固体火箭发动机综合系统健康管理（ISHM）技术
轨道ATK公司总结了固体火箭发动机（SRM）综合系统健康管理（ISHM）的目前状态和最新技术发展。
固体火箭发动机健康管理方法有多种。确定固体火箭发动机在其整个生命周期内健康状况、面临的风险等对确定潜在的故障模式和相应的试验评估测试来说非常重要。固体火箭发动机健康管理研究已经持续了50多年，传统上被称为老化监视（AS）。 图1说明了系统健康管理（SHM）和综合系统健康管理的历史研究法。主要区别是过去整个过程是手动的且成本高，现在则是自动化的。需要注意的是，系统健康管理和综合系统健康管理方法所需的数据相同，但综合系统健康管理利用当今的自动化技术使整个过程简化为近实时过程。
图1 历史上的系统健康管理（SHM）和目前/未来综合系统健康管理（ISHM）需要相同的数据
对于战略固体火箭发动机健康管理有两种基本方法，分别是经验方法和机械方法。经验老化监视计划和机械老化监视计划之间的区别如下：经验老化计划收集关于老化特性的经验趋势数据，选择趋势的数学形式（如直线、对数、幂律等），并将趋势外推到未来。对于材料不随时间发生状态变化的情况，经验主义是首选方法。然而，固体推进剂会随着老化而发生状态改变。因此，采用外推经验趋势线来预测未来的推进剂或粘合剂特性是有风险的。对于采用经验方法的项目，轨道ATK公司建议不要外推超过最早数据三年以上的数据，除非拥有材料的长期经验数据。当材料数据众所周知时，可以外推五年的数据。
机械方法寻求老化引起变化的潜在根本原因；对这些原因进行参数化；采用基于物理的模型计算未来的演变；通过其它基于物理的模型确定其对产品力学性能、故障特性和性能特性的影响；并评估失效概率（Pf）、误差（即不确定性）等。对于推进剂、衬层和绝热材料健康状况评估来说，机械老化监测方法是推荐方法。
轨道ATK公司通常根据测试级别（即系统级别、部件级别或材料级别）推荐经验老化监测和机械老化监测方法的组合。系统和部件级别的测试通常使用经验方法。如果材料在其寿命期间承受的边界条件（BC）下不改变其状态，则推荐采用经验方法。对于状态会发生改变的材料，如推进剂等，应采用机械方法，或者将其预测限定在三年到五年的范围内。否则的话，就会面临更高的风险。
综合系统健康管理的技术还需要进一步研究与发展，离实际使用还有一段距离，其在固体火箭发动机上的应用还需要进一步研究。综合系统健康管理必须在设计和开发阶段就开始，才能发挥最大作用。彩图1说明了仅依靠诊断方法存在的风险。系统故障直到它们出现才被发现，系统性能受到了影响。
美国采用了以可靠性为中心的维护（RCM）政策，认为以可靠性为中心的维护应作为确定最佳故障管理策略的逻辑决策流程，包括维护方法、建立反应性和主动性维护任务需求等。美国空军研究实验室（AFRL）和轨道ATK公司已经演示验证了一种用于洲际弹道导弹（ICBM）的以可靠性为中心的维护方法。这是一项综合系统健康管理能力，能够提供与可靠性评估相结合的单独产品监测。
综合系统健康管理计划建立从严格遵循系统工程方法开始，即捕获并理解客户需求和愿望。系统解决方案的验证和确认方法需要事先确定并记录。随着测试完成并获得性能数据，每个系统需求都会得到验证和确认。部分系统工程方法需要开发综合系统健康管理系统的操作概念（CONOPS）文件。该文件描述了从使用者角度提出的系统特征，用于传达定量和定性的系统特征。彩图2示出了战略导弹系统整个生命周期内的CONOPS设计。CONOPS在设计、开发和生产过程中开始，建立了固体火箭发动机的初始状态数据。
一旦产品交付给用户，获得的边界条件信息很少甚至没有。当前的监测技术将采用机载传感系统，至少可以监测到温度和相对湿度的边界条件信息。只要在产品的生命周期内对边界条件数据通过进行监控，这些数据就可以用于更新服役寿命估算。在实际应用综合系统健康管理系统时，需要强大稳固的数据仓库或数据管理器，使用自动化处理来存储和检索数据。服役寿命评估（SLE）所需的所有模型都以允许实时评估的方式集成到系统中。
