武器裝備故障預測相關分析

曹萌 蘇小煒 黃笑宇

摘 要：隨著高層次技術創新武器裝備的相繼投入列裝，對新一代裝備能否進行有效的裝備狀態優化監控和裝備故障風險預測就已經成為武器技術安全保障的一個重點。為了能夠使企業裝備安全保障管理人員更好的深入了解裝備故障分析預測相關技術及其實際作用，簡要詳細介紹了裝備故障分析預測相關技術及其應用類別。重點分析總結了相關故障處理預測分析技術在我國武器裝備行業中的實際應用發展現狀，主要內容包括專家系統、灰色區域模型、神經網絡、支持機和向量機以及其他一些相關故障分析預測技術方法在武器裝備中的故障分析預測技術中的實際應用。通過分析總結當前的學術研究成果，指出了汽車故障影響預測分析技術今后研究發展的若干研究方向。

關鍵詞：武器裝備;故障預測;方法

引言：

隨著現代科技的不斷進步，現代化和高新技術的新型武器裝備也陸續地被列裝到各部隊。而定期保養維修工作時間如果制定得不合理，也容易直接造成人力資源的嚴重消耗浪費，因此目前傳統的質量保障管理方式已經不能完全滿足要求。現在各國對于裝備安全保障主要都可以采取視實際情況的維修，它們也可以有效避免我國傳統裝備保障管理方式的不足。而系統故障信息預測處理技術就是目前支撐視覺色情系統維修的一項關鍵技術。

1 故障預測技術

故障技術預測汽車技術診斷是比汽車故障預測診斷更高級的汽車維修安全保障技術形式，是一門領域涉及工程機械、電子、計算機、通信、控制以及建筑材料等多個門學科互相綜合的新興技術邊緣學科。

基于這個模型的產品故障損害預測計算方法主要是通過對關鍵功能部件損傷的隨機計算來準確評估一個關鍵產品零部件的功能損傷嚴重程度，通過為此建立一個物理計算模型或隨機計算過程進行建模，用來準確評估關鍵部件間的剩余使用壽命。但在建筑工程設計實際中，系統往往比較復雜，精確的系統模型難以快速建立，這就大大限制了基于系統模型化的預測系統方法的廣泛應用。物理知識模型、濾波器以及基于科學知識的分析方法都同樣可以被規劃為基于知識模型的應用故障分析預測解決技術。

基于強大數據分析驅動的有用故障信息預測分析技術以用戶采集的相關數據為基礎，通過分析挖掘出這些采集數據中可能隱含的有用故障信息，得到用戶需要的預測結果。但是，對于復雜技術裝備，歷史數據的質量獲取較為困難，同時歷史數據的質量準確性和廣泛應用性能不能完全滿足要求，這些都仍然是我們需要進一步深入研究的關鍵問題。典型的基于龐大數據系統驅動的分析方法主要有：專家系統、神經網絡、灰色區域模型以及其他數據相關分析方法。

2 幾種故障預測技術在武器裝備中的應用

2.1專家系統方法

專家系統由于其中采用了眾多專家專業知識，從而不僅具有了行業專家的豐富實戰經驗與正確判斷能力從而并能對每個用戶的真實提問和問題答案的邏輯推理以及過程結果做出正確解釋。專家系統對于那些非常難于快速建立精確化的數學系統模型和非線性數學系統的人具有明顯的技術優勢。李茂林、張晶等在充分綜合分析某新型自行火炮的電氣系統的及時失效故障模式與復雜故障發生機理的基礎上，綜合分析故障處理現象，采用正向自動推理診斷為主、反向自動推理診斷為輔的兩種混合模式推理診斷機制對推理機理的進行綜合實現，開發電氣系統復雜故障現象綜合處理診斷專家系統，結果表明，該專家系統不僅能夠有效提高對電氣系統的及時保障處理水平，提高電氣保障技術人員及時解決復雜電氣系統故障問題的工作能力。

