大数据下的雷达健康管理系统范文

摘要：武器装备全寿命周期管理的需求推动了雷达故障预测与健康管理技术的研究和发展，雷达装备也逐步由原先的预防性维修和事后维修模式向视情维修模式转变。大数据技术和雷达健康管理系统的有机结合，可以有效地整合雷达在役阶段的数据资源，与设计、制造、售后等其他寿命周期阶段串联在一起，真正实现雷达装备的全寿命周期管理。提出一种基于大数据的雷达健康管理系统的网络平台框架，并介绍了雷达健康管理系统的关键技术。

关键词：大数据；故障预测与健康管理；视情维修；全寿命周期

随着大型武器系统的性能不断提升，组成日益复杂，在可靠性、故障诊断、维修保障等方面暴露的问题也日渐突出。传统的维修模式很难避免“过维修”和“欠维修”，因此基于状态的视情维修(CBM)模式得到了重视和应用，同时也推动了故障预测与健康管理(PHM)技术的研究和发展。通过提高维修保障能力，可以保证装备的完好性和可用度水平，使新装备尽快形成战斗力。故障预测，即预计性诊断部件或系统完成功能的状态，包括部件的剩余寿命或正常工作时间。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[1–2]。综合以上两方面的功能，PHM是指利用各种传感器在线监测、定期巡检和离线检测相结合，广泛获取设备的状态信息，借助多种智能推理算法评估设备的健康状态；对故障进行预测，提供维修保障决策、实施计划以实现系统的视情维修[3]。

1PHM架构设计

1.1视情维修开放式体系架构

健康管理系统一般采用视情维修开放式体系结构(OpenSystemArchitectureforCondition-BasedMaintenance，OSA-CBM)，该体系架构可用于指导武器装备的健康管理系统设计。健康管理体系架构如图1所示，分为7个功能模块：数据采集模块、数据处理模块、状态监测模块、健康评估模块、故障预测模块、决策支持模块、接口模块[4]。该体系架构的各模块之间并没有明显的界限，存在着数据信息的交叉反馈。

1.2数据采集模块

使用传感器获取产品生命周期各阶段的运行信息和性能参数变化情况，包括环境和系统各部件的运行参数，如信号的幅度、峰值及变化速率等。

1.3数据处理模块

雷达状态参数虽经选取，但实际采集的数量仍很庞大，而且数据还存在一定程度的重叠。这就需要进行预处理和特征提取，用远少于原始数量的特征来充分、准确描述装备的运行状态，从而降低故障诊断的复杂度。由于雷达装备故障形式的多样性，状态和原因之间往往是一种复杂的非线性映射关系。因此，必须进行多状态的综合才能有效推断装备故障[5]。

1.4状态监测模块

状态监测采用基于门限的故障检测算法，实现雷达设备的故障判断。如果参数值偏离门限阈值，则判为设备或传感器状态异常，然后调用基于合成运算的推理方法进行模糊推理，采用最大隶属度阈值原则对故障原因向量进行处理，判断故障特征与之对应的故障原因。

1.5健康评估模块

健康评估需要先构建雷达装备健康评估指标体系，对雷达探测能力、保障能力等指标进行评估。健康评估是通过可靠的评价方法和完整的数据来判断装备所处的状态，查明故障隐患和初期异常，鉴定和定位故障的根源。

1.6故障预测模块

故障预测主要通过历史数据和实时监测数据，利用信号分析、故障诊断、可靠性评估、寿命预测等技术，判断装备的状态，对故障部位及其严重程度、发展趋势做出判断，预测的类型主要是基于特征和模型。

1.7决策支持模块

决策支持主要是根据故障诊断、健康评价和状态预测结果，辅助提出装备维修保障方案。维修保障方案主要包括维修内容、方式、人员、器材和步骤等，为雷达的现场维修提供决策依据。1.8接口模块接口模块主要包括：人机接口、机机接口和模块间接口。在接口模块设计中，数据总线的设计和选择非常重要。

