建立炮控箱故障预测模型和故障预测的方法及相关装置制造方法及图纸

本发明专利技术涉及一种建立炮控箱故障预测模型和故障预测的方法及相关装置。所述方法包括：S11：获取火炮控制系统炮控箱的引脚信号作为原始数据，构建数据集；所述数据集包括训练数据集和测试数据集；S12：构建SVM模型，将训练数据集作为SVM模型的输入，使用混沌映射改进的秃鹰算法对SVM进行参数寻优，训练得到CAO

【技术实现步骤摘要】
建立炮控箱故障预测模型和故障预测的方法及相关装置


[0001]本专利技术涉及炮控箱故障检测
，尤其是涉及一种建立炮控箱故障预测模型和故障预测的方法及相关装置。

技术介绍

[0002]炮控箱是火炮控制系统的核心，由线缆连接到其它零件上，从而实现对火炮控制系统的启动、控制和调试以及工作状态切换和显示。然而，炮控箱使用频率较高，容易导致故障的发生。因此，对其进行故障预测，可以降低现场工作人员的维护工作负担，降低设备的维护费用。
[0003]目前BP神经网络、D
‑
S证据融合诊断、支持向量机元启发优化算法改进支持向量机等多种算法已在火控故障诊断领域得到了广泛应用。BP神经网络在输入数据量大、结构复杂的情况下，存在着泛化能力差、预测精度不高、高维问题难以求解等问题。D
‑
S证据融合诊断技术对专家系统的依赖性较强，存在知识获取困难、信息不完全、适应性不强等缺点。支持向量机(Support Vector Machine,SVM)能有效地克服样本数量少、求解高维非线性问题，具有很强的泛化能力。
[0004]尽管支持向量机在故障预测中得到了广泛的应用，但是在支持向量机中如何选择惩罚因子c和核函数g是制约SVM预测准确性主要原因。利用秃鹰优化算法对SVM的参数进行优化，从而有效地提高了对SVM的预测准确率。秃鹰优化算法在改进支持向量机的性能上有了很大的进步，但是它的求解精度较低，容易陷入局部最优解等问题，有待更进一步的研究。因此提出了基于混沌映射改进的秃鹰搜索算法，并将新算法命名为CAO(Aquila Optimizer based on Chaoticamap)。

