王少華,張耀輝,韓小孩

(裝甲兵工程學(xué)院 技術(shù)保障工程系，北京 100072)

基于比例風(fēng)險(xiǎn)模型的裝備狀態(tài)維修決策方法

王少華,張耀輝,韓小孩

(裝甲兵工程學(xué)院 技術(shù)保障工程系，北京 100072)

利用多維狀態(tài)特征參數(shù)對(duì)裝備故障風(fēng)險(xiǎn)的強(qiáng)相關(guān)關(guān)系，采用威布爾比例風(fēng)險(xiǎn)模型建立了狀態(tài)維修決策模型。針對(duì)典型比例風(fēng)險(xiǎn)建模過程中參數(shù)估計(jì)方面存在的缺點(diǎn)，采用基于遺傳算法的參數(shù)估計(jì)方法,提高了建模精度。針對(duì)檢測(cè)間隔期決策，提出通過確定狀態(tài)劣化閾值,在狀態(tài)劣化階段實(shí)施動(dòng)態(tài)檢測(cè)的檢測(cè)策略,建立了區(qū)間型檢測(cè)間隔期優(yōu)化方法;針對(duì)維修行為決策,將失效風(fēng)險(xiǎn)閾值與狀態(tài)檢測(cè)間隔期閾值相結(jié)合維修行為的綜合決策，提高了決策的穩(wěn)定性。以某發(fā)動(dòng)機(jī)為例對(duì)狀態(tài)維修決策方法的有效性進(jìn)行了驗(yàn)證。

比例風(fēng)險(xiǎn)模型；威布爾分布；狀態(tài)維修決策；狀態(tài)檢測(cè)間隔期

狀態(tài)維修是在裝備運(yùn)行過程中，通過機(jī)內(nèi)或外部檢測(cè)設(shè)備獲得裝備的狀態(tài)信息，通過狀態(tài)評(píng)估和預(yù)測(cè)得到裝備的實(shí)時(shí)狀態(tài)和發(fā)展趨勢(shì)，適時(shí)安排預(yù)防性維修的一種維修方式[1]。狀態(tài)維修決策對(duì)裝備的狀態(tài)進(jìn)行評(píng)估和預(yù)測(cè)，以一定的決策準(zhǔn)則對(duì)狀態(tài)維修行為做出決策。如何利用裝備的狀態(tài)信息進(jìn)行科學(xué)的維修決策目前成為了狀態(tài)維修的焦點(diǎn)[2]。

比例風(fēng)險(xiǎn)模型(Proportional Hzards Model，PHM)[3]能夠?qū)顟B(tài)信息引入可靠性模型中，將裝備役齡與狀態(tài)信息進(jìn)行綜合考慮，從而對(duì)裝備健康狀況變化規(guī)律進(jìn)行準(zhǔn)確的描述，為最佳維修策略的制定和實(shí)施提供有力的保證。D Banjevic等利用PHM模型和狀態(tài)轉(zhuǎn)移模型描述狀態(tài)劣化過程，在此基礎(chǔ)上建立了最小周期費(fèi)用的決策模型[4]；Huamin Liu分析了復(fù)合失效模式下的PHM模型，并建立了基于費(fèi)用的狀態(tài)維修決策模型[5]；戎翔等在建立PHM模型的基礎(chǔ)上，提出了強(qiáng)約束條件下的航空發(fā)動(dòng)機(jī)最優(yōu)更換策略[6]。

