CN111553590A - 一种雷达嵌入式健康管理系统 - Google Patents

Abstract

本发明公开了一种雷达嵌入式健康管理系统，属于雷达管理技术领域。本发明构建于平台层，包括：数据层，用于从平台层获取与存取管理雷达的原始数据；应用层，用于雷达健康数据多维度解析与维修指导，包括状态监测模块、故障诊断模块；所述状态监测模块，对雷达测试参数进行监测，并将监测结果输出到故障诊断模块；所述故障诊断模块，对接收的监测结果依据诊断规则进行搜索匹配，针对搜索匹配到的规则，判断是否存在模糊组，若不存在，则输出诊断结论；若存在模糊组，则启动贝叶斯网络进行诊断。本发明实现雷达健康数据多维度分析，涵盖健康管理主要功能要素，可适应不同领域雷达的健康管理需求。

Description

一种雷达嵌入式健康管理系统

技术领域

本发明属于雷达管理技术领域，具体涉及一种雷达嵌入式健康管理系统。

背景技术

随着相控阵技术的快速发展和大量应用，军民用雷达系统的复杂程度越来越高，对其综合保障能力提出更高要求。

目前国外已经可以依据雷达装备实际基础，研制出与雷达装备结合的通用健康管理软件功能模块，从而解决装备故障诊断精度不高、装备性能状态评价薄弱、装备维护成本高等突出问题。

但就国内而言，一方面，传统雷达诊断软件中的故障诊断通过故障树算法等实现，雷达装备监测信息不足，未充分利用故障部件的统计信息，无法进一步对雷达进行诊断。另一方面，雷达装备出现故障后如何判断装备状态否具备执行任务条件，可以执行哪些特定任务，如何综合评价雷达装备健康状态研究处于起步阶段。再一方面，装备综合保障主要以定期维护为主、维修保障成本高，故障发生后实现最优维修方案的决策，提高保障效率，尚未有好的应用。

发明内容

本发明目的是提供一种雷达嵌入式健康管理系统，能实现雷达健康数据多维度分析，涵盖健康管理主要功能要素，可适应不同领域雷达的健康管理需求。

具体地说，本发明提供了一种雷达嵌入式健康管理系统，包括：

数据层，用于获取与存取管理雷达的原始数据；

应用层，用于雷达健康数据多维度解析与维修指导，包括状态监测模块、故障诊断模块；

所述状态监测模块，对雷达测试参数进行监测，并将监测结果输出到故障诊断模块；

所述故障诊断模块，对接收的监测结果依据诊断规则进行搜索匹配，针对搜索匹配到的规则，判断是否存在模糊组，若不存在，则输出诊断结论；若存在模糊组，则启动贝叶斯网络进行诊断；

表示层用于呈现各功能模块的结果展示。

进一步的，所述诊断规则包括规定各故障模式的格式、故障模式的危害等级、故障模式的编码、故障发生时逻辑判断、故障部件编号，通过诊断模型文件定义。

进一步的，所述启动贝叶斯网络进行诊断的具体方法包括：

构建贝叶斯网络，其中，父节点为故障类型，子节点为故障征兆，父节点与子节点有向边的连接表征故障类型与故障征兆间的因果关系；设定父节点与子节点关联关系；

将各个故障类型的发生概率作为故障类型的先验概率；

基于故障类型发生后该故障征兆发生的概率，利用网络参数学习算法计算获得故障征兆发生的条件概率；

基于状态监测模块接收的监测结果，按照贝叶斯公式计算各个故障类型发生的后验概率，最大的后验概率对应的故障作为启动贝叶斯网络进行诊断的结果。

进一步的，对记录有历史状态数据的雷达装备，所述先验概率计算的方法为从雷达装备历史状态数据中提取各故障类型的发生频次信息，按下式计算所得的故障率γ作为故障类型的先验概率：

其中，C为时间范围Δt内发生故障的个数；N为雷达装备使用的同类部件的个数，，Δt为使用雷达装备的时间。

进一步的，获得所述先验概率的具体方法包括：

(1)确定需要获取先验概率的故障类型的影响因素集U，U＝{u₁,u₂,u₃,u_i...u_m}，其中u_i为一项影响该故障类型是否发生的因素，m代表该集合中因素个数；

(2)确定故障类型发生概率的评价等级，即评价该故障类型发生各种可能结果的可能性大小评价集为V，V＝{v₁,v₂,v₃,v₄,v₅}＝{很高,高,中,低,很低}，将故障类型发生可能性划分为5个等级；

(3)构建U与V之间的模糊关系矩阵R，用于评价各个影响因素u_i与各种可能结果的可能性大小评价集V的对应关系；定义模糊关系矩阵R表达式：

其中，R_i代表对影响因素u_i导致该故障类型发生的可能性评价，r_ij代表针对第i影响个因素，作出第j种评价的可能性，其中0≤r_ij≤1，m代表影响因素个数，n代表评价集合中评语集中等级个数；

