基于机器学习的火控系统故障预测与健康管理技术研究

发布时间：2021-03-25 01:01

　　火控系统是装甲车辆作战的核心单元,具有结构复杂、参数多的特点,且信号测量不容易。当火控系统发生故障时,故障部位、故障类型难以判断,大大影响了装甲装备的作战性能。过去的维修方式多以专家经验作为依据,通过事后维修进行人为的故障判断,人为诊断准确率不高,维修成本也很大。现在,视情维修方式已进入人们的视野,随着大型复杂装备的智能化程度日益提高,故障预测与健康管理在武器装备中的应用越来越重要。为了减少火控系统维修上的人力、物力消耗,提升装甲车辆野外作战可靠性,本课题在人工智能故障诊断的基础上,结合机器学习算法,构建了火控系统性能参数趋势预测、多故障预测以及健康状态评估三种智能模型:（1）针对火控系统故障信息不足、信号非线性、维度高的特点,对性能参数首先通过集合经验模态分解进行特征提取,再由最小二乘支持向量回归机进行参数趋势预测,回归机的参数通过鲸鱼优化算法来选择,提升了预测精度;（2）建立一种改进的多故障预测模型,使火控系统的故障预测不仅仅停留在“正常”与“故障”状态的识别,而是对不同类型的故障状态进行区分。通过决策导向无环图完成支持向量分类机的多分类转换,引入改进的分离性测度计算,对决策导向无... 

【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校

【文章页数】：82 页

【学位级别】：硕士

【部分图文】：

图２－２＜：１的￡￡１＾分解图??Ｆｉｇ．２－２?ＥＥＭＤ?ｅｘｐｌｏｄｅｄ?ｖｉｅｗ?ｏｆ?ｃｌ??

?〇ｇ?????－??⑷?０．２?＇—－＾，???＿＿＿＿＿＿＿＿＿＿＿＿＿??＿?〇２?Ｌ?—．??：??＾?－１６．４．?？?１?１?１?？?１?１?？?＾?，?，???－１６．６?－??????????—－１６．８?ｔ＝：－ｉ?，￣ｔ￣ｚ…．．．．．．ｔ?ｉｔ?．．．．．．．ｉｉ?１?？?ｉ?．??２０?４０?６０?８０?１００?１２０?１４０?１６０?１８０?２００?２２０??Ｓａｍｐｌｅ??图２－３?ｃｌ的ＥＭＤ分解图??Ｆｉｇ．２－３?ＥＭＤ?ｅｘｐｌｏｄｅｄ?ｖｉｅｗ?ｏｆ?ｃｌ??经验模态分解算法将性能参数ｃ７分解为７个本征模态分量，从数量上看，没有??ＥＥＭＤ分解得充分，出现模态叠重问题。??２．４．２基于Ｗ０ＡＬＳＳＶＭ的性能参数预测??对于火控系统某部件发生故障前后的一段时间序列数据，预测其未来时刻的各个??性能参数的变化趋势及数值，本节选择科学、准确、可靠的迭代法建立火控系统性能??趋势预测模型。??对于每个性能参数所分解的ＩＭＦ分量的历史时刻序列，用迭代法预测未来时刻序??列，第一步，用如弋，．．＿，１预测乃＝ｘｆ＋１，第二步，将预测的输出心＝七＋１添加到??当前步的输入，并删减最早的数据七，以此类推，纵向地预测未来一段时刻内各本征??模态分量的变化趋势。通过得到的各ＩＭＦ的预测值，再对性能参数的变化进行预测。??固有模态分量的迭代法多步预测的维数ｄｉｍ设为３，分别将每个ＩＭＦ分量２３３组??历史样本划分成２３０组，前１８４组样本作为训练样本，后４６组样本作为测验样本。??首先，分别将每个ＩＭＦ分量的训练样本

４?４９３．０６６２?２３７．６３００??径向基核参数（Ｔ?２３．１９９３?１０．０５３７?２０．２９２５??－１３．５?Ｉ?Ｖ?ｉ?ｉ?ｔ?■?ｉ?ｉ???Ｉ??？１４?－?－?真实值??？１４．５?－?？??－１５?－?－??ｍ?＇１５－５＇?ｋ?ｔ?－??？?１８??ｉ?ｉ?ｔ?｛?ｉ?｛?ｉ?｜?｜???０?２０?４０?６０?８０?１００?１２０?１４０?１６０?１８０?２００??时间点??图２－４?Ｃｌ训练样本的预测图??Ｆｉｇ．２－４?Ｐｒｅｄｉｃｔｉｏｎ?ｇｒａｐｈ?ｏｆ?ｃｌ?ｔｒａｉｎｉｎｇ?ｓａｍｐｌｅｓ??２３??


本文编号：3098730