CN112597637A - 一种舵系统健康状态评估方法 - Google Patents

Abstract

本发明公开一种舵系统健康状态评估方法，属于舵系统健康管理技术范畴，针对舵系统的性能评估和健康状态评判提出一种基于定性和定量多指标因素的维护决策支持模型综合架构建模方法以及健康状态等级判别算法，通过该维护决策支持模型对舵系统历史数据的处理实现对舵系统性能退化速率的把控和当前健康状态的确定，从而为维护决策提供支撑。在舵系统性能评估和寿命预测方面具有一定的先进实用性。

Description

一种舵系统健康状态评估方法

技术领域

本发明涉及一种飞航武器装备的评估方法，特别是涉及一种舵系统健康状态评估与维护决策综合模型建模方法。

背景技术

舵系统作为飞航领域的关键机载设备，健康状态评估是把控其可服役寿命的关键手段。舵系统传动机构包括丝杠、齿轮、连杆等部件，传动机构相比于系统的控制电路、功率驱动电路、电机和传感器等其它部件，其性能状态随使用时间而下降，由于其在使用过程中的磨损等，传动机构随有效工作时间累积会出现间隙变大、预紧力下降等现象。传动机构性能下降会导致系统动态、静态指标变差，性能下降严重时甚至引起系统谐振。通常舵系统的具有通过自检功能判断自身故障，但尚未达到诊断自身健康状态的程度，不能有效判断舵系统的性能退化，无法充分进行降级使用判断和预测性维护，因此，存在制定维护决策时支持信息不足的问题。

发明内容

本发明提出一种舵系统健康状态评估方法，建立舵系统维护决策支持模型，实现对舵系统性能退化规律的表征以及当前健康状态的评判，并给出维护决策支持建议，实现舵系统服役寿命的延长和服役期内可靠性的提升。

一种舵系统健康状态评估方法，包括如下步骤：

第一步，历史数据处理；

第二步，性能表征参数分析；

第三步，健康状态评估指标确定；

第四步，维护决策模型层次架构搭建及健康状态评估算法确定；

第五步，依据当前健康状态等级的维护决策。

进一步地，第一步的历史数据处理包括：

1)自舵系统正式出厂的历史数据记录开始，按照时序原则对已有历次测试或实验数据进行排序；

2)对数据测试进行野值剔除、无效测试时间段剔除，完成历史数据的有效性整理，并标记数据记录起始时间；

3)选取固定采样周期，并按照历史数据时序规律进行数据拼接，确定总数据长度；

4)将总的历史数据长度进行三段式划分，形成舵系统历史数据集合A、舵系统历史数据集合B、舵系统历史数据集合C。

进一步地，第二步的性能表征参数分析包括，

基于第一步的历史数据处理，进一步确定用于表征舵系统性能的参数，舵系统性能参数分为定量参数和定性参数，定量参数包括特定阶跃指令响应参数以及随机指令响应误差参数；定性参数包括数据有效性、累计通电时间、拆装次数以及故障记录次数。

进一步地，第三步的健康状态评估指标确定包括，

针对第二步确定的舵系统性能表征参数进一步确定性能评估指标，特定阶跃指令响应参数包括超调量指标、特定阶跃响应调节时间指标以及阶跃指令稳态误差指标；

其中，超调量指标：由表达式

确定，其中σ表示超调量，y_max表示舵反馈峰值，y_st表示舵反馈稳态值；

特定阶跃响应调节时间指标：对舵系统处于最佳性能状态时进行实测，确定最佳响应指标t_min；

阶跃指令稳态误差指标：由表达式e₁(∞)＝y(∞)-y_st确定，其中e₁(∞)表示阶跃指令稳态误差，y(∞)表示给定舵指令；

随机指令响应误差e₂(∞)根据随机指令稳态误差e₂(∞)＝y(∞)-y_st表达式确定两项指标：反馈不变量最小方差指标以及实测输出方差指标。

进一步地，第四步的维护决策模型层次架构搭建包括，

模型架构的层次元素包含数据输入层、评估层、目标层，其中评估层同时基于定量数据和定性影响因素的评估；

基于定量数据的评估包括确定性指标和随机性指标两种指标形式，确定性指标来源于对特定阶跃指令信号的多种参数信息，作为标尺性基准；随机性指标实现对随机指令信号数据所反映的舵系统性能表征，将经典的ARMA模型算法和Harris指标算法进行融合，实现对随机指令数据的分析；