技术实现思路

[0005]有鉴于此，有必要针对上述问题，提供一种建立炮控箱故障预测模型和故障预测的方法及相关装置。
[0006]为解决上述技术问题，本专利技术采用的技术方案是：
[0007]第一个方面，本专利技术提供一种建立炮控箱故障预测模型的方法，所述方法包括：
[0008]S11：获取火炮控制系统炮控箱的引脚信号作为原始数据，构建数据集；所述数据集包括训练数据集和测试数据集；
[0009]S12：构建SVM模型，将训练数据集作为SVM模型的输入，使用混沌映射改进的秃鹰算法(CAO)对SVM进行参数寻优，训练得到CAO
‑
SVM模型。
[0010]进一步地，所述引脚信号为火炮控制系统的炮控箱组装置32个引脚的数据。
[0011]进一步地，所述步骤S11包括以下步骤：
[0012]对所获取的火炮控制系统炮控箱的引脚信号进行灰色关联分析，对原始数据参数进行筛选，将影响其性能的信号参数进行排序，剔除相关性较低的引脚信号，选出灰色关联度较高的属性构建数据集。
[0013]进一步地，对所获取的火炮控制系统炮控箱的引脚信号进行灰色关联分析包括以下步骤：
[0014]1)确定比较序列和母序列：其分别表示影响系统行为的因素组成的数据序列和能反应系统行为特征的数据序列；
[0015]2)归一化处理：用初始值来把所有的数值都归为1这个数量级附近，公式为：n为每个序列的数据维度，m为序列个数；
[0016]3)计算灰色关联系数ξ：ρ为分辨系数，ρ取常数值0.5；
[0017]4)求关联度r
i
：ξ为关联系数。
[0018]进一步地，使用混沌映射改进的秃鹰算法对SVM进行参数寻优，包括以下步骤：
[0019]1)初始化CAO算法参数；
[0020]2)通过交叉验证，对训练样本进行训练，交叉验证准确率作为天鹰个体适应度值，获得最优适应度和位置；
[0021]3)计算天鹰新个体适应度值，并与最优新个体进行适应度比较；
[0022]4)判断是否达到最大迭代次数，若达到，则得到最优参数，输出最优模型，若没达到，重复CAO算法中天鹰扩展搜索和狩猎行为，直到输出最优解，得到CAO
‑
SVM模型。
[0023]第二个方面，本专利技术提供一种炮控箱故障预测方法，所述方法包括：
[0024]获取火炮控制系统炮控箱的引脚信号，作为输入数据，
[0025]将所述输入数据输入CAO
‑
SVM模型，输出炮控箱故障的预测结果，所述CAO
‑
SVM模型是根据上述第一个方面所述的建立炮控箱故障预测模型的方法建立的。
[0026]第三个方面，本专利技术提供一种建立炮控箱故障预测模型的装置，所述装置包括：
[0027]获取单元，用于获取火炮控制系统炮控箱的引脚信号作为原始数据，构建数据集；所述数据集包括训练数据集和测试数据集；
[0028]构建单元，用于构建SVM模型，将训练数据集作为SVM模型的输入，使用混沌映射改进的秃鹰算法(CAO)对SVM进行参数寻优，训练得到CAO
‑
SVM模型。
[0029]第四个方面，本专利技术提供一种炮控箱故障预测装置，所述装置包括：
[0030]输入数据获取单元，用于获取火炮控制系统炮控箱的引脚信号，作为输入数据，
[0031]预测结果输出单元，用于将所述火炮控制系统炮控箱的引脚信号输入CAO
‑
SVM模型，输出炮控箱故障的预测结果，所述CAO
‑
SVM模型是根据上述第一个方面所述的建立炮控箱故障预测模型的方法建立的。
[0032]第五个方面，本专利技术提供一种终端设备，所述终端设备包括：
[0033]处理器以及存储器；
[0034]所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；
[0035]所述处理器，用于调用存储器中的指令执行上述第一个方面所述的建立炮控箱故障预测模型的方法。
[0036]第六个方面，本专利技术提供一种终端设备，所述终端设备包括：
[0037]处理器以及存储器；
[0038]所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；
[0039]所述处理器，用于调用存储器中的指令执行第二个方面所述的炮控箱故障预测方法。
[0040]本专利技术所具有的优点和有益效果是：
[0041]本专利技术使用CAO
‑
SVM模型对炮控箱进行故障预测，输入测试样本，对测试样本进行故障预测，最终得到混沌映射改进的秃鹰算法优化支持向量机的算法分类预测准确率S达到98.7％，比未经优化过的支持向量机预测准确率提高了8％以上。
附图说明
[0042]图1为本申请实施例提供的一种建立炮控箱故障预测模型的方法流程图；
[0043]图2为混沌映射改进秃鹰算法优化SVM的流程图；
[0044]图3为混沌映射改进秃鹰算法流程图；
[0045]图4为SVM、AO
‑
SVM、CAO
‑
SVM的算法精度对比图，其中，(a)为SVM预测结果；(b)为AO
‑
S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种建立炮控箱故障预测模型的方法，其特征在于，所述方法包括：S11：获取火炮控制系统炮控箱的引脚信号作为原始数据，构建数据集；所述数据集包括训练数据集和测试数据集；S12：构建SVM模型，将训练数据集作为SVM模型的输入，使用混沌映射改进的秃鹰算法对SVM进行参数寻优，训练得到CAO
‑
SVM模型。2.根据权利要求1所述的一种建立炮控箱故障预测模型的方法，其特征在于：所述引脚信号为火炮控制系统的炮控箱组装置32个引脚的数据。3.根据权利要求1或2所述的一种建立炮控箱故障预测模型的方法，其特征在于：所述步骤S11包括以下步骤：对所获取的火炮控制系统炮控箱的引脚信号进行灰色关联分析，对原始数据参数进行筛选，将影响其性能的信号参数进行排序，剔除相关性较低的引脚信号，选出灰色关联度较高的属性构建数据集。4.根据权利要求3所述的一种建立炮控箱故障预测模型的方法，其特征在于：对所获取的火炮控制系统炮控箱的引脚信号进行灰色关联分析包括以下步骤：1)确定比较序列和母序列：其分别表示影响系统行为的因素组成的数据序列和能反应系统行为特征的数据序列；2)归一化处理：用初始值来把所有的数值都归为1这个数量级附近，公式为：n为每个序列的数据维度，m为序列个数；3)计算灰色关联系数ξ：ρ为分辨系数，ρ取常数值0.5；4)求关联度r
i
：ξ为关联系数。5.根据权利要求1所述的一种建立炮控箱故障预测模型的方法，其特征在于：使用混沌映射改进的秃鹰算法对SVM进行参数寻优，包括以下步骤：1)初始化CAO算法参数；2)通过交叉验证，对训练样本进行训练，交叉验证准确率作为天鹰个体适应度值，获得最优适应度和位置；3)计算天鹰新个体适应度值，并与最优新个体进行适应度比较；4)判断是否达到最大迭代次数，若达到，则得到最优参数，输出最优模型，若没达到，重复CAO算法中天鹰扩展搜索和狩猎行为，直到输出...

【专利技术属性】
技术研发人员：李英顺，李南峰，王德彪，刘海洋，赵玉鑫，匡博琪，安立华，尹志鹏，
申请(专利权)人：沈阳顺义科技有限公司，
类型：发明
国别省市：