基于置信规则库的机载导弹故障诊断

发布时间：2021-06-24 01:41

　　针对机载导弹结构日益复杂,传统专家系统故障数据少、故障诊断效率低、准确率不高等问题,提出基于置信规则库的方法对机载导弹进行故障诊断。首先,描述了基于证据推理的置信规则库推理方法,建立输入与输出之间的非线性模型;其次,为解决传统专家系统中初始BRB参数不准确的问题,结合故障位置信息,建立参数优化学习模型;最后,以某型机载导弹的制冷系统为例,对基于置信规则库的机载导弹故障诊断方法进行了验证和对比。结果表明,该方法既能克服传统专家系统诊断效率低的问题,同时能够通过参数训练提高机载导弹的诊断精度,较好地提高了机载导弹故障诊断效率,为机载导弹的维护保障工作提供了参考。 

【文章来源】：空军工程大学学报(自然科学版). 2020,21(03)北大核心CSCD

【文章页数】：7 页

【部分图文】：

置信规则库优化学习模型

机载导弹是一个高精尖的精密机械电子系统，由制导系统、引信、战斗部、火箭发动机组成[11]。制导系统主要用于接收和处理各种制导信息，测定目标的位置信息；引信用于在条件满足的情况下，引爆战斗部；战斗部是导弹的有效载荷，起爆后产生飞散的预制破片毁伤目标；火箭发动机使导弹获得飞行所需的速度和航程[12]。因此，采用分系统、分模块进行导弹的故障诊断，根据导弹“长期贮存，一次使用”的特点，充分利用导弹寿命周期内有限的故障数据，建立导弹故障诊断模型。故障诊断具体流程见图2。2.1 基于模糊语义值的输入信息转化

此外，在导弹故障诊断过程中，往往包含定性信息和定量信息。噪声电压过大是一种定性信息的模糊判断，可以用一个模糊值将噪声电压数值映射到噪声电压“大”[13]。例如在导弹制冷系统中对于噪声电压，定义一个“非常大”的隶属函数，见图3，其中a=0mV,b=100mV。如果测量得到的噪声电压为97mV，此时即可转化为上述语义表达方式。在这种情况下，输入xi的参考值Ai,q(i=1,2，…，M;q=1,2，…，Qi）为模糊形式的语义值，采用基于隶属函数的方法，把以上形式的定量输入信息xi转化为Ai,q的置信度αi,q，即：

【参考文献】：
期刊论文
[1]基于独热编码和卷积神经网络的异常检测[J]. 梁杰,陈嘉豪,张雪芹,周悦,林家骏.  清华大学学报(自然科学版). 2019(07)
[2]空空导弹70年发展综述[J]. 樊会涛,崔颢,天光.  航空兵器. 2016(01)
[3]基于CBR的航空导弹故障智能诊断模型[J]. 李保刚.  兵工自动化. 2015(03)
[4]基于神经网络的红外型空空导弹故障诊断专家系统[J]. 齐铎,范惠林,陈丹强,鲍学良.  计测技术. 2012(03)
[5]基于DEA交叉评价的模糊综合评价模型及其应用[J]. 郭清娥,王雪青,位珍.  控制与决策. 2012(04)
[6]基于粗糙集和神经网络的导弹故障诊断方法[J]. 刘玮,宋贵宝,陈小卫.  海军航空工程学院学报. 2009(02)
[7]基于规则推理的地空导弹智能故障诊断研究[J]. 高永昌,丁勇军,张鹏.  装备制造技术. 2007(03)
[8]状态监测与故障诊断中的主元分析法[J]. 朱松青,史金飞.  机床与液压. 2007(01)
[9]制冷器在导弹系统中的应用[J]. 王三煜.  红外技术. 2005(05)



本文编号：3246093