(4)结合不同影响因素影响的重要程度，对评价结果的影响赋予不同的权重a_i，得到权系数矩阵A的表达式：

A＝{a₁,a₂,a₃,a_i…a_m}，其中

(5)计算获得模糊综合评价矩阵B，得出评价结果，模糊综合评价矩阵为B为：

将模糊综合评价矩阵B中最大的参数相应的概率值作为该故障类型的先验概率。

进一步的，所述应用层还包括健康评价模块，健康评价模块接收故障诊断模块的输出结果，并对该输出结果进行如下判断：

如果没有故障发生，则直接输出系统健康的结论，结束；如果存在故障，则进一步判断故障对应危害等级否为是I级或者II级；如果是I级或者II级，则直接输出雷达停机维修的结论，结束；如果故障对应危害等级是IV级或者III级，则进一步由健康指数计算模型及性能输入参数计算雷达整机系统的健康指数，依据健康指数值进行相应的装备维护。

进一步的，所述计算雷达整机系统的健康指数的具体方法如下：

其中

其中，样本数据为(x_i,y)的形式，x_i为健康指数计算模型的性能输入参数，

y是雷达健康指数，θ为调整系数，取值范围在1～2之间，用于使得雷达健康指数y的范围在0～1；w^T为各个性能参数的权系数的集合。

进一步的，所述确定各个性能参数的权系数w_i的具体方法如下：

w_i＝k_iw1_i+(1-k_i)w2_i

其中,w1_i为通过专家赋值法获得的第i个专家赋值权系数，∑w1_i＝1；w2_i为通过影响赋值法取得的第i个影响赋值权系数，∑w2_i＝1；k_i为待确定系数；

将各个性能参数指标按其重要程度分为若干重要等级；每个等级下可能含有若干个评价指标，这些同等级指标间重要性差别远小于跨等级指标差别；确定w_i遵循的判断规则如下：

(1)若各个评价指标处于同一个重要等级上，则取k_i＝0，即w_i＝w2_i；

(2)若评价指标处于不同重要等级上，同时专家赋值法获得权系数排列顺序与影响赋值法

获得权系数排列顺序一致，则取k_i＝0，即w_i＝w2_i；

(3)若评价指标处于不同重要等级上，同时专家赋值法获得权系数排列顺序与影响赋值法获得权系数排列顺序不完全相同，但是评价指标对应重要等级排序是一致的，则取k_i＝0.5，即w_i＝w1_i+w2_i；

(4)若评价指标处于不同重要等级上，同时专家赋值法获得权系数排列顺序与影响赋值法获得权系数排列顺序完全不相同，评价指标的权系数对应重要等级排序也不一致，则取k_i＝1，即w_i＝w1_i。

进一步的，所述应用层还包括维修决策模块；维修决策模块接收故障诊断模块、健康评价模块的输出数据，并对雷达系统状态进行判断，即判断是否存在影响任务执行的故障；如果存在，则直接通知维护人员进行修复；如果不存在此类故障，则进一步判断系统健康状态是否满足任务需求；如果满足，则直接结束本次维修决策过程，如果不满足，则执行维修决策判断，即基于功效系数的雷达决策模型给出最优维修方案。

进一步的，所述基于功效系数的雷达决策模型给出最优维修方案的具体方法如下：

(1)定义维修方案集合F：针对维修任务的需求，确定与任务相关的决策指标

{x_j|j＝1,2,3…q}，设定每个维修方案f涵盖涉及的决策指标x_j，

f＝{x_j|i＝1,2,3…q}；假设雷达装备在故障状态下共有p个维修方案

{f_i|i＝1,2,3…p}，f_i代表第i个维修方案，x_ij表示f_i维修方案中第j个评估指标；装备故障状态下维修方案集合为F，则依据维修方案定义有：

(2)指标标准化处理：通过极差变换法将不同量纲的指标归一化处理，得到无量纲的指标；指标分为正向指标和负向指标两类；由无量纲的评估指标构成标准化评估指标集，从而得到标准化决策矩阵；

(4)依据维修指标对维修任务的影响，利用熵值加权法确定各个指标权重系数；

(4)基于获取的各个指标的权重系数，通过功效系数模型对将各指标的相异度量转换为统一的功效系数，以各个维修方案计算获得的总功效系数为判据，对各个维修方案进行排序，最大总功效系数对应的维修方案为最优的维修方案。

进一步的，所述应用层还包括趋势预测模块；所述趋势预测模块，围绕雷达系统以及各子系统的关键参数进行长期监测、记录，并对历史数据进行统计分析、预测建模，预测该关键参数在接下来一段时间内发展趋势。

本发明的雷达嵌入式健康管理系统的有益效果如下：

本发明的基于国产平台的雷达嵌入式健康管理软件，实现雷达健康数据多维度分析，并生成精益高效的维修策略，涵盖健康管理主要功能要素，可适应不同领域雷达的健康管理需求：

故障诊断模块实现基于规则和贝叶斯网络的融合诊断方法，提出基于部件的故障频率来重新更新计算先验概率方法，解决雷达装备缺少监测信息而无法进一步诊断难题；

健康评价模块构建基于故障危害等级定性评价和基于性能指标定量评价方法，从故障危害等级和性能指标综合评价两个维度评定装备健康状态，给出健康指数计算模型以及权系数计算方法，突破装备健康状态评价难题；

