摘要：随着新型深空测控装备的应用及深空测控网的建设，卫星测控中心及深空探测装备自动化水平得到极大的提高，相应的各深空站的站级对装备的校准及运维保障自动化程度也不断提升。深空测控装备由于设备精度要求高、结构复杂、部署位置偏远等特点，使其装备运维难度较大，因此需要建设一体化的装备运维保障系统，提高设备的自主保障、信息化管理及远程技术支持能力。本文提出基于大数据健康管理功能的装备运维保障系统，通过“中心+测站”两级，对各深空站的装备进行集群化统一管理，为各深空站提供设备状态监测、设备状态评估、设备故障诊断、维护策略指导及装备全生命周期管理等服务。
关键词：深空测控装备；大数据；健康管理；运维保障系统
目前，我国已部署多套深空测控装备，这些装备在装备运维保障上具有很强的通用性，可以建立统一的装备运维保障平台进行装备的集中管理。本文提出基于大数据健康管理功能的装备运维保障系统，通过大数据技术加强信息的管理和共享，运用通信网络将每个深空测控设备联结起来，实现互联互通，并融合基于故障预测与健康管理 (Prognostics and Health Management，PHM)技术[1]的装备健康管理功能，建立具备装备信息共享、智能故障预测诊断、远程技术支持、装备全寿命管理等能力的统一平台。
1 系统功能设计
结合“大中心，小测站”的建设思路，应以“测站、中心”两级装备运维保障系统为基础，构建面向多套、远程、智能的装备运维保障管理体系，该系统在传统测控设备健康系统强调设备故障诊断能力的基础上，还应着重实现以下几个功能。
一是信息集中管理与共享能力。站级装备运维系统将各基础数据、工作产品整理分类后，通过通信网络以相同格式上传至中心的装备运维系统。中心长期积累各设备健康数据，实现对各设备健康状态的集中管控。
二是远程故障诊断及技术支持能力。中心级装备运维系统可依托现有的测控指挥网络，搭建远程故障诊断及维修平台，实现远程测试、远程诊断、远程辅助维修等功能。中心专家可使用视频通信技术来获取装备实时状态信息，通过远程测试结果等信息分析设备故障原因，指导前方设备人员排查设备故障[1]。
三是智能的故障预测能力。采用“测站+中心”的联合故障预测模式。测站应着重对设备各分系统的状态信息进行量化、统计，重点做好对设备健康状态的分析评估。中心以数据库中历史数据为依据，采用大数据分析各类故障数据，分析设备的剩余寿命[2]。
四是装备全寿命周期的管理能力。系统应将现有的各类装备管理信息系统整合，形成基于网络化、信息化的综合保障体系，实现多种装备管理功能。主要包括维护计划制定、备品及备件管理、建立装备信息数据库以及履历管理等功能。
2 系统架构
根据中心、测站两级在装备管理职能、设备健康管理侧重点等方面的不同，以数据管理的角度出发，从数据源、数据处理、数据存储、数据分析、功能应用等方面分别设计测站、中心两级装备运维保障系统的架构，如图1、图2所示。
3 PHM功能在深空探测测控设备上的实现
故障预测与健康管理（PHM）功能是装备运维保障系统核心，其基本架构如图3所示。PHM功能的实现主要包括传感器设计、FMECA分析、状态评估、故障预测、故障诊断、分析决策等过程。
3.1 FMECA分析
为了让系统状态采集、状态评估等过程更加细致、全面，应对设备进行故障模式、影响及危害性分析（FMECA），以天伺馈分系统部分单元为例进行FMECA分析，如表1所示。
3.2 传感器设计
装备运维保障系统的各分组系统通过层次关联模型进行信息传输，再进行FMECA结果的分析，最终采用最小可更换单元进行故障诊断与评估，因此需要设计最小单元的信息采集获取策略。基带、监控、数传、ACU等分系统或单元均为工控机，状态采集比较方便。下面着重介绍天伺馈、信道等机电设备的状态采集设计。
针对天伺馈分系统，采集齿轮箱振动、馈源气压、水浸状态、电机振动、电机温度、ADU状态等数据。齿轮箱的振动传感器安装在齿轮箱输入轴上；馈源气压通过自动充气机进行采集并完成信息上报；水浸传感器安装在齿轮箱的底部；电机的振动传感器安装在电机外壳上；电枢电压传感器和电枢电流传感器套在电机电缆上；测速反馈传感器套在测速反馈线上；温度传感器探头自带强磁片，吸附在电机的外壳上[3]；当前设备中ADU的工况是通过PLC逻辑控制器完成状态采集及上报，这里不再介绍。