基于定性影响因素用于评估的数据有效性、故障记录数据所体现出的舵系统可靠性指标的满足情况；将以上定性影响因素通过乘积算子作用于定量评估结果，最后实现综合所有因素的健康状态等级评估；

第四步的健康状态评估算法包括，

(a)基于定量数据的综合健康状态等级合成

(1)确定性指标性能评估算法

针对舵系统响应特定阶跃指令时的超调量，将舵系统初期最优健康状态时的超调量数据记为σ_min，记当前相同阶跃指令时的超调量为σ_actual，随着健康状态等级下降，σ_actual随时间增大逐步变为零，因此定义针对超调量的健康状态等级指标H_σ,其表达式为：

同理定义针对特定阶跃指令信号调节时间t_actual的健康状态指标H_taccom，其表达式为：

同理令e_min和e_actual分别为定义针对特定阶跃指令信号响应的最小误差和实际误差，基于以上参数构建健康状态指标H_e：

对舵系统特定阶跃指令信号，求取性能最优时的平方误差积分

绝对误差积分

以及绝对误差乘时间积分

的具体指标形式分别为：

同样对于被测舵系统的给定最新的特定阶跃指令信号的历史数据，求取以上对应的平方误差积分指标J_actual-1、绝对误差积分J_actual-2以及绝对误差乘时间积分J_actual-3的对应指标：

以上三类指标对应得到Harris指标η_harris-1、η_harris-2、η_harris-3，以Harris指标形式进行当前实际数据与最优数据的对比分析，其指标形式如下所述：

由以上定义可知，随着舵系统健康状态等级的下降，舵系统Harris形式指标由0增长到1，为遵循健康状态等级随时间由1下降到0的变化规律，将以上指标继续变形为健康状态指标的形式，即

分别为指标η_harris-1、η_harris-2、η_harris-3的健康状态指标形式，具体如下：

(2)随机性指标性能评估算法

针对舵系统初期的最佳的舵系统历史数据，首先求取反馈不变量最小方差指标作为基准；选取数据集合，数据维度为N，固定采样时间间隔Δt＝t_i+1-t_i，其中t_i+1和t_i分别为下一时刻和当前时刻，舵控指令向量

和舵反馈向量

的具体表达式如下，

和

分别为控制指令向量和反馈向量的对应时刻分量：

由以上集合数据计算计算舵系统初期阶段最优健康状态时期的最小方差为

其次，计算舵系统当前实际输出方差，选取最新舵系统历史数据集合，数据维度固定为N，其中其中舵控指令向量

和舵反馈向量

的具体表达式如下，

和

分别为控制指令向量和反馈向量的对应时刻分量：

由以上集合数据计算计算舵系统当前阶段健康状态待确定时期的最小方差为

为进一步将以上指标进行合成用于舵系统健康状态评价，将以上最小方差与实际输出方差合成为Harris指标形式：

同样的，为得到能够表征从1到0健康状态等级不断下降规律的指标形式，将以上harris指标形式变形为健康状态指标形式：

(3)基于定量数据的综合健康状态等级合成算法

针对健康状态指标H_σ、

H_e、

分别定义相应的权重调节系数ρ_σ、

ρ_e、

且令：

最后合成基于定量数据的综合健康状态等级的指标函数H_data如下：

其中若给定的数据信息中没有以上指标项，则其相应的权重系数定义为零；

(b)基于定性影响因素的综合健康状态等级合成

定性影响因素考虑数据有效性以及可靠性满足指标，其中针对数据有效性定义有效性数据置信系数C_data，针对舵系统可靠性满足定义可靠性系数R_data，数据有效性和可靠性指标满足情况定性影响因素直接决定用于评估的数据的可用性和置信度，采用向量乘积运算形式表示舵系统健康状态等级的最终评估函数，即

其中令

表示向量乘积符号。

进一步地，第五步的依据当前健康状态等级的维护决策包括，

舵系统健康状态等级的划分如下表所示：

舵系统性能退化具有时序特性，随着时间推移，舵系统性能状态f_degree可能处于的健康状态等级可用以下函数表示：

其中时间区间(t₀＜t_detect≤t₁)、(t₁＜t_detect≤t₂)、(t₂＜t_detect≤t₃)表示用于评估的历史数据所处的时间段；具体时刻所表示的意义如下表所示：