目前，基于PHM的CBM決策模型多以費(fèi)用為決策目標(biāo)，對(duì)基于安全性目標(biāo)的決策研究不足，而且大多數(shù)模型建立在等檢測(cè)間隔期基礎(chǔ)上，無法很好地滿足以安全性為目標(biāo)的決策。因此，筆者以安全性為目標(biāo)，在優(yōu)化失效閾值的基礎(chǔ)上，建立狀態(tài)檢測(cè)間隔期序貫決策模型，以便及時(shí)地獲取裝備狀態(tài)，降低裝備失效風(fēng)險(xiǎn)。狀態(tài)維修決策內(nèi)容包括兩類：決策控制條件的制定和維修行為決策，決策控制條件是通過統(tǒng)計(jì)分析為裝備群體制定的決策依據(jù)，如預(yù)防更換的風(fēng)險(xiǎn)函數(shù)閾值；維修行為決策是通過狀態(tài)信息采集和分析，為裝備個(gè)體制定最佳的維修計(jì)劃[7]。筆者將以PHM模型為基礎(chǔ)對(duì)上述兩類決策內(nèi)容進(jìn)行研究。

1 比例風(fēng)險(xiǎn)模型的建立

PHM模型是D.R.Cox于1972年提出的一類壽命模型，PHM模型將狀態(tài)特征參數(shù)、工作載荷、環(huán)境應(yīng)力、故障和維修歷史等因素視為裝備壽命的伴隨影響因素，并將其表示為失效風(fēng)險(xiǎn)函數(shù)的協(xié)變量，且各因素對(duì)裝備失效風(fēng)險(xiǎn)產(chǎn)生乘積效應(yīng)[8]。該模型在進(jìn)行壽命分布分析的基礎(chǔ)上，能夠定量地描述各協(xié)變量對(duì)裝備壽命分布和失效風(fēng)險(xiǎn)的影響程度。

1.1 WPHM模型

風(fēng)險(xiǎn)函數(shù)(Hzards function)是指t時(shí)刻未失效而在之后瞬時(shí)失效的條件概率，其定義為

(1)

式中：f(t)為故障概率密度函數(shù)；R(t)為可靠度函數(shù)。

比例風(fēng)險(xiǎn)模型的形式為

h(t|Z)=h0(t)exp(γZ)

(2)

式中:t為裝備個(gè)體的役齡；h0(t)為基本風(fēng)險(xiǎn)函數(shù)，h0(t)僅與役齡有關(guān)；exp(γZ)為協(xié)變量函數(shù)，Z為協(xié)變量，可以為連續(xù)變量或離散值，γ為協(xié)變量Z的系數(shù)。exp(γZ)與h0(t)相乘，所以稱為比例風(fēng)險(xiǎn)模型。

由于威布爾分布能夠擬合不同的分布類型，特別是較好地描述機(jī)械類部組件的壽命分布規(guī)律，因此采用威布爾比例風(fēng)險(xiǎn)模型(Weibull Proportional Hazards Model，WPHM)建立裝備可靠性模型。WPHM模型的形式為[9]

(3)

式中，β和η分別為威布爾分布模型的形狀參數(shù)和尺度參數(shù)；Z=(Z1,Z2,…,Zp)T是p維協(xié)變量，反映裝備的狀態(tài)信息，如裝備的振動(dòng)或油液分析數(shù)據(jù)等；γ=(γ1,γ2,…,γp)為協(xié)變量的系數(shù)向量。

由式(3)可知，WPHM模型中共包括(p+2)個(gè)未知參數(shù)：β、η和γ，為了建立完整的可靠性模型，需要利用裝備的壽命數(shù)據(jù)和協(xié)變量數(shù)據(jù)對(duì)這(p+2)個(gè)參數(shù)進(jìn)行估計(jì)，從而得到模型的具體形式。

1.2 WPHM模型的參數(shù)估計(jì)

WPHM屬于分布類型已知的模型，因此采用極大似然函數(shù)的方法對(duì)WPHM的參數(shù)進(jìn)行估計(jì)[10]。假設(shè)共觀測(cè)到n臺(tái)裝備數(shù)據(jù)，各臺(tái)裝備相互獨(dú)立，且在離散的時(shí)間進(jìn)行狀態(tài)檢測(cè)，可得到對(duì)應(yīng)的似然函數(shù)：

(4)

根據(jù)式(3)，可得WPHM模型對(duì)應(yīng)的可靠度函數(shù)為

(5)

