随着科学技术的发展，不断出现新式飞行器、武器等装备系统日趋复杂化，对其维修保障理论和实践都面临着新的挑战。目前装备维修保障已从初期的被动（发生故障后）维修，变为计划性维修以及更为高级的视情维修。与传统的被动维修方法相比，视情维修具有针对性强、维修效果好、经济效益好等优点，被广泛的应用在航空航天、军事装备的维护保障中，从而产生了具有广泛应用前景的预测与健康管理技术（Prognostics and Health Management，PHM）。 在PHM技术中，装备的保障、维修管理的核心问题是能够准确的评估和预测产品的可靠性和剩余寿命。传统的方法是基于产品的寿命数据来预测其可靠性和剩余寿命，而航空航天、军事中的装备往往都具有高可靠性、长寿命的特点（以下简称为高长产品），因此，若想获得大量高长产品的寿命数据，通常需要通过大量的实验获取，但由于试验成本、时间等约束，难以获得足够的寿命数据，严重制约了PHM核心技术的发展。在高长产品的使用过程中，积累了大量的与寿命相关的性能退化数据，由于退化数据具有易获取、实验方案经济可行的特点，目前已经成为评估可靠性和预测剩余寿命的一种经济可行的方法。 本文的工作：首先，针对装备寿命数据的不足问题，探讨了飞行器装备的性能退化的一般规律：一是退化趋势明显且退化量不断累积；二是由于内外应力的作用，每个时刻的退化量具有随机不确定性。基于该性能退化规律，结合累积的性能退化数据，建立了高长产品的性能退化模型，利用极大似然估计等方法，估计模型中的参数，评估预测其可靠性和剩余寿命，并用实例验证了方法的有效性。 其次，当获得的退化数据不足、缺失或呈现小子样时，仅仅利用退化数据评估产品可靠性是难以保证预测的准确性的。在同类产品的试验、使用中会产生的不同类型的产品寿命信息，对产品的退化数据和其寿命信息进行融合，将会有利于提高预测的精度。本文提出两种多源信息融合算法：一，利用D-S证据理论融合高长产品的寿命数据和性能退化数据，二，通过融合寿命数据和退化数据的似然函数处理退化数据不足的问题，利用Bayes方法获得两种方法的可靠性函数和剩余寿命。通过实例验证了融合方法的有效性。 最后，采用C#与MATLAB语言混合编程将4种可靠性建模与剩余寿命预测方法集成为一个系统软件，能够使得研究的方法具有更大的普适性。
展开▼