健康状态等级确定方法：

由公式

定义最终健康评估等级，规则如下：

当F≥0.95，表示舵系统处于出厂的最佳性能状态D1；当F≤0.75，表示舵系统超出了满足使用条件的临界健康状态阈值；当0.85＜F＜0.95，表示舵系统处于次优健康状态D2；当0.75＜F＜0.85，表示舵系统处于性能降级但仍可继续使用的健康状态D3；

通过对历史数据的运算分析，确定最新一次历史数据处于D₁、D₂、D₃中的哪个健康状态等级，即可确定舵系统是否产生了性能降级，最终舵系统性能评估问题转化为确定最后一次性能检测时刻t_detect处于哪个时间区间的问题；

其次，舵系统性能退化的判据确定思路如下：

按照舵系统健康状态评估架构模型的软件实现架构，用于进行舵系统健康状态等级评估的数据子集选为三个集合：S₁舵系统数据子集A，S₂舵系统数据子集B，S₃舵系统数据子集C，且三个数据子集产生的时刻

满足

将舵系统首次调试生产完成后的最佳记录数据选为数据子集S₁，用于评定基准，该数据记录的舵系统处于生产调试后的最佳性能状态D₁，S₂舵系统数据子集B选为某中间时间段的历史数据作为辅助判别决策使用，S₃舵系统数据子集C选为最新的历史记录数据；

按照以上定义，S₃舵系统数据子集C为最新的历史记录数据，用于健康状态等级判别的对象，因此

对应的维护决策思路如下：

1)若F≥0.95，即f_degree(t_detect)＝D₁，则舵系统性能状态处于最佳健康状态等级D₁，未发生性能降级，舵系统可使用；

2)若0.85＜F＜0.95，即f_degree(t_detect)＝D₂，则舵系统性能状态处于次优健康状态等级D₂，出现性能降级，仍然满足用户方使用要求，可降级使用；

3)若0.75＜F＜0.85，即f_degree(t_detect)＝D₃，则舵系统性能状态处于健康状态等级D₃，出现再次性能降级，仍然满足用户方使用要求，可继续降级使用，但应进行状态预警；

4)若f_degree(t_detect)＝null，函数无解，表示舵系统性能降级超出用户方可使用边界，不再满足降级使用原则，处于不可用状态，需对舵系统进行返修或者淘汰。

本发明的有益效果是：

1.通过性能表征参数的选取和综合评判指标的确定，实现了对舵系统性能和关联影响因素的相关性分析，为舵系统的薄弱环节优化改进提供了方向；

2.基于确定性指标和随机性指标的多层次指标融合，确定舵系统维护决策支持模型架构，能够实现基于定性和定量因素影响的舵系统性能退化规律的准确表征；提升了模型精确度。

3.通过舵系统维护决策支持模型实现对舵系统性能退化和健康状态的精确评估，辅助舵系统服役期内的维护决策，实现对舵系统服役寿命的适当延长以及服役期内任务可靠性的保障。

附图说明

附图1是舵系统健康状态评估与维护决策实施步骤流程图；

附图2是舵系统健康状态评估算法流程说明图；

附图3是舵系统健康状态评估与维护决策综合模型层次架构图；

附图4是舵系统健康状态等级判别流程说明图；

附图5是舵系统特定阶跃指令下的性能响应曲线；

附图6是舵系统随机指令下最佳参考性能状态的响应及误差曲线；

附图7是舵系统随机指令下当前实际性能状态的响应及误差曲线。

具体实施方式

下面结合附图对本发明作进一步详细说明。

本发明所采用的技术方案是：

1)对舵系统生命周期内的历史数据进行采集与整理，进行野点剔除和标准化的预处理准备工作；

2)选取舵系统的直接性能表征参数(定量参数)和间接性能表征参数(定性参数)作为性能评估关键项，通过确定性指标和随机性指标层次结构和权重划分确定维护决策支持模型的顶层架构；

3)将舵系统性能指标按照可允许使用要求进行进一步划分，基于“时序分段”思想将舵系统性能退化规律实现离散化，通过维护决策支持模型评估，确定当前舵系统性能和健康状态的所在区间，从而实现当舵系统的性能评估并实施相应的维护决策。

