基于多源參數的小口徑艦炮系統數據融合研究

夏銘禹

（中國人民解放軍92942 部隊， 北京100084）

0 引言

小口徑艦炮是現代防空武器的重要組成部分，主要用于海面對空中目標射擊， 保護設備免受空襲武器攻擊[1]。同時具備一定的正面沖突作戰能力， 因此小口徑艦炮在近防領域占有極其重要地位。 隨著現代小口徑艦炮的裝備規模越來越大，任務越來越復雜，性能指標越來越高，小口徑艦炮系統的各個部分關聯也越來越密切， 對艦炮管理與維修人員的素質要求也越來越高。 與此對應的艦炮系統所需的可靠保障及故障診斷級別要求也要相應的提高， 因此研究基于多源參數的小口徑艦炮系統數據融合研究是國內外艦炮行業的主流趨勢。

1 小口徑艦炮故障模式分析

小口徑艦炮具有高射速、高一次射彈量、大儲彈量等突出特點，以滿足攔截多批次來襲導彈、飛機和打擊近距離目標的需求。 小口徑艦炮系統的射擊過程是各個機構協調工作的結果， 系統各個零部件的設計過程也相當復雜，要求各受力結構必須有足夠的強度、剛度，同時應有合理的動態特性以盡量減小自身振動并有效抵抗彈、炮發射時產生的振動。 本文利用BP 神經網絡的方法，研究了小口徑艦炮系統各系統在各種射擊狀態下的工作情況，從而得到可靠的系統狀態。 并將結果反饋到小口徑艦炮系統的故障診斷環節，利用DS 證據理論，經過重復優化，以達到提高系統的工作可靠性的目的。

小口徑艦炮的故障因素主要由圖1 所示的各個分系統產生，目前的主要故障模式分析主要是靠FMECA 的方法來進行， 此方法主要依靠窮舉法將艦炮可能產生的各個故障列舉出來，再通過嚴重度評價準則，不易探測度評價準則來評判，受的主觀因素影響較大。而本文采用數據融合的方法則避免了人為因素的影響，通過BP 神經網絡與DS 證據理論相融合的方法對各個故障因素進行客觀的評價。

圖1 小口徑艦炮結構組成

2 基于BP 神經網絡的小口徑艦炮多傳感器數據融合過程

如圖2 所示， 主要由以下幾個環節組成多源傳感器的數據融合：①獲取信號；②信號的數模轉換及預處理；③特征值提取；④多源參數的數據融合計算；⑤融合結果輸出等。

圖2 多源傳感器數據融合過程

小口徑艦炮作為一種常規武器，往往使用環境十分復雜，惡劣的環境將使得監控艦炮的傳感器各項參數受到很大影響， 造成測不準的情況，通過BP 神經網絡對艦炮系統傳感器進行參數的預處理就可以較好的解決這一問題。如表1 中所示，不同溫度環境壓力傳感器的測量值受不同溫度環境的影響存在著較大的漂移。去除某些奇異點以后，為了消除環境因素帶來的干擾， 對傳感器輸出信號做基于門限值的電壓預處理，可以達到消除傳感器輸出信號的失真與模糊，從而提高數據融合輸入樣本的信噪比。

表1 不同溫度下的壓力傳感器輸出標定值

為了增強BP 神經網絡算法的識別能力，需要對預處理所得數據進行歸一化處理， 進而減小數據融合結果的系統誤差，并增強系統的測量性能。最終通過對不同溫度環境下的壓力傳感器輸出標定值輸入到已訓練好的BP神經網絡系統中從而進行數據融合。通常在對BP 神經網絡進行訓練選擇學習算法時，既要考慮算法本身性能，又要視所求問題的復雜度、樣本集大小、網絡規模、網絡誤差目標和解決問題類型而定[2]。

通過經過反復試差的方法設定的BP 神經網絡訓練參數如下：

數據融合的最終結果見圖3。

圖3 BP 神經網絡訓練誤差變化圖

由圖3 中BP 神經網絡訓練誤差變化中可以看出，訓練誤差在 第500～600 步 時 訓練結果基本不再變化，系統開始收斂不再變化，從而得到系統誤差最小的訓練結果。 訓練完成后，將BP 神經網絡對溫度傳感器和壓力傳感器的數據融合結果進行處理，將得到的結果再通過DS 證據理論的方法診斷，從而得到診斷結果診斷結果。

3 基于DS 證據理論與BP 神經網絡相融合的故障診斷方法

Dempster/Shafer 證據理論簡稱D-S 證據理論，20 世紀60 年代哈佛大學的數學家A.P.Dempster 和Shafer （他的學生）提出了一種基于人工智能范疇的模糊推理方法。