由于協(xié)變量Z是離散的隨機(jī)變量，因此無法對(duì)式(5)進(jìn)行精確計(jì)算，針對(duì)這一情況，通常對(duì)協(xié)變量Z進(jìn)行離散化，并視其為右連續(xù)階躍過程，協(xié)變量右階躍過程如圖1所示，即Z只在狀態(tài)檢測(cè)時(shí)刻發(fā)生階躍，在相鄰間隔期內(nèi)與前一檢測(cè)時(shí)刻保持為一常數(shù)。

則R(ti,Z)可以表示為：

(6)

將式(6)代入式(4)，可以求得對(duì)數(shù)似然函數(shù)為:

(7)

極大似然估計(jì)通常采用牛頓-拉弗森迭代法估計(jì)函數(shù)中的各未知參數(shù)，但牛頓-拉弗森迭代法的參數(shù)估計(jì)受初值影響較大，極易得到局部最優(yōu)解，而WPHM包含p+2個(gè)待估計(jì)參數(shù)，參數(shù)初值的確定難度很大，因此牛頓-拉弗森迭代法的估計(jì)結(jié)果往往不夠準(zhǔn)確。遺傳算法有較強(qiáng)的全局尋優(yōu)能力，且不受估計(jì)初值的影響，因此采用遺傳算法對(duì)WPHM的參數(shù)進(jìn)行估計(jì)。

首先根據(jù)威布爾分布參數(shù)的物理意義以及工程經(jīng)驗(yàn)，確定待估計(jì)參數(shù)的取值范圍：

β∈[10-3,15];η∈[10-3,5 000];

γi∈[-10,10],i=1,2, … ,p

(8)

利用基于Matlab的遺傳算法工具箱GAOT進(jìn)行參數(shù)估計(jì)[11]，具體步驟為：

1)確定種群規(guī)模，按照實(shí)值編碼和式(8)確定的取值范圍，構(gòu)造染色體。

3)遺傳操作。遺傳操作主要包括3種：

①選擇操作：采用隨機(jī)遍歷抽樣與基于適應(yīng)度重插法相結(jié)合。隨機(jī)遍歷抽樣具有零偏差和最小個(gè)體擴(kuò)展，保持種群的多樣性，防止算法過早收斂，使最合適個(gè)體獲得更高的繁殖概率。

②交叉操作：采用基于交叉算子的重組策略，采用多點(diǎn)交叉算子，以提高算法對(duì)解空間的搜索效率。

③變異操作：為了增加種群的多樣性，采用時(shí)變的變異概率，即在迭代前期取較大值的變異率，以擴(kuò)大搜索范圍，隨迭代次數(shù)的累加逐漸縮小變異概率，以加快收斂速度。

4)終止條件。當(dāng)?shù)螖?shù)滿足終止條件，輸出最優(yōu)解。

2 基于風(fēng)險(xiǎn)的狀態(tài)維修決策

由于裝備是遂行軍事任務(wù)的主要載體，決策者首要關(guān)心的是裝備的故障風(fēng)險(xiǎn)，因此主要以風(fēng)險(xiǎn)控制為決策目標(biāo)進(jìn)行研究。由于引入了隨機(jī)變量，WPHM模型難以求得裝備累積失效風(fēng)險(xiǎn)的解析解，為此以h(t)為決策變量進(jìn)行維修決策。

2.1 狀態(tài)維修決策閾值的確定

假設(shè)通過參數(shù)估計(jì)得到了具體的WPHM模型：

(9)

(10)

2.2 基于風(fēng)險(xiǎn)的狀態(tài)檢測(cè)間隔期決策

裝備在第i到第i+1個(gè)檢測(cè)間隔期間發(fā)生失效的條件概率r可表示為

r=F(ti+ΔTi|ti)

(11)

式中：ti表示第i次檢測(cè)時(shí)間;ΔTi表示第i次與第i+1次檢測(cè)之間的間隔期。

若給定一常數(shù)r*(0

由式(5)可以得到

(12)

