梁露月， 吕克洪， 程先哲， 李 强， 刘冠军， 邱 静

(1.国防科技大学 智能科学学院，湖南 长沙 410073； 2.国防科技大学 装备综合保障技术重点实验室，湖南 长沙 410073)

航空电连接器是飞机和航空器上最常见的一种机电元件，一架大型运输机上的电连接器数量可高达4500多件[1]。随着现代航空设备的集成度提高、结构日益复杂以及工作环境越发恶劣，部分在役飞机和航空设备无故障发现(No Fault Found，NFF)问题日益严重，维修频率急剧增加。大量的现场采集数据和故障统计结果表明[2-4]，间歇故障是导致装备NFF问题的主要原因和故障来源。航空电子系统故障中70%的失效是由于元器件，而在这些故障中又有40%是电连接器的失效引起的[5]。如果能基于间歇故障对航空电连接器进行可靠的状态评估，则会保障其安全高效工作，如果能进一步进行永久故障预测，则会对基地级的维修决策提供技术支撑。

基于间歇故障对航空电连接器进行状态评估，重点是要利用间歇故障动态特性构建合理的评估模型。目前对间歇故障特征的应用停留在定性层面，基于间歇故障特征的评估方法较少，通常是基于间歇故障幅值或次数进行阈值判别。Kamal等[6]基于间歇故障次数提出评估方法，由于间歇故障发生极其随机，单纯基于故障次数或幅值的评估方法可能会造成虚警。Correcher等[7]提出伪周期和失效密度的概念，建立评估模型计算间歇故障发生频率和预测更换设备的最佳时间。Pan等[8]提出了度量间歇性脆弱因子(Intermittent Vulnerability Factor，IVF)来综合评估间歇故障对微处理器的影响程度。

国防科技大学从2011年起，对振动环境下电连接器间歇故障机理、诊断与状态评估开展了一些研究[9-10]，在硬件方面开发了间歇故障检测仪、基于FPGA(Field Programmable Gate Array)的线缆连接型间歇故障原位检测系统，重点放在检测上，在状态评估与故障预测方面的工程应用成果较少。

合理的间歇故障动态特征要尽可能包含完整的电连接器的退化状态信息，而单一的间歇故障幅值或次数不足以进行全面的表征。因此，为了充分利用间歇故障动态特征，本文开发了基于间歇故障广义强度的状态评估与故障预测软件(后简称软件)，服务于航空电连接器在间歇故障方面的状态评估与故障预测。首先对间歇故障内涵和动态特征进行梳理，构建间歇故障广义强度特征作为评估指标，介绍了软件总体架构设计和模块化功能设计，最后在电连接器案例上进行了软件实现与验证。

1 间歇故障内涵与动态特征

1.1 间歇故障内涵

按照GJB 3365-1998定义，间歇故障是指产品发生故障后，不经修理而在有限的时间内自行恢复规定功能的故障[11]。2015年，美军发布了间歇故障检测军用性能规范，从故障持续时长的角度明确了间歇故障的定义，迄今为止是间歇故障检测与诊断方面较为权威的依据[12]。该规范中将间歇故障划分为短时、中时、长时间歇故障，持续时长分别为100 ns以内、101 ns～500 μs、501 μs～5 ms。在装备的全寿命周期中，尤其是服役中后期阶段，其间歇故障特征随时间演化如图1所示[9]。

图1 间歇故障的演化过程

第1阶段间歇故障表现不明显，也不会成串出现，具体表现为单一脉冲的毛刺，对装备影响轻微；第2阶段中，间歇故障的持续时长与幅值明显增大，可能在同一部位反复出现且出现较长时间，装备可能会表现为一些间歇性功能异常，过段时间又恢复正常；到了第3个阶段，间歇故障的影响已经不容忽视并可能会发展为永久故障，给装备带来致命的伤害。

间歇故障从诱因来看，可以分为以下两类。

① 设计型间歇故障：主要是指在制造过程中产生的制造残余物、工艺尺寸缩小带来的器件特性的变化，或者是设计不足导致的缺陷。这类间歇故障不仅具有很强的随机性，而且不具有规律性，难以复现和分析。

② 耗损型间歇故障：这类故障大多是因为装备长时间服役造成的间歇性连接，其表现形式主要为老化磨损、焊点开裂、连接器针脚疲劳等造成的间歇性连接，符合图1中的“三步走”退化阶段，与设计型相比有一定的规律性，有可能进行复现与检测。