维修决策模块结合雷达几个维修指标提出基于功效系数的雷达维修方案最优决策过程，明确基于维修指标进行维修方案决策中最优方案选择方案，降低保障费用，提升保障效率。

附图说明

图1是本发明实施例的雷达嵌入式健康管理系统架构图。

图2是本发明实施例的应用层功能模块数据结构关联关系示意图。

图3是本发明实施例的故障诊断模块工作流程图。

图4是本发明实施例的健康评价模块工作流程图。

图5是本发明实施例的维修决策模块基本处理流程图。

具体实施方式

下面结合实施例并参照附图对本发明作进一步详细描述。

实施例1：

本发明的一个实施例，为一种雷达嵌入式健康管理系统。

本发明针对现有的雷达健康管理软件能力的不足以及国产化需求，构建了基于国产平台的雷达嵌入式健康管理软件。软件组成层次如图1所示，包括数据层、应用层和表示层。平台层为软件运行提供适配环境，组成包括国产化龙芯CPU、国产化麒麟操作系统、国产化人大金仓(Kingbase)数据库，雷达数据经过平台层送至软件数据层。数据层用于获取和存取管理雷达原始数据，包括Kingbase数据服务、数据组织与管理模块。应用层实现雷达健康数据多维度解析与维修指导，包括状态监测、故障诊断、健康评价、趋势预测、维修决策、统计分析等业务模块。表示层用于呈现各功能模块的结果展示，包括状态列表、故障信息、统计图表、维修列表等。

应用层的故障诊断模块采用基于规则匹配快速诊断和贝叶斯网络深度诊断方法，实现对已有故障模式快速隔离，同时基于专家经验的模糊评价法获取各故障类型的先验概率，实现更高隔离精度；健康评价模块构建基于故障危害等级定性评价和基于性能指标定量评价方法，通过健康指数模型实现对雷达整体健康状态定量评价；维修决策模块根据基于功效系数、结合多属性最优的雷达维修决策方法，结合任务需求以及维护效率等因素给出最优维修方案。

数据层中数据服务模块采用Kingbase数据库，其它国产数据库可实现等同功能。数据服务模块具备数据存取维护功能，数据来源包括雷达的校准模式、正常工作模式、自动化测试等过程，数据层的数据组织与管理模块负责实现各类数据结构化管理，满足各应用层模块的数据调度请求以及数据维护需求。

应用层各个功能模块数据结构关联关系如图2所示。状态监测模块的数据结构组成包括测试项编号、测试项结果、测试项状态(正常或异常)等参数，这些参数送至后续故障诊断模块、健康评价模块、趋势预测模块、维修决策模块，这些模块在后续进行故障诊断、健康评价、趋势预测、维修决策时需依赖这些数据。故障诊断模块的数据结构组成包括故障项编号、故障发生标记、故障危害等级等。故障危害等级是指特定故障发生后对系统危害程度，一般划分为I～IV级共四级，对应描述分别是灾难的、致命的、中等的、轻度的。故障诊断模块的相关数据项输出后送至健康评价模块、趋势预测模块、维修决策模块，其中故障危害等级是健康评价模块评定系统健康等级依据。健康评价模块的数据结构组成包括评价项编号、系统健康等级、系统健康系数等。系统健康等级划分健康、亚健康、不能工作三类。评判系统健康等级的结果直接影响后续维修决策，例如如果系统健康等级是不能工作，则需要立即维修，反之如果是亚健康，则需要进一步判断。系统健康系数指雷达当前状态相比于完好状态情况下的系数占比，一般取值范围为0～1。例如，设定当健康系数为0.9～1时，不影响雷达执行任务，正常工作。故障诊断模块的障危害等级与健康评价模块的健康等级对应关系如下：I和II级对应健康等级的不能工作，III级对应健康等级的亚健康，IV级对应健康等级的健康。健康评价模块的相关数据输出后送到趋势预测模块、维修决策模块，用作维修决策判断所依赖的数据。趋势预测模块的数据结构组成包括预测参数编号、预测参数含义(如齿轮磨损状态、滚动轴承寿命等)、参数历史数据、预测结果等。趋势预测模块的相关数据输出到维修决策模块，用于对潜在趋势故障提供决策判断。维修决策模块的数据结构组成包括前述各模块的输出、维修费用、故障损失、故障维修时间、维修方式编号等。维修费用、故障损失、故障维修时间均是衡量故障维修成本的相关指标。统计分析模块的数据结构组成包括统计参数编号、统计时间编号等，统计分析模块需要的分析数据从数据库获取，可进行分析的数据结构包括部件故障次数、参数历史数据、分系统状态占比分析等。各个功能模块中状态监测模块为功能起始，后续四个模块(故障诊断、健康评价、趋势预测、维修决策)依据用户需求执行。统计分析模块独立于前述五个功能模块(状态监测模块、故障诊断模块、健康评价模块、趋势预测模块、维修决策模块)，单独运行，不受这五个模块影响。

故障诊断模块

应用层的故障诊断模块构建了基于规则匹配快速诊断和贝叶斯网络深度诊断策略，模块工作流程如图3所示。首先加载诊断模型文件，接收状态监测模块输出结果，故障诊断模块使用状态监测模块的测试项编号对从诊断模型文件中解析出来的诊断规则进行搜索匹配，针对搜索匹配到的规则，判断是否存在模糊组。判断方式为，如果匹配上的单个规则中隔离的故障LRU(line replaceable unit，现场可更换单元)个数不大于1，则认为不存在模糊组，输出诊断结论；如果个数大于1，则认为存在模糊组，启动贝叶斯网络诊断：

