CN113063314B - 基于svm和ga-svm支持向量机的火炮发射系统故障诊断方法 - Google Patents
基于svm和ga-svm支持向量机的火炮发射系统故障诊断方法 Download PDFInfo
- Publication number
- CN113063314B CN113063314B CN202110308567.5A CN202110308567A CN113063314B CN 113063314 B CN113063314 B CN 113063314B CN 202110308567 A CN202110308567 A CN 202110308567A CN 113063314 B CN113063314 B CN 113063314B
- Authority
- CN
- China
- Prior art keywords
- fault
- svm
- launching device
- artillery
- firing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000003745 diagnosis Methods 0.000 title claims abstract description 45
- 230000002068 genetic effect Effects 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 125
- 238000010304 firing Methods 0.000 claims abstract description 101
- 230000007246 mechanism Effects 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims description 26
- 238000006073 displacement reaction Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 23
- 230000000694 effects Effects 0.000 claims description 19
- 210000000349 chromosome Anatomy 0.000 claims description 17
- 238000005299 abrasion Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000033001 locomotion Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000013479 data entry Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 4
- 239000013598 vector Substances 0.000 description 5
- 238000013145 classification model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 241000282693 Cercopithecidae Species 0.000 description 1
- 206010064571 Gene mutation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000009527 percussion Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F41—WEAPONS
- F41A—FUNCTIONAL FEATURES OR DETAILS COMMON TO BOTH SMALLARMS AND ORDNANCE, e.g. CANNONS; MOUNTINGS FOR SMALLARMS OR ORDNANCE
- F41A31/00—Testing arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Abstract
本发明提出一种基于SVM和GA‑SVM支持向量机的火炮发射系统故障诊断方法，尤其涉及SVM和GA‑SVM支持向量机针对火炮发射装置故障诊断的方法，属于军事自动化领域；为了解决火炮发射装置致身管温度过高、击发次数过大和击发速度过导致的故障问题，基于SVM和GA‑SVM支持向量机的火炮发射系统故障诊断方法，故障诊断过程包括结合SVM支持向量机来对火炮发射装置的身管构件和开关闭锁机构进行故障监测；以及通过多分类器将故障区进行故障监测；本发明能够准确确定故障出现的位置和具体故障的名称，相比于人工实时诊断，具有自动化程度高，耗时短，在实际战场中能高效地完成故障维修工作，确保火炮发射装置的使用顺利。
Description
技术领域
本发明是一种基于SVM和GA-SVM支持向量机的火炮发射系统故障诊断方法，尤其涉 及SVM和GA-SVM支持向量机针对火炮发射装置故障诊断的方法，属于军事自动化领域。
背景技术
火炮发射装置在工作过程中会出现间歇性、偶然性、随机性的击发条件，这很可能导 致身管温度过高、击发次数过大、击发速度过快等恶劣工况的出现，因此会出现不同种类 型的反映在身管和开关闭锁机构上的故障；
从理论角度分析了火炮发射装置工作过程和工作原理，并主要对发射装置的身管和 开关闭锁机构进行了重点故障影响因素分析。但是影响三类典型故障的关键参数与故障 类型和稳定性参数之间的定性关系是关键问题。
