断需要综合运用机内测试和外部测试能力才能实现最佳的诊断能力。而要进行机内测试，必须首先把BITBITE设计到被测系统中去，要进行外部测试，被测系统要能够方便地与外部测试设备连接，以提供充分的状态信息。因此，需要对被测系统进行测试性设计。1985年，美国国防部颁布了军用标准电子系统和设备的测试性大纲(MILSTD-2165)，把测试性作为与可靠性、维修性同等重要的产品设计要求，规定了电子系统和设备各研制阶段应实施的测试性设计、分析与验证要求及实施方法，标志着测试性成为一门与可靠性、维修性并列的独立学科。2.1.3.综合诊断的提出与发展20世纪七八十年代，复杂装备在使用中暴露出测试性差、故障诊断时间长、BIT虚警率高、使用与保障费用高、维修人力不足等各种问题，引起美英等国军方和工业部门的重视。美军及工业界分别针对自动测试设备(ATE)、技术资料、BIT及测试性等各诊断要素相继独立地采取了很多措施，力图解决这些使用与保障问题，结果不理想。经过深入研究发现，问题的根源在于各诊断要素彼此独立工作，缺少综合；而且除测试性和BIT外，其它诊断要素都是在主装备设计基本完成后才开始设计的。从解决现役装备保障问题的角度出发，美国国防部颁布军用标准和国防部指令，强调采用“综合后勤保障”的途径来有效解决武器装备的保障问题。在此过程中，“诊断”问题成为贯彻综合后勤保障的瓶颈。美国原安全工业协会(现在的国防工业协会NDIA)于1983年首先提出了“综合诊断”的设想，对构成武器装备诊断能力的各要素进行综合，并获得了美国军方的认可和大力提倡。综合诊断通常定义为通过考虑和综合测试性、自动和人工测试、维修辅助手段、技术信息、人员和培训等构成诊断能力的所有要素，使武器装备诊断能力达到最佳的结构化设计和管理过程。其目的是以最少的费用最有效地检测、隔离装备内已知的或预期发生的所有故障，以满足装备任务要求。综合诊断不是一项新技术或技术组合，也不是一个产品，而是一种系统工程过程。综合诊断的实施必须从装备设计开始并贯穿于其寿命周期的各个阶段。综合诊断实施的基本途径在于”综合”，即通过有效的组织和配置使各组成单元成为一个整体协同地起作用，具体包括各诊断要素的综合、各维修级别的综合和寿命周期各阶段的综合三方面的内容。美国国防部从20世纪80年代中期开始相继实施了一系列综合诊断研究计划，并于1991年4月颁布了军用标准综合诊断(MILsTD1814)，把综合诊断作为提高新一代武器系统的诊断能力和战备完好性，降低使用与保障费用的一种有效途径。综合诊断策略在20世纪80年代中后期开始研制的新一代装备(空军F一22、海军的攻击核潜艇SSN-21、陆军的主战坦克MIA2等)及在研的F-35(JSF)飞机上得到应用。20世纪90年代以后，英、法等欧洲发达国家及俄罗斯也效法美国的做法，提倡在武器装备中通过采用类似综合诊断系统方案的综合维修系统来实现最大的故障检测和隔离能力，以提高武器装备的战备完好性，降低寿命周期费用。冷战结束后，随着美军军费的缩减以及老龄武器装备的日渐增多，美军方和工业界都认识到，影响综合诊断推广应用的主要障碍是缺少一个针对综合诊断的开放系统方法。于是，在1999年，美国国防部办公厅(0SD)启动了“综合诊断开放系统方法演示验证”(OSAIDD)研究计划，探讨统一的、通用的综合诊断功能实现方法的可行性，以降低费用，增加互用性，加快引入新技术。该项目通过对军、民领域内具有不同测试和诊断特征的10个典型案例的深入研究和演示验证，最终提出一种基于信息的综合诊断开放式体系结构，并制定了实施路线图。美国工业界和学术界也积极开展了综合诊断研究活动。比如，美国国防工业协会NDIA(原美国安全工业协会)多年来一直致力于综合诊断的研究和推广应用，综合诊断这个概念就是该协会首先提出的。近些年来，NDIA系统工程委员会开展了嵌入式诊断方法研究；研究和提出通过综合诊断和改进BIT来降低虚警率的具体措施建议；并受JSF项目委托，开展了电子预测能力和数据需求研讨和研究；为改善机械系统的诊断和预测能力，美”联合大学综合诊断研究中心”，针对机械故障机理、无损检测技术、机械状态监控方法等展开广泛研究。