裝甲車輛火力系統關鍵部件技術狀態預測

張金忠,岳宇辰,郭 偉,蘇忠亭

(陸軍裝甲兵學院 兵器與控制系,北京100072)

裝甲車輛火力系統(以下簡稱火力系統)的功能是殲滅敵有生力量、破壞敵方設施設備,火力系統技術狀態的好與差,直接決定火力系統作戰效能的優劣[1]。目前,我軍對裝甲車輛火力系統采取的是視情維修的維修模式,能否清楚掌握火力系統狀態決定著維修的決策是否合理。因此,為保證維修決策的合理性和正確性,需要綜合考慮火力系統當前技術狀態的評估結果和未來一段時間內技術狀態變化的預測結果[2]。掌握火力系統的技術狀態變化,主要能夠回答和解決2個實際問題:一是作為制定裝甲車輛火力系統在平時訓練和存放中正確的使用、維護和保管的方式與方法的重要依據,指導使用分隊的乘員正確使用、保管、維護和保養,使其經常處于良好的技術狀態,以利于完成正常的訓練和作戰使用任務;二是確定在實際訓練和作戰中火力系統技術狀態變化影響正常使用時乘員應采取的措施,以保證能夠繼續使用火力系統,爭取完成訓練任務和作戰任務,最大限度地發揮火力系統的效能[3]。

火力系統視情維修決策的主要依據是對技術狀態的評估與預測,評估的結果通常以定性評價等級輸出,能使維修人員和使用者對技術狀態有直觀的把握,從而采取相應的維修策略。預測結果能使維修人員和使用者對火力系統的技術狀態變化過程和無故障運行時間有一個清楚的認識,從而達到避免不必要的拆裝,降低故障概率的目的[4]。

火力系統工作條件較為惡劣,在進行技術狀態評估和預測的過程中采集的測試數據往往存在一定隨機性,上述預測方法存在如下問題:一是預測結果受到測試數據異常波動的影響較大,易生成錯誤診斷結果;二是處于相鄰技術狀態等級間過渡區間的測試數據的技術狀態判定結果不夠準確,過渡區間值域的劃分與數據隸屬度計算方法仍值得研究;三是上述提出的預測或診斷方法缺乏在可能同時發生多重故障的情況下的可信度分析,不利于最后的維修決策[5]。

論文引入云理論將廣泛采集的火力系統重要部件——裝甲車輛炮閂和反后坐裝置的技術狀態參數轉化為合理的定性云概念,建立云模型;建立單個技術狀態參數的變化規律模型,獲取整個測試周期內參數隨時間變化的趨勢,采用云模型法預測短期內技術狀態參數的云重心變化;通過云變換算法擬合樣本頻率分布函數并進行合理的合并躍升,獲取各技術狀態參數獨立的云概念;通過挖掘多個云概念之間的關聯規則,構建云推理規則發生器并經過大量樣本的訓練,計算各預測結果的可信度,給出最終預測的結論。

1 云推理規則發生器

知識是人們通過不斷的抽象和交流形成的概念以及概念之間的相互關系。云推理是以定性概念為基本表示,通過挖掘數據庫或數據倉庫中挖掘的定性知識,構造規則發生器的一種知識推理[6]。具體做法如下:

①通過采用云概念隸屬判定的方法精簡待挖掘數據。云概念包括3個數學參數,分別是期望Ex,熵En和超熵He。本文使用極大判據,通過計算火力系統技術狀態參數測試數據對所有云概念的隸屬度,選擇隸屬度最大的云概念判定為最終的隸屬概念。

例如某技術狀態參數T的待判定數據a對該數據對應云概念CTj(Exj,Enj,Hej)的隸屬度μj計算方法為[7]

(1)

最大隸屬度μm=max{μj|j=1,2,…,m}對應的云概念CTj即為a的隸屬云概念,其中,j表示數據a對應的云概念等級,m為云概念劃分總數。

②技術狀態參數一般使用奇數個狀態進行描述。本文每個技術狀態參數均有5個云概念,云概念的文字表述隨參數的類型確定。以抽筒速度為例,5個云描述分別是“完好、良好、堪用、劣化、危險”,為簡化記錄,用“1,2,3,4,5”表示。

