火控系統(tǒng)是裝甲車輛作戰(zhàn)的核心單元,具有結(jié)構(gòu)復(fù)雜、參數(shù)多的特點,且信號測量不容易。當(dāng)火控系統(tǒng)發(fā)生故障時,故障部位、故障類型難以判斷,大大影響了裝甲裝備的作戰(zhàn)性能。過去的維修方式多以專家經(jīng)驗作為依據(jù),通過事后維修進(jìn)行人為的故障判斷,人為診斷準(zhǔn)確率不高,維修成本也很大�，F(xiàn)在,視情維修方式已進(jìn)入人們的視野,隨著大型復(fù)雜裝備的智能化程度日益提高,故障預(yù)測與健康管理在武器裝備中的應(yīng)用越來越重要。為了減少火控系統(tǒng)維修上的人力、物力消耗,提升裝甲車輛野外作戰(zhàn)可靠性,本課題在人工智能故障診斷的基礎(chǔ)上,結(jié)合機(jī)器學(xué)習(xí)算法,構(gòu)建了火控系統(tǒng)性能參數(shù)趨勢預(yù)測、多故障預(yù)測以及健康狀態(tài)評估三種智能模型:（1）針對火控系統(tǒng)故障信息不足、信號非線性、維度高的特點,對性能參數(shù)首先通過集合經(jīng)驗?zāi)B(tài)分解進(jìn)行特征提取,再由最小二乘支持向量回歸機(jī)進(jìn)行參數(shù)趨勢預(yù)測,回歸機(jī)的參數(shù)通過鯨魚優(yōu)化算法來選擇,提升了預(yù)測精度;（2）建立一種改進(jìn)的多故障預(yù)測模型,使火控系統(tǒng)的故障預(yù)測不僅僅停留在“正�！迸c“故障”狀態(tài)的識別,而是對不同類型的故障狀態(tài)進(jìn)行區(qū)分。通過決策導(dǎo)向無環(huán)圖完成支持向量分類機(jī)的多分類轉(zhuǎn)換,引入改進(jìn)的分離性測度計算,對決策導(dǎo)向無... 

【文章來源】：北京化工大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：82 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－２＜：１的￡￡１＾分解圖??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??圖２－３?ｃｌ的ＥＭＤ分解圖??Ｆｉｇ．２－３?ＥＭＤ?ｅｘｐｌｏｄｅｄ?ｖｉｅｗ?ｏｆ?ｃｌ??經(jīng)驗?zāi)B(tài)分解算法將性能參數(shù)ｃ７分解為７個本征模態(tài)分量，從數(shù)量上看，沒有??ＥＥＭＤ分解得充分，出現(xiàn)模態(tài)疊重問題。??２．４．２基于Ｗ０ＡＬＳＳＶＭ的性能參數(shù)預(yù)測??對于火控系統(tǒng)某部件發(fā)生故障前后的一段時間序列數(shù)據(jù)，預(yù)測其未來時刻的各個??性能參數(shù)的變化趨勢及數(shù)值，本節(jié)選擇科學(xué)、準(zhǔn)確、可靠的迭代法建立火控系統(tǒng)性能??趨勢預(yù)測模型。??對于每個性能參數(shù)所分解的ＩＭＦ分量的歷史時刻序列，用迭代法預(yù)測未來時刻序??列，第一步，用如弋，．．＿，１預(yù)測乃＝ｘｆ＋１，第二步，將預(yù)測的輸出心＝七＋１添加到??當(dāng)前步的輸入，并刪減最早的數(shù)據(jù)七，以此類推，縱向地預(yù)測未來一段時刻內(nèi)各本征??模態(tài)分量的變化趨勢。通過得到的各ＩＭＦ的預(yù)測值，再對性能參數(shù)的變化進(jìn)行預(yù)測。??固有模態(tài)分量的迭代法多步預(yù)測的維數(shù)ｄｉｍ設(shè)為３，分別將每個ＩＭＦ分量２３３組??歷史樣本劃分成２３０組，前１８４組樣本作為訓(xùn)練樣本，后４６組樣本作為測驗樣本。??首先，分別將每個ＩＭＦ分量的訓(xùn)練樣本

４?４９３．０６６２?２３７．６３００??徑向基核參數(shù)（Ｔ?２３．１９９３?１０．０５３７?２０．２９２５??－１３．５?Ｉ?Ｖ?ｉ?ｉ?ｔ?■?ｉ?ｉ???Ｉ??？１４?－?－?真實值??？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??時間點??圖２－４?Ｃｌ訓(xùn)練樣本的預(yù)測圖??Ｆｉｇ．２－４?Ｐｒｅｄｉｃｔｉｏｎ?ｇｒａｐｈ?ｏｆ?ｃｌ?ｔｒａｉｎｉｎｇ?ｓａｍｐｌｅｓ??２３??


本文編號：3098730