2.1.4.预测与健康管理系统的形成自20世纪90年代末以来，随着信息技术突飞猛进的发展和广泛应用，综合诊断系统向测试、监控、诊断、预测和维修管理一体化方向发展，并从最初侧重考虑电子系统扩展到电子、机械、结构、动力等各种主要分系统都考虑到，形成综合的诊断、预测与健康管理系统的时机已经成熟。总的来说，PHM系统是在需求牵引、技术推动下并借助JSF项目的研制契机而诞生的。随着系统复杂性、信息化和综合化程度大幅度提高，装备维修保障工作重点已由传统的以机械修复为主，逐步转变为以信息的获取、处理和传输并做出维修决策为主。以往的事后维修和定期维修已经无法很好地满足现代战争和武器装备对装备保障的要求，在这种情况下。美军20世纪90年代末引入民用领域的CBM，作为一项战略性的装备保障策略，其目的是对装备状态进行实时的或近实时的监控，根据装备的实际状态确定最佳维修时机，以提高装备的可用度和任务可靠性，这些需要借助PHM技术来实现l另一方面，大容量存储、高速传输和处理、信息融合、MEMS、网络等信息技术和高新技术的迅速发展，意味着允许在机上实时完成更多的数据存储和处理功能，消除过多依赖地面站来处理信息的需要，为PHM能力创造了条件I加之，20世纪90年代中期启动的JSF项目提出了经济承受性、杀伤力、生存性和保障性四大支柱目标，并因此提供了自主式保障方案，借此机遇诞生了比较完善的、高水平的PHM系统。2.2. 国内飞机机电系统PHM的发展情况国内在状态监控与故障诊断方面研究可追溯到上世纪80年代初，分别从机械产品和电子产品两个领域展开，涌现出一系列的技术成果，总体上说，没有从PHM角度开展系统全面的研究工作。不过近几年来，PHM技术受到了越来越多的重视。中国航空信息中心曾天翔研究员等对PHM技术进行了分析和梳理。北京航空航天大学、航空634所等对PHM进行了较多跟踪研究。国防科技大学在航天动力系统地面试验实时状态监控、系统状态微弱信号检测等方面开展了较为深入研究。在民用重大产品设施装各方面，开展故障预测与健康监控研究也引起了国家战略层面的重视。目前，国内对PHM研究尚处于概念分析和梳理、跟踪国外研究的阶段，实质性进展不多；一些诸如新型传感、故障建模、寿命建模、健康管理等技术尚缺乏深入研究。2.3.当前军机机电系统PHM的主要体系结构2.3.1.集中式体系结构该结构是广泛应用于小型机载系统上的典型结构。PHM信息处理核心是一个中央故障管理控制器或处理器，它收集、解释用于系统状态评估所有信号。在大型机载系统的设计中，这种设计复杂性的控制问题十分突出。随着系统检测部件与信号的急剧增加，系统信号的收集、分类和解释将变得十分复杂。系统复杂性的增加必然使PHM的执行效率下降。一般来说，这种体系结构只适用于系统规模较小、子系统较少的情况。2.3.2. 分布式体系结构在该体系结构中，各子系统独立完成状态监控、故障检测和隔离等任务，并将子系统级的健康状态信息直接传递给位于座舱的综合显示控制部件。其优点是在子系统级上实现健康状态信息的获取、处理、再生与决策，没有高级别的健康状态信息处理，因此可有效降低系统级别的测试费用；缺点是各子系统的测试结果难以集成，从而无法有效利用健康状态信息之间的冗余信息，提高诊断预测的可信程度。2.3.3分层融合式体系结构分层融合式体系结构实际上是一种集中式和分布式相结合的方式，它在设计之初，就为每个子系统在可能的较低级别考虑PHM能力和集成融合问题，在较低的层次，各个子系统收集、解释用于本子系统状态评估所有信号，然后在较高的层次上将诊断预测结果集中交由中央故障管理控制器进行记录和决策。它可在子系统级和系统级两个层次进行融合，更加全面地利用了冗余层次状态信息，从而能更加有效地降低系统虚警率问题。对比上述3种备选方案，鉴于下一代战机高度智能、高度复杂的特点，分层融合式体系结构最适用于下一代战机机载PHM采用。2.4.军机机电系统PHM的主要建模方法2.4.1.基于数据的PHM系统建模技术基于数据的方法是直接根据对系统工作的监测数据进行推论。