CN111894946A - 基于作战强度和环境的装备液压系统故障预测方法 - Google Patents

Abstract

本发明公开了基于作战强度和环境的装备液压系统故障预测方法，由内置和外设在装备液压系统上的各传感器实时采集和监测装备液压系统不同部件的状态特性参数和外部环境参数，引入战场环境因子和战场使用强度，从而量化战场自然环境和战场训练强度对装备液压系统影响；利用关键部件寿命及可靠性模型，对装备保障有效信息，采用基本函数叠加的方式，形成健康状态及性能衰退模型并进行故障预测，并记录数据形成历史数据库，得到一定时间之后的故障预测信息。本发明能够预测在作战中可能发生的液压故障，提前做好有效的保障。

Description

基于作战强度和环境的装备液压系统故障预测方法

技术领域

本发明属于故障预测技术领域，具体涉及一种基于作战强度和环境的装备液压系统故障预测方法。

背景技术

装备液压系统传统的维修方法有预防性维修和故障维修。预防性维修是基于时间的定期维护，该方法确定的维护周期偏于保守，易产生过度维修。故障维修则是在装备失效后进行的维修，该方法易导致装备出现重大损失和战备。

基层部队除了事后的故障维修，其预防性维修主要采取定期维护和视情维护两种方式，定期维护主要是在日常战备训练期间，包括每天的装备例行检查工作、每周的检查工作、每月的大型维护工作等。视情维修对维修人员的经验要求较高，需要维修人员根据装备的运行情况和自身经验判断，从而确定装备是否进行维修。目前视情维修对装备运行进行监控多通过人为来分析监控数据，人为的对故障进行预测，当检测数据较大较多时，人为难以准确判断，难以及时的集中判断各装备液压系统的运行情况。

武器装备在日常维护训练时服役环境和任务强度变化幅度小，出现突发故障的可能性小。在作战期间，装备的服役环境和任务强度会发生剧烈的变化，出现突发故障的可能性大大增加，因此，对于一个已经定型的防空反导武器装备，“定期维修”和“事后维修”的保障模式明显已经不太适应新的战场环境的需求。因此，一种新的面向战场环境的液压关键故障件的故障预测方法便变得十分迫切。

发明内容

为了解决上述问题，本发明的目的是提出一种基于作战强度和环境的装备液压系统故障预测方法，考虑装备健康状态和战场环境因素，基于卷积神经网络建立装备液压系统性能衰退预测模型，能够进行指定作战环境下的故障件预测，进而预测可能发生的液压故障，提前做好有效的保障和健康管理。

为了达到上述目的，本发明采用以下技术方案予以解决。

基于作战强度和环境的装备液压系统故障预测方法，包括以下步骤：

步骤1，建立装备液压系统的原始数据库；

其中，所述装备液压系统的原始数据库包含地空导弹部队历年的健康状态数据、装备维护数据、故障历史数据、装备维修数据、备件补充数据、兵工厂单位生产参数、维修工厂维修记录；

步骤2，采用数据挖掘对原始数据库中的数据进行分类和筛选，得到有效数据集合，即装备液压系统性能状态参数和关键液压故障件信息，建立对应列表，得到关键液压故障件发生故障与装备使用频次、装备使用环境、装备维护周期之间的规律；

步骤3，采集关键液压故障件的状态特性参数和外部环境参数；确定不同作战环境下的战场工作强度因子和战场环境参数；

步骤4，利用关键部件寿命及可靠性模型，结合战场工作强度因子和战场环境参数，建立装备液压系统故障预测的马尔可夫模型；将装备液压系统性能随时间累积效应转变为卷积运算，建立基于卷积算法的过程神经网络模型，即受时间累积效应影响的装备液压系统性能衰退预测模型；

步骤5，获取训练集，采用训练集对装备液压系统性能衰退预测模型进行训练，优化模型参数，得到修正后的装备液压系统性能衰退预测模型；

步骤6，对于待执行任务，获取其作战环境下的战场工作强度因子、战场环境参数和当前装备液压系统关键部件的状态参数，并将其作为修正后的装备液压系统性能衰退预测模型的输入数据，得到作战时间后的关键液压故障件的状态预测结果。

进一步地，所述关键液压故障件发生故障与装备使用频次、装备使用环境、装备维护周期之间的规律的获取过程为：利用工业部门提供的关键部件寿命及可靠性模型，对每个装备液压系统关键故障件的保障信息，采用基本函数叠加的方式，形成健康状态及性能衰退模型。