2.2灰色模型方法

灰色區域模型（greymoded）由一位我國著名教授鄧聚龍在1952年級中提出。由于本次gm（1，1）改進模型系統缺乏對多功能特征參數的綜合考慮且還存在復雜背景式數值系統構建及自動化適應上的存在缺陷。李萬領等針對問題改建模型gm（1，1）預測模型的方法預測故障維數主要是依靠實踐經驗難以確定這一復雜問題，采用poposo等算法對該模型參數組合進行模型優化，并將經過優化的預測模型并實際運用納入到某雷達制導系統雷達發射波束自動控制技術系統的預測故障結果預測中，預測故障結果顯示，預測故障結果的最大預測誤差只有1.32%。

2.3神經網絡方法

神經網絡主要有多種神經網絡結構類型（cbp小波神經網絡、rbf大波神經網絡、小波神經網絡等等祭，由于其本身具有較強的非線性信息映射適應能力、自動化學習適應能力和車輛動態自動化適應能力，因此常廣泛應用于汽車故障分析診斷與事故預測。張小玉等將某些大型飛機整個發動機系統運行中的振動音頻信號的振幅頻率大小情況作為分析判斷整個發動機系統故障與否的重要依據，將飛機采集的音頻數據處理后一并輸入一個bp的網絡中，得到了較高的故障預測分析精度。

2.4支持向量機方法

支持向量的隨機函數（csvm）算法是近年人們根據現代統計與科學計算理論最新提出的一種基于機器人工學習的算法，它主要是具有小規模樣本人工學習和自動學習計算能力強兩個基本優勢。田干等將向量支持最小向量參數回歸機（csvp）和最小向量支持最大向量參數回歸機（clvsvr）都結合運用來達到解決液體噴氣火箭運載發動機發射參數向量預測中的問題，通過分析對比兩種預測方法的參數預測實驗結果，發現其在svr中的預測結果精度雖然要遠遠好于clvsvr，但后者的發射訓練持續時間遠遠要小于前者。王久崇等將最大魚群測量算法（cafe）和最小蜂群測量算法有機結合，來分別優化最小二維相乘向上測量機（clssviv）的最小規則化網絡參數和最小寬帶網絡參數，用最新改進的飛機模型對某型民用航空航天電子運輸設備的飛機電源模塊故障進行預測故障精度預測，結果表明，預測故障精度已經得到了顯著性的提高。

2.5其他方法

其他的網絡預測分析方法中，運用較多的主要技術有網絡虛擬化和現實預測技術和模糊對象理論。虛擬結合現實裝備技術通過利用計算機技術模擬檢驗裝備的實際運行狀態，改變與模擬裝備實際性能息息相關的各種參數，對其性能進行裝備故障風險預測。模糊故障理論則主要是根據不同裝備系統故障預測特征信息來源不同，其特征具有模糊性和高度不確定性的理論特點，來研究建立模糊故障預測理論模型，進行裝備故障特征預測。

結論：

本文主要重點介紹了武器故障發生預測控制技術的基本概念及其應用分類，重點突出闡述了其在我國現有武器裝備中以及應用中的情況，并對其未來發展趨勢做了重點展望。從越來越多的實際應用技術實例中，我們不難看出發現電子故障原因預測分析技術在現代武器裝備安全保障方而的廣泛應用對于加快提高現代我軍武器裝備的安全保障服務水平發展具有明顯的戰略推動力和作用。

參考文獻：

[1]段飛飛，李紅才.武器裝備故障預測與健康管理視情維修系統設計[J].質量與可靠性，2020（06）：33-36.

[2]羅曉亮，涂龍，王浩旭，王曉晶，胡振峰，喻凡坤，梁秀兵.無人機故障預測與健康管理研究現狀及發展[J].計算機測量與控制.

[3]邵璐璐，牛侃，于志超.基于CPS的裝備故障預測與健康管理體系架構[J].數字通信世界，2020（04）：138-139.

[4]聞化，胡志偉.裝備故障預測與健康管理能力驗證評估技術[J].計算機測量與控制，2019，27（11）：260-264.

（中國運載火箭技術研究院，北京 100076）