因此将根据火炮发射装置不同部位引发的不同类型的典型故障与故障参数的关系入 手，使用支持向量机(SVM)来对某型号火炮发射装置的身管机构和开关闭锁机构分别进 行故障监测，通过多分类器将不同种类故障区分开来，以达到一个准确的故障监测结果， 分析故障监测结果和探究新的可以优化的智能算法，通过两者之间的对比实现故障监测系 统的自动化、准确化目标。
发明内容
为了解决火炮发射装置致身管温度过高、击发次数过大和击发速度过导致的故障问 题，本发明提供了一种基于SVM和GA-SVM支持向量机的火炮发射系统故障诊断方法，本发明的具体方案如下：
基于SVM和GA-SVM支持向量机的火炮发射系统故障诊断方法，故障诊断过程包括结 合SVM支持向量机来对火炮发射装置的身管构件和开关闭锁机构进行故障监测；以及通过 多分类器将故障区进行故障监测；
算法过程包括遗传算法GA优化部分和SVM支持向量机分类部分，具体方法步骤如下：
步骤一，进行击发数据输入与预处理；
步骤二，对火炮故障诊断并确定SVM分类器模型；
步骤三，初始化超平面方位和位移；
步骤四，通过所述的遗传算法GA优化部分进行超平面位置确定；
步骤五，获取最优核函数；
步骤六，循环计算核函数误差，最终输出火炮故障诊断结果。
进一步地，所述的数据输入，包括身管构件故障和开关闭锁机构故障；
所述的身管构件包括身管裂纹故障、内膛磨损故障和身管变形故障的数据；其中身管 裂纹故障数据包括射速、火炮发射装置击发次数和应力强度因子；内膛磨损故障数据包括 弹丸运动的速度和身管的温度；身管变形故障数据包括炮口振动和身管支撑位置的横向位 移；
所述的开关闭锁机构故障，包括摩擦片磨损过度故障数据和开关闭锁机构变形故障数 据；其中摩擦片磨损过度故障数据包括火炮发射装置射速和火炮发射装置击发次数；开关 闭锁机构变形故障数据包括后坐力和贴膛阻力。
进一步地，在步骤二中，模型确定是指将步骤一获得的参数结合成参数组进行故障监 测；首先通过前期获取100组参数火炮发射装置作为实际测试参数，然后对参数进行整 理后形成80组训练组和20组预测组，进行SVM故障监测；
所述的SVM分类器用超平面和核函数的方式进行线性或者非线性分类，通过对样本 的训练，SVM分类机通过自身学习与训练，得到一个能将样本二元分类的分类器，并收集各种故障对应的参数进行多类别分类。
进一步地，所述的SVM分类机，其多类别分类过程为：将参数分为类别1和类别2 两个类别；设置第一个分类器，类别1代表故障1，类别2代表非故障1；同理设置第2 个，第3个分类器，完成多类别分类。
进一步地，在步骤三中，所述的初始化超平面方位和位移过程，具体步骤细化为：
步骤三一，划分不同故障类别的超平面；
步骤三二，计算不同故障类型间隔；
步骤三三，计算不同故障类型的最优超平面：
步骤三四，计算反映SVM诊断结果的参数。
进一步地，在步骤三四中，所述的反映SVM诊断结果的参数包括查真率、精率、查全率和衡量指数；
所述的查真率和精确率P表示火炮发射装置故障监测系统对诊断准确率效果的评估；查全率表示火炮发射装置故障监测系统对诊断覆盖效果是否全面的评估，衡量指数由精确率和查全率求得。
进一步地，在步骤四中，所述的遗传算法GA优化部分，对初始化后的超平面方位和位移作为初始值进行优化，具体步骤细化为：
步骤四一，使用数据库获取火炮发射装置故障监测相关参数形成的数据组；
步骤四二，使用带有故障监测功能的支持向量机对相关参数进行分析和调整，形成超 平面的方位和位移；
步骤四三，将火炮发射装置击发故障监测超平面方位参数作为初始参数，导入至遗传 算法中作为初始种群；
步骤四四，进行循环计算，火炮发射装置初始参数选择、交叉和变异的遗传操作，形 成新的火炮发射装置初始参数种群，并计算火炮发射装置击发故障监测间隔参数；
步骤四五，判断是否达到火炮发射装置故障监测结束条件，若可以结束，将迭代后的 火炮发射装置击发故障监测超平面方位参数作为最优参数，导入带有故障监测功能的支 持向量机；若未结束，继续迭代直到火炮发射装置故障监测结束；
步骤四六，进行火炮发射装置击发故障监测核函数的更新，最终得到火炮发射装置在 击发过程中实时故障监测的结果。
进一步地，在步骤四五中所述的循环计算过程中，交叉过程即为染色体的交叉位置的 互换，从而产生新的染色体的参数交叉是随机产生的，包括染色体交叉是否随机和染色体 交叉位置是否随机两类随机问题；交叉概率取0.1～0.2之间。
相对于现有技术的突出有益效果如下：
本发明针对火炮发射装置在工作过程中会出现间歇性、偶然性、随机性的击发条件， 通过记录炮口振动直接监测两种典型故障，解决了传统的火炮发射装置故障监测方法即为 当击发条件结束时，舰船维修工程师上舰检查火炮发射装置的各个部件的繁琐问题；
本发明能够准确确定故障出现的位置和具体故障的名称，相比于人工实时诊断，具有 自动化程度高，耗时短，在实际战场中能高效地完成故障维修工作，确保火炮发射装置的 使用顺利；另外，在非启动过程中，也能逐点排查火炮发射装置状况，对装置的实际测试 参数进行调整预测，有利于战前准备工作，更有效的完成部署任务。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述 中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载 的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根 据这些附图获得其他的附图。
图1为遗传算法优化SVM火炮发射装置故障监测模型的数据算法流程图；
图2为火炮发射装置故障监测支持向量机的线性分类模型示意图；
图3为火炮发射装置故障监测数据流程图；
图4为基于支持向量机的火炮发射装置故障监测流程图；
图5为GA-SVM火炮发射装置开关闭锁机构训练组训练及故障监测结果图，其中左侧 (a)部分为GA-SVM摩擦片磨损故障监测结果，右侧(b)部分为GA-SVM开关闭锁机构 变形故障监测结果。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例中的技术方案，并使本发明的上述 目的、特征和优点能够更加明显易懂，下面结合附图对本发明中技术方案作进一步详细的 说明。