基于雷达装备已有的FMECA(Failure Mode,Effects and CriticalityAnalysis，故障模式、影响及危害性分析)表中各个故障模式以及对应的监测点构建故障类型-故障征兆(父节点-子节点)的网络互联关系，即贝叶斯网络模型；故障模式指对产品所发生的、能被观察或测量到的故障现象的规范描述；

基于雷达装备之前已有的历史记录故障数据,计算获得各个故障类型的发生概率参数，即故障类型的先验概率；

利用已有的常见网络参数学习算法(如贝叶斯估计、最大似然估计)计算获得故障征兆(子节点)发生的条件概率；

按照贝叶斯公式和从状态监测模块接收的监测点信息计算各个故障类型发生的后验概率，最大的后验概率对应的故障即为进一步判断得出的诊断结果，将对应部件故障信息存储到数据库中，并输出诊断结果。

故障诊断模块输出诊断结果至健康评价模块和数据组织与管理模块。

其中，诊断模型文件为xml文件，诊断规则规定诊断模型文件中各故障模式的格式、故障模式的危害等级、故障模式的编码、故障发生时逻辑判断、故障部件编号等。下面举例说明xml配置文件包含元素。

<RECORD>

<ORDER>1</ORDER>

<FAULTCODE>F_00_01</FAULTCODE>

<FAULTRELATED>F_00_02</FAULTRELATED>

<FAULTJUDGE>T1[0]*T2[1]</FAULTJUDGE>

<FAULTREASON>电源输出欠压</FAULTREASON>

<FAULTID>LRU001</FAULTID>

<FAULTGRADE>IV</FAULTGRADE>

</RECORD>

其中，故障部件编号<FAULTID>为LRU001，表示该部件坏了；测试项编号对应某个测试项，即对应某个测试参数，即需要判断是否发生故障的测试项编号，为T1；故障项编号<FAULTCODE>为F_00_01，与FMECA表格中故障项编码含义一致。<FAULTRELATED>代表与该故障模式存在关联关系的其它故障项编号。<FAULTREASON>代表故障原因，<FAULTGRADE>代表故障模式危害等级，与FMECA表格中故障等级一致。

故障模式和故障模式的危害等级可以从产品FMECA表获取，该表格信息需要各个设计人员结合实际情况填写。故障模式的编码自定义。故障发生时逻辑判断则利用逻辑表达式表征，形式如T1[0]*T2[1]。逻辑符号包括与(以*表示)、或(以|表示)、括号()等，T1、T2为测试项编号，[]为测试项状态，测试项预设值与实际值都满足时，表示故障发生。以T1[0]*T2[1]为例，假设0代表正常，1代表异常，判断规则就是T1正常同时T2异常时故障发生，判断的过程就是判断测试项T1和T2实测值是否与表达式预设相同，相同则故障发生。

其中，贝叶斯网络需要确定父节点(故障类型)与子节点(故障征兆)关联关系，这些关系通过FMECA表以及专家经验获取。父节点与子节点有向边的连接表征故障类型与故障征兆间的因果关系。故障类型先验概率依据雷达装备之前已有的历史记录的故障数据，统计各个故障类型发生的概率，作为先验概率；故障征兆的条件概率则基于故障类型发生后该故障征兆发生的概率，该条件概率基于先验概率，利用已有的常见网络参数学习算法(如贝叶斯估计、最大似然估计)计算获得；后验概率则是故障征兆出现情况下故障类型发生的概率，通过贝叶斯公式计算获得。

获取各个故障类型精确的先验概率是贝叶斯网络诊断是否正确的关键。

针对记录有历史状态数据的雷达装备，直接从其历史状态数据库提取各个故障类型的发生频次信息，将计算的故障率γ作为故障类型的先验概率，具体计算公式为：

其中，C为时间范围Δt内发生故障的个数；N为雷达装备使用的同类部件的个数，Δt为使用雷达装备的时间。

针对缺少故障类型发生频次数据的情况，本发明提出利用基于专家经验的模糊评价法获得各故障类型的先验概率。具体实现步骤如下：

(1)确定需要获取先验概率的故障类型的影响因素集U，U＝{u₁,u₂,u₃,u_i...u_m}，其中u_i为一项影响该故障类型是否发生的因素，m代表该集合中因素个数。

(2)确定故障类型发生概率的评价等级，即评价该故障类型发生各种可能结果的可能性集合，这里设置可能性大小评价集为V，V＝{v₁,v₂,v₃,v₄,v₅}＝{很高,高,中,低,很低}，将故障类型发生可能性划分为5个等级。

(3)进行单影响因素评价,构建U与V之间的模糊关系矩阵R，用于评价各个影响因素u_i与各种可能结果的可能性大小评价集V的对应关系。定义模糊关系矩阵R表达式：

其中，R_i代表对影响因素u_i导致该故障类型发生的可能性评价，r_ij代表针对第i影响个因素，作出第j种评价的可能性，其中0≤r_ij≤1，m代表影响因素个数，n代表评价集合中评语集中等级个数，例如V＝{v₁,v₂,v₃,v₄,v₅}＝{很高,高,中,低,很低}，则n为5。其中r_ij可通过特定专家经验给出具体结果。