依據(jù)右階躍假設(shè)，將ti時(shí)刻檢測(cè)得到的狀態(tài)協(xié)變量記為Zi，Zi即為[ti，ti+1]區(qū)間內(nèi)的協(xié)變量值，可得到在r*的約束下，最佳的狀態(tài)檢測(cè)間隔期ΔTi為

(13)

上述決策過程簡便易行，但隨著役齡的增長，裝備狀態(tài)劣化趨勢(shì)日趨明顯，建立在右階躍假設(shè)基礎(chǔ)上的決策誤差將隨之相應(yīng)增大，易導(dǎo)致失效風(fēng)險(xiǎn)被樂觀估計(jì)，針對(duì)這一問題，提出建立在狀態(tài)預(yù)測(cè)基礎(chǔ)上的左階躍假設(shè)，并將該策略與右階躍假設(shè)相結(jié)合，為當(dāng)期檢測(cè)間隔期確定區(qū)間型的結(jié)果，從而為準(zhǔn)確地控制裝備失效風(fēng)險(xiǎn)奠定基礎(chǔ)。

(14)

式(13)和(14)具有相同的形式，但由于協(xié)變量計(jì)算方法的不同，將導(dǎo)致得到的最佳檢測(cè)間隔期ΔTi不同，與式(13)相比，(14)的計(jì)算方法相對(duì)保守，因此得到的ΔTi通常比按照式(13)得到的要小。這里將兩類決策結(jié)果分別作為ΔTi可行區(qū)間的上下限，為決策者提供更具有靈活性的決策空間，為有效地降低失效風(fēng)險(xiǎn)提供依據(jù)。

通過動(dòng)態(tài)決策得到的檢測(cè)間隔期同時(shí)可以作為維修行為決策的依據(jù)，實(shí)際上，隨著裝備狀態(tài)的劣化，決策得到的當(dāng)期狀態(tài)檢測(cè)間隔期將逐漸縮短，當(dāng)檢測(cè)間隔期因過短而失去實(shí)施空間時(shí)，即可視為裝備失效風(fēng)險(xiǎn)過高，有必要進(jìn)行預(yù)防性維修。因此，這里為檢測(cè)間隔期設(shè)定閾值Δ*，當(dāng)ΔTi的下限小于Δ*時(shí)即可實(shí)施機(jī)會(huì)性預(yù)防維修；當(dāng)ΔTi的上限小于Δ*時(shí)，則必須進(jìn)行預(yù)防維修。

3 狀態(tài)維修決策實(shí)例分析

利用文獻(xiàn)[12]中采集到的某型自行火炮發(fā)動(dòng)機(jī)狀態(tài)檢測(cè)數(shù)據(jù)來建立WPHM模型，并建立相應(yīng)的狀態(tài)維修決策模型。共收集到5臺(tái)發(fā)動(dòng)機(jī)壽命數(shù)據(jù)，其中第1～4臺(tái)觀測(cè)到壽命數(shù)據(jù)，第5臺(tái)為截尾數(shù)據(jù)。原始的狀態(tài)特征參數(shù)分別為鐵、鋁、鉛、硼、鋇、鉻、鎂、硅共8類元素的單位濃度。

由于各特征參數(shù)間存在不同程度的相關(guān)性，因此對(duì)特征參數(shù)進(jìn)行主成分分析，以消除各參數(shù)的相關(guān)性，得到獨(dú)立的主成分作為WPHM模型的協(xié)變量。主成分分析結(jié)果表明，前3個(gè)主成分累積貢獻(xiàn)率達(dá)到了80.46%，基本滿足建模需要，因此選擇前3個(gè)主成分作為狀態(tài)協(xié)變量。這3個(gè)主成分的系數(shù)如表1所示。

表1 狀態(tài)協(xié)變量主成分系數(shù)

將分析得到的3個(gè)主成分作為協(xié)變量，建立WPHM模型：

(15)