具体实施方式一：基于SVM的典型火炮发射装置击发过程故障监测方法，包括：
(一)SVM火炮发射装置故障监测方法过程：
身管构件中存在三种典型故障，对于身管裂纹故障，火炮发射装置射速w、火炮发射 装置击发次数n的增加，应力强度因子K逐渐变大，最终会导致身管裂纹故障的产生；
对于内膛磨损故障，弹丸运动的速度v、身管的温度T是导致内膛磨损故障产生的因素；
对于身管变形故障，可以通过记录炮口振动量s和身管支撑位置的横向位移d来体现出来。
开关闭锁机构中存在两种典型故障，对于摩擦片磨损过度故障，随着火炮发射装置射 速w、火炮发射装置击发次数n的增加，工况逐渐变差，再加上弹丸速度较以前有所增长，最终会导致故障产生；对于开关闭锁机构变形故障，由于弹丸之间形状的微小差异导致的后坐力F和贴膛阻力P的上升，可能会产生机构变形故障。
传统的火炮发射装置故障监测方法即为当击发条件结束时，舰船维修工程师上舰检 查火炮发射装置的各个部件是否存在问题，以确定故障出现的位置和具体故障的名称。这 种做法不能在离岸条件下进行实时火炮发射装置多特性击发过程中进行诊断，且自动化程 度低，耗时更长。这显然不是现如今所要求的故障手段，因此需要使用人工智能媒介对火 炮发射装置故障实时诊断系统进行包装。因此，想要诊断各种故障，需要将火炮发射装置 射速w、火炮发射装置击发次数n、弹丸运动的速度v、身管的温度T、炮口振动s、身管支撑位置的横向位移d、后坐力F、贴膛阻力P这8个参数结合在一起进行故障监测。将 通过前期实验获取100组火炮发射装置实际测试参数，将参数进行整理后形成80组训 练组和20组预测组，进行SVM故障监测。
SVM分类器优点是可以使用超平面和核函数的方式进行线性或者非线性分类，且结果 比较准确。通过对样本的训练，支持向量机可以通过自身学习与训练，得到一个能将样本 二元分类的分类器，即通过收集各种故障对应的参数所具备的特点，成功诊断故障。火炮 发射装置故障监测支持向量机的线性分类模型如图2所示：
火炮发射装置故障监测支持向量机的目标就是寻找一个不同故障类别超平面，将样 本分成类别1和类别2两类。类别1和类别2间隔最大的不同故障类别超平面即为最优不同故障类别超平面，类别1和类别2距离最优不同故障类别超平面最近的点作不同故障类别最优超平面的平行线即为火炮发射装置故障监测支持向量。
(二)SVM火炮发射装置故障监测算法逻辑：
火炮发射装置击发故障监测支持向量机的运算过程为：划分不同故障类别超平面、计 算不同故障类别的间隔、分析间隔最大时超平面的条件并总结出最优超平面。
1、划分不同故障类别超平面：
不同故障类别超平面一般通过定义为下式：
WTx+b＝0 (1)
式中：W-----法向量，决定了不同故障类别超平面的方向
b-----位移，决定了不同故障类别超平面原点之间的距离，设此不同故障类别超平面 可以将火炮发射装置击发参数故障样本正确诊断，那么对于火炮发射装置击发参数训练样 本(xi，yi)应该有：
火炮发射装置击发参数训练样本(xi，yi)中的Xi代表火炮发射装置击发参数训练样 本在平面中的位置，yi代表火炮发射装置击发参数样本被分为哪一类，若yi＝+1，则被分为类别1(例如：身管裂纹)；若yi＝-1，则被分类为类别2(例如：非身管裂纹)。
y(WTx+b)≥+1 (3)
若火炮发射装置击发参数训练样本(xi，yi)满足公式3的条件，那这些火炮发射装置
击发参数训练样本即被称为火炮发射装置故障监测支持向量。过满足(3)公式的点作 不同故障类型超平面的平行线形成的虚线为边界，类别1与类别2的边界之间的距离为不 同故障类型间隔m。
2、计算不同故障类型间隔m
根据不同故障类型间隔的定义，需要求解公式(3)，对应不同的2个故障类别，有两个不同的解，取为x+1,x-1。那么公式(3)可以被推导为：
进而得到：
所以可以计算出不同故障类型间隔m：
3、计算不同故障类型最优超平面：判定一个不同故障类型超平面是不同故障类型最 优超平面的条件是它对应的不同故障类型间隔m最大，根据公式(6)，当||W||取最小值时为不同故障类型最优超平面。为了简化||W||的计算过程，将其转化为：
此方程是关于W和b的一个二元函数附带条件求极值的问题，因此采用拉格朗日乘子方法对其进行求解：
从而可以得到不同故障类型最优超平面的模型：
式中：λi-----拉格朗日算子；
f(x)-----不同故障类型最优超平面的方位；
xi Tx-------内积运算，也可以被称为不同故障类型核函数，用Ki(x)表示。由于对于其 他的样本来说，拉格朗日算子λi为0，可以得出，最终的不同故障类型最优超平面模型仅 与火炮发射装置故障监测支持向量有关。
4、计算反映SVM诊断结果的参数：
SVM诊断结果参数包括查真率A、精率P、查全率R和衡量指数F。查真率A和精确 率P表示火炮发射装置故障监测系统对诊断准确率效果的评估；查全率R表示火炮发 射装置故障监测系统对诊断覆盖效果是否全面的评估，衡量指数F由精确率P、查全率R 求得，可以反映整个SVM诊断效果。
A(TP+TN)/(TP+TN+FP+FN) (11)
P＝TP/(TP+FP) (12)
R＝TP/(TP+FN) (13)
F2PR/(R+P) (14)
式中：TP-----实际故障编号与SVM检测故障编号相同的组数；
TN-----实际非故障编号与SVM检测非故障编号相同的组数；
FP-----实际非故障编号被SVM检测为故障编号的组数；
FN-----实际故障编号被SVM检测为非故障编号的组数。
(三)SVM火炮发射装置故障监测算法流程：
火炮发射装置故障监测支持向量机的数据流程如图3所示：