(4)确定权系数矩阵A。考虑到不同影响因素影响的重要程度不同，结合影响的重要程度对第i个影响因素的评价结果的影响赋予不同的权重a_i，可得到权系数矩阵A的表达式：

A＝{a₁,a₂,a₃,a_i…a_m}，

其中，m代表影响因素个数，

权重矩阵的确定直接影响可能性大小评价结果，具体的计算方法通常分为两类，一类是专家经验法，通过集体经验、专家设定等形式给出矩阵数值组成，另外一种是利用专业数学方法计算获得，如AHP方法(Analytic Hierarchy Process，层次分析法)。

(5)计算获得模糊综合评价矩阵B，得出评价结果。定义模糊综合评价矩阵为B为：

其中，b_i代表经过加权后得到的发生该故障类型的可能性属于第i个等级的评价值，n代表代表评价集合中评语集中等级个数，例如

V＝{v₁,v₂,v₃,v₄,v₅}＝{很高,高,中,低,很低}，则n为5。

得到模糊综合评价矩阵B后，将n个b_i参数中最大值作为发生该故障类型的可能性所属等级，将该可能性所属等级相应的概率作为发生该故障类型的先验概率。例如本实施例中可能性大小评价集V有5个等级，V＝{v₁,v₂,v₃,v₄,v₅}＝{很高,高,中,低,很低}，预设各个发生故障可能性等级相应的概率值，例如P(很高)＝85％、P(高)＝65％、P(中)＝40％、P(低)＝20％、P(很低)＝5％。若得到模糊综合评价矩阵B＝[b₁,b₂,b₃,b₄,b₅]＝[0.1，0.5，0.15，0.15，0.1]，则按照bi参数的最大值(b₂＝0.5)对应的可能性等级(V₂＝高)作为发生该故障类型的可能性等级，相应地，发生该故障类型的先验概率取值为65％(P(高)＝65％)。

健康评价模块

应用层的健康评价模块实现基于故障危害等级定性评价和基于性能指标定量评价。健康评价流程如图4所示。首先健康评价模块接收故障诊断模块的输出结果，并对该输出结果进行如下判断：

如果没有故障发生，则直接输出系统健康的结论，结束；如果存在故障，则进一步判断故障对应危害等级否为是I级或者II级。如果是I级或者II级，则直接输出雷达停机维修的结论，结束；如果故障对应危害等级是IV级或者III级，则进一步利用健康指数计算公式进行判断，具体为：

通过健康指数计算公式(公式(2))计算获得雷达整机系统的健康指数，依据健康指数数值指导装备维护。例如，设定当健康系数为0.9～1时，不影响任务执行，正常工作；当健康系数为0.6～0.9时，不影响基本功能，任务完成后停机维修；当健康系数为0.4～0.6时，停机且人工切换到冗余设备；当健康系数为0～0.4时，必须停机维修。健康评价模块最终将健康等级和健康系数等相关数据输出后送到趋势预测模块、维修决策模块。

进一步的，健康指数的计算依赖于健康指数计算模型及性能输入参数。其中，性能输入参数信息如表1所示内容，列表所列参数均是本领域公知参数。

表1健康指数计算模型的性能输入参数

类型	参数类型
		系统性能参数	威力、精度、抗干扰能力、保障效能等
分系统性能参数	天线增益、发射功率、主瓣宽度、冷却性能等

雷达健康指数y计算模型公式如下：

其中，样本数据为(x,y)的形式，

为输入数据，具体表达形式为：

x_i为健康指数计算模型的性能输入参数，θ为调整系数，取值范围在1～2之间，用于使得雷达健康指数y的范围在0～1。w^T为各个性能参数的权系数的集合。

权系数一般采用专家赋值法或者影响赋值法确定。专家赋值法充分考虑了各个不同的性能参数对雷达系统状态的影响，通过雷达设计专家通过自身设计的经验知识对上述选择的性能参数赋予不同的权值，但专家赋值法可能存在权系数的确定有一定的主观随意性。影响赋值法根据指标对评价结论属性差异来确定该指标权系数的大小。所谓结论属性差异大指该指标不同状态将导致评价结论得到相反或较大差异结果，例如某指标的不同状态会导致较大差异甚至相反的评价结论，则该指标权系数w2_i越大；如果该指标对整体评价结果不产生影响，则该指标权系数w2_i＝0。影响赋值法可能存在权系数与实际不符合的情况。因此本实施例综合专家赋值权系数和影响赋值权系数来确定最终评价权系数w_i，w_i的表达式为：

w_i＝k_iw1_i+(1-k_i)w2_i

其中,通过专家赋值法获得的指标权系数w1_i，w1_i为第i个专家赋值权系数，∑w1_i＝1；通过影响赋值法取得的指标权系数w2_i，w2_i为第i个影响赋值权系数，∑w2_i＝1；k_i为待确定系数，按下面介绍的方法确定，确定后即可确定各个性能参数的权重。通过增加权值专家数量，可以避免减少专家赋值法存在的主观随意性影响。

