集成模糊推理与定量仿真的故障预测系统研究

为解决传统故障诊断方法在装备维修保障方面的不足，将虚拟样机作为一种新的定量推理机制引入到故障仿真和预测领域，提出了基于虚拟样机的装备故障仿真预测模型。以某型自行火炮为研究对象，在ADAMS环境下建立了火炮虚拟样机。仿真预测过程根据用户输入的初始参量由虚拟样机获取初始状态，由基于动态模糊综合评判的预测方法生成候选故障集，虚拟样机结合知识库确认实际发生的故障并找出相应的故障原因和故障部件。虚拟样机的仿真结果和相关的预测实例验证了模型的有效性，表明基于上述模型的故障仿真预测系统可以获得较高的预测精度，能够满足装备预知维修保障的需求。     

大型相控阵雷达T/R组件维修决策问题综述

现阶段对于大型相控阵雷达T/R组件何时开展换件维修、维修时全部更换故障组件还是部分更换、备件数量如何配置等有关问题还没有一个具体标准, 开展T/R组件维修决策问题研究可为装备保障人员提供维修决策支持。首先, 对T/R组件维修决策的主要内容进行阐述界定。其次,分别从故障数据预测、故障寿命分布、基于故障数据的设备性能评估3个方面对故障数据建模研究现状进行分析。然后,从维修策略类型和维修策略优化模型两个方面重点对维修策略进行阐述, 并对以可用度、备件满足率、备件期望短缺数、任务成功率等为决策变量的备件库存策略进行分析。最后,分析了现有方法存在的不足, 提出T/R组件维修决策需要解决的上述3个重要问题, 为后续研究提供理论支撑。     

惯性导航状态数据分析与基于SVM的故障诊断模型构建

为更好地利用当前航空装备系统积累的大量飞行数据, 从中挖掘信息来更有效地服务于空军装备可靠性为中心的维修保障工作, 将数据分析技术应用到当前的装备故障诊断中, 设计并实现了某型飞机惯性导航系统状态数据分析和故障诊断系统. 分析了整个系统的数据处理过程, 对数据自动判读处理、数据清理和修正进行了研究. 设计了支持向量机模型, 提出了通过对惯导状态信息数据进行回归预测, 用预测值与实际值之间误差诊断故障; 通过状态数据和与之对应的故障信息库, 用支持向量机进行故障分类两种方法来实现故障的诊断和决策. 最后对模型进行了验证和分析.     

基于灰色神经网络组合模型的故障预测

针对装备故障预测存在有效样本少、模型预测精度低等问题，集成灰色理论和神经网络方法，提出基于灰色神经网络的故障预测组合模型。基于新信息优先原理和重构背景值方法优化灰色GM（1，1）模型的初始值与背景值，利用Levenberg-Marquardt算法改进反向传播神经网络模型；采用组合预测思想，将多方法融合改进灰色模型和神经网络模型，分别构建基于权重分配、基于误差修正和基于结构优化的3种灰色神经网络组合模型。以某雷达发射机的故障预测为例，验证上述方法在故障预测中的有效性。结果表明，灰色神经网络组合模型的预测精度优于单一预测模型，可用于装备的故障预测和预测性维修。     

面向任务性目标的装备状态维修决策方法

针对定期维修存在的缺点,提出以威布尔比例风险模型(Weibull proportional hazards model,WPHM)作为状态描述模型,对装备进行基于状态的维修决策。针对装备的独特任务属性,通过构造决策目标函数对状态维修行为和状态检测间隔期两类决策内容进行了研究。以转移概率的形式描述了状态协变量的劣化过程,以条件可用度最大化为目标提出了预防性维修和变步长检测的状态维修决策模型以及计算方法。最后,以某型发动机为例,对决策方法的适用性和合理性进行了验证。     

基于可用度的预防性维修间隔优化综述

预防性维修是可修装备的主要维修方式之一,预防性维修间隔的决策涉及到装备的可靠性、维修性和保障成本等多重因素,是装备设计、生产、使用和保障部门共同关心和亟待解决的重要问题.可用度是衡量装备完好性的顶层指标,可反映出装备可靠性、维修性和保障性等多种通用质量特性.全面梳理了基于可用度的可修装备预防性维修间隔优化的现状,重点总结了可用度建模的基本要素、建模方法以及基于可用度的预防性维修间隔优化等方面的研究成果,分析了该领域未来的发展趋势和研究挑战.对复杂可修装备在全寿命周期内的预防性维修间隔决策有一定的指导意义.     

