装甲车辆火力系统关键部件技术状态预测

张金忠,岳宇辰,郭 伟,苏忠亭

(陆军装甲兵学院 兵器与控制系,北京100072)

装甲车辆火力系统(以下简称火力系统)的功能是歼灭敌有生力量、破坏敌方设施设备,火力系统技术状态的好与差,直接决定火力系统作战效能的优劣[1]。目前,我军对装甲车辆火力系统采取的是视情维修的维修模式,能否清楚掌握火力系统状态决定着维修的决策是否合理。因此,为保证维修决策的合理性和正确性,需要综合考虑火力系统当前技术状态的评估结果和未来一段时间内技术状态变化的预测结果[2]。掌握火力系统的技术状态变化,主要能够回答和解决2个实际问题:一是作为制定装甲车辆火力系统在平时训练和存放中正确的使用、维护和保管的方式与方法的重要依据,指导使用分队的乘员正确使用、保管、维护和保养,使其经常处于良好的技术状态,以利于完成正常的训练和作战使用任务;二是确定在实际训练和作战中火力系统技术状态变化影响正常使用时乘员应采取的措施,以保证能够继续使用火力系统,争取完成训练任务和作战任务,最大限度地发挥火力系统的效能[3]。

火力系统视情维修决策的主要依据是对技术状态的评估与预测,评估的结果通常以定性评价等级输出,能使维修人员和使用者对技术状态有直观的把握,从而采取相应的维修策略。预测结果能使维修人员和使用者对火力系统的技术状态变化过程和无故障运行时间有一个清楚的认识,从而达到避免不必要的拆装,降低故障概率的目的[4]。

火力系统工作条件较为恶劣,在进行技术状态评估和预测的过程中采集的测试数据往往存在一定随机性,上述预测方法存在如下问题:一是预测结果受到测试数据异常波动的影响较大,易生成错误诊断结果;二是处于相邻技术状态等级间过渡区间的测试数据的技术状态判定结果不够准确,过渡区间值域的划分与数据隶属度计算方法仍值得研究;三是上述提出的预测或诊断方法缺乏在可能同时发生多重故障的情况下的可信度分析,不利于最后的维修决策[5]。

论文引入云理论将广泛采集的火力系统重要部件——装甲车辆炮闩和反后坐装置的技术状态参数转化为合理的定性云概念,建立云模型;建立单个技术状态参数的变化规律模型,获取整个测试周期内参数随时间变化的趋势,采用云模型法预测短期内技术状态参数的云重心变化;通过云变换算法拟合样本频率分布函数并进行合理的合并跃升,获取各技术状态参数独立的云概念;通过挖掘多个云概念之间的关联规则,构建云推理规则发生器并经过大量样本的训练,计算各预测结果的可信度,给出最终预测的结论。

1 云推理规则发生器

知识是人们通过不断的抽象和交流形成的概念以及概念之间的相互关系。云推理是以定性概念为基本表示,通过挖掘数据库或数据仓库中挖掘的定性知识,构造规则发生器的一种知识推理[6]。具体做法如下:

①通过采用云概念隶属判定的方法精简待挖掘数据。云概念包括3个数学参数,分别是期望Ex,熵En和超熵He。本文使用极大判据,通过计算火力系统技术状态参数测试数据对所有云概念的隶属度,选择隶属度最大的云概念判定为最终的隶属概念。

例如某技术状态参数T的待判定数据a对该数据对应云概念CTj(Exj,Enj,Hej)的隶属度μj计算方法为[7]

(1)

最大隶属度μm=max{μj|j=1,2,…,m}对应的云概念CTj即为a的隶属云概念,其中,j表示数据a对应的云概念等级,m为云概念划分总数。

②技术状态参数一般使用奇数个状态进行描述。本文每个技术状态参数均有5个云概念,云概念的文字表述随参数的类型确定。以抽筒速度为例,5个云描述分别是“完好、良好、堪用、劣化、危险”,为简化记录,用“1,2,3,4,5”表示。