③對火力系統的故障進行云概念躍升,記為CFk(k=1,2,…,r,其中,r為故障概念躍升總數)。經數據挖掘得到各技術狀態指標的狀態等級與故障現象之間的對應關系。

2 火力系統技術狀態預測與故障診斷

2.1 火力系統技術狀態指標的選取

技術狀態參數是反映火力系統技術狀態的信息載體[8],采用恰當的檢測手段獲取火力系統各部件足夠規模的技術狀態參數,經過處理和提煉后,作為判斷火力系統各部件所處技術狀態的特征量。有資料表明,大口徑火炮反后坐裝置和炮閂的故障總數約占總故障數的5/6[9],新型裝甲車輛炮的炮閂和反后坐裝置故障總數亦占裝甲車輛火力系統故障總數的大多數。因此,把握炮閂和反后坐裝置的技術狀態對火力系統的技術狀態具有很強的指導意義。表1總結了炮閂和反后坐裝置的部分技術狀態指標。

表1 火力系統技術狀態指標

表1中的第2項、第3項這2項指標可以由人工通過傳統的靜態測試方法進行檢查;第1項、第4項、第5項、第6項、第7項,這5項指標發生在實彈射擊循環的后坐復進階段,靜態測試方法在此時并不適用。其中,第1項、第4項是反映炮閂各零部件之間傳動的有效性和磨損狀況的綜合指標;第5項、第6項、第7項可綜合反映反后坐裝置的磨損狀況、復進桿和駐退桿的彎曲程度等。本文主要針對第1項、第4項、第5項、第6項、第7項,這5項指標進行測試。

2.2 基于云推理的火力系統多重故障診斷

本文通過人工后坐裝置和多種傳感器[10],獲取5項指標的380組歷史數據。以抽筒速度為例,對所有數據歸一化處理后,統計其頻率分布,以局部峰值點的橫坐標作為對應云概念的期望,通過云變換算法擬合頻率分布曲線,如圖1所示,圖中,N為頻數,ξ為抽筒速度歸一化值。再使用云合并算法整合抽筒速度的云概念。整合后的抽筒速度的五概念云圖見圖2,圖中,y為隸屬度。以同種方法獲得的各指標的云模型的數字特征見表2。由前文表述可知,每個技術狀態參數均有5個云概念,因此在表2中分別記為Cs1,Cs2,…,Cs5。

圖1 抽筒速度云變換擬合頻率分布曲線圖

圖2 抽筒速度五概念云圖

抽筒速度的部分測試數據圖形如圖3所示,圖中,vc為抽筒速度。圖3包括了4條分別符合云概念1至云概念4的抽筒速度-時間曲線。

圖3 抽筒速度-時間云概念曲線

表2 各技術狀態指標云概念的數字特征

雖然炮閂和反后坐裝置的故障模式較多,但多數故障可以通過人工檢測的方法迅速定位故障點并排除,因此本文在動態測試的基礎上定義如下故障模式為云概念:

①Cf1為抽筒子磨損或折斷;

②Cf2為復進桿彎曲;

③Cf3為駐退桿彎曲;

④Cf4為調速活門銹蝕或磨損;

⑤Cf5為調速筒磨損;

⑥Cf6為節制環磨損。

設定最小支持度為2,支持度閾值為5%,信任度閾值為40%,通過挖掘,得到31條有效關聯規則,部分規則如表3所示,表中,η為支持度,ζ為信任度。其中第1條規則{5,4,3,3,3→Cf1}表示:若“抽筒速度隸屬云概念C15,開閂速度隸屬C24,復進時間隸屬C33,復進速度隸屬C43,后坐位移隸屬C53”,則預測故障為Cf1,即抽筒子磨損或折斷。

表3 部分關聯規則

云規則發生器是一種不確定性推理機制[11]。本文通過綜合判斷“抽筒速度、開閂速度、復進時間、復進速度、后坐位移”5項指標的云狀態來推斷火力系統技術狀態,其規則可以簡化為“IfA1,A2,A3,A4,A5,thenCfi”,其中,i=1,…,6,使用一個五條件-單規則發生器可描述該條關聯規則。