进一步地，所述采集关键液压故障件的状态特性参数和外部环境参数，具体为：采用对应的传感器实时采集关键液压故障件的状态参数和外部环境参数；所述状态特性参数为液压故障件的工作时间和实用频率；所述外部环境参数为温度、湿度、日照、粉尘和盐雾。

进一步地，所述利用关键部件寿命及可靠性模型，结合战场工作强度因子和战场环境参数，建立装备液压系统故障预测的马尔可夫模型，具体为：采用基函数组合逼近原函数法，将历年的装备健康状态参数的离散数据拟合成函数，得到作战行动、战场环境、装备健康状态对装备液压系统性能衰退影响规律，进而建立装备液压系统故障预测的马尔可夫模型。

进一步地，所述训练样本集包含地空导弹部队历年的健康状态数据、装备维护数据、故障历史数据、装备维修数据、备件补充数据、兵工厂单位生产参数、维修工厂维修记录、战场工作强度因子和战场环境参数。

进一步地，所述采用训练样本集对装备液压系统性能衰退预测模型进行训练，优化模型参数，具体为：

(a)设置模型训练最大迭代步数，收敛误差，得到状态分类器和状态转移概率矩阵；

(b)输入训练样本，得到概率值，并进行归一化处理；

(c)归一化处理后的值作为特征向量输入SVM进行训练；

(d)采用粒子群算法进行SVM参数优化。

与现有技术相比，本发明的有益效果为：

本发明通过监测和收集装备液压系统的健康状况数据，并定期将数据上传给上级装备部门和装备研制商，从而收集到丰富的装备液压系统故障及健康状况数据；通过建立面向战场环境的装备液压系统性能衰退预测模型，将装备液压系统从日常训练环境转化为作战环境时的性能衰退趋势进行预测，得到一定时间之后的故障预测信息。能够对液压设备进行针对性、准确性的维护指导，从而指导操作人员进行维修保障决策。

附图说明

下面结合附图和具体实施例对本发明做进一步详细说明。

图1是装备液压系统性能衰退预测方法流程图；

图2是本发明实施例中装备液压系统使用工作强度示意图；

图3是本发明实施例中卷积和离散过程神经元模型；

图4是本发明实施例中卷积和离散过程神经网络拓扑结构图；

图5是本发明实施例的装备液压系统故障预测中的模型训练和预测流程图；

图6是本发明实施例中装备液压系统故障预测过程的阶段性示意图；

图7是装备液压系统性能监测流程图。

具体实施方式

下面结合附图对本发明的实施例及效果作进一步详细描述。

本发明实施例提供一种基于作战强度和环境的装备液压系统故障预测方法，包括以下步骤：

步骤1，建立装备液压系统的原始数据库；

参考图1，按照分布式结构建立保障信息数据库，以地空导弹部队历年的健康状态数据、装备维护数据、故障历史数据、装备维修数据、备件补充数据、兵工厂单位生产参数、维修工厂维修记录等为数据来源，形成原始数据库。

步骤2，采用数据挖掘对原始数据库中的数据进行分类和筛选，得到有效数据集合，即装备液压系统性能状态参数和关键液压故障件信息，建立对应列表，得到关键液压故障件发生故障与装备使用频次、装备使用环境、装备维护周期之间的规律；

具体地，按照数据理论的数据挖掘方法在信息管理系统下对数据进行分类和筛选，形成对装备保障有效信息的集合；运用运筹学和数理统计学理论，在数据存在的空间中，利用数据挖掘方法寻找装备关键液压故障件，建立列表，总结关键液压故障件故障的发生、发展与装备使用频次、装备使用环境、装备维护周期之间的规律。

步骤3，采集关键液压故障件的状态特性参数和外部环境参数；确定不同作战环境下的战场工作强度因子和战场环境参数；

参考图2，研究战场环境载荷对装备液压系统性能衰退规律的影响，解决装备性能衰退预测缺乏对真实战场环境考虑的问题，战场环境载荷主要包含两部分：装备外界环境因素和装备经历的行军作战强度。研究中分析关键液压故障件的故障发生机理，故障发生诱因，故障发生形态，故障产生影响。采用内置和外设在装备液压系统上传感器对关键液压故障件所处的温度、湿度、日照、粉尘、盐雾等环境条件对装备性能的影响，客观描述关键液压故障件在战场环境下性能衰退的趋势。