分別利用本方法和牛頓-拉弗森迭代法估計(jì)式中參數(shù)，求得max(lnL)的值分別為-16.847和-29.301，因此提出的遺傳算法估計(jì)效果較好，式(15)中各參數(shù)的最終估計(jì)值為：

表2 基于劣化和更換閾值曲線的決策

對(duì)于檢測(cè)間隔期決策，根據(jù)經(jīng)驗(yàn)設(shè)定r*=0.02，最小檢測(cè)間隔期Δ*=5 h，利用式(13)和(14)可分別求得區(qū)間形式的當(dāng)期最優(yōu)狀態(tài)檢測(cè)間隔期。表3為1號(hào)發(fā)動(dòng)機(jī)狀態(tài)檢測(cè)間隔期決策結(jié)果。

表3 1號(hào)發(fā)動(dòng)機(jī)狀態(tài)檢測(cè)間隔期決策結(jié)果

在圖中繪制表3中的間隔期數(shù)據(jù)，并用分段直線進(jìn)行連接，可得到不規(guī)則的圖形區(qū)域，作為可行的狀態(tài)檢測(cè)間隔期，如圖4所示。

由圖4可知，檢測(cè)間隔期閾值與圖形解在572 h和596 h相交，表示在Δ*=5 h的約束下預(yù)防性更換時(shí)間可行域?yàn)?72-596 h，決策者可在該區(qū)間內(nèi)進(jìn)行機(jī)會(huì)維修以降低維修成本，提高裝備可用度，若在該區(qū)間內(nèi)未實(shí)施任何維修，則在役齡達(dá)到596 h后必須進(jìn)行預(yù)防性更換。

表4 各臺(tái)發(fā)動(dòng)機(jī)預(yù)防更換時(shí)機(jī)綜合決策結(jié)果(Δ*=5 h)

由表4可知，采用的狀態(tài)維修決策方法結(jié)合了兩類決策方法的優(yōu)點(diǎn)，在裝備進(jìn)入耗損期后通過調(diào)整檢測(cè)間隔期有效地控制了失效風(fēng)險(xiǎn)，同時(shí)為決策者提供了靈活的決策空間，為提高裝備動(dòng)用效率奠定了基礎(chǔ)。

4 結(jié)論

筆者將狀態(tài)特征參數(shù)作為協(xié)變量引入了裝備可靠性模型中，將裝備故障規(guī)律的統(tǒng)一性和個(gè)體狀態(tài)劣化過程的特殊性進(jìn)行了有效的結(jié)合，為進(jìn)行有針對(duì)性的維修決策奠定了基礎(chǔ)。以風(fēng)險(xiǎn)控制為決策目標(biāo)，對(duì)狀態(tài)維修行為和狀態(tài)維修檢測(cè)間隔期的決策方法進(jìn)行了研究，與典型的決策方法相比，以失效風(fēng)險(xiǎn)和檢測(cè)間隔期為決策變量的維修行為決策，更加準(zhǔn)確地發(fā)掘了裝備狀態(tài)劣化過程中蘊(yùn)含的信息；在檢測(cè)間隔期決策方面，通過對(duì)協(xié)變量右階躍假設(shè)進(jìn)行補(bǔ)充，為狀態(tài)檢測(cè)確定區(qū)間型的分析結(jié)果，將在有效地控制裝備的失效風(fēng)險(xiǎn)的同時(shí)，為決策者提供更加靈活的決策空間，為提高裝備戰(zhàn)備完好性、降低壽命周期費(fèi)用奠定基礎(chǔ)。

References)

[1]BENGTSSON M. Condition based maintenance system technology-where is development heading[C]∥Proceedings of the 17th European Maintenance Congress. Barcelona:Spanish Maintenance Society，2004.