本发明具体实施的主体流程图如图1所示，对舵系统进行健康状态评估并进一步基于评估结果进行维护决策的主体流程分为五个步骤：

Step1：历史数据处理；

Step2：性能表征参数分析；

Step3：健康状态评估指标确定；

Step4：维护决策模型层次架构搭建及健康状态评估算法确定；

Step5：依据当前健康状态等级的维护决策。

1)历史数据处理

为基于舵系统历史数据实现对其性能退化规律的分析，本发明首先对用于舵系统健康状态评估的历史数据处理方法进行说明：

数据处理准则：

(a)自舵系统正式出厂的历史数据记录开始，按照时序原则对已有历次测试或实验数据进行排序；

(b)对数据测试进行野值剔除、无效测试时间段剔除，完成历史数据的有效性整理，并标记数据记录起始时间；

(c)选取固定采样周期，并按照历史数据时序规律进行数据拼接，确定总数据长度；

(d)将总的历史数据长度进行三段式划分，形成舵系统历史数据集合A、舵系统历史数据集合B、舵系统历史数据集合C。

2)性能表征参数分析

基于第一步的历史数据处理，进一步确定用于表征舵系统性能的参数。舵系统性能参数可分为定量参数和定性参数两大类，具体如表1所示，以下定量参数和定性参数在不同维度说明了舵系统响应性能情况，对以上参数给定相应的指标，可形成舵系统健康状态的量化评价。

表1.舵系统性能表征参数分类

3)健康状态评估指标确定

本发明针对步骤2确定的舵系统性能表征参数进一步确定性能评估指标，对应特定参数的性能指标说明见表2。

表2.舵系统性能表征参数分类

4)维护决策模型层次架构及健康状态评估算法确定

4.1)维护决策模型层次架构

本发明的维护决策模型层次架构如图2所示。模型架构的层次元素包含数据输入层、评估层、目标层。其中评估层同时考虑基于定量数据和定性影响因素的评估。基于定量数据的评估模块考虑确定性指标和随机性指标两种指标形式，确定性指标来源于对特定阶跃指令信号的多种参数信息，可作为标尺性基准；随机性指标主要实现对随机指令信号数据所反映的舵系统性能表征，可视具体情形将经典的ARMA模型算法和Harris指标算法进行融合，实现对随机指令数据的分析。基于定性影响因素主要考虑用于评估的数据有效性、故障记录等数据所体现出的舵系统可靠性指标的满足情况等。由于定性因素对定量数据评估结果是共同并列的影响关系，可将以上定性影响因素通过乘积算子作用于定量评估结果，最后实现综合考虑所有因素的健康状态等级评估。

4.2)健康状态评估算法

(a)基于定量数据的综合健康状态等级合成

(1)确定性指标性能评估算法

针对舵系统响应特定阶跃指令时的超调量，将舵系统初期最优健康状态时的超调量数据记为σ_min，记当前相同阶跃指令时的超调量为σ_actual，随着健康状态等级下降，σ_actual随时间增大逐步变为零，因此可定义针对超调量的健康状态等级指标H_σ,其表达式：

同理定义针对特定阶跃指令信号调节时间t_actual的健康状态指标

其表达式为：

同理令e_min和e_actual分别为定义针对特定阶跃指令信号响应的最小误差和实际误差，基于以上参数构建健康状态指标H_e：

对舵系统特定阶跃指令信号，求取性能最优时的平方误差积分

绝对误差积分

以及绝对误差乘时间积分

的具体指标形式分别为：

同样对于被测舵系统的给定最新的特定阶跃指令信号的历史数据，求取以上对应的平方误差积分指标J_actual-1、绝对误差积分J_actual-2以及绝对误差乘时间积分J_actual-3的对应指标：

以上三类指标对应得到Harris指标η_harris-1、η_harris-2、η_harris-3，以Harris指标形式进行当前实际数据与最优数据的对比分析，其指标形式如下所述：

由以上定义可知，随着舵系统健康状态等级的下降，舵系统Harris形式指标由0增长到1，为遵循健康状态等级随时间由1下降到0的变化规律，将以上指标继续变形为健康状态指标的形式，即

