论文部分内容阅读
随着军事科技和制造水平的不断进步，武器的多样化、信息化和智能化程度也与日俱增，但是装备的故障问题依然存在，且随着装备复杂程度的增加故障诊断的难度也将增大，其主要原因之一就是没有建立起完整的故障诊断知识获取方法体系。如何建立完整的故障诊断知识获取方法体系，已成为了武器故障诊断领域的重要课题。国际上关于装备故障诊断问题的研究始于20世纪40年代的状态维修技术(CBM)，从研究现状看，故障建模、故障检测、故障诊断和故障评价是研究的热点。其中，基于知识视角的故障诊断问题研究兴起于2003年由NASA提出的Cassandra故障诊断专家系统，此后虽有相关研究，但多局限于故障维修时期的专家知识研究框架下，而忽视了设计阶段、初用阶段和日常运行过程中所隐含的故障诊断知识。为此，本文将研究的问题定位在基于全生命周期管理的武器故障诊断知识获取方法，并将这一问题分解为以下两个方面:(1)装备全生命周期管理框架下故障相关原始数据如何划分问题。(2)对不同类型数据源如何有针对性的开展故障知识化或故障知识获取问题。 在研究结构上，通过文献研究和相关理论梳理，提出了基于全生命周期管理的武器故障诊断知识获取方法的总体研究框架，在该框架下分别从装备各生命阶段出发，对可获取数据进行了划分。以此划分为基础，结合各数据源的特点提出了有针对性的故障数据知识获取方法，并运用某型号装备数据对方法分别进行了验证分析。最后，将来自不同数据源的故障诊断知识进行整合，并通过建立某型号装备的故障诊断动态知识库进行了应用验证。 通过分析论证，本文主要获得以下结论和创新: 1、通过对武器全生命周期的分析，本文提出将武器的可获取数据划分为三大类:来源于运行状态监测的日常运行数据源、来源于领域专家记录的日常维护（维修和养护）数据源、来源于实验室仿真试验的试验数据源。 2、确立了针对日常运行监测数据源的故障知识化主要任务是，在对数据源进行预处理的基础上，建立状态异常数据和不同故障表象间的相关关系。为此，本文提出了“改进Apriori算法”，该方法在实现相关规则提取同时，克服了传统Apriori算法重复扫描数据和在每次迭代过程中重复比较不必要的事务或项目的问题;“改进主成分分析法”，该方法在实现数据归约同时，克服了传统主成分分析法在数据规约过程中，数据差异指标丢失的问题。 3、确立了针对日常维护数据源的故障知识化主要任务是，整合装备日常维护“病历本”，获取最为简洁的故障诊断决策规则。为此，本文提出了“改进粗糙集方法”，该方法在实现对“病历本”进行故障诊断决策规则提取的同时，也解决了传统粗糙集方法无法解决的数据不完备问题、区间属性值离散化后准确性受损问题和不确定性度量指标不统一问题。 4、确立了仿真试验数据源的故障知识化主要任务是，设计最逼真、经济、高效的试验方法和数据收集方法，以直接获取故障知识。为此，本文建立了故障仿真试验的总体框架，并创新提出基于强化应力试验的故障仿真数据获取方法，同时配套设计和制作了用于试验的“试验夹具”。该方法能够较好的突破装备数据在时间、空间上的限制，并可以直接获得故障诊断规则。 通过本研究，一方面为武器故障诊断知识的获取提供了具体的方法和路径，另一方面也丰富了知识视角下的故障诊断理论体系。同时，通过研究方法在某型号装备故障诊断知识库构建中的应用，表明其对武器的故障预测和快速诊断均具有较强的现实意义。