将表1中健康指数计算模型的性能输入参数指标按其重要程度分为若干等级。设数据输入

将评价该参数指标的参数重要等级划分为P1,P2,P3,...,Pk，其等级重要性可用P1＞P2＞P3...＞Pk表示，处于P1等级指标最为重要，P2等级指标重要性又大于P3，其余类似。每个等级下可能含有若干个评价指标，这些同等级指标间重要性差别远小于跨等级指标差别。确定w_i遵循的判断规则如下：

(1)若各个评价指标处于同一个重要等级上，即指标重要程度相同，无本质差别，则取k_i＝0，即取影响赋值获得的权系数，即取值w_i＝w2_i；

(2)若评价指标处于不同重要等级上，同时专家赋值法获得权系数排列顺序与影响赋值法获得权系数排列顺序一致，说明影响程度高的指标获得权重大，次要影响的指标对应权重小。为保证避免主观因素干扰结果，取影响赋值获得的权系数，取k_i＝0，即w_i＝w2_i；

(3)若评价指标处于不同重要等级上，同时专家赋值法获得权系数排列顺序与影响赋值法获得权系数排列顺序不完全相同(排序中存在相同，仅一部分不同，例如，专家赋值法的排列顺序为a>b>c>d，影响赋值法的排列顺序为a>c>b>d)，但是评价指标对应重要等级排序是一致的，则按照专家赋值法、影响赋值法得出的权系数取平均值，作为评价指标的权系数，即取k_i＝0.5，w_i＝w1_i+w2_i；

(4)若评价指标处于不同重要等级上，同时专家赋值法获得权系数排列顺序与影响赋值法获得权系数排列顺序不相同(排列完全不一样，甚至出现相反排序，例如，专家赋值法的排列顺序为a>b>c>d，影响赋值法的排列顺序为c>b>d>a)，评价指标的权系数对应重要等级排序也不一致，说明影响赋值法依据不是按照评价指标重要等级得出，不具备参考意义，以专家赋值法为主，取k_i＝1，w_i＝w1_i。

趋势预测模块

趋势预测模块围绕雷达系统以及各子系统的关键参数(如齿轮磨损状态、滚动轴承寿命等)进行长期监测、记录，并对历史数据进行统计分析、预测建模，预测参数在接下来一段时间内发展趋势，为预防性维修提供参考信息。可采用的预测建模算法如神经网络、灰色理论等，需要结合数据特点采用对应的算法模型。趋势预测结果送至维修决策模块和数据组织与管理模块。

维修决策模块

应用层的维修决策模块结合在役雷达的使用特点，提出了基于功效系数的最优雷达维修决策方法，能够降低保障费用，提升保障效率。该模块基本处理流程如图5所示。首先维修决策模块接收故障诊断模块、健康评价模块的输出数据，并对雷达系统状态进行判断，即判断是否存在影响任务执行的故障。如果存在，则直接通知维护人员进行修复；如果不存在此类故障，则进一步判断系统健康状态是否满足任务需求。如果满足，则直接结束本次维修决策过程，如果不满足，则执行维修决策判断，即基于功效系数的雷达决策模型给出最优维修方案，指导维修人员进行最优维护过程。

其中，基于功效系数的雷达决策模型是维修决策模块处理的核心，通过对已存在的故障以及与故障维修相关的维修费用、故障损失、故障维修时间、维修方式等进行综合评价决策，最终给出最优维修次序，其基本流程如下：

(1)定义维修方案集合F。与确定维修任务相关的评估指标称为决策指标，针对维修任务的需求，确定与任务相关的决策指标{x_j|j＝1,2,3…q}，设定每个维修方案f涵盖涉及的全部决策指标x_j，f＝{x_j|j＝1,2,3…q}。假设装备在故障状态下共有p个维修方案{f_i|i＝1,2,3…p}，f_i代表第i个维修方案，x_ij表示f_i维修方案中第j个评估指标，装备故障状态下维修方案集合为F，则依据维修方案定义有：

在本维修任务中明确涉及的决策指标包括维修人工费用、材料费用、故障损失、故障维修时间、任务紧急情况、装备健康值增加值。其它与维修保障相关的指标，可依据实际情况进行扩充，不仅仅局限于这六个指标。定义维修方案集合F的作用是便于通过最优决策方法进行分析。

(2)指标标准化处理。标准化处理实现将不同量纲的指标归一化处理，得到无量纲的指标。

结合指标属性的特点，指标可分为正向指标和负向指标两类。正向指标是指指标数值越大越优、负向指标是指指标数值越小越优。

对不同量纲的指标，采用极差变换法进行处理，形成无量纲的指标。

对于正向指标{x_j|j＝1,2,3…q}，定义：

其中

代表正向指标最大值，

代表正向指标最小值。

对于负向指标，定义：

其中

代表负向指标最大值，

代表负向指标最小值。

定义f_ista代表第i个经过极差变换后得到的标准化评估指标集，定义y_ij为第i个f_ista中第j个标准化评估指标。定义经过极差变换后得到的标准化决策矩阵F_sta如下：