地空导弹部队一直处于战备状态，因此装备的使用强度会随着使用过程的不同而改变，部队操作训练时，装备损耗增大，性能衰退加快，部队休息和进行其他活动时，装备处于自然损耗中。为了定量分析战场工作强度对装备液压系统的影响，引入了战场工作强度因子进行分析。

步骤4，利用关键部件寿命及可靠性模型，结合战场工作强度因子和战场环境参数，建立装备液压系统故障预测的马尔可夫模型；将装备液压系统性能随时间累积效应转变为卷积运算，建立基于卷积算法的过程神经网络模型，即受时间累积效应影响的装备液压系统性能衰退预测模型；

利用工业部门提供的关键部件寿命及可靠性模型，将步骤3中的战场工作强度因子和战场环境参数加入模型中，对战场环境下的模型参数进行修正；采用基函数组合逼近原函数法，将历年的装备健康状态参数的离散数据拟合成函数，得到作战行动、战场环境、装备健康状态对装备液压系统性能衰退影响规律，据此建立装备液压系统故障预测的马尔可夫模型。

经过离散数据函数化后，为过程型的预测方法提供了科学的输入。通过将信号处理领域中的卷积运算引入到过程神经网络的学习算法中来，将原来对时间累积效应的积分运算变为卷积运算，建立基于卷积算法的过程神经网络模型，卷积神经网络的神经元结构如图3所示，卷积神经网络的拓部结构如图4所示，得到受时间累积效应影响的装备液压系统性能衰退预测模型。

步骤5，获取训练样本集，采用训练样本集对装备液压系统性能衰退预测模型进行训练，优化模型参数，得到修正后的装备液压系统性能衰退预测模型；

具体地，训练样本集包含地空导弹部队历年的健康状态数据、装备维护数据、故障历史数据、装备维修数据、备件补充数据、兵工厂单位生产参数、维修工厂维修记录、战场工作强度因子和战场环境参数。从以上训练样本集中选取部分数据(10％-20％)作为测试样本集。

如图5所示，采用训练样本集对装备液压系统性能衰退预测模型进行训练，优化模型参数，具体为：

(a)设置模型训练最大迭代步数，收敛误差，得到状态分类器和状态转移概率矩阵；

(b)输入训练样本，得到概率值，并进行归一化处理；

(c)归一化处理后的值作为特征向量输入SVM进行训练；

(d)采用粒子群算法进行SVM参数优化。

训练完成后的模型，采用测试样本集对其测试，以验证模型参数优化的模型预测效果。符合所需预测精度后，该训练好的模型就可以对待执行任务进行关键液压故障件在作战任务后的状态预测。

步骤6，对于待执行任务，获取其作战环境下的战场工作强度因子、战场环境参数和当前装备液压系统关键部件的状态参数，并将其作为修正后的装备液压系统性能衰退预测模型的输入数据，得到作战时间后的关键液压故障件的状态预测结果。

地空导弹部队一直处于战备状态，因此装备的使用强度会随着使用过程的不同而改变，装备的使用过程包括模拟演练、维护启动、作战准备、冲突、休整状态等过程。在日常训练过程中，防空反导装备每天的训练量和训练时间处于比较稳定的状态，模拟演练和维护启动等过程的装备使用强度较小，在作战行动中，使用频率和使用时间都会大大增加，如图2所示。部队操作训练时，装备损耗增大，性能衰退加快，部队休息和进行其他活动时，装备处于自然损耗中。为定量分析战场工作强度对装备液压系统的影响，引入了战场工作强度因子进行分析，同时再利用正常运行的液压系统的监测数据进行预测，当预测状态的可靠性达到设定阈值时，进行装备液压系统的维修，从而使得液压系统能够继续正常工作。

对于一个正常运行的新部件，要进行日常工作时的数据监测，随着使用时间的延长，会出现故障、失效等问题，通过对各种状态下数据的分析，建立预测模型，估计其剩余使用寿命，当其可靠性是否达到设置阈值，进行装相应部件的维修，维修后该部件又进行正常工作状态，过程如图6所示。

对于装备液压系统的每个部件，其预测维修过程如图7所示。根据装备压夜系统的衰退机理，确定要监控的部件参数和性能衰退模型；然后，对确定的参数进行监测，根据多年的参数变化情况和性能衰退模型，建立性能衰退模型；对于某一任务，根据性能衰退模型预测性能状态变化，判断该部件的性能是否满足使用要求，若是，继续使用，否则进行维修，维修继续监测性能参数。