从表现形式来看，间歇故障在装备级、系统级、器件级的表现各有不同，但是通过层级又逐渐产生深层影响。以数字电路发生连接型间歇故障为例，在逻辑器件级可能表现为间歇性“固定”故障，即将故障信号线上的正确值间歇性地转换为固定值，即逻辑值“1”或“0”，在集成模块级别可能会表现为时序的间歇性延迟，从而导致时序违规，并在发生时影响数据传输。例如，由于时序延迟，触发器无法锁定新计算的值，导致向存储单元中写入错误的数据。故障传播到装备级，轻者导致计算机间歇性异常如重启、显示屏间歇闪烁，严重则导致装备掉电或死机，这将会造成不可估量的损失。因此，装备在长时间服役过程中，间歇故障往往是永久性故障的征兆，会导致永久性故障的发生。

1.2 间歇故障动态特征

想要利用间歇故障特征来对装备的退化状态进行评估，并进行永久故障预测，首先要明确哪些间歇故障特征可以作为退化过程的指标。合适的动态特征可以对故障进行较为定量的描述，目前典型的间歇故障动态特征可以归纳为3个，分别是间歇故障次数、持续时长和幅值。

间歇故障动态特征如图2所示，其中，T表示一次任务周期、统计时长或采样时间；i表示在时间T内发生的第i次间歇故障。

图2 间歇故障动态特征

间歇故障次数N即在时间T内发生的间歇故障总次数。

(1)

间歇故障幅值MF是指实测值偏离正常值的幅度。

这3个动态特征都从不同层面上揭示了间歇故障的内涵，在一定程度上反映了间歇故障发生的强度大小，可以对电连接器进行评估与故障预测。目前基于间歇故障动态特征的故障预测算法已经有了一些研究[13-14]，但目前未在工程上实现应用。为了将理论研究应用到实际工程中，需要能够结合已有的算法设计开发故障预测软件。

2 总体架构设计

软件总体架构设计如图3所示，共分为3层：人机交互界面、模块层和系统资源层。人机交互界面实现数据的选择、导入与显示，系统资源层实现数据存储和模型库支撑功能，存储模块层所需的间歇故障时长、幅值等数据，提供数据训练所需的模型。

图3 功能模块化设计

模块层设计共分为4个部分：特征提取模块、模型训练模块、状态评估模块和故障预测模块。软件各模块通过菜单栏进行切换。下面进行简要介绍。

① 特征提取模块：导入训练样本，提取样本响应特征曲线，提取间歇故障广义强度特征作为下一步模型训练的基础。

② 模型训练模块：基于间歇故障广义强度特征，利用HSMM构建退化状态转移模型，利用训练样本对模型进行训练，构建退化状态评估分类器。

③ 状态评估模块：将被测样本的间歇故障广义强度导入状态评估分类器中可评估其当前退化状态。另外，利用该模块可以对长时间采样数据进行退化状态变化分析，实现长时间状态监控的功能。

④ 故障预测模块：根据全寿命周期数据训练永久故障预测模型，结合待测样本的当前状态可以进行永久故障预测，即预测剩余使用寿命。

3 各模块设计

3.1 特征提取模块

通过实验研究了间歇故障总持续时长、幅值和次数随航空电连接器退化的趋势分析，变化趋势如图4所示，为了统一到一个坐标系中，对持续时长、幅值和退化状态均做了归一化处理。

图4 间歇故障特征随电连接器退化的变化趋势

由图4可以看出，一次任务剖面内的间歇故障幅值和总持续时长均与退化状态呈正相关，可以作为状态评估的指标。但是，间歇故障幅值在退化过程中表现出了较大的波动性，而持续时长虽然呈单调递增，却不包含间歇故障次数的信息。间歇故障次数随电连接器的退化呈现先增加后减少的趋势，不能作为评估指标。

因此，单一的间歇故障时长或幅值都无法全面而准确地表征航空电连接器的退化状态。综合间歇故障在时间维度与幅值维度的表现，构建间歇故障广义强度作为间歇故障的新动态特征，用I来表示，定义为间歇故障特征曲线与时间轴所围成的面积，如图2中所示的阴影面积，计算公式为[10]

(2)

(3)