通常采用基于统计和学习的模式识别技术进行健康状态预报，采用传感器监测与系统或部件健康状况相关的信号。这种方法以系统的统计特征不变为前提，预报和诊断的准确性完全取决于获取的系统数据的质量。数据分析是状态预报的关键环节。在PHM研究中，常将数据分为两类，即事件数据和状态数据。事件数据直接与发生的故障或失效事件相关，如监测到发动机过热或没有润滑油时，不用进行过多的分析就可以得出发动机即将失效的结论。对事件数据的分析相对简单，但随着事件涉及因素的增加也会变得复杂。对事件数据的分析常采用主要部件分析法和独立部件分析法等多变量的统计分析技术。状态数据是连续的数据，它反映系统或部件的性能随时间变化的情况。如发动机的振动数据可以预示发动机轴承的磨损状态，通过对振动数据的大量搜集和分析可以得到对其失效的预报。对状态数据的处理是从原始数据中提取有用信息的过程，这个过程称作特征提取。有很多数据处理和分析方法可以用于特征提取，包括时域分析法、频域分析法和时频分析法。具体选用何种方法要根据问题的性质选定。2.4.2.基于模型的PHM系统建模技术基于模犁的方法是假定系统的模型可以获得，通过不断地监测实际系统的状态和模型的残差来判断系统的健康状态。故障门限值以采用统计方法确定，而生成残余的方法可以采用参数估计、观测器和奇偶相关(parity relation)等。基于模型的方法的优点是将系统的物理结构和监测数据有机地结合起来，同时将系统的特征向量和模型的参数密切关联。这种方法的主要缺点是复杂系统的建模比较困难，有时甚至不可能。机械系统的诊断研究很多采用了基于模型的途径。这种途径中，作为故障出现指示的残余生成的计算一般使用Kalman滤波、参数估计和奇偶相关法进行。然后再对这种残余进行评估，最终达到故障检测、隔离和识别的目的。有两种主要的预测类型：一种是剩余寿命(RUL)预测，另一种足预测无故障运行的间隔时间。RUL是对信号的一种统计处理，一般给出它的分布或数学期望。要进行预测一般需要两方面的知识：故障传递和失效机理。故障传递过程常用一定状态变化的预测模型跟踪，而失效机理则有两种描述方法：第1种是假定故障仪取决于反映故障级别的状态变量；第2种是使用历史数据变量为失效机理建立一个模型。与故障诊断类似，预测算法也分为3类，即概率途径、人工智能途径和模型途径。HMM(隐马尔可夫模型)是RUL估计中的一个有效工具。使用自组织神经网络的人工智能技术也已成功地用于轴承的RUL预测中。2.4.3.基于知识的PHM系统建模技术在实际工程应用过程中，很多情况下无法获取对象精确的数学模型(如运动学模型、动力学模型等)，限制了基于模型的PHM系统建模技术应用。而基于知识的方法仪需要领域专家的经验知识，不需要对象的数学模型，因此成为一种比较有前途的发展方向。目前，基于知识的PHM系统建模技术主要包括专家系统和模型逻辑等方法。2.5. 飞机PHM系统建模飞机系统结构复杂，按功能叮以划分为机电系统、航电系统、机体结构、发动机等，每个功能又可分为多个层次，如机电系统可以分为液压系统、操纵系统、环控系统、机轮刹车系统等，其中液压系统则包括液压泵、伺服阀、蓄压器、管路等。依据飞机系统本身的分层结构特点，飞机PHM系统模型在设计和开发过程中也可以是分层的。飞机PHM系统的分层体系模型，将PHM划分为飞机平台级、区域级和成员级，各个层次PHM之间提供独立的、标准的软硬件接口形式。其中，区域级是指机电系统、结构系统、航电系统等，成员级则为液压系统、环控系统等。飞机平台级PHM主要用于获取整个飞机系统的健康状态及其变化趋势，并报告给相关的人员。同时还提供必要的接口，以便与机下PHM部分进行交互，也呵在飞行过程中将系统状态监测结果实时传送至地面维修保障系统，为地面维修安排提供依据。区域级PHM主要用于获取不同成员的数据，利用模型库中的知识确认并隔离成员级故障及预测剩余寿命。成员级PHM是部件健康管理方法的实施者，能够获取被测部件的数据，并进行融合处理，实现部件的故障诊断及寿命预测。2.6.