[2]張小麗,陳雪峰,李兵,等.機(jī)械重大裝備壽命預(yù)測(cè)綜述[J].機(jī)械工程學(xué)報(bào), 2011,47(11): 100-116. ZHANG Xiaoli, CHEN Xuefeng, LI Bing, et al. Review of life prediction formechanical major equipments[J].Journal of Mechanical Engineering, 2011,47(11): 100-116.(in Chinese)

[3]ANSELL J,PHILLIP M.Practical aspects of modeling of repairable systems data using proportional hazards models [J]. Reliability Engineering and System Safety,1997, 58 (2):167-171.

[4]BANJEVIC D,JARDINE A K S,MARKIS V, et al. A control limit policy and software for condition-based maintenance optimization [J]. INFOR, 2001,39 (1):32-50.

[5]LIU Huamin. Modeling and optimal control of deteriorating production processes[D].Toronto: University of Toronto,1997.

[6]RONG Xiang, ZUO Hongfu, ZHANG Haijun. Prediction approach to life on wing for civil aeroengine[J]. Journal of Southwest Jiaotong University:English Edition,2008,16(2):170-175.

[7]戎翔.民航發(fā)動(dòng)機(jī)健康管理中的壽命預(yù)測(cè)與維修決策方法研究[D].南京:南京航空航天大學(xué),2008. RONG Xiang. Methods of life prediction and maintenance decision makingin civil aeroengine health management[D].Nanjing: Nanjing University of Aeronautics and Astronautics,2008.(in Chinese)

[8]JIANG S T, LANDERS T L, RHOADS T R. Assessment of repairable-system reliability using proportional intensity models: a review [J]. IEEE Transactions on Reliability, 2006, 55(2):328-336.

[9]JARDINE K S, ANDERSON P M, MANN D S. App-lications of the weibull proportional hazards model to aircraft and marine engine failure data[J]. Quality & Reliability Engineering International,1987,3(2):77-82.

[10]LAWLESS J F. Statistical model and methods of life data[M].Beijing: China Statistical Press,1998.

[11]方華元,胡昌華,李瑛. 基于遺傳算法的威布爾分布的參數(shù)估計(jì)及MATLAB 實(shí)現(xiàn)[J].戰(zhàn)術(shù)導(dǎo)彈控制技術(shù), 2007, 56(1):100-103. FANG Huayuan, HU Changhua, LI Ying. Using MATLAB to realize parameters estimation of weibull distribution based on genetic algorithm[J]. Control Technology of Tactical Missile,2007, 56(1):100-103.(in Chinese)

[12]陳麗.基于狀態(tài)的維修模型及應(yīng)用研究[D].石家莊:軍械工程學(xué)院, 2009. CHEN Li. Research on condition based maintenance model and its application[D].Shijiazhuang: Ordnance Engineering College,2009.(in Chinese)

EquipmentCondition-basedMaintenanceDecision-MakingMethodBasedonProportionalHazardModel

WANG Shaohua，ZHANG Yaohui, HAN Xiaohai

( Department of Technology Support Engineering, Academy of Armored Force Engineering, Beijing 100072, China)

According to the fact that the reliability of equipment is heavily related to complica-ted condition parameters, Weibull proportional hazard model was taken to construct the reliability model. In order to promote the modeling precision of the model, the genetic algorithm was utilized to estimate parameters in the model. According to the decision-making method of inspection interval, a deteriorating threshold was set to trigger dynamic condition inspection, and a flexible interval type of optimization method for inspection was illustrated. Aimed at the maintenance action determination, hazard threshold and inspection interval threshold were combined to perform comprehensive maintenance action decision-making so as to enhance stability of decision-making method. A case study of certain type of engine was put forward to verify the feasibility and reasonability of the model.

proportional hazard model; Weibull distribution; condition-based maintenance decision-making method; condition inspection interval

2014-05-27；

2014-08-12

軍隊(duì)科研計(jì)劃項(xiàng)目(51327020303)

王少華(1986-)，男，博士研究生，主要從事裝備維修理論與技術(shù)研究。E-mail：aafe77330@163.com

TP 206.3

A

1673-6524(2014)04-0067-06