【技术实现步骤摘要】
基于RMSD
‑
DS的火炮反后坐装置故障诊断方法
[0001]本专利技术涉及基于RMSD
‑
DS的火炮反后坐装置故障诊断方法，属于火炮故障诊断
技术介绍
[0002]火炮反后坐装置作为火炮的关键部件，承担着火炮射击时后坐能量的耗散与储存，以及复位炮身的作用。在战场中，作战环境的复杂性和不确定性使得火炮反后坐装置故障频发，若未及时诊断并解决供火炮反后坐装置故障，则会严重影响炮弹发射效率和射击精度，甚至贻误宝贵战机，引发严重的战场事故。因而对火炮反后坐装置的故障诊断方法研究具有重要的现实意义。
[0003]火炮反后坐装置常以其最大后坐位移、最大后坐速度，最大复进速度和复进到位速度四种信号源为基础开展基于多源信息融合的故障诊断工作。由于战场环境的复杂性，火炮反后坐装置的数据传感器易受到损坏或是数据采集过程受到干扰，导致传感器输出的信息之间存在相互冲突。此时若应用传统的多源信息融合方法，类似于神经网络方法，在辨识火炮反后坐装置的故障诊断模式时易出现诊断效率低下、诊断精度低下的情况，无法满足火炮反后坐装置故障诊断需求。
技术实现思路
[0004]为了解决融合冲突信息时现有火炮反后坐装置故障诊断方法效率低、精度低等问题，本专利技术的主要目的是提供基于RMSD
‑
DS的火炮反后坐装置故障诊断方法，该方法确定火炮反后坐装置典型故障模式及故障特征信号；采集、获取火炮反后坐装置在典型故障模式下对应的故障特征信号；获取的在典型故障模式下对应的故障特征信...
【技术保护点】
【技术特征摘要】
1.基于RMSD
‑
DS的火炮反后坐装置故障诊断方法，其特征在于，包括以下步骤：步骤一：确定火炮反后坐装置典型故障模式及故障特征信号；步骤二：采集、获取火炮反后坐装置在典型故障模式下对应的故障特征信号；步骤三：分析步骤二获取的在典型故障模式下对应的故障特征信号，并将所述故障特征信号数据分类为故障训练样本数据、故障待检样本数据；求解属于火炮反后坐装置不同故障模式的训练样本在不同故障特征信号上的平均值和标准差，然后构造属于不同故障模式的训练样本在不同故障信号上的高斯模型；步骤四：根据步骤三构建的火炮反后坐装置故障模式高斯模型，求解火炮反后坐装置待检样本故障特征信号所对应证据的基本概率分配；步骤五：根据步骤四求解得到的火炮反后坐装置待检样本故障特征信号所对应证据的基本概率分配，在火炮反后坐装置故障模式框架下，定义并求解各个证据之间的冲突因子，并根据求解的所有冲突因子，构造冲突因子矩阵；在火炮反后坐装置故障模式框架下，定义并求解各个证据间的均方根偏移(Root Mean Square Deviation,RMSD)距离；以所述冲突因子和所述归一化RMSD距离的几何均值作为RMSD冲突系数的取值，构造RMSD冲突系数；根据构造RMSD冲突系数，求解并构造RMSD相似系数，通过构造的RMSD相似系数便于定义后续步骤六的可靠度；步骤六：定义每个证据的可靠度为该证据与其他证据的RMSD相似系数之和，并根据所述定义确定每个证据的可靠度；分析每个证据的可靠度，定义每个证据的权重为该证据的可靠度与所有证据可靠度之和的比值，并求解每个证据的权重；根据每个证据可靠度对所有证据进行权重分配，降低信息之间的冲突性，然后通过加权平均后得到整合证据，便于后续步骤七的融合，提高故障诊断正确率；步骤七：在火炮故障模式框架，利用Dempster
‑
Shafer(DS)证据理论方法对步骤六得到的整合证据进行自身融合，得到对应火炮反后坐装置故障模式的发生概率；遍历所有火炮反后坐装置故障模式的发生概率，确定最大基本概率分配值所对应的故障模式即为最终诊断的故障模式，即基于RMSD
‑
DS实现对火炮反后坐装置故障的高精度效率诊断。2.根据权利要求1所述的基于RMSD
‑
DS的火炮反后坐装置故障诊断方法，其特征在于，还包步骤八：将步骤三确定的火炮反后坐装置故障待检样本数据代入步骤四构造的故障模式高斯模型中，求解每个故障特征信号所对应证据的基本概率分配；用步骤六确定的可靠度给每个证据重新分配权重，降低冲突信息所带来的影响，提升对反后坐装置故障诊断性能；所述提升对反后装置的诊断性能包括提高对反后坐装置的诊断效率、诊断精度。3.如权利要求1或2所述的基于RMSD
‑
DS的火炮反后坐装置故障诊断方法，其特征在于，步骤一实现方法为：确定火炮反后坐装置的典型故障模式总共三种，分别为节制环磨损X、复进机漏气Y和制退杆活塞磨损Z，则火炮反后坐装置的故障模式框架表示为Θ＝{X,Y,Z}；确定火炮反后坐装置的故障特性信号分别为：最大后坐位移Xmax、最大后坐速度Vmax、最大复进速度Umax和复进到位速度Uend。4.如权利要求3所述的基于RMSD
‑