飞机典型部件PHM系统建模分析及试验验证飞机液压系统成员级PHM是在各个部件(如液压泵、伺服阀、管路等)PHM研究成果的基础上开发的，因此以飞机液压系统典型部件液压泵为例，采用基于数据方法实现r液压泵PHM系统的建模，并进行试验验证。2.6.1. 液压泵PHM系统建模分析图1反映了典型部件级PHM系统建模过程，描述了PHM的整个检测流程，从前端的传感器及数据采集模型的建立，到最后的寿命预测和保障决策模型的建立，是一个比较完整的PHM建模过程。PHM模型主要包括数据预处理模型、特征提取模型、健康状态预报模型和剩余寿命预测模型。图1压泵PHM系统建模过程(1)基于小波的故障特征提取算法研究。特征提取主要是根据信号类型，采用各种数据处理算法，提取与健康状态相关的各类特征参数。近年来，小波变换被广泛用来进行信息提取。小波分解能够随信号不同频率成分在时域取样的疏密自动凋节，可观测到信号的任意细常，这为提高信噪比和分辨率，进行故障振动提供有效手段；小波可以对被测信号的不同频率成分进行细化和分离，得到有用的频率成分，是一种较好的特征提取方法。将小波分解的过程进行迭代，就可以获得多层小波分解，称为多分辨率分析，或称为多尺度分析。详细地说，在实数域R上平方面积窄间L2(R)内的函数f，可以描述为一系列近似函数的极限函数，这些近似函数都足在不同的尺度上得到的，每一个近似函数都是对函数，的平滑，而且是越来越精细的近似函数。利用小波变换对信号进行多分辨率分析包括两个过程：信号分解和信号霞构。小波变换相当于组滤波器，近似分量为分解出的信号低频分量，而细节信号则对应了信号的高频分量。虽然小波分解是一个迭代过程，理论上可以无限地分解下去，但是在实际应用中，分解到一个有限层数就已经能够满足信号处理和分析的需要了。图2所示为小波分解树图。图2小波分解树图由于通过泵出口检测到的故障信号常被干扰信号淹没，单一故障检测信号呈现出很强的模糊性。因此，基于小波的故障特征提取，是得出被测信号的频率范围，由此作为小波分解中各频带成分被保留或衰减的依据。选择适当的分解层次，利用正交多分辨分析对信号进行小波分解，根据先验知识将小波分解系数中被测信号频率范围之外的小波系数强制性地置0，然后再利用修改后的小波分解系数进行小波重构，从而实现信号中故障特征的提取。针对液压泵的壳体振动数据采用db5小波分解算法，分解层次为5，取前2个频段(01500 Hz)的小波分解信号进行重构(泵的基频为175 Hz，8倍频1400Hz)，得到新的信号，覆盖了有用频率成分，去除了无用的噪声信号。对小波重构信号进行功率谱分析，取功率谱中的基频峰值至8倍频峰值附近能量10 Hz范围内的谱面积)作为特征信号。(2)基于HMM的健康状态预报算法和剩余寿命预测算法HMM(hidden Markov model，隐马尔科夫模型)是一种用参数表示的用于描述随机过程统计特性的概率模型，是一个双重随机过程，由两个部分组成：马尔可夫链和一般随机过程。其中马尔可夫链用来描述状态的转移，用转移概率描述。一般随机过程用来描述状态与观察序列间的关系，用观察值概率描述。对于HMM模型，它的状态转换过程是不可观察的，因而称之为“隐”马尔可夫模型。HMM之所以得到了广泛的应用，是因为这种模型既反映了对象的随机性，又反映了对象的潜在基本结构，便于利用被研究对象的直观先验知识；另外HMM具有严格的数学结构，算法易于软硬件实现。健康状态预报和剩余寿命预测首先应对观测对象的健康状态进行分类，如健康状态可以用正常、性能下降及失效等状态模式来划分，然后利用特征提取结果作为状态预报算法输入进行状态识别。对于液压泵磨损故障来讲，其是一个渐变过程，可以将其状态变化过程作如下划分：良好，无磨损，为新投入使用的设备；轻微磨损，输出功率有一定下降，功能有一定下降，但能正常工作，可以降级使用；中度磨损，功能下降，不能满足性能要求，需要拆卸维修；重度磨损，表示已经达到报废。状态预报算法采用隐马尔可夫(HMM)模型，针对训练样本采用BaumWelch算法进行训练，得到HMM模型参数，采用Viterbi算法对测试样本进行识别，以确定液压泵的健康状态。