分别为指标η_harris-1、η_harris-2、η_harris-3的健康状态指标形式，具体如下：

(2)随机性指标性能评估算法

针对舵系统初期的最佳的舵系统历史数据，首先求取反馈不变量最小方差指标作为基准；选取数据集合，数据维度为N，固定采样时间间隔Δt＝t_i+1-t_i，其中t_i+1和t_i分别为下一时刻和当前时刻，舵控指令向量

和舵反馈向量

的具体表达式如下，

和

分别为控制指令向量和反馈向量的对应时刻分量：

由以上集合数据计算计算舵系统初期阶段最优健康状态时期的最小方差为

其次，计算舵系统当前实际输出方差，选取最新舵系统历史数据集合，数据维度固定为N，其中其中舵控指令向量

和舵反馈向量

的具体表达式如下，

和

分别为控制指令向量和反馈向量的对应时刻分量：

由以上集合数据计算计算舵系统当前阶段健康状态待确定时期的最小方差为

为进一步将以上指标进行合成用于舵系统健康状态评价，将以上最小方差与实际输出方差合成为Harris指标形式：

同样的，为得到能够表征从1到0健康状态等级不断下降规律的指标形式，将以上harris指标形式变形为健康状态指标形式：

(3)基于定量数据的综合健康状态等级合成算法

针对健康状态指标H_σ、

H_e、

分别定义相应的权重调节系数ρ_σ、

ρ_e、

且令：

最后合成基于定量数据的综合健康状态等级的指标函数H_data如下：

其中若给定的数据信息中没有以上指标项，则其相应的权重系数定义为零。

(b)基于定性影响因素的综合健康状态等级合成

本发明中定性影响因素考虑数据有效性以及可靠性满足指标，其中针对数据有效性定义有效性数据置信系数C_data，针对舵系统可靠性满足定义可靠性系数R_data，由于数据有效性和可靠性指标满足情况等定性影响因素直接决定用于评估的数据的可用性和置信度，因此采用向量乘积运算形式(其中令

表示向量乘积符号)表示舵系统健康状态等级的最终评估函数，即

5)依据当前健康状态等级的维护决策

舵系统健康状态划分遵循以下原则：

(a)所有舵系统健康状态等级的各项表征指标均满足用户方使用要求，等级划分仅用来健康状态评定与维护决策支持；

(b)将健康状态等级按照严格的时序特性进行排序，表征舵系统随时间的性能退化规律。

按照以上原则，舵系统健康状态等级的划分如下表所示：

表3.舵系统健康状态等级及具体含义

由于舵系统性能退化具有时序特性，因此，随着时间推移，舵系统性能状态f_degree可能处于的健康状态等级可用以下函数表示：

其中时间区间(t₀＜t_detect≤t₁)、(t₁＜t_detect≤t₂)、(t₂＜t_detect≤t₃)表示用于评估的历史数据所处的时间段；具体时刻所表示的意义如下表所示：

表3.舵系统健康状态等级及具体含义

健康状态等级确定思路：

由公式

定义最终健康评估等级，规则如下：当F≥0.95，表示舵系统处于出厂的最佳性能状态D1；当F≤0.75，表示舵系统超出了满足使用条件的临界健康状态阈值；当0.85＜F＜0.95，表示舵系统处于次优健康状态D2；当0.75＜F＜0.85，表示舵系统处于性能降级但仍可继续使用的健康状态D3。

通过对历史数据的运算分析，确定最新一次历史数据处于D₁、D₂、D₃中的哪个健康状态等级，即可确定舵系统是否产生了性能降级，最终舵系统性能评估问题转化为确定最后一次性能检测时刻t_detect处于哪个时间区间的问题。

其次，舵系统性能退化的判据确定思路如下：

按照舵系统健康状态评估架构模型的软件实现架构，用于进行舵系统健康状态等级评估的数据子集选为三个集合：S₁舵系统数据子集A，S₂舵系统数据子集B，S₃舵系统数据子集C，且三个数据子集产生的时刻

满足

由于需要通过数据子集的运算结果进行比较，因此需要选定用于比较的基准，本方案中将舵系统首次调试生产完成后的最佳记录数据选为数据子集S₁，用于评定基准，该数据记录的舵系统处于生产调试后的最佳性能状态D₁，S₂舵系统数据子集B选为某中间时间段的历史数据作为辅助判别决策使用，S₃舵系统数据子集C选为最新的历史记录数据，也是重点用于健康状态等级判别的对象。