以身管机构为例，火炮发射装置的身管故障监测问题是基于火炮发射装置射速w、火 炮发射装置击发次数n、弹丸运动的速度v、身管的温度T、炮口振动s和身管支撑位置 的横向位移d这6个参数诊断出身管裂纹、内膛磨损、身管变形和无明显典型故障四类， 因此只采用一个支持向量机分类器是不够的，应该将火炮发射装置实时故障多分类问题转 化为多个故障二分类问题。本问题中，对于身管来说需要分四类，对于开关闭锁机构来说 应该分三类。应采用一对多的分类方式，即：设置第一个分类器，类别1代表故障1，类 别2代表非故障1；同理设置第2个，第3个分类器，即可完成多类别分类。这种分类方 式虽然比较复杂，但是从准确度来讲是最高的。因此采用一对多的分类方式。具体流程如 图4所示：
由于训练样本和测试样本数量并不是很多，采用这种一对多的支持向量机分类方式 是比较合适的，同时从图4可知，若火炮发射装置发生身管裂纹故障或者内膛磨损故障，并不需要通过全部的SVM分类器，这将带来较高的训练速度和分类速度，且从算法难易 度上来讲，比较简单。各个分类器将结合对应故障具备的特点，来对火炮发射装置进行故 障监测和分类。
(四)SVM火炮发射装置故障监测实践结果：
1、身管机构的故障监测结果：
测得实战中100组火炮发射装置的击发参数，将火炮发射装置射速w、火炮发射装置击发次数n、弹丸运动的速度v、身管的温度T、炮口振动s和身管支撑位置的横向位 移d作为输入参数，对其可能产生的故障进行专家诊断，得到输出参数为故障类型编号。 身管裂纹故障为1号，内膛磨损故障为2号，身管变形故障为3号，无故障为4号。将击 发数据组分为2组：80组训练组和20组预测组，使用SVM进行故障监测后得到输出 参数为故障类型编号。
对于相对明显的类别差异，分类器可以实现完美分类；分类器的分类顺序决定了分类 的准确性，将诊断效果S定义为下式：
式中：Fj-----诊断故障排序为j时的衡量参数值；
Si-----诊断故障顺序为i时的诊断效果，i可以取123、132、213、231、312、321 组合中的任意一种。
表1 支持向量机对身管机构故障监测结果
可以改变支持向量机故障监测顺序，将身管变形或者内膛磨损作为第一个要诊断的 故障，再次进行支持向量机分类，设置取身管裂纹故障编号为1，内膛磨损故障编号为2，身管变形故障编号为3，列出不同故障监测顺序下，支持向量机的分类结果。
表2 不同支持向量机分类顺序下诊断效果对比
当诊断顺序为身管裂纹、内膛磨损、身管变形时的诊断效果S最高，即应该使用身管 裂纹、内膛磨损、身管变形的故障监测顺序来检测火炮发射装置的故障。2、开关闭锁机构的故障监测结果测得实战中100组火炮发射装置的击发参数，将火炮发射装置射速w、 火炮发射装置击发次数n、弹丸运动的速度v、后坐力F、贴膛阻力P作为输入参数， 对其可能产生的故障进行专家诊断，得到输出参数为故障类型编号。摩擦片磨损过度故障 为1号，开关闭锁机构变形故障为2号，无故障为3号。将击发数据组分为2组：80组 训练组和20组预测组，使用SVM进行故障监测后得到输出参数为故障类型编号。
在给机构变形故障分类时，有样本出现分类错误，这是因为样本之间距离相对较近， 并且训练样本数量还是相对较少，所以导致了分类错误的现象则可以认为，分类器的分类 顺序可能决定了分类的准确性。
表3 支持向量机对开关闭锁机构故障监测结果
改变支持向量机故障监测顺序，将开关闭锁机构变形作为第一个要诊断的故障，再次 进行支持向量机分类。取开关闭锁机构摩擦片磨损过度故障编号为1：开关闭锁机构变形 故障编号、2：列出不同故障监测顺序下，支持向量机的分类结果。
表4 不同支持向量机分类顺序下诊断效果对比
当诊断顺序为摩擦片磨损过度、开关闭锁机构变形的诊断效果S最佳，即应该使用摩擦片磨损过度、开关闭锁机构变形的故障监测顺序来检测火炮发射装置开关闭锁机构的故障。
具体实施方式二：基于上述实施例，本实施方式对SVM的典型故障监测提出改进方法，即GA-SVM火炮发射装置典型故障监测算法：
(一)GA-SVM火炮发射装置典型故障监测方法概述：
SVM支持向量机模型对火炮发射装置故障监测问题做的比较到位，不过从具体实施方 式一得到的结果来看，故障的选择顺序会决定最优超平面的方位，这也直接导致了结果的 准确性和计算的快速性，仅仅采用普通的SVM模型在实际应用中是不可行的，因此本实 施例提供一种一种智能算法针对SVM火炮发射装置故障监测模型进行优化，加快迭代速度 或减小迭代步数，以实现更准确、更快速的目标。很多智能算法例如遗传算法、猴群算法、蛙跳算法等，它们均可以用来优化SVM最优超平面的方位和位移参数。遗传算法在 优化SVM的角度相对于其他算法有计算速度快、计算精度高等优势，且遗传算法代码相 对简单易懂，将使用遗传算法来对火炮发射装置SVM诊断方式进行优化。
(二)GA-SVM火炮发射装置典型故障监测算法逻辑：
遗传算法具体的运算逻辑为：选择火炮发射装置击发参数种群、进行火炮发射装置击 发参数选择操作、进行火炮发射装置击发参数交叉操作、进行火炮发射装置击发参数变异 操作、判断火炮发射装置击发适应度函数终止条件、优化火炮发射装置故障监测SVM的间 隔m。下面阐述火炮发射装置击发过程故障监测遗传算法的迭代进化逻辑：
火炮发射装置击发参数编码：将火炮发射装置击发参数种群中的每一个火炮发射装 置击发参数个体编码成染色体。一般有二进制编码、实值编码两种方式。
二进制编码的优点是编码的难度不大，且后续染色体操作简单，缺点是编码精度较低， 且染色体长度较长，运算速度慢；实值编码的优点是编码精度高，且染色体长度较短，运 算速度快，缺点是编码难度较大。采取二进制对火炮发射装置击发参数编码。计算火炮发 射装置击发适应度函数：火炮发射装置击发适应度函数也叫火炮发射装置击发目标函数， 即对优化过程进行评估的函数，在火炮发射装置击发过程故障监测GA-SVM中，火炮发射 装置故障监测支持向量机的不同故障类型支持向量之间的不同故障类型间隔m即可作 为被优化的函数，即可以作为火炮发射装置击发适应度函数。
进行火炮发射装置击发过程故障监测遗传操作：火炮发射装置击发过程故障监测遗 传操作分为以下三类：火炮发射装置击发参数选择、火炮发射装置击发参数交叉和火炮发 射装置击发参数变异。