综合系统健康管理方法与传统的老化监测方法之间存在显著差异。综合系统健康管理方法将数据和数据分析集成到近实时的过程中，这就需要采用传统老化监测方法中所不具备的传感和通信技术。传统的老化监测方法和综合系统健康管理方法在追踪临界老化参数、跟踪系统和组件性能方面的需求类似。对于机械方法，关键参数包括因果参数以及系统性能参数。可以将经验老化监测试验看作是表征老化影响，将机械老化监测试验看作是验证试验。表征和验证试验之间的差异可能很大，因为表征需要在多个温度和加载速率下进行测试。验证试验可以在与失效模式最相关的特定试验条件下完成，以验证模型预测。
经验方法和机械方法是使用类似的过程建立起来的。图2示出了老化监测过程中的三个阶段。这三个阶段代表了1）确定假设，2）执行试验，3）分析数据以支持或否定假设的科学方法。第一阶段的结果是得到一个试验计划（即假设）。第二阶段代表了试验计划的执行。第三阶段代表了数据分析。机械老化监测方法是目前用于固体推进的监测技术。
最后，针对每种固体火箭发动机类型，专门设计不同的机载电子系统进行数据采集、分析、通信和存储。该系统必须考虑尺寸、重量、功率和通信方式，以满足客户要求。目前的技术包括温度（T）、相对湿度（Rh）、冲击和振动等环境感测。但是，还有其他正在开发的传感器可能很快就可以投入使用。新型传感器可测量应力、应变和位移等特性，以便研究人员了解材料对载荷的响应，但其无法提供材料失效特性。还有一些目前尚不可用、但引人注目的传感器，如可以测量有限元分析所需的直接材料特性的传感器，这些特性包括杨氏模量（E），泊松比（ʋ）和热膨胀系数（α）等。
图2 老化监测三个阶段
自20世纪90年代中期以来，为提高老化监测的高可信度预测窗口，美国花费了大量资源。为了实现这一目标，老化监测技术从经验方法向到机械方法转变被认为是必要的。因此，相当一部分资源被用于开发机械老化研究的实验和建模工具。
机械老化的预测过程中（图3）包含了引起老化的物理原因，这是经验方法通常不包括的。这些因果关系必然会使机械老化方法变得更加多学科化。
图3 典型机械老化方法预测服役寿命的模型信息流组成
图3的方框1是发现材料微观结构的主要老化机制。这些机制通常是化学或机械的起源。这些机制由一组“状态变量”来描述。状态变量是微观结构量，其随老化的变化导致宏观特性的寿命极限发生变化。一旦发现可疑的主要老化机制并定义其相应的状态变量，必须推导出能够描述出状态变量的老化演化的方程。这些方程构成了老化规律。如果老化机制是化学的，则老化方程可以是化学动力学/扩散方程；如果老化机制是机械的，则老化方程可以是累积损伤方程。
图3的方框2中，用谨慎构建的测试矩阵来测量方框1中的老化方程参数，这些测试矩阵能够从各种测试数据中获得参数。期望构建测试矩阵能够将尽可能少的合理参数拟合到特定的测试集中。如果在老化方程中有n个参数必须适合于测试数据，则拟合一般更具鲁棒性；如果参数适合于n的子集，则误差一般更小。这意味着测试矩阵通常应该包括“模型材料”的制作，这些模型材料是实际材料的子集，其中一些成分被省略或增加，因此可以较少地混杂参数的拟合。
在图3的方框3中，根据方框3a中的老化边界条件历史，求解来自方框2的参数化老化方程。输出是作为老化时间函数的状态变量的值。老化方程的解算器可以有完全不同的形式。例如，对于化学老化，必须根据温度和边界化学浓度历史（如相对湿度历史）通过微分方程解算器来求解同步耦合扩散/反应方程；对于累积损伤，必须根据冲击和振动或极端温度边界条件历史等求解所选择的累积损伤方程。
在图3的方框4中，微观状态变量通常通过系综平均过程转换为宏观属性，这是统计力学中常用的过程。转换模型必须适当地求和所有微观状态，以它们的出现频率加权，从而获得相应的宏观状态，即宏观属性。完整的化学-机械链接是由聚合物物理学和微粒力学导出的一组复方程。
图3的方框5包含产品性能程序，如有限元结构分析、裂缝开始和传播、弹道学、热学、流体流动以及炭化和侵蚀程序等。对于复杂的失效模式，这些程序应该耦合到多物理分析中，以便单个程序之间能够互相反馈信息。方框5程序接收了来自方框4的老化特性信息。此外，方框5还接收了来自方框5b的边界条件历史记录中那些没有随着老化显著变化的特性信息。最后，方框5必须具有施加在产品上的环境边界条件信息。通常这些信息包括温度、产品的方向（有时）或加速度。
对于方框5中使用的所有模型，以及方框5a的性能边界条件参数的标准偏差和方框5b的老化不变输入属性，都需要进行误差估计。
