故障预测技术综述

把握新军事变革机遇,加快信息化建设步伐,对军事装备进行有效的质量监控和故障预测是技术保障的重要内容。阐述了故障预测技术,系统地介绍了现有的、比较有代表性的故障预测技术方法,并叙述了其优缺点;最后重点对故障预测技术的发展前景进行了展望,指出了该研究领域当前需要进一步研究的问题和发展方向。研究故障预测技术对提高装备的维修和保障能力具有十分重要的意义。     

导弹遥测故障的GM-Verhulst-SCGM预测算法

遥测故障预测是保障导弹遥测系统可靠性的基础。根据导弹遥测故障的历史数据,结合GM(1,1)模型、Verhucst模型和SCGM(1,1)c模型构建了导弹遥测故障的GM-Verhulst-SCGM组合灰色预测模型,按照预测有效度算法取得组合预测模型的权重系数。选用导弹遥测故障的训练组实际值作为原始数据,分别利用各预测模型估算对比组导弹遥测故障数据。预测结果表明,相比单一预测模型,组合灰色预测模型具备更高的故障预测精度。在验证组合灰色预测模型可行性的基础上,进一步估算了同一型号导弹未来时序的遥测故障数据,为相关部门及时改善导弹遥测技术及避免导弹故障提供理论及方法借鉴。     

反射射线追踪技术在城市场景多径预测中的应用

多径效应是影响通信、导航系统性能的关键因素,其不仅影响信号传播的功率衰落,还会引起信号时延、频移、极化等参数的变化,导致通信、导航系统性能下降。针对多径效应,提出基于虚拟源树、环境分区处理、背向检测等加速技术的反向射线追踪算法进行快速三维路径追踪,准确预测多径信号的损耗、时延分布。在此基础上,以城市场景为例进行算法仿真,并对任意尖劈绕射算法进行深入研究。以信号在简易街道传播为例,对比分别利用所提算法原理的MATLAB程序和利用Wireless Insite仿真得到的反射路径与功率分布,验证了算法的有效性。     

作业名层次化聚类算法预测作业运行时间

预测作业的运行时间有益于提升系统的调度性能,而聚类有助于训练出更好的预测模型。传统的聚类算法很难将相似的作业名聚类,为了将相似的作业更好地聚类,通过分析其组成成分的语义重要性,构建字母-结构-数字的作业名层次化聚类算法。以两台超级计算机的真实数据为例,实验结果发现,应用此算法聚类后的数据训练模型的预测精度相较传统方法有一定的提升,整体预测精度为70%～80%。     

面向作战任务的弹药消耗预测模型研究

针对战时弹药供应存在断供以及盲供问题,从实战情况出发,按照宏观把握与微观分析相结合的思想,在重点分析弹药消耗规律与补给特点的基础上,建立了基于消耗规律的战时弹药预测模型．以红蓝双方对抗演习为背景,以影响弹药消耗与补给的各类因素为落脚点,通过数值计算与结果对比分析,验证了预测方法的有效性,一定程度上为指挥员宏观层面上整体把握弹药消耗规律,快速制定弹药补给方案提供了重要的辅助支撑作用．     

基于RBF神经网络的军事物流设施规模预测

确定合理的军事物流设施规模对于成功实施军事后勤保障十分重要。提出了基于RBF神经网络的军事物流设施规模预测模型的建模方法,该方法旨在确定军事物流设施规模与其影响因素之间的非线性关系;采用算例说明了基于RBF神经网络的军事物流设施规模预测的具体做法,对军事物流设施规模的确定具有指导意义。     

基于支持向量机和遗传算法的末敏弹系统效能参数优化设计

末敏弹是一种先进的新型弹药,由于其结构复杂,影响因素多,所以对其进行全面的系统优化设计比较困难。文中探讨了基于支持向量机的末敏弹命中概率预报模型的建模方法,并采用遗传算法对系统效能参数进行了优化,获得了影响系统效能的几个主要因素的合理搭配,为末敏弹的系统效能研究提供了依据。     

基于SF-REM的齿轮箱剩余寿命预测方法研究

剩余寿命预测是视情维修决策的重点和难点.针对工程实践中历史数据少、模型参数估计精度低的问题,建立一种基于随机滤波(SF)的齿轮箱剩余寿命预测模型.该方法采用递归期望最大化(REM)算法对模型参数进行递归更新,推导极大似然估计方法的参数递归更新过程,最后经实例验证模型的有效性和实用性.     

地空导弹发控系统寿命预测的组合模型

将灰色系统理论和BP神经网络有效地结合起来,建立了灰色BP神经网络的组合预测模型,并采用遗传算法对该模型进行优化。为了验证优化后模型的有效性,采用灰色BP神经网络的预测结果进行对比分析。实际数据的预测结果表明,优化之后的模型比单独采用灰色BP神经网络,具有更小的均方差(MSE,Mean Square Error),对发控系统剩余寿命(RUL,Remaining Useful Life)也具有更高的预测精度。     

多处理器实时操作系统预计与评估算法研究

预计与评估算法为反导指控系统任务调度提供基础参考信息,是执行调度策略的先决条件。对基于多处理器的反导指控实时操作系统预计与评估算法进行了研究。首先介绍了这2个算法的典型应用环境;然后具体介绍了2个算法的实现;最后通过示例对算法的使用进行了进一步的说明。