其中

(3)依据维修指标对维修任务的影响，利用熵值加权法确定各个指标权重系数。

确定权重系数的原则是基于熵值，熵越大，权重系数越小。对经标准化处理得到的决策矩阵F_sta进行归一化处理，得到归一化系数

其定义为：

设定归一化系数矩阵表达式为L，则

定义第j个指标的熵值为e_j，其表达式为：

且为常数,e_j≥0；

其中，

是常数，

是上述归一化系数矩阵L中单个归一化系数，p表示共有p行，q表示共有q列。

定义第j个指标的差异系数

表达式为

定义第j个指标的权重系数为w_j，计算公式为：

其中，q代表参数w_j的个数。

定义权重系数矩阵W为各个权重系数w_j的组合，则W的表达式组成为：

W＝[w₁ w₂ ... w_q-1 w_q]，

其中q代表参数w_j个数，与w_j公式中q定义一致。

(4)基于获取的各个指标的权重系数，通过功效系数模型对将各指标的相异度量转换为统一的功效系数，从而综合评价最优的维修方案。其中，其各个指标参数的功效系数δ_ij，定义为：

其中

为指标满意值，

为指标不允许值。指标满意值的功效系数δ_ij为100，指标不允许值的功效系数δ_ij为60。

功效系数矩阵δ定义为：

其中p表示共有p行，q表示共有q列，与归一化系数矩阵表达式L中p、q含义一致。

定义各个方案的总功效系数为δ_i，计算方法为：

其中i取值1～p。

其中表达式中w_j为(3)中计算获取的各个指标的权重系数。

维修决策模块以各个维修方案计算获得的总功效系数为判据，对各个维修方案的最优性进行排序。总功效系数越大，则该总功效系数对应的维修方案越优先安排实施，反之，则优先性越低。

统计分析模块

统计分析模块对记录存储的各类健康数据进行读取分析，表现形式支持图表、折线、饼图等，主要与数据组织与管理模块、数据库进行交互。

表示层用于呈现各功能模块的结果展示，包括状态列表、故障信息、统计图表、维修列表等。

虽然本发明已以较佳实施例公开如上，但实施例并不是用来限定本发明的。在不脱离本发明之精神和范围内，所做的任何等效变化或润饰，同样属于本发明之保护范围。因此本发明的保护范围应当以本申请的权利要求所界定的内容为标准。

Claims (11)

1.一种雷达嵌入式健康管理系统，其特征在于，雷达嵌入式健康管理系统包括：

数据层，用于获取与存取管理雷达的原始数据；

应用层，用于雷达健康数据多维度解析与维修指导，包括状态监测模块、故障诊断模块；

所述状态监测模块，对雷达测试参数进行监测，并将监测结果输出到故障诊断模块；

所述故障诊断模块，对接收的监测结果依据诊断规则进行搜索匹配，针对搜索匹配到的规则，判断是否存在模糊组，若不存在，则输出诊断结论；若存在模糊组，则启动贝叶斯网络进行诊断；

表示层用于呈现各功能模块的结果展示。

2.根据权利要求1所述的雷达嵌入式健康管理系统，其特征在于，所述诊断规则包括规定各故障模式的格式、故障模式的危害等级、故障模式的编码、故障发生时逻辑判断、故障部件编号，通过诊断模型文件定义。

3.根据权利要求1所述的雷达嵌入式健康管理系统，其特征在于，所述启动贝叶斯网络进行诊断的具体方法包括：

构建贝叶斯网络，其中，父节点为故障类型，子节点为故障征兆，父节点与子节点有向边的连接表征故障类型与故障征兆间的因果关系；设定父节点与子节点关联关系；

将各个故障类型的发生概率作为故障类型的先验概率；

基于故障类型发生后该故障征兆发生的概率，利用网络参数学习算法计算获得故障征兆发生的条件概率；

基于状态监测模块接收的监测结果，按照贝叶斯公式计算各个故障类型发生的后验概率，最大的后验概率对应的故障作为启动贝叶斯网络进行诊断的结果。

4.根据权利要求3所述的雷达嵌入式健康管理系统，其特征在于，对记录有历史状态数据的雷达装备，所述先验概率计算的方法为从雷达装备历史状态数据中提取各故障类型的发生频次信息，按下式计算所得的故障率γ作为故障类型的先验概率：

其中，C为时间范围Δt内发生故障的个数；N为雷达装备使用的同类部件的个数，，Δt为使用雷达装备的时间。

5.根据权利要求4所述的雷达嵌入式健康管理系统，其特征在于，获得所述先验概率的具体方法包括：

(1)确定需要获取先验概率的故障类型的影响因素集U，U＝{u₁,u₂,u₃,u_i...u_m}，其中u_i为一项影响该故障类型是否发生的因素，m代表该集合中因素个数；

(2)确定故障类型发生概率的评价等级，即评价该故障类型发生各种可能结果的可能性大小评价集为V，V＝{v₁,v₂,v₃,v₄,v₅}＝{很高,高,中,低,很低}，将故障类型发生可能性划分为5个等级；

(3)构建U与V之间的模糊关系矩阵R，用于评价各个影响因素u_i与各种可能结果的可能性大小评价集V的对应关系；定义模糊关系矩阵R表达式：

其中，R_i代表对影响因素u_i导致该故障类型发生的可能性评价，r_ij代表针对第i影响个因素，作出第j种评价的可能性，其中0≤r_ij≤1，m代表影响因素个数，n代表评价集合中评语集中等级个数；