按照以上定义，S₃舵系统数据子集C为最新的历史记录数据，用于健康状态等级判别的对象，因此

健康状态等级确定的具体准则流程如图4所示，对应的维护决策思路如下：

1)若F≥0.95，即f_degree(t_detect)＝D₁，则舵系统性能状态处于最佳健康状态等级D₁，未发生性能降级，舵系统可使用；

2)若0.85＜F＜0.95，即f_degree(t_detect)＝D₂，则舵系统性能状态处于次优健康状态等级D₂，出现性能降级，仍然满足用户方使用要求，可降级使用；

3)若0.75＜F＜0.85，即f_degree(t_detect)＝D₃，则舵系统性能状态处于健康状态等级D₃，出现再次性能降级，仍然满足用户方使用要求，可继续降级使用，但应进行状态预警；

4)若f_degree(t_detect)＝null，函数无解，表示舵系统性能降级超出用户方可使用边界，不再满足降级使用原则，处于不可用状态，需对舵系统进行返修或者淘汰。

6)算法示例及评估分析

以下针对某型舵系统在弹道指令响应工况下的性能变化情况进行分析评价。数据中仅截取一组早期测试数据及跑合一段时间后性能状态待分析的两组数据，数据响应曲线如图5所示，由舵系统在正负10°阶跃指令信号下的响应可知，系统无超调，因此超调量指标H_σ＝1，响应时间未发生明显滞后，因此响应时间指标确定

该数据组中静态误差指标为

按照本发明的计算公式计算其它三个确定性指标，其中

舵系统的在随机性指令下的最佳响应曲线和一段时间后的响应曲线情况分别如图6和图7所示，图中数据记录时间区间为1600ms～1700ms，采样点为2444个，按照本发明中的计算公式，由于该数据为舵系统对于弹道响应的随机指令曲线，因此计算其最小方差可得

计算其实际方差可得

则以上最小方差和实际方差的Harris指标形式计算可得

则其健康状态指数形式为

以上数据为舵系统在同样条件下的测试保存的记录，利用测试设备实时监测，无其他干扰，设定数据置信度和可靠度分别为C_data＝R_data＝1。综合考虑定量指标评估中各个量的所占权重，重点以随机指令的响应为关键评判指标，设定权重系数向量为

按照最终的舵系统综合健康度评估公式可得

F＝0.05*1+0.05*1+0.05*0.6875+0.05*0.9999+0.05*9914+0.05*0.9923+0.7*0.9382≈0.9403

由于0.85＜F＝0.9403＜0.95，因此舵系统当前处于次优健康状态等级D₂。

在要求具有高可靠性和超长航时的飞航武器装备领域，通过该模型实现舵系统性能评估及健康状态判别，把控舵系统的性能退化规律和当前健康状态，并利用以上规律和健康状态进行舵系统维护决策支持模型建模，基于该模型进行视情维护决策，实现舵系统服役寿命的延长。

上述具体实施方式仅限于解释和说明本发明的技术方案，但并不能构成对权利要求保护范围的限定。本领域技术人员应当清楚，在本发明的技术方案的基础上做任何简单的变形或替换而得到的新的技术方案，均落入本发明的保护范围内。

Claims (6)

1.一种舵系统健康状态评估方法，其特征在于，包括如下步骤：

第一步，历史数据处理；

第二步，性能表征参数分析；

第三步，健康状态评估指标确定；

第四步，维护决策模型层次架构搭建及健康状态评估算法确定；

第五步，依据当前健康状态等级的维护决策。

2.根据权利要求1所述的一种舵系统健康状态评估方法，其特征在于，第一步的历史数据处理包括：

1)自舵系统正式出厂的历史数据记录开始，按照时序原则对已有历次测试或实验数据进行排序；

2)对数据测试进行野值剔除、无效测试时间段剔除，完成历史数据的有效性整理，并标记数据记录起始时间；

3)选取固定采样周期，并按照历史数据时序规律进行数据拼接，确定总数据长度；

4)将总的历史数据长度进行三段式划分，形成舵系统历史数据集合A、舵系统历史数据集合B、舵系统历史数据集合C。

3.根据权利要求2所述的一种舵系统健康状态评估方法，其特征在于，第二步的性能表征参数分析包括，

基于第一步的历史数据处理，进一步确定用于表征舵系统性能的参数，舵系统性能参数分为定量参数和定性参数，定量参数包括特定阶跃指令响应参数以及随机指令响应误差参数；定性参数包括数据有效性、累计通电时间、拆装次数以及故障记录次数。