故障规律未知时的装备任务成功性评估方法

针对装备故障规律不易获取以及传统任务成功性评估中未分析装备技术状态等问题,提出了一种技术状态与任务可靠度之间的转换方法。利用径向基神经网络对装备技术状态等级进行了评估,利用云模型对装备的任务可靠度进行了评估。以此为基础,结合维修时间约束条件评估了故障规律未知时的装备任务成功性。     

基于神经网络的装备可靠性与维修费相关性建模

维修费用在装备全寿命周期费用中的比例很大,可靠性是装备的主要特性之一,二者存在着密切的联系。运用神经网络的方法,针对某型装甲车辆的故障以及维修费用数据,对装备维修费用与可靠性之间的关系进行了深入地研究,建立了二者的相关性模型。研究成果对于可靠性设计和维修费用控制都具有重要意义。     

资源维修效能优化仿真研究

研究了评价战场机动维修分队效能的方法。维修分队对特定地域装备工作系统实施技术保障,为了通用起见,来特别指定所保障的装备。但被选用于参数分析的数值是以战术防空系统的维修分队技术保障为基础。机动维修分队的最终目标是保持武器装备系统有较高的战备完好状态。因此,维修分队效能是以工作武器装备单元的平均数和故障单元不工作的平均时间来度量。连续状态数学模型为解析模型,但它不是一种期望值模型。仿真输出结果是不工作武器装备单元数的概率分布和维修分队效能与使用的统计总结报告。     

基于故障风险标尺的复杂装备健康状态分类模型

针对复杂装备故障呈现出多重性、相关性及模糊性的特点,本文分析了装备健康状态演化规律,利用自适应模糊神经网络、故障模式、影响及危害性分析构建故障风险标尺,实现了对复杂装备故障风险程度的定量化描述及装备健康状态的分类。通过实验分析,本文提出的模型相比于传统的故障预测以及故障风险程度定量方法具有显著优势,实现了对装备从设计生产、部署使用以及退役报废全寿命周期的动态反馈,对提高复杂装备综合保障能力具有重要意义。     

数据驱动的武器系统电子元部件级故障诊断研究综述

电子元部件级状态监测与故障诊断技术是武器装备维修保障的关键，是武器系统作战效能保持和快速恢复的可靠保障。随着数据获取、存储及挖掘技术的快速发展，基于数据驱动的智能诊断方法逐渐成为状态监测与故障诊断领域的重要研究方向。武器系统电子元部件集成形式多样、工作环境复杂、参数指标多、故障模式动态耦合，给故障诊断工程实现带来了严峻的挑战，特别是数据质量问题、故障诊断方法与应用问题以及复杂运行环境下未知故障模式识别问题。针对当前武器系统电子元部件级故障诊断对象、数据驱动的诊断方法以及面临的主要问题进行简要综述，在总结国内外已有研究成果的基础上，指出了在未来实现武器系统电子元部件级的状态监测与在线故障诊断技术的发展趋势。     

全状态数字化建模及其在水电机组维护中的应用

为了减少停机时间和维修费用,水电厂正在逐步从计划检修向状态检修过渡。为了满足状态检修的需要,在三维动态建模技术和分布式物理图网建模技术的基础上提出了水电机组全状态数字化建模的概念并分析了其建模基础、建模步骤、关键技术及建模目标。以水轮机调速系统摇摆式主接力器为例详细描述了全状态数字化建模的实现方法及其在水电机组维护域中的应用情况。全状态数字化模型的实现和应用将促进水电设备运行-维护-管理自动化水平的发展和提高。     

云边端架构的装备精确维修平行仿真系统

针对装备精确维修需求，在前期装备平行仿真相关研究成果基础上，优化完善了装备剩余寿命预测平行仿真算法，提出并设计了“云–边–端”架构的装备精确维修平行仿真系统。该系统在装备现场采集装备状态数据，边缘设备进行预处理，进而在云端由与实装平行运行的仿真模型，动态预测装备剩余寿命，并将预测结果应用于装备维修方案的制定与推演，为装备精确维修提供支撑。     

基于证据推理和置信规则库的涡扇发动机故障预测

针对某型涡扇发动机故障预测的问题,提出一种基于证据推理和置信规则库的涡扇发动机故障预测模型。为描述涡扇发动机的健康状态,利用证据推理算法融合发动机系统状态信息;结合先验知识建立混合驱动的置信规则库仿真预测模型;采用投影协方差自适应进化策略用于优化模型参数;通过实验验证了模型的有效性。研究结果表明：该方法不仅准确预测涡扇发动机故障风险概率,而且为故障诊断和维修保障提供了有力的支撑。     

基于贝叶斯网络的复杂装备维修质量评价模型

针对当前装备维修质量评价忽视维修过程影响因素这一问题,将过程评价指标体系作为修后评价指标体系的先验知识,构建了一种基于贝叶斯网络的复杂装备维修质量评价模型。首先,建立了过程评价指标体系和修后评价指标体系,并对各项指标进行了简要分析。然后,建立了维修质量评价的贝叶斯网络模型,通过改进的模糊综合评价方法确定了根节点的先验概率,通过专家经验法确定了子节点的条件概率,并给出了模型的具体求解步骤。最后,通过算例仿真与分析对提出的方法进行了验证。结果表明,提出的方法能够在一定程度上解决复杂装备的维修质量评价问题,为完善复杂装备的维修质量评价理论提供了借鉴。     

基于本体的装备故障知识库构建

从装备故障知识库构建的重要性和现有故障知识表示方法存在的不足出发,将本体概念引入到装备故障知识库的构建中,分析了本体与知识库的关系以及装备故障知识的特点,提出了装备故障知识库的结构组成,设计了完整的知识库构建方法,描述了各步骤的具体构建过程,并详细阐述了基于规则的语义推理关键技术,实现了装备故障知识库的构建,也为其他领域知识库的构建提供了方法和技术路线。