1、火炮发射装置击发参数选择火炮发射装置击发过程故障监测遗传算法的目的是要 找到满足火炮发射装置击发适应度函数达到最值的一个最优解，因此火炮发射装置击发参 数选择这一步骤极其重要，火炮发射装置击发适应度高的样本相对于火炮发射装置击发适 应度低的火炮发射装置参数个体在进化的过程中更具有优势，按照如下公式进行选择过 程：
式中:n-----火炮发射装置初始参数组种群规模
fi-----第i个火炮发射装置初始参数样本对应的击发适应度
pi-----第i个火炮发射装置初始参数样本被选择到的概率分母为整个火炮发射装 置参数种群火炮发射装置击发适应度函数值的总和。对于火炮发射装置击发适应度更高的 火炮发射装置参数样本，就会更有机会被选择出来进化。
2、火炮发射装置击发参数交叉火炮发射装置击发参数交叉是随机产生的，这里的随 机包括染色体交叉与否随机和染色体交叉位置随机两类随机问题。交叉概率一般取0.1～0.2之间，交叉的过程即为染色体的交叉位置的互换，从而产生新的染色体。从遗传算法的角度来说即为火炮发射装置参数样本之间的交互作用，以形成新的火炮发射装置参数样本的过程即为火炮发射装置击发参数交叉。
3、火炮发射装置击发参数火炮发射装置击发参数变异火炮发射装置击发参数火炮发 射装置击发参数变异过程从生物学角度来讲也叫基因突变，虽然概率非常低，但是也不可 避免的可以产生新的火炮发射装置初始参数样本，具体的火炮发射装置击发参数变异方式 为改变火炮发射装置初始参数样本染色体的某个位置的二进制值(若值为0，则变为1； 反之同理)。这种过程可以使火炮发射装置初始参数样本达到一个新的可能，在初始火炮 发射装置初始参数样本可能由于数量较少而导致涵盖不足时，火炮发射装置击发参数变异 过程尤为重要。火炮发射装置击发参数变异的概率一般取0.001～0.005之间。
4、火炮发射装置故障监测算法结束条件：
当fi在多次火炮发射装置击发参数选择、交叉、变异等进化过程结束，值几乎没有变化或者达到迭代最大次数时，停止迭代，遗传算法计算结束。接下来需要将遗传算法和SVM结合起来，使用火炮发射装置故障监测遗传算法优化SVM最优超平面的方位和位移 参数。
(三)GA-SVM火炮发射装置典型故障监测算法流程
遗传算法优化SVM火炮发射装置故障监测模型的数据流程具体步骤如下：
1、使用数据库获取火炮发射装置故障监测相关参数形成的数据组；
2、使用带有故障监测功能的支持向量机对相关参数进行分析和调整，形成超平面的 方位和位移；
3、将火炮发射装置击发故障监测超平面方位参数作为初始参数，导入至遗传算法中 作为初始种群；
4、进行火炮发射装置初始参数选择、交叉、变异等遗传操作，形成新的火炮发射装置初始参数种群，并计算火炮发射装置击发故障监测间隔参数；
5、判断是否达到火炮发射装置故障监测结束条件，若可以结束，将迭代后的火炮发 射装置击发故障监测超平面方位参数作为最优参数，导入带有故障监测功能的支持向量 机；若未结束，继续迭代直到火炮发射装置故障监测结束；
6、进行火炮发射装置击发故障监测核函数的更新，最终得到火炮发射装置在击发过 程中实时故障监测的结果。
(四)GA-SVM火炮发射装置典型故障监测实践结果：
1、身管机构的故障监测结果：
获得SVM火炮发射装置故障监测模型最优超平面的方位和距原点位移参数后，测得 实战中100组火炮发射装置的击发参数，将火炮发射装置射速w、火炮发射装置击发次数n、弹丸运动的速度v、身管的温度T、炮口振动s和身管支撑位置的横向位移d作 为输入参数，对其可能产生的故障进行专家诊断，得到输出参数为故障类型编号。身管 裂纹故障为1号，内膛磨损故障为2号，身管变形故障为3号，无故障为4号。将 击发数据组分为2组：80组训练组和20组预测组，使用GA-SVM进行故障监测后得 到输出参数为故障类型编号。
分别使用3个支持向量机分类器对80组训练数据的训练效果，与SVM相比，GA-SVM在训练时没有很大的差距，都可以实现完美分类；在给身管裂纹故障分类时，相对于SVM 的四个错误样本点，GA-SVM把错误样本点降低到了两个，整体性能提升50％。遗传算法 可以为支持向量机最优超平面的方位和位移参数进行优化，且优化效果较好。按照之前的 结论，同样可以将身管裂纹作为第一个要诊断的故障，再次进行支持向量机分类。取身管 裂纹故障编号为1、内膛磨损故障编号为2、身管变形故障编号为3，按照123的诊断顺 序进行诊断，可以进行结果的对比，对比结果如下：
表5 GA-SVM对身管机构故障监测结果
GA-SVM火炮发射装置故障监测系统仍然可以改变支持向量机故障监测顺序，将身管 变形或者内膛磨损作为第一个要诊断的故障，再次进行支持向量机分类。取身管裂纹故障 编号为1，内膛磨损故障编号为2，身管变形故障编号为3，列出不同故障监测顺序下，GA-SVM火炮发射装置故障监测系统的分类结果：
表6 不同分类顺序下GA-SVM诊断效果对比
同样使用GA-SVM对火炮发射装置故障监测的诊断效果也与诊断顺序有关。当诊断顺 序为身管裂纹、内膛磨损、身管变形时的诊断效果S最高，即应该使用身管裂纹、内膛 磨损、身管变形的故障监测顺序来检测火炮发射装置的故障。因此将采用GA-SVM使用诊 断顺序为身管裂纹、内膛磨损、身管变形的故障监测顺序来进行故障监测。
2、开关闭锁机构的故障监测结果：
对SVM火炮发射装置故障监测模型最优超平面的方位和距原点位移参数后，测得实 战中100组火炮发射装置的击发参数，将火炮发射装置射速w、火炮发射装置击发次数n、弹丸运动的速度v、后坐力F、贴膛阻力P作为输入参数，对其可能产生的故障进 行专家诊断，得到输出参数为故障类型编号。摩擦片磨损过度故障为1号，开关闭锁机 构变形故障为2号，无故障为3号。将击发数据组分为2组：80组训练组和20组预测组， 使用GA-SVM进行故障监测后得到输出参数为故障类型编号。结果如图5所示：