4.根据权利要求3所述的一种舵系统健康状态评估方法，其特征在于，第三步的健康状态评估指标确定包括，

针对第二步确定的舵系统性能表征参数进一步确定性能评估指标，特定阶跃指令响应参数包括超调量指标、特定阶跃响应调节时间指标以及阶跃指令稳态误差指标；

其中，超调量指标：由表达式

确定，其中σ表示超调量，y_max表示舵反馈峰值，y_st表示舵反馈稳态值；

特定阶跃响应调节时间指标：对舵系统处于最佳性能状态时进行实测，确定最佳响应指标t_min；

阶跃指令稳态误差指标：由表达式e₁(∞)＝y(∞)-y_st确定，其中e₁(∞)表示阶跃指令稳态误差，y(∞)表示给定舵指令；

随机指令响应误差e₂(∞)根据随机指令稳态误差e₂(∞)＝y(∞)-y_st表达式确定两项指标：反馈不变量最小方差指标以及实测输出方差指标。

5.根据权利要求4所述的一种舵系统健康状态评估方法，其特征在于，第四步的维护决策模型层次架构搭建包括，

模型架构的层次元素包含数据输入层、评估层、目标层，其中评估层同时基于定量数据和定性影响因素的评估；

基于定量数据的评估包括确定性指标和随机性指标两种指标形式，确定性指标来源于对特定阶跃指令信号的多种参数信息，作为标尺性基准；随机性指标实现对随机指令信号数据所反映的舵系统性能表征，将经典的ARMA模型算法和Harris指标算法进行融合，实现对随机指令数据的分析；

基于定性影响因素用于评估的数据有效性、故障记录数据所体现出的舵系统可靠性指标的满足情况；将以上定性影响因素通过乘积算子作用于定量评估结果，最后实现综合所有因素的健康状态等级评估；

第四步的健康状态评估算法包括，

(a)基于定量数据的综合健康状态等级合成

(1)确定性指标性能评估算法

针对舵系统响应特定阶跃指令时的超调量，将舵系统初期最优健康状态时的超调量数据记为σ_min，记当前相同阶跃指令时的超调量为σ_actual，随着健康状态等级下降，σ_actual随时间增大逐步变为零，因此定义针对超调量的健康状态等级指标H_σ,其表达式为：

同理定义针对特定阶跃指令信号调节时间t_actual的健康状态指标

其表达式为：

同理令e_min和e_actual分别为定义针对特定阶跃指令信号响应的最小误差和实际误差，基于以上参数构建健康状态指标H_e：

对舵系统特定阶跃指令信号，求取性能最优时的平方误差积分

绝对误差积分

以及绝对误差乘时间积分

的具体指标形式分别为：

同样对于被测舵系统的给定最新的特定阶跃指令信号的历史数据，求取以上对应的平方误差积分指标J_actual-1、绝对误差积分J_actual-2以及绝对误差乘时间积分J_actual-3的对应指标：

以上三类指标对应得到Harris指标η_harris-1、η_harris-2、η_harris-3，以Harris指标形式进行当前实际数据与最优数据的对比分析，其指标形式如下所述：

由以上定义可知，随着舵系统健康状态等级的下降，舵系统Harris形式指标由0增长到1，为遵循健康状态等级随时间由1下降到0的变化规律，将以上指标继续变形为健康状态指标的形式，即

分别为指标η_harris-1、η_harris-2、η_harris-3的健康状态指标形式，具体如下：

(2)随机性指标性能评估算法

针对舵系统初期的最佳的舵系统历史数据，首先求取反馈不变量最小方差指标作为基准；选取数据集合，数据维度为N，固定采样时间间隔Δt＝t_i+1-t_i，其中t_i+1和t_i分别为下一时刻和当前时刻，舵控指令向量