特征提取模块是整个软件设计的基石，实现了训练数据的导入与间歇故障广义强度提取功能，步骤如图5所示。

图5 特征提取步骤

首先根据航空电连接器测试数据幅值和时长，识别采样点中的间歇故障数据点，将间歇故障幅值和时长进行提取，利用式(2)、式(3)计算出每一个训练样本的间歇故障广义强度，供模型训练使用。

3.2 模型训练模块

模型训练模块是从特征提取模块中接收训练样本的间歇故障广义强度特征，基于该特征构建状态评估分类器，完成训练功能，步骤如图6所示。

图6 模型训练步骤

HSMM(Hidden Semi-Markov Models)模型能够表征同一宏观状态下的不同片段时间的微观状态，符合航空电连接器的退化特点。首先根据HSMM模型构建状态评估模型，根据间歇故障广义强度特征，进行模型训练，从而构建退化状态分类器[8]，以进行下一步的状态评估。

航空电连接器从正常到故障共经历了N个宏观退化状态，这就需要设计N个状态分类器：HSMM(1)，HSMM(2)，…，HSMM(N)。以其中一个状态分类器为例，此时模型只含有一种退化状态，其模型参数λ=(N,π,A,B,Pi(d))。模型参数中的各项定义如下：N为使用状态数；π为初始概率的分布矢量，π=[π1,π2,…,πN]；A为状态转移矩阵{aij}N×N；B为观测值矩阵{bjk}；Pi(d)为状态驻留时间概率分布。

利用HSMM模型构建状态评估分类器过程如下。

① 用K-means聚类算法对训练数据进行初始估计，得到B的初始参数值，确定初始模型参数λ1。

② 根据前向-后向算法计算初始参数条件下的输出概率P(O|λ1)。

3.3 状态评估模块

状态评估模块识别待测样本的当前状态，为故障预测模块提供基础。使用状态评估过程如图7所示。

图7 状态评估步骤

状态评估模块设计了3种评估模式，分别为单一状态评估、同一状态下多样本状态评估和长时间退化状态评估。前两种评估模式样本采样时间短，处于单一退化状态。此时计算待测数据的间歇故障广义强度，将其输入到训练好的状态分类器中，计算模型的概率P(O|λi)，其最大后验概率值即为该样本的当前退化状态。同一状态下多样本状态评估是为了电连接器在同一使用状态下的多个样本同时识别其状态设置的。长时间退化状态评估直观显示了时间退化过程。此时需要将待测样本根据其采样时间可变地分为多个样本区间，分别对单个区间计算间歇故障广义强度，再导入状态分类器进行状态识别。在这种模式下能够更直观地看到装备随时间的退化状态变化趋势。

3.4 故障预测模块

故障预测模块是根据待测数据的当前退化状态，对其剩余使用寿命进行预测，对航空电连接器的使用达到预警的作用，避免其服役至接近使用寿命，出现永久性故障。故障预测模块步骤如图8所示。

图8 故障预测步骤

首先根据全寿命故障观测序列提取间歇故障广义强度特征，利用参数重估算法确定各个使用状态的均值和方差，并计算每个退化状态的驻留时间，再结合待测样本数据的当前使用状态hi，计算剩余使用寿命。

剩余使用寿命区间计算过程如下。

首先计算每个退化状态的驻留时间[13]：

D(hi)=μ(hi)+ρσ2(hi)

(4)

式中，μ,σ2为驻留时间的均值和方差。

(5)

假设电连接器当前状态为i，RULi表示当前时刻的剩余寿命区间，计算式为

(6)

其中，

(7)

(8)

4 软件实现与案例验证

4.1 软件实现

由于Matlab具有高效的模型训练和模式识别计算能力，设计开发了基于Matlab的航空电连接器间歇故障状态评估与故障预测软件，软件界面如图9所示。

图9 软件界面示例

4.2 案例验证

(1) 特征提取。

为了验证软件的可行性，对故障预测方法进行验证，针对航空电连接器的退化过程进行了恒加振动应力间歇故障加速复现试验，对电连接器进行了不同程度的磨损来模拟不同退化状态，通过测量接触电阻采集全周期寿命数据。所使用的航空电连接器、试验原理与试验平台如图10～图12所示。

图10 航空电连接器实物图

图11 试验原理图

图12 振动平台及试验现场图

通过试验采集到电连接器的接触电阻数据，通过本软件进行状态评估与故障诊断验证。将样本数据导入特征提取模块，当接触电阻大于10 Ω且持续时间在[100 ns，5 ms]时视为发生间歇故障[9]。按照图5步骤，提取间歇故障数据的幅值和时长，计算间歇故障广义强度特征，作为模型训练的基础。