③对火力系统的故障进行云概念跃升,记为CFk(k=1,2,…,r,其中,r为故障概念跃升总数)。经数据挖掘得到各技术状态指标的状态等级与故障现象之间的对应关系。

2 火力系统技术状态预测与故障诊断

2.1 火力系统技术状态指标的选取

技术状态参数是反映火力系统技术状态的信息载体[8],采用恰当的检测手段获取火力系统各部件足够规模的技术状态参数,经过处理和提炼后,作为判断火力系统各部件所处技术状态的特征量。有资料表明,大口径火炮反后坐装置和炮闩的故障总数约占总故障数的5/6[9],新型装甲车辆炮的炮闩和反后坐装置故障总数亦占装甲车辆火力系统故障总数的大多数。因此,把握炮闩和反后坐装置的技术状态对火力系统的技术状态具有很强的指导意义。表1总结了炮闩和反后坐装置的部分技术状态指标。

表1 火力系统技术状态指标

表1中的第2项、第3项这2项指标可以由人工通过传统的静态测试方法进行检查;第1项、第4项、第5项、第6项、第7项,这5项指标发生在实弹射击循环的后坐复进阶段,静态测试方法在此时并不适用。其中,第1项、第4项是反映炮闩各零部件之间传动的有效性和磨损状况的综合指标;第5项、第6项、第7项可综合反映反后坐装置的磨损状况、复进杆和驻退杆的弯曲程度等。本文主要针对第1项、第4项、第5项、第6项、第7项,这5项指标进行测试。

2.2 基于云推理的火力系统多重故障诊断

本文通过人工后坐装置和多种传感器[10],获取5项指标的380组历史数据。以抽筒速度为例,对所有数据归一化处理后,统计其频率分布,以局部峰值点的横坐标作为对应云概念的期望,通过云变换算法拟合频率分布曲线,如图1所示,图中,N为频数,ξ为抽筒速度归一化值。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图见图2,图中,y为隶属度。以同种方法获得的各指标的云模型的数字特征见表2。由前文表述可知,每个技术状态参数均有5个云概念,因此在表2中分别记为Cs1,Cs2,…,Cs5。

图1 抽筒速度云变换拟合频率分布曲线图

图2 抽筒速度五概念云图

抽筒速度的部分测试数据图形如图3所示,图中,vc为抽筒速度。图3包括了4条分别符合云概念1至云概念4的抽筒速度-时间曲线。

图3 抽筒速度-时间云概念曲线

表2 各技术状态指标云概念的数字特征

虽然炮闩和反后坐装置的故障模式较多,但多数故障可以通过人工检测的方法迅速定位故障点并排除,因此本文在动态测试的基础上定义如下故障模式为云概念:

①Cf1为抽筒子磨损或折断;

②Cf2为复进杆弯曲;

③Cf3为驻退杆弯曲;

④Cf4为调速活门锈蚀或磨损;

⑤Cf5为调速筒磨损;

⑥Cf6为节制环磨损。

设定最小支持度为2,支持度阈值为5%,信任度阈值为40%,通过挖掘,得到31条有效关联规则,部分规则如表3所示,表中,η为支持度,ζ为信任度。其中第1条规则{5,4,3,3,3→Cf1}表示:若“抽筒速度隶属云概念C15,开闩速度隶属C24,复进时间隶属C33,复进速度隶属C43,后坐位移隶属C53”,则预测故障为Cf1,即抽筒子磨损或折断。

表3 部分关联规则

云规则发生器是一种不确定性推理机制[11]。本文通过综合判断“抽筒速度、开闩速度、复进时间、复进速度、后坐位移”5项指标的云状态来推断火力系统技术状态,其规则可以简化为“IfA1,A2,A3,A4,A5,thenCfi”,其中,i=1,…,6,使用一个五条件-单规则发生器可描述该条关联规则。