在图5(a)图中，摩擦片磨损故障的准确率与SVM结果相同。在(b)图中将分类错误点 的数目由5个降低到了1个，这就说明了遗传算法可以为支持向量机最优超平面的方位和 位移参数进行优化，且优化效果较好。
表7 GA-SVM对开关闭锁机构故障监测结果
可以改变支持向量机故障监测顺序，将开关闭锁机构变形作为第一个要诊断的故障， 再次进行支持向量机分类。取开关闭锁机构摩擦片磨损过度故障编号为1，开关闭锁机构 变形故障编号为2，列出不同故障监测顺序下，支持向量机的分类结果：
表8 不同支持向量机分类顺序下GA-SVM诊断效果对比
同样的，使用GA-SVM对火炮发射装置故障监测的诊断效果也与诊断顺序有关。
根据表8可知当诊断顺序为摩擦片磨损过度、开关闭锁机构变形的诊断效果S最高， 即应该使用摩擦片磨损过度、开关闭锁机构变形的故障监测顺序来检测火炮发射装置开关 闭锁机构的故障。因此将采用GA-SVM使用诊断顺序为摩擦片磨损过度、开关闭锁机构变 形的顺序来进行故障监测。
虽然通过实施例描绘了本发明，本领域普通技术人员知道，本发明有许多变形和变化 而不脱离本发明的精神，希望所附的权利要求包括这些变形和变化而不脱离本发明的精 神；综上，本实施方式只是对本专利的示例性说明，并不限定它的保护范围，本领域技术 人员还可以对其局部进行改变，只要没有超出本专利的精神实质，都在本专利的保护范围 内。
Claims (3)
1.基于SVM和GA-SVM支持向量机的火炮发射系统故障诊断方法，其特征在于：故障诊断过程包括结合SVM支持向量机来对火炮发射装置的身管构件和开关闭锁机构进行故障监测；以及通过多分类器将故障区进行故障监测；
算法过程包括遗传算法GA优化部分和SVM支持向量机分类部分，具体方法步骤如下：
步骤一，进行击发数据输入与预处理；
数据输入，包括身管构件故障和开关闭锁机构故障；
所述的身管构件故障包括身管裂纹故障、内膛磨损故障和身管变形故障的数据；其中身管裂纹故障数据包括射速、火炮发射装置击发次数和应力强度因子；内膛磨损故障数据包括弹丸运动的速度和身管的温度；身管变形故障数据包括炮口振动和身管支撑位置的横向位移；
所述的开关闭锁机构故障，包括摩擦片磨损过度故障数据和开关闭锁机构变形故障数据；其中摩擦片磨损过度故障数据包括火炮发射装置射速和火炮发射装置击发次数；开关闭锁机构变形故障数据包括后坐力和贴膛阻力；
步骤二，对火炮故障诊断并确定SVM分类器模型；
在步骤二中，模型确定是指将步骤一获得的数据整合成参数组进行故障监测；首先通过前期获取100组火炮发射装置数据作为实际测试参数，然后对参数进行整理后形成80组训练组和20组预测组，进行SVM故障监测；
所述的SVM分类器用超平面和核函数的方式进行线性或者非线性分类，通过对样本的训练，SVM分类器通过自身学习与训练，得到一个能将样本二元分类的分类器，并收集各种故障对应的参数进行多类别分类；
所述的SVM分类器，其多类别分类过程为：将参数分为类别1和类别2两个类别；设置第一个分类器，类别1代表故障1，类别2代表非故障1；同理设置第2个，第3个分类器，完成多类别分类；
步骤三，初始化超平面方位和位移；
步骤四，通过所述的遗传算法GA优化部分进行超平面位置确定；
步骤五，获取最优核函数；
步骤六，循环计算核函数误差，最终输出火炮故障诊断结果；
在步骤三中，所述的初始化超平面方位和位移过程，具体步骤细化为：
步骤三一，划分不同故障类别的超平面；
步骤三二，计算不同故障类型间隔；
步骤三三，计算不同故障类型的最优超平面：
不同故障类型最优超平面的模型：
式中：λi拉格朗日算子；
f(x)不同故障类型最优超平面的方位；
xi Tx内积运算，也可以被称为不同故障类型核函数，用Ki(x)表示，b位移，决定了不同故障类别超平面原点之间的距离，yi代表火炮发射装置击发参数样本被分为哪一类；
步骤三四，计算反映SVM诊断结果的参数；
SVM诊断结果参数包括查真率A、精率P、查全率R和衡量指数F，查真率A和精确率P表示火炮发射装置故障监测系统对诊断准确率效果的评估；查全率R表示火炮发射装置故障监测系统对诊断覆盖效果是否全面的评估，衡量指数F由精确率P、查全率R求得，可以反映整个SVM诊断效果；
A＝(TP+TN)/(TP+TN+FP+FN)
P＝TP/(TP+FP)
R＝TP/(TP+FN)
F＝2PR/(R+P)
式中：TP-----实际故障编号与SVM检测故障编号相同的组数；
TN-----实际非故障编号与SVM检测非故障编号相同的组数；
FP-----实际非故障编号被SVM检测为故障编号的组数；
FN-----实际故障编号被SVM检测为非故障编号的组数。
2.根据权利要求1所述的基于SVM和GA-SVM支持向量机的火炮发射系统故障诊断方法，其特征在于：在步骤四中，所述的遗传算法GA优化部分，对初始化后的超平面方位和位移作为初始值进行优化，具体步骤细化为：
步骤四一，使用数据库获取火炮发射装置故障监测相关参数形成的数据组；
步骤四二，使用带有故障监测功能的支持向量机对相关参数进行分析和调整，形成超平面的方位和位移；
步骤四三，将火炮发射装置击发故障监测超平面方位参数作为初始参数，导入至遗传算法中作为初始种群；
步骤四四，进行循环计算，火炮发射装置初始参数选择、交叉和变异的遗传操作，形成新的火炮发射装置初始参数种群，并计算火炮发射装置击发故障监测间隔参数；
步骤四五，判断是否达到火炮发射装置故障监测结束条件，若可以结束，将迭代后的火炮发射装置击发故障监测超平面方位参数作为最优参数，导入带有故障监测功能的支持向量机；若未结束，继续迭代直到火炮发射装置故障监测结束；
步骤四六，进行火炮发射装置击发故障监测核函数的更新，最终得到火炮发射装置在击发过程中实时故障监测的结果。