剩余寿命预测主要根据历史数据和当前特征数据，依据RUL预测算法，来预测部件的剩余使用寿命。针对液压泵采用HMM模型实现RUL预测。剩余使用寿命由从当前状态到失效状态的状态数和每个状态的保持时间决定。已知设备的HMM模型，可以知道剩余的状态数。因此，剩余使用寿命估计的关键是估计状态保持时间，也就是要检测出状态切换的时间点。状态切换点的计算比较直观，通常利用Viterbi算法，实时地对检测到的新观测数据序列进行计算，获得健康状态数据，若发现新的状态与原来的不一样，就说明状态发生了变化。通过泵的HMM模型训练过程，得到能够识别4个磨损状态的HMM模型同时，也可以得到每一个状态在持续时间内的均值和方差以及状态之间的迁移概率。针对每一个测试样本，在确定健康状态后，分别采用向后迭代算法，得到相应泵的剩余寿命。根据上面的考虑，剩余使用寿命预测过程可以归结为如下的步骤：从HMM的参数估计过程，得到HMM的状态转换估计；通过HMM的参数估计过程，得到每个状态周期的概率密度函数，计算出每个状态周期的平均值和偏差；通过分类算法，识别当前的健康状态；通过向后的迭代运算，计算出设备的剩余使用寿命。2.7.军机通用PHM平台一个PHM的通用平台应该支持各种模型的开发、模型的仿真，应该具有信号处理数据库、预报算法数据库以支持各种诊断和预报算法，应具有知识型数据库以支持各种测试、诊断和维护数据的存储和知识的挖掘。除此之外，还应具备各种功能模块运行引擎，嵌入式代码生成工具，支持应用代码的生成，同时还应支持从部件到子系统、系统的PHM开发。目前对PHM的研究还没有一个统一的方法，即使对同一应用对象也有不同的技术途径，为了支持这些小同的研究方法，作为通用平台，应具备必要的数据库。在PHM的应用环境中测试、诊断和预报活动是重要的组成部分，PHM平台应支持这些程序代码的开发和代码生成。PHM系统运行过程如图3所示。图3 PHM系统运行过程图3反映了PHM系统实际运行过程，虚线的下半部分表明了PHM的整个检测流程，从前端的传感器数据采集，到最后的寿命预测和保障决策支持，可以说是一个比较完整的检测流程，而虚线的上半部反映了HM通用平台，包括PHM设计平台和运行平台，采用分离式的结构。PHM通用平台的体系结构如图4所示。PHM通用平台主要由PHM模型开发平台和PHM模型运行平台构成，还包括模型数据库等。图4 PHM通用平台体系结构PHM模型开发平台具有诊断模型建模(可以是符合IEEEl232标准的诊断模型，如FTM)、预报及预测模型(如HMM、ANN等)建模功能。对于不同的被测对象，模型编辑平台通过可视化流程编辑方式，可以定义与其相适应的采集数据接口类型格式(TCPIP,共享内存，RS232485及其他总线形式)、预处理算法、特征提取方式、诊断模型、预测算法及输出结果显示方法等各种模型元素，将其按照一定的流程综合起来，组成一个针对该被测对象的具备诊断隔离、状态预报和剩余寿命预测功能的完整PHM模型。历史数据库主要用于存放被测对象的测试结果，要求按照IEEE P1636标准以XML格式存放，可以作为数据挖掘功能的数据源。模型库用于存放PHM模型，主要包括PHM模型元素、元素之间流程关系、诊断逻辑及数据接口等，同时也存放各类预处理算法(如数字滤波、数据平滑、剔除异常点及归一化等)、诊断及预测算法(如频谱分析、HMM及ANN等)等，模型编辑可以调用这些模块来组成PHM模型。PHM模型运行平台通过测试数据接口和模型运行引擎实现实时诊断和预测功能，模型运行引擎实质是一个通用推理引擎，可以通过输出模块能够实时给出被测对象故障隔离结果、健康状态和剩余寿命。PHM通用平台的通用性主要体现在系统硬件和软件的开放性，除了要求系统硬件采用商用的硬件资源，具有“即插即用”的特性外，软件接口也要求具有扩展性。PHM模型开发平台界面友好，通用性强，用户可以针对被测对象的特点建立符合其他要求的PHM模型，而且所建立的模型具有可扩展性和可移植性的特点。此外PHM通用平台可以定义与机载设备交联的接口，通过接收其数据完成实时诊断功能，也可以和地面测试设