在进行面向作战行动的某型装备液压系统性能衰退预测，就是利用掌握的装备液压系统维护维修技术和性能衰退机理，结合日常训练和战场环境下的保障数据，利用改进的支持向量机方法(SVM)分析装备液压系统的性能参数和变化趋势，得到一定时间之后的故障预测信息。本发明可以对液压设备进行针对性、准确性的维护指导，实现液压系统的精确化保障，防止液压系统故障的发生。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (6)

1.基于作战强度和环境的装备液压系统故障预测方法，其特征在于，包括以下步骤：

步骤1，建立装备液压系统的原始数据库；

其中，所述装备液压系统的原始数据库包含地空导弹部队历年的健康状态数据、装备维护数据、故障历史数据、装备维修数据、备件补充数据、兵工厂单位生产参数和维修工厂维修记录；

步骤2，采用数据挖掘对原始数据库中的数据进行分类和筛选，得到有效数据集合，即装备液压系统性能状态参数和关键液压故障件信息，建立对应列表，得到关键液压故障件发生故障与装备使用频次、装备使用环境、装备维护周期之间的规律；

步骤3，采集关键液压故障件的状态特性参数和外部环境参数；确定不同作战环境下的战场工作强度因子和战场环境参数；

步骤4，利用关键部件寿命及可靠性模型，结合战场工作强度因子和战场环境参数，建立装备液压系统故障预测的马尔可夫模型；将装备液压系统性能随时间累积效应转变为卷积运算，建立基于卷积算法的过程神经网络模型，即受时间累积效应影响的装备液压系统性能衰退预测模型；

步骤5，获取训练集，采用训练集对装备液压系统性能衰退预测模型进行训练，优化模型参数，得到修正后的装备液压系统性能衰退预测模型；

步骤6，对于待执行任务，获取其作战环境下的战场工作强度因子、战场环境参数和当前装备液压系统关键部件的状态参数，并将其作为修正后的装备液压系统性能衰退预测模型的输入数据，得到作战时间后的关键液压故障件的状态预测结果。

2.根据权利要求1所述的基于作战强度和环境的装备液压系统故障预测方法，其特征在于，所述关键液压故障件发生故障与装备使用频次、装备使用环境、装备维护周期之间的规律的获取过程为：利用工业部门提供的关键部件寿命及可靠性模型，对每个装备液压系统关键故障件的保障信息，采用基本函数叠加的方式，形成健康状态及性能衰退模型。

3.根据权利要求1所述的基于作战强度和环境的装备液压系统故障预测方法，其特征在于，所述采集关键液压故障件的状态特性参数和外部环境参数，具体为：采用对应的传感器实时采集关键液压故障件的状态参数和外部环境参数；所述状态特性参数为液压故障件的工作时间和实用频率；所述外部环境参数为温度、湿度、日照、粉尘和盐雾。

4.根据权利要求1所述的基于作战强度和环境的装备液压系统故障预测方法，其特征在于，所述利用关键部件寿命及可靠性模型，结合战场工作强度因子和战场环境参数，建立装备液压系统故障预测的马尔可夫模型，具体为：采用基函数组合逼近原函数法，将历年的装备健康状态参数的离散数据拟合成函数，得到作战行动、战场环境、装备健康状态对装备液压系统性能衰退影响规律，进而建立装备液压系统故障预测的马尔可夫模型。

5.根据权利要求1所述的基于作战强度和环境的装备液压系统故障预测方法，其特征在于，所述训练样本集包含地空导弹部队历年的健康状态数据、装备维护数据、故障历史数据、装备维修数据、备件补充数据、兵工厂单位生产参数、维修工厂维修记录、战场工作强度因子和战场环境参数。

6.根据权利要求5所述的基于作战强度和环境的装备液压系统故障预测方法，其特征在于，所述采用训练样本集对装备液压系统性能衰退预测模型进行训练，优化模型参数，具体为：

(a)设置模型训练最大迭代步数，收敛误差，得到状态分类器和状态转移概率矩阵；

(b)输入训练样本，得到概率值，并进行归一化处理；

(c)归一化处理后的值作为特征向量输入SVM进行训练；

(d)采用粒子群算法进行SVM参数优化。

Images