3. 故障诊断与健康监测基础理论

在星载雷达的故障诊断与健康监测体系中，最先需要统一的不是算法，而是术语。工程实践中经常出现“设备异常了”“这个模块失效了”“系统还健康吗”等混用表述，若概念边界不清，后续的告警分级、维修决策和寿命预测都会失去共同基准。本节从故障、失效、异常、健康状态四个基本定义出发，逐步过渡到诊断与预测概念，最后给出PHM体系框架及其在星载环境下的适用性分析。

一、四个基本概念的定义与边界

故障（Fault）指系统或部件在规定的条件下，其至少一项功能或性能参数偏离了规定要求，但系统可能仍能降级运行。例如某星载雷达T/R组件输出功率由额定10 W降至7 W，仍能辐射但探测距离下降，这属于故障而非失效。故障强调“功能偏离”，是可逆或可部分恢复的中间状态。

失效（Failure）指系统或部件完全丧失规定功能，无法继续完成既定任务。例如T/R组件输出功率降至0 W、接收通道噪声系数恶化至无法检测目标，即判定为失效。失效是故障的极端结果，通常不可逆，需要更换或重构。

异常（Anomaly）指观测数据或行为模式偏离了正常基线，但尚未确认是否由故障引起。异常可能是故障的早期征兆，也可能是环境扰动、测量噪声或工况变化导致的假阳性。例如某时刻接收通道增益突降3 dB，可能源于组件故障，也可能源于温度骤变引起的增益漂移。异常是“数据层面的偏离”，故障是“功能层面的判定”，二者之间需要诊断推理来建立因果联系。

健康状态（Health State）是对系统当前及未来一段时间内完成规定功能能力的综合度量。健康状态不是二值量，而是连续或分级量，通常用健康度（Health Index, HI）表示，取值范围0～1，1表示完全健康，0表示完全失效。健康状态需要综合当前故障、退化趋势、任务剖面和环境应力来评估。

二、诊断与预测的概念区分

诊断（Diagnosis）回答“现在发生了什么”。其核心任务包括：故障检测（判断是否发生故障）、故障隔离（定位到具体部件或模块）、故障辨识（估计故障类型与严重程度）。诊断的输出通常是故障模式、故障位置和置信度。例如：检测到接收通道增益下降，隔离到第3号T/R组件，辨识为“低噪声放大器增益退化”，置信度0.87。

预测（Prognosis）回答“未来会怎样”。其核心任务包括：剩余使用寿命（RUL）预测、未来健康状态估计、故障演化趋势预测。预测的输出通常是时间区间和概率分布。例如：第3号T/R组件在当前工况下预计剩余寿命为1200±180小时，未来200小时内健康度将从0.72降至0.65。

诊断与预测的关系可以概括为：诊断是预测的基础，预测是诊断的延伸。没有准确的故障隔离和辨识，RUL预测就缺乏物理依据；没有RUL预测，诊断只能停留在“事后报警”，无法支撑任务规划与视情维修。

三、PHM体系框架

PHM（Prognostics and Health Management，故障预测与健康管理）是一个闭环体系，通常包含七个层次：数据采集层、数据预处理层、特征提取层、健康评估层、故障诊断层、故障预测层、决策支持层。其数据流与信息流关系如下图所示。

该框架的核心逻辑是：数据采集层获取原始遥测与传感器数据；预处理层完成去噪、归一化和时间对齐；特征提取层从时域、频域和时频域提取对退化敏感的特征；健康评估层计算健康度并分级；故障诊断层完成检测、隔离和辨识；故障预测层估计剩余寿命和未来健康状态；决策支持层生成维修、重构或降级运行指令。右侧虚线表示决策结果反馈至特征提取和健康评估环节，用于更新基线模型和阈值。

四、星载适用性分析

星载环境与地面设备存在显著差异，PHM体系不能直接照搬地面方案。主要约束包括：

• 计算资源受限：星载处理器算力、内存和功耗远低于地面服务器，复杂的深度学习模型难以在轨实时运行。因此特征提取和健康评估应尽量轻量化，诊断与预测可采用“在轨粗判+地面精算”的分工模式。
• 数据下传带宽有限：星地链路带宽宝贵，不可能下传全部原始数据。应在轨完成特征提取和压缩，仅下传健康度、故障标志和关键特征量。
• 环境应力特殊：空间辐射、真空、大温差、单粒子效应等会导致器件参数漂移，健康基线需要随在轨时间和工况动态更新，不能使用固定阈值。
• 不可维修性：多数星载雷达在轨无法人工维修，PHM的价值更侧重于任务重构、降级运行和剩余寿命预测，而非维修排程。
• 样本稀缺：在轨故障样本极少，难以训练数据驱动的诊断模型。应优先采用物理模型与数据驱动融合的方法，利用地面加速寿命试验数据和在轨遥测数据联合建模。

五、教学示例：T/R组件健康度计算

以某星载雷达T/R组件为例，假设选取三个特征量：输出功率P、接收增益G、结温T。健康度HI采用加权归一化计算：

HI = w1 * f(P) + w2 * f(G) + w3 * f(T)

其中：
f(P) = (P - P_min) / (P_nom - P_min)，P_nom=10W，P_min=6W
f(G) = (G - G_min) / (G_nom - G_min)，G_nom=30dB，G_min=24dB
f(T) = 1 - (T - T_ref) / (T_max - T_ref)，T_ref=25℃，T_max=85℃
w1=0.4，w2=0.35，w3=0.25

示例数据（假设）：
P=8.2W，G=27.5dB，T=62℃

f(P) = (8.2-6)/(10-6) = 0.55
f(G) = (27.5-24)/(30-24) = 0.583
f(T) = 1 - (62-25)/(85-25) = 1 - 0.617 = 0.383

HI = 0.4*0.55 + 0.35*0.583 + 0.25*0.383
   = 0.220 + 0.204 + 0.096
   = 0.520

根据分级规则：HI≥0.85为正常，0.70≤HI<0.85为注意，0.50≤HI<0.70为警告，HI<0.50为严重。该组件HI=0.520，处于警告区间，应触发诊断流程，隔离具体故障模式，并启动RUL预测。若后续遥测显示HI持续下降至0.45，则升级为严重状态，需考虑波束重构或通道降级使用。

需要说明的是，上述权重和阈值均为教学示例假设值，实际星载雷达需根据器件手册、地面试验数据和在轨统计结果标定。健康度计算的关键不在于公式本身，而在于特征量选择是否对退化敏感、权重是否反映任务重要性、阈值是否与任务成功概率挂钩。

六、从概念到工程落地的关键衔接

理解定义和框架之后，工程落地还需要解决三个衔接问题。第一，异常检测与故障诊断的衔接：异常检测负责从遥测数据中发现偏离，诊断负责将偏离归因到具体故障模式，二者之间需要故障模式库和推理规则作为桥梁。第二，诊断与预测的衔接：诊断输出的故障类型和严重程度是预测模型的输入，预测模型需要根据故障模式选择对应的退化模型。第三，预测与决策的衔接：RUL预测结果需要结合任务剖面和风险容忍度，才能转化为具体的重构或降级指令。

在星载雷达中，这三个衔接通常通过“在轨轻量推理+地面深度分析”的协同架构实现。在轨端运行简化的健康评估和阈值判断，将可疑数据打标下传；地面端利用完整数据和物理模型进行精细诊断与RUL预测，生成决策建议后上注。这种分工既规避了星载算力瓶颈，又保留了PHM体系的完整闭环能力。