方框6是错误累积（error roll-up）。其详细步骤将在后面讨论。复杂老化系统的误差累积通常是一个蒙特卡罗过程，利用预测序列（Predictive Train）中包含的每个参数和每个模型的每个误差。
为了确保满足系统的要求和客户的性能期望，需要捕获作为系统每个组件函数的系统性能。捕获每个组件性能的一个重要部分，涉及了解系统性能面临的风险，这与每个组件按设计执行的能力相关联。这个过程需要了解每个模型的性能预测以及与该模型相关的不确定性或误差，以及产品在其任务期间的实际性能。每个组件的模型满足所分配的性能标准的不确定性可以使用误差累积过程来评估。这包括捕获材料特性数据中的相关误差、用于生成模型的假设、以及相对于用于锚定模型的代表性测试用例的模型性能。
良好的机械使用寿命计划的主要要求是隔离并评估与每个预测模型相关的误差。图4描述了模型的运算过程。它接收输入参数pi及其不确定性是σ（pi），以及不确定性的不确定性σ（σ（pi））。输出量基于这些输入的参数。如果模型是完美的，即误差是可以忽略不计的，那么输出误差信息可以仅从输入误差信息中计算。另一方面，如果模型没有完美的精度（而材料模型也没有），则输出误差是输入误差和模型误差的组合。如果输入误差是已知的，并且我们有高精度数据，与模型的输出量相比较，我们就可以推导出对于特定的一组输入量，应该有多少误差归因于模型。通过这种方式，我们能够从固有模型误差中去耦参数误差。
图4 将模型描述为运算符，将输入参数转换为输出量
预测序列包含一系列模型，其中，一个模型的输出作为另一个模型的输入（图5）。除非对于每个模型的输出都有数据，否则无法分清哪些模型对最终误差贡献了多少。实际上，我们甚至不能从输入参数误差中区分出模型误差。
图5 错误是由一系列模型建立起来的，除了每个模型输出的数据之外，都不能被解开。
机械老化需要三类模型。
- 演化模型。这些模型包含了基于物理的方程，描述了老化实际的物理和化学机制。由于方程反应了材料从最初状态发展到最终状态，所以被称为演化方程。演化方程的实例包括化学动力学和扩散、累积损伤、金属疲劳、材料相变化等。
- 转换模型。这些模型将由演化模型得到的演化状态转变为下一类模型（也就是性能模型）所需的特性。例如，转换模型可以将化学演化状态转换成相应的机械状态。
- 性能评估模型。这些模型利用转换模型的状态输出来进行产品性能预测。性能模型可以是独立的模型，例如有限元结构分析或弹道学程序；或者它们可以包含许多耦合在一起的程序，如有限元分析生成器套件，参见图6。
图6 耦合性能评估程序的有限元分析生成器套件
最后，来自所有数据源和所有模型的所有错误都合成为最终分析，即错误累积，提供了相对于时间或使用的故障（或可靠性）概率。PHM系统可以以任何需要的格式来表现预测中的误差和其置信区间。
从三类模型的描述中，我们可以看到机械老化的架构是如何模仿自然过程的。因果状态变量通过演化模型从当前已知状态演变为未来状态。然后通过转换模型将当前或未来的化学状态转换为相应的当前或未来机械或物理特性集。通过使用这些转换后的特性可以获得当前或未来的发动机性能。
错误累积的一个输出如图7所示，它显示了根据一组给定的环境边界条件，给定的失效模式老化的失效概率曲线。红线是客户的失效容限。绿色界限是上限和下限的95%置信水平。从图7中，可以估计产品的5%的失效概率在18～28年之间，置信度为90%。服役寿命评估（SLE）通常被认为是这个区间的较低值。
图7给定失效模式下失效概率曲线实例
由于服役寿命评估取决于产品所处的边界条件历史，因此需要在每个产品上或附近设置边界条件传感器，以便工作人员能够及时淘汰失效的发动机。图8是一组发动机中的两台发动机示例，一台具有更严重的边界条件历史（红色），一台具有较良性的边界条件历史（绿色）。如果边界条件历史的误差带非常宽，包括从最可信的严重边界条件到最可信的良性边界条件历史，那么发动机组失效概率（Pf）的置信水平就必须非常宽，包括每台发动机的服役寿命评估。灰色曲线的跨度应足够宽，以便包含每台发动机的置信区间，这是因为边界条件历史的发动机组范围的不确定性比每台发动机的边界条件历史的测量值要宽得多。
图8 一组发动机中单台发动机失效概率及发动机组范围的失效概率
遵循严格的系统工程方法对于开发综合系统健康管理来说非常重要。老化监测的成功执行在很大程度上取决于如何按照图2所示的三个阶段科学方法。