针对信道分系统，对各插箱内的有源模块应设置直流电源、本振信号幅度、变频器供电、工作温度等检测点。速调管功放应采集电流、电压、水冷设备流量等数据。电流包括灯丝电流、钛泵电流、反磁场电流、磁场电流、管体电流等；电压包括工作高压、钛泵电压、反磁场电压、磁场电压等；水冷设备流量包括收集级流量、管体流量、窗体流量、磁场线包流量、发热负载流量、大功率负载流量、馈源流量等。
3.3 健康状态评估
系统健康状态评估过程主要包括状态参数量化及建立状态评估模型。
3.3.1 状态参数量化
各分系统应根据参数类型不同，采用不同的参数量化方法。对于阈值型参数，若超出规定范围则直接认为故障。对于趋势性参数，由于通过其表征状态变化可以分析出设备健康状态的改变，应重点进行量化分析，可采用层次分析法和灰色综合评估法。
层次分析法是指先将一个复杂问题分解为几个子问题，然后再对子问题向下进行层层分解，一直分解到不可再分解的评估指标为止。计算出各个评价指标后，将指标的评估结果进行归一化，然后通过加权融合的方式计算其父级指标评分，再向上层层融合得到子问题评估得分，得出评估结果[3]。站级装备运维保障系统可采用系统分层设计，运维管理时对深空测控装备进行系统分层，再进行参数分解和权重量化计算，将所有参数转化为［0，1］区间内的层级样本矩阵集。灰色综合评估法是通过计算趋势性参数的灰色关联度，定量的描述出各参数的相对变化情况。其参数样本序列具有时序性，采用灰色关联度分析法计算出每个趋势性参数及不同装备健康等级的灰色关联度值，该方法有利于保障趋势性参数量化评估结果的精准与客观 [2]。
以速调管单元为例，各模块电压为阈值型参数，对于这类参数若超出规定范围可直接认为故障。各模块电流及水冷设备流量参数为趋势型参数且各参数有紧密相关性，不能简单地按照“工作范围”进行故障判别，还应关注参数的变化趋势及各参数间关联性。可先运用层次分析法，对各分系统趋势性参数权重进行量化、计算。再运用灰色综合评估法计算各参数的灰色关联度，最后根据历史数据对各装备健康等级所对应的灰色关联度值进行计算，完成数据的统一化、标准化、归一化处理[2]。
3.3.2 建立状态评估模型
可采用神经网络预测法进行设备状态评估。根据多套设备同一类型故障的故障信息和维修记录，提取该设备发生故障前后一定时间的历史数据，利用神经网络预测法，生成故障预测模型。将和目标的关系输入故障预测模型来获取神经网络类型，再以试凑的方法确定相关参数，完成训练、确认和测试(机器学习)。测试结果精度高、过程效果好时即可采用训练好的神经网络进行参数预测；否则需重新确定网络类型、参数及机器学习的过程，直至测试结果表现良好[2]。
随着故障数据的不断积累，还可以通过机器学习的方式不断修正模型，提高预测的精度。
3.4 设备故障分析
在诊断出故障后，系统根据故障树模型进行故障分析，故障诊断识别调度通过故障推理引擎驱动完成，并依据检测识别规则知识库及各种闭环检测的结果，进行推理判断、故障分析，定位故障设备。故障诊断识别调度过程如图4所示[4]。
设备故障树具有明确的故障分析目标，目标设定为单个设备或插箱，又以设备故障为顶事件，逐层分析故障原因。图5为上变频器输出信号过小的故障树实例[4]。
4 结束语
本文提出基于大数据健康管理功能的深空测控装备运维保障系统，着力解决现有系统状态采集不全面、信息共享能力不足、设备远程维修支援能力不足等问题，通过“中心、测站”两级管理，运用大数据技术，实现装备信息集中管理与共享、远程故障诊断及技术支持及全寿命周期的装备管理等功能。结合深空探测设备实际，围绕PHM功能，重点介绍了系统FMECA分析、传感器设计、健康状态评估、设备故障分析等过程，对于后续深空探测设备开展统一的装备运维保障系统建设具有一定的指导意义。
参考文献
［1］卢长海，张梦堃.基于网络化的测控装备维修保障模式研究.网络信息工程.2021:59-63.
［2］赵明旭，刘志栋等.基于PHM 技术的测控装备维修保障模式设计.《2019航空装备服务保障与维修技术论坛暨中国航空工业技术装备工程协会年会论文集》. 2019.
［3］王钧慧，刘爱平，肖小兵.航天测控数传一体化系统健康管理系统设计.电讯技术.2021，61(3):283-290.
［4］何谦，刘洋等.Ｓ频段统一测控雷达健康故障诊断系统的设计.计算机测量与控制．2021，16(1):60-63.
责编/马铭阳
