● 摘要
视情维护(Condition Based Maintenance，CBM)，通过高科技的手段，获取故障的早期征兆，进而对关键部件的剩余寿命(Remaining Life, RL)做出预测，有针对性地制定复杂系统维护计划，是一种先进的维修方式。视情维护相关技术的研究成为国际上新的研究热点，具有重要实用意义与经济价值。复杂系统中关键部件剩余寿命预测技术是实现视情维护的关键技术。导航系统是一个复杂的机电系统，在国防领域以及国民经济其它领域获得了越来越广泛的应用。陀螺仪作为导航系统中的关键部件，也是航空航天领域中必不可少的姿态测量设备，其可靠性、有效性乃至其剩余寿命对导航系统以及飞控系统等至关重要。动调陀螺仪(Dynamically Tuned Gyro, DTG)具有成本高、批量小等特点，如何评估其可靠性并预测其剩余寿命，并以此对视情维护提供决策支持，成为一个迫切需要解决的难题。论文在自然基金课题的资助下，以动调陀螺仪为主要研究对象，根据贮存状态下和工作状态下获取的陀螺仪可靠性数据，充分考虑不同情况下获取数据的不同特点，深入地研究了适用于动调陀螺仪一类关键部件的剩余寿命预测方法，主要完成了以下几个方面的研究工作：
1. 利用故障模式及影响分析（Failure Mode and Effects Analysis, FMEA）方法对动调陀螺仪进行研究，在全面调研动调陀螺仪结构组成、工作原理及主要性能参数的基础上，确定动调陀螺仪的故障模式。结合引起动调陀螺仪发生故障的原因（包括环境应力、装配应力等），进而确定在各种环境应力及内在应力等载荷下陀螺仪故障机理，并对故障机理进行优先级划分，最终确定动调陀螺仪的主故障模式、主应力及薄弱环节。
2．为了获取陀螺仪的剩余寿命预测必要的数据，并考虑加速寿命试验效率和经济性问题，对贮存状态下的陀螺仪，实施步降应力定数截尾加速寿命试验(Step-Down-Stress Acceleraed Life Testing, SDS-ALT)。为了解决步进应力试验统计分析方法在步降应力试验应用中存在的复杂度较高、不利于编程实现等缺点，提出一种以加速因子的数据折算算法为核心的步降应力统计分析方法。最后，利用试验数据得出了贮存状态下陀螺仪的剩余贮存寿命(Remaing Storage Life, RSL)的统计分析结果。
3．针对贮存状态下陀螺仪主退化参数数据量过少的问题，提出了一种基于核路径分类与估计模型(Kernal Path Classification and Estimation, KPACE)的剩余贮存寿命预测方法。根据陀螺仪自身的性能状态变化，采用基于支持向量机的启发式搜索策略，以陀螺退化参数集的交叉验证错误率为评价指标进行自学习识别与提取分析，选取陀螺仪的主退化参数对陀螺仪性能进行评估和预测研究。最后，利用基于KPACE方法对贮存状态下的陀螺仪进行了RSL预测，并分析和比较了KPACE方法和统计分析方法的RSL预测性能。
4．针对工作状态下陀螺仪主退化参数数据之间存在不确定性的问题，提出一维云模型定性描述主退化数据之间关系的不确定性表示方法。为了提高预测精度，需要引入一个或者多个辅助退化参数，对主退化参数变化情况进行修正。提出了利用修正高维云模型对主退化参数和辅助退化参数数据之间的不确定性建模的方法，然后对两种云模型的预测机制进行了研究，最后分析和比较了两种云模型的陀螺仪剩余使用寿命（Remaining Useful Life, RUL）预测性能。
5．为解决工作状态下新采集退化参数数据信息的动态处理问题，提出一种基于云模型和动态贝叶斯最小二乘支持向量机（Bayesian Least Squares Support Vector Machine, BLS-SVM）模型的混合模型RUL预测方法。在BLS-SVM模型的基础上，利用样本增减学习算法，实现BLS-SVM模型参数的动态学习，并建立动态BLS-SVM模型。同时考虑主退化参数数据的不确定问题，利用云模型对此进行不确定性表示。最后，分析和比较了混合模型和两种云模型的RUL预测性能。