DS的火炮反后坐装置故障诊断方法，其特征在于，步骤二实现方法为：火炮工作时，由安装在反后坐装置上的传感器采集反后坐装置在每种故障模式下的四
种故障特征信号，所获取的数据用F
i
表示，其中F＝X,Y,Z，分别代表节制环磨损，复进机漏气和制退杆活塞磨损三种故障模式；i＝1,2,3,4，分别代表最大后坐位移Xmax，最大后坐速度Vmax，最大复进速度Umax和复进到位速度Uend四种故障特征信号；采集到的一组样本数据表示为(F1,F2,F3,F4)，F1代表故障模式F所对应的最大后坐位移Xmax信号数据，F2代表故障模式F所对应的最大后坐速度Vmax信号数据，F3代表故障模式F所对应的最大复进速度Umax信号数据，F4代表故障模式F所对应的复进到位速度Uend信号数据。5.如权利要求4所述的基于RMSD
‑
DS的火炮反后坐装置故障诊断方法，其特征在于，所述步骤三包括以下步骤：步骤3.1：将步骤二获取的在典型故障模式下对应的故障特征信号，分类为故障训练样本数据、故障待检样本数据；基于步骤二获取的在典型故障模式下对应的故障特征信号，分别从各个故障模式中所对应的四种故障特性信号数据中选取预设比例的样本数据作为故障训练样本，剩余样本数据作为故障待检样本；步骤3.2：对于步骤3.1选定的故障训练样本，求解属于火炮反后坐装置不同故障模式的训练样本在不同故障特征信号上的平均值和标准差；对于选定的故障训练样本，求解属于不同故障模式的训练样本在不同故障特征信号上的平均值μ(F
i
)和标准差σ(F
i
)，平均值μ(F
i
)的求解公式如式(1)所示，标准差σ(F
i
)的求解公式如式(2)所示：公式如式(2)所示：式(1)和式(2)中，F＝X,Y,Z，代表三种故障模式；i＝1,2,3,4，代表四种故障特征信号；j＝1,2,
…
,N，代表数据序列；步骤3.3：根据步骤3.2求解得到的平均值和标准差，构造属于不同故障模式的训练样本在不同故障信号上的高斯模型；根据步骤3.2求解得到的平均值μ(F
i
)和标准差σ(F
i
)，构造属于不同故障模式的训练样本在在不同故障信号上的高斯模型(隶属度函数)，如公式(3)所示：式(3)中，F＝X,Y,Z，代表三种故障模式；i＝1,2,3,4，代表四种故障特征信号；故障特性信号为最大后坐位移(Xmax)时，故障模式为节制环磨损(X)、复进机漏气(Y)和制退杆活塞磨损(Z)上的高斯模型为：
故障特性信号为最大后坐速度(Vmax)时，故障模式为节制环磨损(X)、复进机漏气(Y)和制退杆活塞磨损(Z)上的高斯模型为：和和和和故障特性信号为最大复进速度(Umax)时，故障模式为节制环磨损(X)、复进机漏气(Y)和制退杆活塞磨损(Z)上的高斯模型为：和和和和得故障特性信号为复进到位速度(Uend)时，故障模式为节制环磨损(X)、复进机漏气(Y)和制退杆活塞磨损(Z)上的高斯模型为：和和和和。公式(4)至公式(15)即为不同故障模式的训练样本在不同故障信号上的高斯模型。6.根据权利要求5所述的基于RMSD
‑
DS的火炮反后坐装置故障诊断方法，其特征在于，
所述步骤四包括以下步骤：步骤4.1：根据步骤3.3构建的火炮反后坐装置故障模式高斯模型，求解待检样本与每种故障信号下不同故障模式高斯模型的交点纵坐标；对于故障模式未知的一组待检样本，对应的数据可以表示为(F1,F2,F3,F4)，其中F＝X、Y、Z；下标中的1代表最大后坐位移(Xmax)，2代表最大后坐速度(Vmax)，3代表最大复进速度(Umax)，4代表复进到位速度(Uend)；故障特征信号为最大后坐位移(Xmax)时，待检样本与不同故障模式的高斯模型交点纵坐标求解公式为：坐标求解公式为：坐标求解公式为：故障特征信号为最大后坐速度(Vmax)时，待检样本与不同故障模式的高斯模型交点纵坐标为：坐标为：坐标为：坐标为：故障特征信号为最大复进速度(Umax)时，待检样本与不同故障模式的高斯模型交点纵坐标为：坐标为：坐标为：坐标为：故障特征信号为复进到位速度(Uend)时，待检样本与不同故障模式的高斯模型交点纵
坐标为：坐标为：坐标为：坐标为：步骤4.2：表示四种故障特征信号所对应证据的基本概率分配；每个待检样本中含有四种故障特征信号(Xmax、Vmax、Umax和Uend)，每种故障特征信号对应一组证据，则每种故障特征信号(Xmax、Vmax、Umax和Uend)所对应证据的基本概率分配函数可表示为m
i
(i＝1,2,3,4)；在步骤一中火炮反后坐装置故障模式有X,Y,Z三种，则一组证据的基本概率分配包含有m
i
(X)、m
i
(Y)和m
i
(Z)，其中m
i
(X)表示...
【专利技术属性】
技术研发人员：魏剑峰，张发平，卢继平，杨向飞，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。