許紅波等[3]提出了一種推廣的DS 證據理論合成規則：

當數據融合產生的基本信任分配值產生沖突時，將通過BP 神經網絡融合得到傳感器測量值的基本信任分配值的沖突度K 分配給每一個對應的沖突焦元， 并按基本信任分配值的比例確定沖突度K 的大小。 在式（1）中，f（A）表示矛盾概率分配函數，滿足如下條件

從艦炮系統各個部位傳感器參數進行多源傳感器的數據融合，從而給出艦炮故障診斷的決策。 這其中包括：自動機故障診斷系統、 供彈診斷系統、 氣液故障診斷系統、傳動系統故障診斷系統。多源參數的故障診斷系統將艦炮系統作為一個整體設計故障診斷系統， 這對艦炮系統在正常執行任務時的狀態監測具有重大意義。

在故障診斷過程中， 很多故障原因是很難診斷出來的， 這其中傳動系統的故障診斷最難從傳感器采集的數據中表現出現了何種的故障， 因此本文以艦炮傳動系統中的減速器為例， 搭建出傳動系統減速器的基本故障識別框架，如下所示：

式中：P1，P2，P3，P4分別代表傳動系統減速器一般出現的四種故障：軸承磨損、基礎變形、聯軸器不對中以及齒輪磨損。

在基于DS 證據理論的艦炮系統故障診斷系統中采集到的傳動故障診斷系統的故障信息，能夠從中得到故障識別框架中四種常見故障因素出現的三種證據體， 通過這三種證據體進行故障診斷可以得到系統的故障因素。 在傳動系統的故障診斷中， 這三種證據體分別是相關故障因素所具備的頻域特征、振動特征和頻率特征。將采集到的相應證據體的特征參數通過系統輸入故障診斷系統的數據庫中并進行基于DS 證據理論的故障診斷，見表2-4。

表2 證據體1 的特征參數

表3 證據體2 的特征參數

表4 證據體3 的特征參數

由多源傳感器對傳動系統的減速器進行檢測， 并由系統的信號分析功能對測量值進行分析， 從而得到艦炮運行時各證據體的測量值，見表5-7。

表5 證據體1 的實測值

表6 證據體2 的實測值

表7 證據體3 的實測值

通過實測值可以求出各證據體對于識別框架中各故障因素的貼近度和相關系數，見表8，表9。再由各個故障因素的距離和相關系數可得每個證據體的基本可信度分配。 每個故障因素的基本可信度分配，見表10。

表8 故障與故障框架中各故障帖近度

表9 故障與識別框架中各故障類型的相關系數

表10 各故障類型的基本可信度分配

4 結果分析

通過各個證據體聯合概率分布的方法， 可得識別框架中各個故障的聯合概率分布，見表11 所示。

表11 聯合概率分配

表中m12（·）為對證據體1 和證據體2 先進行融合的結果，m123（·）為對證據體1 和證據體2 先進行融合再將m12（·）與證據體3 進行融合的結果，m123為直接對證據體1、證據體2 與證據3 直接融合的結果，mp為引入了平均沖突法得到的融合結果。

基于DS 證據理論的融合結果見圖4，可以看出通過引入了平均沖突法后得到的DS 證據理論的融合結果，相較于原始的DS 證據理論對故障的診斷的可信度提高了很多。 同時可以看到軸承磨損是導致當前艦炮傳動系統出現的故障的原因，因此需要更換軸承。同時通過圖中融合結果可以看出DS 證據理論預測在以后的某階段最容易出現故障的是齒輪磨損，因此需要實時監測傳動系統齒輪的磨損情況，或采用新的抗磨損的齒輪工藝。

通過示例中傳動系統的最終診斷結果中可以得出結論，引入了平均沖突法的DS 證據理論在故障診斷決策階段可以得出很好的結果。

圖4 DS 證據理論融合結果

5 結束語

多源數據融合作為一種新興的技術還有極大的發展空間， 應用多源數據融合在艦炮系統故障診斷中還有許多待解決待發展的方面：

（1）對新興的數據融合技術還沒有做深入的探討，由于多源數據融合技術還在不斷的完善和發展， 因此對如何將新技術融合進艦炮系統故障診斷中去還需進一步的學習與探討。

（2）由于艦炮是一個大型的復雜裝備，它整合機電氣液各領域的技術于一體， 本文對于電氣液方面的研究還有待學習，在接下來的研究階段，可以將多源數據融合技術應用于電氣液領域方面。