其中,A1,…,A5代表5項技術狀態指標的隸屬云概念,Cfi是規則后件,表示第i種故障類型。將挖掘獲取的31條關聯規則用31個五條件-單規則,即每個關聯規則yk均由5個云發生器(cloud generator,CG)通過軟與運算后產生,發生器描述并經過整理,合并為一個組合規則發生器,如圖4所示。

將5項技術狀態參數輸入組合規則發生器中,每個推理前件均能輸出一個隸屬度yk,代表Ns={n1,n2,n3,n4,n5}對規則k的激活強度。最終輸出31個激活強度(y1,y2,…,y31)中的最大值對應的關聯規則,即火力系統在技術狀態參數為Ns時的故障。

圖4 火力系統故障診斷組合規則發生器

任何事物都有保持當前狀態的慣性性質[12],為描述下一時間點火力系統技術狀態變化的可能性,建立所有測試數據在整個測試時期內的變化規律模型,同時引入趨勢云的概念。具體步驟如下[13]。

(2)

式中:ns為測試數據值,ns,max為最大測試數據值。

③選取鄰近預測前點的t組數據,經逆向云算法計算該組數據各指標l的趨勢云Crl,再通過合成云算法融合Crl與Csj,構建短期預測云Cpl(Expl,Enpl,Hepl)。根據預測云的期望Expl,對比該狀態參數歸一化數值對應的時間點,即可得到預測時間,合并云概念的計算方法為

(3)

3 實例分析

某裝甲車輛的火力系統在2011-05-26完成中修后作為射擊教練車投入訓練,表4為2011-06-10至2013-09-22期間非等間隔采集的6組技術狀態參數,期間該車由于訓練消耗了百余發各類彈藥。表中,vc,va分別為抽筒速度和開閂速度;tg,vg分別為復進時間和復進速度;lh為后坐位移。將前5組數據作為預測的基礎,第6組數據作為標準與預測結果進行對比。

可以看出,在2012-04-07后各項指標劣化程度增長明顯加快,但復進速度在2013-03-23出現了逆增長,因此對抽筒速度重點進行預測。采用支持向量機方法和本文的預測方法進行比較,由于測試數據是非等間隔采集的,因此在運用支持向量機方法時需使用插值算法進行數據的預處理[19]。2種方法的預測對比結果如圖5所示,圖中曲線分別為實際測試值、支持向量機預測值、云推理預測值。支持向量機法預測2013-09-22的結果是“復進無力”,而云模型法預測的結果是復進機工作正常。將復進機整體拆卸下來,使用專用測試平臺進行測試,結果顯示復進機在此時工作仍然正常。

表4 某裝甲車輛火力系統技術狀態參數歷史數據及預測結果

圖5 不同預測方法下復進速度預測效果對比

在測試數據未產生異常時,支持向量機法的預測精度高于云模型法;而在數據異常點處支持向量機法受影響較大,導致預測值明顯偏小,預測結果顯示為“復進無力”,最終狀態預測失真。云推理方法在數據異常時仍能保證預測精度,魯棒性較好,預測結果顯示復進速度仍處于正常范圍;由于逆向云算法可直接對非等間隔數據進行建模,提高了預測效率。

4 結論

本文采用云變換法處理抽筒速度、開閂速度、復進時間、復進速度和后坐位移5項裝甲車輛火力系統技術狀態參數的測試數據,并以此為依據劃分了各技術狀態參數的云概念,建立了云模型,通過隸屬度方法明確過渡區域邊界數據,保留了測試數據的不確定性和多屬性。運用數據挖掘的方法發掘測試歷史數據中技術狀態參數變化與故障間的推理規則,并采用云推理法構建組合規則發生器,有效融合了多項狀態信息,可同時對多故障進行分析判定。最后經實例驗證,云預測模型可較好地適用于對非等時間間隔數據序列的建模與預測。該方法魯棒性強,個別測試數據在適當范圍內的波動對預測結果的影響微小。