2大数据网络平台设计

由于雷达装备分布位置广，综合保障要求高，需要构建雷达全寿命过程的海量数据库，实现装备的远程和深度诊断功能。因此，实施多个现场的综合诊断与系统健康管理必不可少，大数据网络平台为实现这种要求提供了可能。大数据网络平台一般采用浏览器/服务器(Browser/Server，B/S)模型，如图2所示。建立三级系统架构：表示层、功能层和数据层[6]。B/S模型结构可实现数据管理与用户管理更大的灵活性与开放性。在B/S结构下，在客户端只需要安装浏览器及相关协议软件，即可访问服务器。软件的开发、维护与升级只需在服务器端操作，缩短了系统开发周期，降低了维护费用。在物理部署层面，大数据网络平台可以划分为现场监测层(雷达站点)和远程诊断层(旅团或战区级监控中心)两层。现场监测层主要负责对雷达设备或传感器输出的各类数据信息进行获取、监视、处理，通过健康管理单机系统进行诊断、分析评估及综合管理，为雷达设备运行提供近程、就地的技术保障。远程诊断层利用异地网络平台、应用服务器、显示系统等硬件平台，以及包括外部远程服务器在内的远程故障诊断客户端服务，通过有线或无线方式，获取雷达输出的各种状态数据，构建覆盖雷达装备全寿命周期的海量数据库及综合知识库，实现区域内所有雷达的远程及深度诊断，评估雷达健康状态，预测雷达网探测与保障能力，为维修保障活动提供支撑[7]，如图3所示。

3关键技术

3.1大数据技术在雷达健康管理系统的应用

下一代主战雷达要求对装备实施全寿命周期管理，健康管理系统必须具备海量数据的处理能力和大数据的深度挖掘功能，能够利用先进算法，建立相应的模型，对雷达系统或组件的运行趋势进行预判，为维修保障做出决策依据。通过大数据技术与健康管理系统的有机结合，可以使雷达具备战场环境的智慧感知能力，拥有在线智能决策，离线自主学习的功能；可以有效地整合雷达在役阶段的数据资源，将设计、生产、售后等其他寿命周期阶段串联在一起，真正实现雷达装备的全寿命周期管理。大数据技术在雷达健康管理系统上的应用还需要解决以下几个问题：首先是要解决目前较窄的监控数据总线带宽和健康管理海量数据之间的矛盾；另外海量数据中必然存在大量与雷达健康状态关联性不高的低质数据，如何降低低质数据对决策产生的影响？这就需要识别雷达中故障率高的设备或部件，对其故障模式进行辨识，采集与之相关的数据，避免采集无效或关联度不高的数据，从而提高数据的利用率[8]。

3.2雷达状态指标动态评估技术

雷达状态指标一般包括雷达的探测性能和保障能力，探测性能包括雷达基本性能和情报质量，雷达基本性能指标又分为：探测威力、探测精确度、跟踪能力、抗干扰能力等[9–10]。以相控阵雷达天线系统为例，天线系统中的收发(Transmitter-Receiver，TR)组件很难避免损坏，损坏组件的位置分布对天线整体效能的影响也不尽相同[11]。系统通过收发校正的方法生成天线的幅度分布图，实时计算方向系数，通过与预存的正常状态下的天线方向系数进行对比，可以得出天线发射增益、接收增益、副瓣、波束指向等性能指标的变化情况。最后经性能评估后，将健康评价和状态预测结果送至决策支持模块，为视情维修提供决策依据[12–13]。如图4所示。

3.3以可靠性为中心的维修保障策略

以可靠性为中心的维修保障(ReliabilityCenteredMaintenance，RCM)决策，通过产品构型、操作卡、履历和状态管理，衔接了维修设计、维修计划、维修过程、分析评价、维修改进等各个环节，实现了产品的动态维修和全寿命周期跟踪管理[14–15]。维修保障任务的动态生成过程如图5所示，以维修操作卡的操作为核心，具体包括维修操作卡的生成、变更和维护等。首先通过可靠性分析、故障分析、过程跟踪、方案拟制等任务流程的细化，获得各项维修工序的操作步骤和所需资源，这是生成维修操作卡的基本条件。如果上述任务流程的具体内容发生了变化，会触发相应维修操作卡的变更操作。在生成维修操作卡时，可以将1个或多个任务组合在一起，根据任务涉及的维修项目，预先置入任务策略，也支持任务生成自学习策略，在使用过程中进行补充和丰富。

4结论

通过基于大数据的雷达健康管理系统的构建，实时采集装备状态信息，判断、定位故障，评估雷达健康状态，预测故障趋势和装备寿命，为雷达维修保障决策提供了依据。故障预测是PHM技术中的难点，需要长时间积累雷达的状态数据，建立预测模型，采用深度数据挖掘技术，实现对雷达系统或部件运行趋势的预判；同时还要依据装备实际运行状况，对算法和模型进行调整，以提高预测的准确度。

作者：夏勇 丁岐鹃 尤路 单位：中国电子科技集团公司