其中,A1,…,A5代表5项技术状态指标的隶属云概念,Cfi是规则后件,表示第i种故障类型。将挖掘获取的31条关联规则用31个五条件-单规则,即每个关联规则yk均由5个云发生器(cloud generator,CG)通过软与运算后产生,发生器描述并经过整理,合并为一个组合规则发生器,如图4所示。

将5项技术状态参数输入组合规则发生器中,每个推理前件均能输出一个隶属度yk,代表Ns={n1,n2,n3,n4,n5}对规则k的激活强度。最终输出31个激活强度(y1,y2,…,y31)中的最大值对应的关联规则,即火力系统在技术状态参数为Ns时的故障。

图4 火力系统故障诊断组合规则发生器

任何事物都有保持当前状态的惯性性质[12],为描述下一时间点火力系统技术状态变化的可能性,建立所有测试数据在整个测试时期内的变化规律模型,同时引入趋势云的概念。具体步骤如下[13]。

(2)

式中:ns为测试数据值,ns,max为最大测试数据值。

③选取邻近预测前点的t组数据,经逆向云算法计算该组数据各指标l的趋势云Crl,再通过合成云算法融合Crl与Csj,构建短期预测云Cpl(Expl,Enpl,Hepl)。根据预测云的期望Expl,对比该状态参数归一化数值对应的时间点,即可得到预测时间,合并云概念的计算方法为

(3)

3 实例分析

某装甲车辆的火力系统在2011-05-26完成中修后作为射击教练车投入训练,表4为2011-06-10至2013-09-22期间非等间隔采集的6组技术状态参数,期间该车由于训练消耗了百余发各类弹药。表中,vc,va分别为抽筒速度和开闩速度;tg,vg分别为复进时间和复进速度;lh为后坐位移。将前5组数据作为预测的基础,第6组数据作为标准与预测结果进行对比。

可以看出,在2012-04-07后各项指标劣化程度增长明显加快,但复进速度在2013-03-23出现了逆增长,因此对抽筒速度重点进行预测。采用支持向量机方法和本文的预测方法进行比较,由于测试数据是非等间隔采集的,因此在运用支持向量机方法时需使用插值算法进行数据的预处理[19]。2种方法的预测对比结果如图5所示,图中曲线分别为实际测试值、支持向量机预测值、云推理预测值。支持向量机法预测2013-09-22的结果是“复进无力”,而云模型法预测的结果是复进机工作正常。将复进机整体拆卸下来,使用专用测试平台进行测试,结果显示复进机在此时工作仍然正常。

表4 某装甲车辆火力系统技术状态参数历史数据及预测结果

图5 不同预测方法下复进速度预测效果对比

在测试数据未产生异常时,支持向量机法的预测精度高于云模型法;而在数据异常点处支持向量机法受影响较大,导致预测值明显偏小,预测结果显示为“复进无力”,最终状态预测失真。云推理方法在数据异常时仍能保证预测精度,鲁棒性较好,预测结果显示复进速度仍处于正常范围;由于逆向云算法可直接对非等间隔数据进行建模,提高了预测效率。

4 结论

本文采用云变换法处理抽筒速度、开闩速度、复进时间、复进速度和后坐位移5项装甲车辆火力系统技术状态参数的测试数据,并以此为依据划分了各技术状态参数的云概念,建立了云模型,通过隶属度方法明确过渡区域边界数据,保留了测试数据的不确定性和多属性。运用数据挖掘的方法发掘测试历史数据中技术状态参数变化与故障间的推理规则,并采用云推理法构建组合规则发生器,有效融合了多项状态信息,可同时对多故障进行分析判定。最后经实例验证,云预测模型可较好地适用于对非等时间间隔数据序列的建模与预测。该方法鲁棒性强,个别测试数据在适当范围内的波动对预测结果的影响微小。