3.根据权利要求1所述的基于SVM和GA-SVM支持向量机的火炮发射系统故障诊断方法，其特征在于：在步骤四四中所述的循环计算过程中，交叉过程即为染色体的交叉位置的互换，从而产生新的染色体的参数，交叉是随机产生的，包括染色体交叉是否随机和染色体交叉位置是否随机两类随机问题；交叉概率取0.1～0.2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110308567.5A CN113063314B (zh) | 2021-03-23 | 2021-03-23 | 基于svm和ga-svm支持向量机的火炮发射系统故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110308567.5A CN113063314B (zh) | 2021-03-23 | 2021-03-23 | 基于svm和ga-svm支持向量机的火炮发射系统故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113063314A CN113063314A (zh) | 2021-07-02 |
| CN113063314B true CN113063314B (zh) | 2022-03-22 |
Family
ID=76563402
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110308567.5A Expired - Fee Related CN113063314B (zh) | 2021-03-23 | 2021-03-23 | 基于svm和ga-svm支持向量机的火炮发射系统故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113063314B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115420141B (zh) * | 2022-09-02 | 2023-05-30 | 南京理工大学 | 一种火炮安全故障监测预警系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101216436A (zh) * | 2008-01-03 | 2008-07-09 | 东华大学 | 一种基于支持向量数据描述理论的织物瑕疵自动检测方法 |
| CN102200487A (zh) * | 2010-03-24 | 2011-09-28 | 通用汽车环球科技运作有限责任公司 | 用于机动车系统的事件驱动故障诊断架构 |
| CN102621150A (zh) * | 2012-03-23 | 2012-08-01 | 南京航空航天大学 | 基于灰度共生矩阵和支持向量机的飞机蒙皮损伤识别方法 |
| CN102682601A (zh) * | 2012-05-04 | 2012-09-19 | 南京大学 | 基于优化svm的高速公路交通事件检测方法 |
| CN104596572A (zh) * | 2014-10-11 | 2015-05-06 | 芜湖扬宇机电技术开发有限公司 | 电缆监测系统及方法 |
| CN105241497A (zh) * | 2015-09-23 | 2016-01-13 | 国网山东省电力公司日照供电公司 | 一种变压器监测系统和故障诊断方法 |
| CN106781465A (zh) * | 2016-12-06 | 2017-05-31 | 广州市科恩电脑有限公司 | 一种道路车流量预测方法 |
| CN111428418A (zh) * | 2020-02-28 | 2020-07-17 | 贵州大学 | 一种轴承故障的诊断方法、装置、计算机设备和存储介质 |
| CN112100918A (zh) * | 2020-09-15 | 2020-12-18 | 中国人民解放军陆军装甲兵学院 | 火炮身管烧蚀磨损量的ga-bp预测模型研究方法 |
| CN112380762A (zh) * | 2020-11-02 | 2021-02-19 | 国网重庆市电力公司电力科学研究院 | 一种基于vmd-woa-lssvm的输电线路短路故障诊断方法 |
-
2021
- 2021-03-23 CN CN202110308567.5A patent/CN113063314B/zh not_active Expired - Fee Related
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101216436A (zh) * | 2008-01-03 | 2008-07-09 | 东华大学 | 一种基于支持向量数据描述理论的织物瑕疵自动检测方法 |
| CN102200487A (zh) * | 2010-03-24 | 2011-09-28 | 通用汽车环球科技运作有限责任公司 | 用于机动车系统的事件驱动故障诊断架构 |
| CN102621150A (zh) * | 2012-03-23 | 2012-08-01 | 南京航空航天大学 | 基于灰度共生矩阵和支持向量机的飞机蒙皮损伤识别方法 |
| CN102682601A (zh) * | 2012-05-04 | 2012-09-19 | 南京大学 | 基于优化svm的高速公路交通事件检测方法 |
| CN104596572A (zh) * | 2014-10-11 | 2015-05-06 | 芜湖扬宇机电技术开发有限公司 | 电缆监测系统及方法 |
| CN105241497A (zh) * | 2015-09-23 | 2016-01-13 | 国网山东省电力公司日照供电公司 | 一种变压器监测系统和故障诊断方法 |
| CN106781465A (zh) * | 2016-12-06 | 2017-05-31 | 广州市科恩电脑有限公司 | 一种道路车流量预测方法 |