(2) 模型训练。

在确定退化状态数量上，根据电连接器全寿命周期数据，划分为5个状态等级，分别为正常状态、轻度损伤状态、中度损伤状态、重度损伤状态和永久故障状态。

导入不同退化状态下的多个电连接器试验数据，提取各个样本的间歇故障归一化广义强度用于模型训练，最后进行状态分类器训练。如图13所示，训练完成了5个状态分类器，分别对应5个退化状态等级。

图13 模型训练

(3) 状态评估。

① 单个采样点状态评估。

针对单个采样点，导入数据后分别显示波形图和超过故障阈值的故障点。将待测点的广义强度输入到状态分类器中进行状态识别，识别完成后显示在下方的坐标轴中，如图14所示。

图14 单一采样点状态评估

该待测数据的归一化广义强度值为0.038839，识别当前状态为轻度损伤状态，与实际状态进行对比，评估正确。

② 同一状态下多采样点状态评估。

在实验过程中发现，就算在同一运行工况、相同退化状态下的数据有较大的波动，因此为了获得更完整的全寿命周期数据，也为了对同一状态下采集多个样本，因此对多个电连接器进行了加速振动试验。在该模式下，同时导入多个数据，左方坐标轴内显示多测试样本的归一化广义强度值，右方坐标轴显示的概率值最大的状态即为当前识别状态，如图15所示。

图15 多采样点状态评估

测试中导入了同一退化状态(轻度损伤状态)下的10个样本进行测试，评估结果中除第2个样本评估为正常状态产生错误外，其余均为轻度损伤状态，评估结果较为满意。

③ 长时间退化状态评估。

在此界面可以更直观地观察到电连接器随时间的退化状态，因此输入数据为较长时间的监控结果。用恒加振动应力加速电连接器退化过程，振动时间为30 min。导入长时间采样样本，如图16所示，左边显示数据的时域波形，右边可以较为直观地看到电连接器使用状态随时间的退化趋势。

图16 长时间退化状态评估

该连接器经历了正常状态、轻度损伤状态和中度损伤状态，与实际退化情况吻合。并且可以看到，退化趋势表现出了较大的波动性，这正是因为间歇故障有较强的随机性，但总体上电连接器状态是随时间不断恶化的。

(4) 故障预测。

故障预测需要根据计算出的不同退化状态的驻留时间、均值和方差，结合测试样本当前的退化状态，给出当前的剩余使用寿命区间预测值。

导入全寿命周期数据，由式(4)、式(5)计算各个使用状态的均值、方差和驻留时间，显示在表格中。导入测试样本，由当前退化状态和式(6)～式(8)计算出预测的剩余使用寿命区间，如图17所示。

图17 剩余使用寿命预测

从正常状态，轻度、中度和重度损伤状态中选取12个电连接器数据，振动加速其退化过程至发生永久故障，记录其实际剩余寿命，与预测结果进行对比。若实际剩余寿命在预测区间内，则可以认为预测正确。这12个样本的实际与预测结果如表1所示。

表1 剩余使用寿命预测

从表1可以看出，有2个样本实际剩余使用寿命不在预测区间内，预测错误，剩余10个样本预测正确。造成错误的原因可能有以下两点：① 退化状态划分不够细致，预测错误的样本实际剩余寿命在区间上下限附近；② 剩余寿命预测模型精度有待提高，本算法是根据当前状态计算出预测区间，因此同一个退化状态的预测区间相同，不能细致地根据同一个状态下不同退化过程进行预测，预测精度有待提高。但是总的来说，本算法基本实现了故障预测功能，验证了该评估方法的可行性。

5 结束语

本文着眼于航空电连接器，基于间歇故障特征分析，设计并实现了间歇故障状态评估与故障预测软件，并进行了案例验证。结果表明，基于间歇故障广义强度特征的状态评估有较强的适用性，评估和故障预测效果较好，软件填补了航空电连接器在间歇故障上评估与预测工程应用上的空白，为无明显故障征兆的航空电连接器状态评估与故障预测提供了依据。软件显示直观、操作简单，并且可推广到其他与恶劣的使用环境密切相关、受间歇故障困扰而无明显征兆的电子器件上，有较广泛的工程应用价值。