预测与健康管理在惯导系统中的应用研究

    赵剡 滕冲 杨辉 魏鹏

    

    

    

    摘要:为保证惯导系统高性能、低保障费用、安全可靠地完成导航任务,在对惯导系统性能影响因素分析的基础上,提出一种基于性能的惯导系统健康管理(INS-PHM)体系架构。它采用多层次模糊综合评价的智能模型与算法对惯导系统综合性能进行预测、评价。仿真实验验证了该方法的可行性,为实现基于PHM技术的惯导系统健康管理提供了一种有效的解决途径,具有一定的工程应用价值。

    关键词:惯导系统;预测与健康管理;性能影响因素;多层次模糊综合评价

    中图分类号:U666.1 文献标识码:A 文章编号:1673-5048(2014)02-0049-05

    0、引言

    惯性导航系统(INS)以其全天候、全球性、连续性、自主性强的导航特点,在航空飞行器和航天运载器等各导航设备中占有核心地位。因其为技术密集和高度复杂的系统,常发生系统故障,直接影响导航性能。如何减少故障发生频率、减少维修人力和保障费用、提高系统可靠性迫在眉睫。预测与健康管理(Prognostics and Health Management,PHM)作为新一代武器装备的关键技术,在提高安全l生、可靠性、完成任务成功性及降低保障费用等方面有重要作用。PHM技术核心是利用先进的传感器(微机电系统MEMS等),借助各种算法(快速傅里叶变换、小波变换等)和智能模型(神经网络、专家系统、模糊逻辑、遗传算法)对复杂系统进行诊断、预测、监控和健康管理。PHM技术是对传统机内测试(BIT)、状态(健康)监控和故障诊断技术的进一步拓展,从对部件或系统故障的被动反应(事后处理)转向主动监测(CBM),引入故障预测环节,借助这种提前预知能力,提前识别可能发生的故障,提高对复杂系统工作状态的了解,并综合管理规划,最大程度降低故障带来的损失,提高复杂系统的任务可靠性和安全性。一个完整的PHM系统通常要完成以下功能:①故障检测与隔离(FDI);②故障检测与恢复隔离(FDR);③故障预测(FP);④剩余使用寿命预计;⑤部件寿命跟踪;⑥性能降低趋势跟踪;⑦决策支持和资源管理;③信息融合与容错;⑨信息管理。近年来PHM技术在大型飞机、航空电子产品等领域得到很好的研究和应用。

    本文在惯导系统性能影响因素分析的基础上,提出了一种惯导系统健康管理(INs-PHM)体系架构,借助多层次模糊综合评价法对惯导系统综合性能进行评价,为实现惯导系统健康状况预测和管理提供一种有效的解决途径。

    1、INS性能影响因素分析

    惯性导航系统通常由惯性测量单元(InertialMeasurement Unit,IMU)和导航计算机组成。IMU通常包括3个相互正交的加速度计和陀螺仪:导航计算机利用IMU在外界复杂环境干扰下的实际输出值,在给定的初始条件下,解算出载体的瞬时位置、速度以及姿态信息,如图1所示。

    惯导系统能否安全稳定地完成导航任务并且给出高精度的定位结果,不仅与系统复杂的硬件条件及导航算法有关,而且还受外界环境因素影响。惯性传感器表现出的大误差除硬件故障(传感器无输出、无读数、超指标)和装配故障外,还可能表明系统可能处在一个比设计指标大得多的震动环境。

    因此,有必要对可能影响导航精度和综合性能的因素进行分析:①导航精度:由于导航位置信息是由加速度计敏感的加速度值经二次积分得到,致使其误差随时间积累而发散,导致定位精度降低;②综合因素:传感器的各种误差(固有零偏、随机漂移、安装误差等)、所处环境因素(温度、震动、湿度、压力、冲击等)。图2列出了对惯导系统性能有较大影响的相关性能制约因素。

    2、INS-PHM体系架构

    现代先进武器对导航精度和系统“五性”(可靠性、维修性、测试性、保障性和安全性)提出了更高的要求,惯导系统本质相当于多传感器的综合处理系统,传统方法提高性能主要是通过冗余技术,即以硬件冗余为主,软件冗余为辅的手段,实时对部件及系统进行检测、隔离,但不能提前预知可能的隐患。通过对国外视情维修的开放体系结构的研究,在此给出INS-PHM体系架构,如图3所示。由图知,将惯导系统PHM体系分成三层。底层主要负责惯导系统数据采集与传输。中间层则是软件管理层,负责PHM功能的算法实现。顶层则为用户管理层。将三层细分为以下六层,各层功能如下:

    (1)数据采集与传输层:由惯导系统中的各传感器、数据采集卡、数据传输卡等组成,利用数据采集卡实现对各传感器输出数据的采集和转换,再利用数据传输卡将转换后的数据通过RS232串行接口传送给上位机,以便对采集的数据处理。

    (2)数据处理层:接收来自各传感器的输出信号及其他部分信号并进行预处理,主要包括数据存储、滤波处理、特征数据提取等。

    (3)状态监控层:首先建立系统健康状态知识库,将经过预处理的数据同知识库中的数据进行比对,进而判断系统的健康状况,同时判断所提取的特征信息量是否在阈值及安全范围内,从而实现对系统状态的监控。

    (4)健康状态综合评估层:该层次算法实现的准确性直接影响PHM在惯导系统中是否成功应用。主要实现对系统故障的检测与诊断,若判断有故障,向用户警告,借助冗余的硬件实现FDI或FDR;若无故障,则对元件级和系统级进行故障预测,预判可能发生故障的原因和时间,进而提前进行维护和重点监测,同时将监测数据更新到知识库中。

    (5)决策层:对上层各类监测状况视情处理。

    (6)表达层:主要包括机一机接口和人一机接口。其中机一机接口主要实现各模块间的数据通信,人一机接口主要对上述几部分的数据及结果信息给予显示,实现友好的人机交互。

    3、多层次模糊综合评价法

    系统安全性综合评价时的评语通常带有模糊性,所以宜采用模糊综合评价法,此方法关键之处在于对指标权重的选取,而模糊综合评价的权重通常由专家组给出,由此带来的主观性可由层次分析法(AHP)弥补,提高评价结果的可信度。主要步骤如下:

    5、结束语

    本文提出的INS-PHM体系,在传统FDIR基础上,引入故障预测和健康管理,基于智能推理机软件来模拟物理系统真实的工作状态,实现对系统未来健康状况的预测和管理,采用多层次模糊综合评价法作为预测方法,对惯导系统综合性能做出评价。实验1的评价结果为良好,说明此惯导系统健康状况虽不是最佳,但各项指标均在正常范围内,在低精度条件下仍可使用,要继续监控其健康状况以便进行管理决策:实验2的结果为不健康,说明某项或某几项指标超出正常范围,系统应立即停用并进行故障定位,与仿真条件吻合。实验证明该方法可简易合理地对惯导系统健康状况进行预判。