| CN111428418A (zh) * | 2020-02-28 | 2020-07-17 | 贵州大学 | 一种轴承故障的诊断方法、装置、计算机设备和存储介质 |
| CN112100918A (zh) * | 2020-09-15 | 2020-12-18 | 中国人民解放军陆军装甲兵学院 | 火炮身管烧蚀磨损量的ga-bp预测模型研究方法 |
| CN112380762A (zh) * | 2020-11-02 | 2021-02-19 | 国网重庆市电力公司电力科学研究院 | 一种基于vmd-woa-lssvm的输电线路短路故障诊断方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于Isomap和IGA-SVM的齿轮箱故障诊断研究;刘志川等;《机械强度》;20160215(第01期);第41-46页 * |
| 基于SVM的某型坦克炮反后座装置故障诊断研究;杨振军等;《电子测量技术》;20111015(第10期);第114-118页 * |
| 基于信息熵和GA-SVM的自动机故障诊断;都衡等;《机械设计与研究》;20131020(第05期);第134-137页 * |
| 都衡等.基于信息熵和GA-SVM的自动机故障诊断.《机械设计与研究》.2013,(第05期),第134-137页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113063314A (zh) | 2021-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110147321B (zh) | 一种基于软件网络的缺陷高风险模块的识别方法 | |
| JP5026433B2 (ja) | プロセスモデルベースの仮想センサシステムおよび方法 | |
| CN111289256B (zh) | 一种数据驱动的船舶柴油机故障检测方法 | |
| CN110500217B (zh) | 基于可测数据特征的柴油机共轨系统油泵故障检测方法 | |
| CN113297787B (zh) | 一种基于迁移学习的航空发动机剩余寿命预测方法 | |
| CN108664690A (zh) | 基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法 | |
| CN113063314B (zh) | 基于svm和ga-svm支持向量机的火炮发射系统故障诊断方法 | |
| CN114036610A (zh) | 一种基于数据增强的侵彻深度预测方法 | |
| Lam et al. | Enhanced trajectory based similarity prediction with uncertainty quantification | |
| CN113378988B (zh) | 基于粒子群算法的深度学习系统鲁棒性增强方法及装置 | |
| CN112164427A (zh) | 基于深度学习的药物小分子靶点活性预测方法和装置 | |
| CN112164428A (zh) | 基于深度学习的药物小分子性质预测方法和装置 | |
| CN114548306A (zh) | 一种基于误分类代价的钻井早期溢流智能监测方法 | |
| Zhou et al. | An adaptive remaining useful life prediction model for aeroengine based on multi-angle similarity | |
| CN116384224A (zh) | 一种基于条件化参数动态卷积神经网络的航空发动机寿命预测方法 | |
| CN116910526A (zh) | 模型训练方法、装置、通信设备及可读存储介质 | |
| CN115983137A (zh) | 基于相似性原理和深度学习的涡轮流场预测方法及相关装置 | |
| CN113177349A (zh) | 火炮发射系统装置ma-bp神经网络的稳定性评估预测方法 | |
| Kozlenko et al. | Software implemented fault diagnosis of natural gas pumping unit based on feedforward neural network | |
| CN112365022A (zh) | 一种基于多阶段的发动机轴承故障预测方法 | |
| CN110826587B (zh) | 基于改进的加权一类支持向量机的涡轴发动机故障检测方法 | |
| Lööv | Comparison of undersampling methods for prediction of casting defects based on process parameters | |
| Dai et al. | Research on fault prediction of radar electronic components based on analytic hierarchy process and BP neural network | |
| RU2810247C1 (ru) | Способ учета изменения технических характеристик конкретного артиллерийского орудия | |
| US20230419086A1 (en) | System and method for processing material properties of structural materials |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220322 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |