基于數據融合的某型裝備品質狀態評估

安 進，徐廷學，李志強，朱桂芳,2

(1.海軍航空工程學院 兵器科學與技術系, 山東 煙臺 264001； 2.火箭軍工程大學 士官學院, 山東 青州 262500)

?

【裝備理論與裝備技術】

基于數據融合的某型裝備品質狀態評估

安 進1，徐廷學1，李志強1，朱桂芳1,2

(1.海軍航空工程學院 兵器科學與技術系, 山東 煙臺 264001； 2.火箭軍工程大學 士官學院, 山東 青州 262500)

基于品質狀態評估的背景，在分析某型裝備品質狀態影響因素的基礎上，從通用性能信息、測試信息、環境信息和裝備履歷信息出發，分別運用BP神經網絡、ER算法、物元理論和灰色聚類法進行分析評估；最終進行各類信息的數據融合，從而掌握裝備的品質狀態，為裝備品質管理與維修決策提供支持。

品質狀態評估；數據融合；BP神經網絡；ER算法；灰色聚類法；物元分析

某型裝備具有“長期貯存、一次使用”的特點，導致其對品質狀態的評估無法通過性能參數或者故障征兆進行故障診斷、預測，即通過故障數據擬合進行故障預測，也由于數據量等原因，使得預測結果可信度較低。因此，可通過品質狀態分級，建立品質狀態評估模型來確定裝備實時品質狀態等級，根據不同等級進一步研究維修策略。

本文基于品質狀態評估的背景，在分析某型裝備品質狀態影響因素的基礎上，從通用性能信息、測試信息、環境信息和裝備履歷信息出發，分別運用BP神經網絡、ER算法、物元理論和灰色聚類法進行分析評估；最終進行了各類信息的數據融合，從而掌握裝備的品質狀態，為裝備品質管理與維修決策提供支持。

1 品質狀態評估背景

品質狀態評估概念來源于技術狀態評估和健康狀態評估，在基于狀態的維修(CBM)理念提出和發展的同時，狀態評估作為其中的重要環節，得到了廣泛的研究和應用[1]。與傳統品質評估的依靠專家經驗為主的定性評估不同，品質狀態評估主要偏重于基于監測數據的綜合評估，通過綜合分析裝備的自身性能因素、環境和任務剖面，從監測過程中得到的通用性能信息、測試信息、環境應力信息和裝備履歷信息等出發，運用適用的評估方法，分析判定裝備的品質狀態。

品質評估一直是某型裝備綜合保障與品質管理領域研究的熱點。張永久等針對某型裝備特點，羅列了可能的品質評估方法[2]，并對評估系統進行了設計論證[3]；李恩友[4]、趙嵩正[5]、劉偉[6]、段林杰[7]等人分別就某型裝備的各個階段進行了品質評估方法的探討，確定評估指標，分配權重，構建評估模型，采用的方法涵蓋等定性、定量及綜合評估方法；馬亞龍等[8]則在研究評估理論及方法的基礎上，梳理了適用于軍事領域的理論和方法。

對于某型裝備來說，隨著任務需求的提升，對其戰備完好性和品質狀態提出了更高的要求，因此合理進行品質等級劃分、確定品質等級狀態對于提高裝備品質，促進裝備的高效決策，向基于狀態的維修和精確化保障推進具有重要意義。其中的關鍵環節就是分析提取某型裝備品質狀態影響因素，進而運用適當方法分別進行評估，從而進行數據融合，獲取裝備的實際品質狀態。

2 某型裝備品質狀態影響因素分析

對于某型裝備來說，從裝備交付部隊到消耗或者報廢的裝備使用周期內，多種不同的任務剖面，會給裝備帶來不同程度的影響。根據對某型裝備品質監控信息的綜合分析，得出影響某型裝備品質的主要信息有：管理因素、環境因素、設備及器材因素、人員因素[9]。本文所提出的評估指標是為建立裝備品質狀態監測與管理系統服務，因此將用以評估裝備品質狀態的信息分為四大類：通用性能信息、測試信息、裝備履歷信息以及環境信息。

通用性能信息是指能夠反映裝備本身固有功能能力及品質的指標信息[10]，如可靠性、維修性、保障性等，這類指標信息對品質狀態評估起到輔助作用。

測試信息是指裝備日常測試所得到的與其品質狀態相關參數的信息，隨著傳感器等技術的發展，測試設備得到了更新與廣泛應用，通過構建適當模型進行測試數據分析，進而對裝備的品質狀態進行評估。

裝備履歷信息主要包括某型裝備交付時攜帶的固有信息，也包括其在長期貯存過程積累的信息。當裝備履歷信息不全面時，也可參考同類裝備發生故障的情況。

環境信息主要通過傳感器監測、數據采集分系統等各種手段獲取。在所建立的裝備品質狀態管理系統中，實時環境數據對整個品質狀態評估的可信度產生直接影響，對于長期貯存裝備是十分重要的。

對某型裝備品質狀態的評估主要是對通用性能信息、測試信息、歷史信息、環境信息等多種信息的綜合分析，同時還要考慮時間修正等因素，整個評估模型如圖1所示。

圖1 品質狀態評估模型

3 基于數據融合的品質狀態評估

3.1 基于BP神經網絡的通用性能信息評估

通用性能信息評估涉及的評價因素數目較大，因素間結構比較復雜且呈現非線性，如圖2所示。BP神經網絡具有良好的非線性映射逼近能力和泛化能力以及易實現性，能夠很好的避免主觀因素影響，通過BP算法對評價體系中各指標進行客觀分權，從而能合理得出通用性能信息反映的品質真實水平。

BP網絡是一種具有3層或3層以上的神經元的單向傳播多層前向神經網絡，學習樣本按照“誤差逆傳播算法”進行神經網絡的學習訓練。具體方法參照文獻[11]。

3.2 基于ER時間修正的測試信息評估

ER方法能夠根據人的推理模式對數據進行處理，采用概率分配和不確定性來決定多個證據下假設的似然函數，是對傳統D-S證據理論的改進[12]。

S(ei)={(Hn,βn,i),n=1,…,N}

圖2 通用性能信息評估模型

定義1：基本屬性的概率指派函數。令mn,i為已分配的概率指派函數，表示第i個基本屬性ei支持廣義屬性y被評為第n個等級的Hn的程度；mH,i為未分配的概率指派函數，表示基本屬性對廣義屬性沒有分配給具體等級的支持度。

mn,i=ωiβn,i

(1)

(2)

(3)

(4)

定義2：廣義屬性的組合概率指派函數。令mn,I(i)表示所有L個基本屬性支持廣義屬性y被評為第n個等級的Hn的程度；mH,I(i)表示基本屬性聚合后，廣義屬性y沒有分配給具體損傷等級的程度。

mn,I(i+1)=KI(i+1)[mn,I(i)mn,i+1+mH,I(i)mn,i+1+mn,I(i)mH,i+1]

(5)

(6)

(7)

i=1,…,L-1

(8)

其中：I(i+1)表示含i+1個基本指標屬性；K為規模化因子，反映了各證據間沖突的程度。

(9)

(10)

其中：βn表示廣義屬性被評為第n個等級的信任度；βH表示未被分配的信任度。

某型裝備的特點使得一般情況下只能得到每次測試時的品質狀態，無法反映裝備在每兩次測試之間的時間段內的品質狀態及其變化規律，因而對其進行時間修正。

(11)

其中(T1,T2)為裝備緩慢失效時間，(T2,T3)為裝備快速失效時間，a，b為裝備退化系數。

3.3 基于物元理論的環境信息評估

物元理論以物元為基本元，建立物元模型，以物元可拓為依據，采用矩陣形式化工具，從定量和定性兩個角度分析問題，并定量地給出評估結果[13]，在環境信息評估中，可將直接間接獲取的信息用n維物元表示為

(12)

其中：c1,c2,…,cn為描述環境的n個特征，其相應量值為v1,v2,…,vn。

則基于物元理論的環境信息評估的步驟：

1) 確定環境信息的物元集合。經典域為

(13)

式(13)中，Nj(j=1,2,…,m)為某型裝備環境信息物元所劃分的第j個評估等級；Ci為環境信息指標中的第i個評估指標；Vji表示Nj關于指標Ci所規定的量值范圍，即經典域。

節域為

(14)

式(14)中，Np表示評估等級的全體；Vpi表示Np關于環境信息指標Ci所取值的量值范圍，即節域。

2) 確定環境信息構成的物元。對待評物元，把監測得到的數據用物元表示。

(15)

式(15)中，Nj表示待評物元；vi為Nj關于環境信息指標ci的量值，即待評物元監測得到的數據。

3) 確定環境信息等級的關聯度。點x0與有限實區間X=〈a,b〉的距為

(16)

相應的關聯函數值為

(17)

式(17)中，Kj(vi)表示第i個指標關于第j個評估等級的關聯度。對于每個分項指標ci，若其權重為αi，則待評物元關于等級j的關聯程度表示為

(18)

4) 環境信息等級的綜合評定。若Kj=maxKj(N0)，(j=1,2,…,m)，則評定N0屬于等級j。

3.4 基于灰色聚類的履歷信息評估

灰色聚類理論是解決裝備履歷信息這類小樣本、貧信息、不確定系統的有效工具，可實現對系統運行行為的正確認識和有效控制[14]。

定義1：設有n個聚類對象，m個聚類指標，p個不同灰類，根據第i(i=1,2,…,n)個對象關于j(j=1,2,…,m)指標的觀測值xij(i=1,2,…,n;j=1,2,…,m)，將第i個對象歸入第i(i=1,2,…,n)個灰類，稱為灰色聚類。

(19)

3.5 多源信息融合靜態評估

用Si對應各品質指數，ωi對應此指標的相對重要權重系數，采納平均加權模型[15-16]，其中a為加權系數。

(20)

圖3 典型白化權函數

4 算例

4.1 通用性能信息評估

建立通用性能信息評估的3層BP神經網絡，將圖2所示的的24個底層指標作為網絡輸入層Uij，輸出層即為通用性能信息評估結果S1，表示評估結果為各個等級的隸屬度矩陣。計算中間層神經元個數為50，通過仿真和專家經驗打分得到經過歸一化處理的網絡訓練數據，作為評估標準，如表中前25組數據，其中第26組為待評估數據(表1)。目標評估隸屬度矩陣分別為(0.95，0.05,0,0,0)、(0.15，0.75，0.1,0,0)、(0,0.1，0.75，0.15,0)、(0,0，0.15，0.75,0.1)、…、(0,0,0，0.15，0.85)。

表1 訓練數據集

在Matlab中調用神經網絡工具箱，如圖4所示，設置相應參數，進行網絡訓練和評估計算仿真，如圖5所示，得到待評估通用性能指標隸屬度矩陣為(0.16,0.72,0.10,0.02,0)。

4.2 測試信息評估

選取測試參數中的3個關鍵參數作為測試信息評估參數(表2)，基于ER時間修正的測試信息評估的具體步驟如下：

1) 權重確定。當某一數據超出規定閾值，則裝備呈現故障狀態，因此3個測試數據的權重為(1/3,1/3,1/3)。

2) 在對測試信息進行評估之前，首先對其進行歸一化處理，得到評估的歸一化矩陣S2={0.771 9, 0.820 0, 0.770 0}。

3) 時間修正。根據式(11)，取(T1,a)、(T2,b)為(2,1)、(12,0.7)，得到時間修正后的測試數據為S2={0.741 9, 0.790 0, 0.740 0}

4) 采用三角模糊數模型，得到3個指標的隸屬度表，取置信度為0.9，得到基本可信度分配表。

圖4 神經網絡工具箱

圖5 仿真輸出

指標權重優秀良好中等較差差不確定11/300．72570．1743000．121/300．87000．0300000．131/300．72000．1800000．1

5) 根據式(1)～式(4)求得基本概率集合。

m1,1=0;m2,1=0.241 9;m3,1=0.058 1;m4,1=0;

m1,2=0;m2,2=0.290 0;m3,2=0.010 0;m4,2=0;

m1,3=0;m2,3=0.240 0;m3,3=0.060 0;m4,3=0;

6) 根據式(8)計算規模化因子為KI(2)=1.019 6，進而根據式(5)～式(7)計算組合概率賦值：

m1,I(2)=0;m2,I(2)=0.4512;m3,I(2)=0.049 2;

同理，與第3個指標進行聚合運算得到：

KI(3)=1.040 5；

m1,I(3)=0;m2,I(3)=0.566 1;m3,I(3)=0.070 1;

7) 由式(9)、式(10)計算得到廣義屬性的組合概率賦值和組合信任度：

β1=0;β2=0.825 7;β3=0.102 2;β4=0;β5=0;

βH=0.79 7

8) 合成計算結果為(0,0.825 2, 0.102 2, 0,0)，不確定度為0.079 7。可確定測試信息等級為“良好”的概率為82.57%，等級為“中等”的概率為10.22%，不確定概率為7.97%。

4.3 環境信息評估

將溫度c1、濕度c2、振動c3、霉菌c4作為環境信息的評估指標，其權重可由專家打分法確定為(0.375 1, 0.334 3, 0.184 1, 0.106 5)，根據專家意見，確定環境信息的經典域為

節域為

把監測得到的數據用物元表

根據式(16)～式(18)計算得到各關聯度，進而計算綜合關聯度向量為(-0.108 9, 0.222 3, -0.044 3, -0.247 7, -0.388 1)，即環境信息評估結果為良好的概率為22.23%。取置信度為0.9，則隸屬度向量為(0,0.9,0,0,0)。

4.4 履歷信息評估

在某型裝備履歷信息評估中，將收集到的信息經過完備化處理后，將任務剖面、貯存時間、同類故障、歷史故障4個指標作為裝備履歷信息的評估指標，根據專家打分得到履歷信息4個指標的權重為(0.410 6, 0.260 9, 0.193 8, 0.134 7)。

根據履歷信息選取專家對各評估指標進行打分，得到任務剖面76.38分，貯存時間65.33分，同類故障100分，歷史故障100分。

根據式(19)計算白化權函數值為α1=0.043 2;α2=0.840 4;α3=0.116 4;α4=0;α5=0。

則隸屬度向量為(0.043 2, 0.840 4, 0.116 4,0,0)，即評估結果為良好的概率為84.04%，取置信度為0.9，則隸屬度向量為(0.038 9, 0.756 4, 0.104 7,0,0)。

4.5 多源信息融合靜態評估

各類信息的權重ωi同樣根據專家打分法確定為(0.382 4, 0.227 1, 0.173 8, 0.216 7)，根據公式得到信息融合評估結果為(0.069 6, 0.783 1, 0.084 1, 0.007 6, 0)，可判定裝備綜合評估結果為良好，該結果與各單項評估結果基本一致，且兼顧裝備使用保障過程中的各類信息。

5 結論

某型裝備的品質狀態必然會伴隨著時間的流逝而緩緩的出現性能老化、功能退化或者系統不穩定等現象。由于長期貯存裝備定期檢測的頻率不高，次數有限，這些現象一般不容易察覺，在生命周期內采集到有關的品質信息數據也是有限的，基于數據融合對某型裝備品質狀態進行評估，通過品質狀態分級，建立品質狀態評估模型來確定裝備實時品質狀態等級，依據通用性能信息、測試信息、環境信息及裝備履歷信息等對裝備品質狀態進行評估，進一步掌控其動態變化趨勢，最終形成動態評估，進而根據不同等級來進一步研究維修策略，提高裝備的完好性，實現裝備精確化保障。

[1] STEPHEN N.Risk Assessment Techniques[J].Quality Engineering,2014，26(3):379-382.

[2] 張永久,成躍,張立新.某型導彈質量評估方法研究[J].航空兵器,2007(5)：56-59.

[3] 張永久,張志利,劉文超.多型號導彈質量評估系統設計[J].航空兵器,2005(2)：29-32.

[4] 李恩友.導彈質量評估方法研究[J].彈箭與制導學報.2008,28(4)：79-82.

[5] 趙嵩正,殷茗,梁工謙.大型復雜航空產品質量評估模型研究[J].航空學報,2006,27(4)：588-593.

[6] 劉偉,楊世榮,李小強.地地導彈質量評估方法研究[J].彈箭與制導學報,2006,26(2)： 35-37.

[7] 段林杰,扈延光.裝備維修過程質量評估研究[J].價值工程,2013(22)：38-40.

[8] 馬亞龍,邵秋峰,孫明.評估理論和方法及其軍事應用[M].北京：國防工業出版社,2013.

[9] 王亮,呂衛民,滕克難.一種長期貯存裝備健康狀態評估指標體系及權重確定方法[J].計算機測量與控制，2013(10):2753-2755.

[10]張海軍.裝備通用質量特性概述[J].軍民兩用技術與產品，2015,18(3):252-253.

[11]安進.反艦導彈質量評估方法研究[D].煙臺：海軍航空工程學院，2013.

[12]左浩,馬亮.基于ER算法的潛艇魚雷武器系統損傷等級評估[J].魚雷技術，2008(1):48-51.

[13]蔡文.物元模型及其應用[M].北京:科學技術文獻出版社,1994.

[14]鄧聚龍.灰色系統理論教程[M].武漢:華中理工大學出版社,1992.

[15]何帆，李其祥，黃東. 基于灰色層次模型的新型裝備戰斗力評估[J]．火力與指揮控制，2016(11):129-133.

[16]陳勇.某型導彈質量評估研究[D].煙臺:海軍航空工程學院,2016.

(責任編輯 周江川)

Quality Condition Evaluation of Certain Equipment Based on Data Fusion

AN Jin1， XU Ting-xue1， LI Zhi-qiang1， ZHU Gui-fang1,2

(1.Department of Ordnance Science and Technology，Naval Aeronautical and Engineering University, Yantai 264001, China； 2.The Rocket Engineering University Sergeant College，Qingzhou 262500, China)

Based on the background of quality condition evaluation, the factors that affect quality condition of a certain equipment are analyzed from general performance information, test information, environmental information and equipment history information respectively, in which the BP neural network, the ER algorithm, the matter-element theory and grey clustering method are used for evaluation. Eventually, the data of all kinds of information are fused to grasp the quality condition of the equipment, providing support for the equipment quality management and maintenance decision-making.

quality condition evaluation; data fusion; BP neural network; ER algorithm; grey clustering method; matter-element analysis

10.11809/scbgxb2017.06.003

2016-12-05；

2017-01-10 基金項目：武器裝備預先研究項目(40108)

安進(1988—)，女，博士研究生，主要從事導彈裝備綜合保障、質量管理研究。

format:AN Jin，XU Ting-xue，LI Zhi-qiang，et al.Quality Condition Evaluation of Certain Equipment Based on Data Fusion[J].Journal of Ordnance Equipment Engineering,2017(6):13-18.

C934

A

2096-2304(2017)06-0013-06

本文引用格式：安進，徐廷學，李志強，等.基于數據融合的某型裝備品質狀態評估[J].兵器裝備工程學報，2017(6):13-18.