(4)结合不同影响因素影响的重要程度，对评价结果的影响赋予不同的权重a_i，得到权系数矩阵A的表达式：

A＝{a₁,a₂,a₃,a_i…a_m}，其中

a_i≥0；

(5)计算获得模糊综合评价矩阵B，得出评价结果，模糊综合评价矩阵为B为：

将模糊综合评价矩阵B中最大的参数相应的概率值作为该故障类型的先验概率。

6.根据权利要求1所述的雷达嵌入式健康管理系统，其特征在于，所述应用层还包括健康评价模块，健康评价模块接收故障诊断模块的输出结果，并对该输出结果进行如下判断：

如果没有故障发生，则直接输出系统健康的结论，结束；如果存在故障，则进一步判断故障对应危害等级否为是I级或者II级；如果是I级或者II级，则直接输出雷达停机维修的结论，结束；如果故障对应危害等级是IV级或者III级，则进一步由健康指数计算模型及性能输入参数计算雷达整机系统的健康指数，依据健康指数值进行相应的装备维护。

7.根据权利要求6所述的雷达嵌入式健康管理系统，其特征在于，所述计算雷达整机系统的健康指数的具体方法如下：

其中

其中，样本数据为(x_i,y)的形式，x_i为健康指数计算模型的性能输入参数，

y是雷达健康指数，θ为调整系数，取值范围在1～2之间，用于使得雷达健康指数y的范围在0～1；w^T为各个性能参数的权系数的集合。

8.根据权利要求7所述的雷达嵌入式健康管理系统，其特征在于，所述确定各个性能参数的权系数w_i的具体方法如下：

w_i＝k_iw1_i+(1-k_i)w2_i

其中,w1_i为通过专家赋值法获得的第i个专家赋值权系数，∑w1_i＝1；w2_i为通过影响赋值法取得的第i个影响赋值权系数，∑w2_i＝1；k_i为待确定系数；

将各个性能参数指标按其重要程度分为若干重要等级；每个等级下可能含有若干个评价指标，这些同等级指标间重要性差别远小于跨等级指标差别；确定w_i遵循的判断规则如下：

(1)若各个评价指标处于同一个重要等级上，则取k_i＝0，即w_i＝w2_i；

(2)若评价指标处于不同重要等级上，同时专家赋值法获得权系数排列顺序与影响赋值法获得权系数排列顺序一致，则取k_i＝0，即w_i＝w2_i；

(3)若评价指标处于不同重要等级上，同时专家赋值法获得权系数排列顺序与影响赋值法获得权系数排列顺序不完全相同，但是评价指标对应重要等级排序是一致的，则取k_i＝0.5，即w_i＝w1_i+w2_i；

(4)若评价指标处于不同重要等级上，同时专家赋值法获得权系数排列顺序与影响赋值法获得权系数排列顺序完全不相同，评价指标的权系数对应重要等级排序也不一致，则取k_i＝1，即w_i＝w1_i。

9.根据权利要求1所述的雷达嵌入式健康管理系统，其特征在于，所述应用层还包括维修决策模块；维修决策模块接收故障诊断模块、健康评价模块的输出数据，并对雷达系统状态进行判断，即判断是否存在影响任务执行的故障；如果存在，则直接通知维护人员进行修复；如果不存在此类故障，则进一步判断系统健康状态是否满足任务需求；如果满足，则直接结束本次维修决策过程，如果不满足，则执行维修决策判断，即基于功效系数的雷达决策模型给出最优维修方案。

10.根据权利要求9所述的雷达嵌入式健康管理系统，其特征在于，所述基于功效系数的雷达决策模型给出最优维修方案的具体方法如下：

(1)定义维修方案集合F：针对维修任务的需求，确定与任务相关的决策指标{x_j|j＝1,2,3…q}，设定每个维修方案f涵盖涉及的决策指标x_j，f＝{x_j|j＝1,2,3…q}；假设雷达装备在故障状态下共有p个维修方案{f_i|i＝1,2,3…p}，f_i代表第i个维修方案，x_ij表示f_i维修方案中第j个评估指标；装备故障状态下维修方案集合为F，则依据维修方案定义有：

(2)指标标准化处理：通过极差变换法将不同量纲的指标归一化处理，得到无量纲的指标；指标分为正向指标和负向指标两类；由无量纲的评估指标构成标准化评估指标集，从而得到标准化决策矩阵；

(3)依据维修指标对维修任务的影响，利用熵值加权法确定各个指标权重系数；

(4)基于获取的各个指标的权重系数，通过功效系数模型对将各指标的相异度量转换为统一的功效系数，以各个维修方案计算获得的总功效系数为判据，对各个维修方案进行排序，最大总功效系数对应的维修方案为最优的维修方案。

11.根据权利要求1～10任一所述的雷达嵌入式健康管理系统，其特征在于，所述应用层还包括趋势预测模块；

所述趋势预测模块，围绕雷达系统以及各子系统的关键参数进行长期监测、记录，并对历史数据进行统计分析、预测建模，预测该关键参数在接下来一段时间内发展趋势。

Images