和舵反馈向量

的具体表达式如下，

和

分别为控制指令向量和反馈向量的对应时刻分量：

由以上集合数据计算计算舵系统初期阶段最优健康状态时期的最小方差为

其次，计算舵系统当前实际输出方差，选取最新舵系统历史数据集合，数据维度固定为N，其中其中舵控指令向量

和舵反馈向量

的具体表达式如下，

和

分别为控制指令向量和反馈向量的对应时刻分量：

由以上集合数据计算计算舵系统当前阶段健康状态待确定时期的最小方差为

为进一步将以上指标进行合成用于舵系统健康状态评价，将以上最小方差与实际输出方差合成为Harris指标形式：

同样的，为得到能够表征从1到0健康状态等级不断下降规律的指标形式，将以上harris指标形式变形为健康状态指标形式：

(3)基于定量数据的综合健康状态等级合成算法

针对健康状态指标H_σ、

H_e、

分别定义相应的权重调节系数ρ_σ、

ρ_e、

且令：

最后合成基于定量数据的综合健康状态等级的指标函数H_data如下：

其中若给定的数据信息中没有以上指标项，则其相应的权重系数定义为零；

(b)基于定性影响因素的综合健康状态等级合成

定性影响因素考虑数据有效性以及可靠性满足指标，其中针对数据有效性定义有效性数据置信系数C_data，针对舵系统可靠性满足定义可靠性系数R_data，数据有效性和可靠性指标满足情况定性影响因素直接决定用于评估的数据的可用性和置信度，采用向量乘积运算形式表示舵系统健康状态等级的最终评估函数，即

其中令

表示向量乘积符号。

6.根据权利要求5所述的一种舵系统健康状态评估方法，其特征在于，第五步的依据当前健康状态等级的维护决策包括，

舵系统健康状态等级的划分如下表所示：

舵系统性能退化具有时序特性，随着时间推移，舵系统性能状态f_degree可能处于的健康状态等级可用以下函数表示：

其中时间区间(t₀＜t_detect≤t₁)、(t₁＜t_detect≤t₂)、(t₂＜t_detect≤t₃)表示用于评估的历史数据所处的时间段；具体时刻所表示的意义如下表所示：

健康状态等级确定方法：

由公式

定义最终健康评估等级，规则如下：

当F≥0.95，表示舵系统处于出厂的最佳性能状态D1；当F≤0.75，表示舵系统超出了满足使用条件的临界健康状态阈值；当0.85＜F＜0.95，表示舵系统处于次优健康状态D2；当0.75＜F＜0.85，表示舵系统处于性能降级但仍可继续使用的健康状态D3；

通过对历史数据的运算分析，确定最新一次历史数据处于D₁、D₂、D₃中的哪个健康状态等级，即可确定舵系统是否产生了性能降级，最终舵系统性能评估问题转化为确定最后一次性能检测时刻t_detect处于哪个时间区间的问题；

其次，舵系统性能退化的判据确定思路如下：

按照舵系统健康状态评估架构模型的软件实现架构，用于进行舵系统健康状态等级评估的数据子集选为三个集合：S₁舵系统数据子集A，S₂舵系统数据子集B，S₃舵系统数据子集C，且三个数据子集产生的时刻

满足

将舵系统首次调试生产完成后的最佳记录数据选为数据子集S₁，用于评定基准，该数据记录的舵系统处于生产调试后的最佳性能状态D₁，S₂舵系统数据子集B选为某中间时间段的历史数据作为辅助判别决策使用，S₃舵系统数据子集C选为最新的历史记录数据；

按照以上定义，S₃舵系统数据子集C为最新的历史记录数据，用于健康状态等级判别的对象，因此

对应的维护决策思路如下：

1)若F≥0.95，即f_degree(t_detect)＝D₁，则舵系统性能状态处于最佳健康状态等级D₁，未发生性能降级，舵系统可使用；

2)若0.85＜F＜0.95，即f_degree(t_detect)＝D₂，则舵系统性能状态处于次优健康状态等级D₂，出现性能降级，仍然满足用户方使用要求，可降级使用；

3)若0.75＜F＜0.85，即f_degree(t_detect)＝D₃，则舵系统性能状态处于健康状态等级D₃，出现再次性能降级，仍然满足用户方使用要求，可继续降级使用，但应进行状态预警；

4)若f_degree(t_detect)＝null，函数无解，表示舵系统性能降级超出用户方可使用边界，不再满足降级使用原则，处于不可用状态，需对舵系统进行返修或者淘汰。

Images