通过具有鲁棒性的不确定性评估过程，可以随着项目的发展获得特定的知识。对不确定性进行量化，并确定每个不确定性因素对综合系统健康管理过程的影响程度，有利于对资源进行分配，以减少最能影响结果的具体不确定性。
综合过去的手动方法结果会产生一些明显的优势。例如，当使用电子传输方法时，数据完整性得以保持，当使用手动方法时偶尔的转录错误会损害数据。自动化健康评估过程的最重要的好处是能够执行耦合工程分析。从历史上看，由于组合分析的成本很高，因此它只作为故障调查的一部分。现在随着强大的脚本语言的出现，耦合分析变得简单明了。通过使用蒙特卡洛技术可以解决不确定性问题。通过这些技术，能够以显著降低的成本实现对产品健康状况的准确了解。
系统健康管理和综合系统健康管理在固体火箭发动机应用方面最大的区别在于自动化功能。一旦数据被捕获并以元数据存储，分析过程就会自动进行，从而实现接近实时的评估。固体火箭发动机健康管理过程中最大的不确定性归因于材料模型。固体火箭发动机的材料非常复杂，推进剂同时具有非线性和粘弹性特性。目前的模型必须仔细校准以减少它们的不确定性。采用蒙特卡洛或类似技术来量化不确定性对健康评估的影响是非常强大的。它可以帮助研究人员理解设计的脆弱性或鲁棒性。它取代了历史上曾用于安全因子和安全裕度计算的点解决方案，考虑了全局解决方案。最后，强大且快速改进的自动化工具是综合系统健康管理中“综合”的重要推动因素。这可以让现场的传感器设备更好地监测产品所经受的边界条件。自动化还可使研究人员能够将复杂的演变、转换和性能模型联系在一起，根据各自的健康数据提供近乎实时的产品健康状况更新。用户应该能够确定每个产品的健康状况，并根据每个产品的可靠性对其进行排名，实现设计要求。
轨道ATK公司采用系统的工程方法，来开发固体火箭发动机的诊断和预测健康管理（PHM）能力，根据需要用基于机械物理的方法来取代经验方法。当经验方法缺乏材料在测量数据之外的响应数据时，就需要机械方法。采用多学科系统工程方法进行发动机诊断和预测是可以成功开发PHM系统的唯一方法，该系统能够监测发动机系统的关键参数，并用这些参数来确定每台发动机及发动机关键部件的当前和未来性能，并预测发动机的使用寿命。
综合发动机寿命管理（IMLM）数据采集和分析系统（DAAS）成功演示了从单台固体火箭发动机捕获相关数据、处理数据以及预测发动机预期性能。该系统采用了传统的基于经验和化学的老化监测（A&S）方法，和一种采用基于物理的力学模型来分析材料的化学演化的先进方法。这种演化提供了以材料演化物理模型为基础的材料未来状态预测。然后将这些材料特性转换成用于预测发动机性能的力学特性。再采用经验和力学信息来评估发动机部件的故障概率。评估给出每台发动机的预测使用寿命，和基于每台发动机预测寿命为基础的整个发动机组的预测使用寿命。这是对现有方法的明确改进。
该演示监控系统被放置在固体火箭发动机上（图8），监测边界条件数据。然后，采用这些数据进行发动机的推力预测。图9示出了推力预测值和测量值的比较，以及相应的误差情况。图10示出了推力预测值和发动机燃烧室压强的比较，以及相应的误差情况。可以看出，预测数据很好地处于预测的不确定性范围之内。
该演示验证表明，可以在发动机上设计、实现PHM系统，并在时间和空间维度上跟踪发动机，同时收集、存储和分析与单台发动机性能预测有关的信息。该演示验证使用了程序中开发的性能和在发动机设计中采用的诊断性能，说明了综合演示验证PHM系统的能力，为PHM方法提供了信心。
图9 推力的测量值与预测值比较和百分误差
图10 压强测量值与预测值的比较和百分误差
2015 年2 月，ATK 公司作为SLS 固体火箭助推器制造商，开展了先进复合材料压力测试，这些先进复合材料未来可能用于制造推力更大的助推器。为了解这些材料的载荷能力，工程师对复合材料结构进行了破坏性压力测试，并将测试结果与目前采用的金属壳体结构参数进行对比。测试所用试样长7.6 m、直径2.4 m，带有人为制造的多点损伤。试验过程中，该受损试样能承受的压力为20.690 MPa，远超飞行条件下需承受的压力值。试验结果表明，损伤的壳体与未受损伤的壳体性能相当，这就意味着即便在损伤条件下，复合材料壳体也可应对火箭发射时的严苛受力环境。此外，试验过程中，试样破裂时的压力值与预估值相差不到1%，证实了建立的复合材料模型的有效性。
