黃俊超, 胡 勇(空軍勤務學院,江蘇 徐州 221000)
飛機飛行訓練強度大、難度高,對航空器材的可靠性要求高。器材故障會降低飛機的出動率,進而直接影響飛行部隊戰(zhàn)斗力。因此做好器材故障預測顯得十分重要。器材故障預測能夠提前預測到系統(tǒng)的運行狀態(tài)即將發(fā)生的故障,可以通過對預測結果的分析,提前做好預防準備以避免或減少故障帶來的損失,節(jié)省大量人力物力,相比于故障診斷具有前瞻性。
目前對于飛機器材故障預測的研究取得了許多成果,常見的基于數(shù)據(jù)驅動的預測技術有時間序列分析法、人工神經(jīng)網(wǎng)絡預測法、基于濾波器的預測法及灰色理論預測法。諸多研究表明,將不同模型進行有機組合能夠充分發(fā)揮各自優(yōu)勢,提高預測精度,因此本文提出將灰色GM( 1,1)模型與馬爾可夫模型相結合的預測方法。
灰色理論是把進行預測的系統(tǒng)看做一個灰色系統(tǒng),然后使用微分方程模型求解預測結果。其中的灰色GM( 1,1)模型有計算簡便、對原始數(shù)據(jù)需求量少、不需要考慮影響因素等特點,比較適合于預測規(guī)律性相對明確的參數(shù),對具有指數(shù)變化趨勢的參數(shù)具有較好的預測精度。但是對于器材故障數(shù)據(jù)這類波動頻率、隨機性都比較大的數(shù)據(jù)序列的預測精度較差,無法對歷史數(shù)據(jù)中的有用信息進行充分提取。
然而相對比于灰色GM( 1,1)模型,馬爾可夫模型預測過程能夠通過狀態(tài)轉移概率矩陣來展現(xiàn)系統(tǒng)潛在的規(guī)律,從而描述具有隨機性的動態(tài)過程。因此將上述兩個模型相結合,采用灰色預測模型來揭示器材故障發(fā)生的總體趨勢,然后采用馬爾可夫鏈來體現(xiàn)狀態(tài)與狀態(tài)間的轉換規(guī)律,就可以有效改善器材故障這類波動性較強的數(shù)據(jù)的預測效果。




(3)運用最小二乘法,求得、,得到微分方程:



(1)首先進行狀態(tài)區(qū)間劃分
根據(jù)灰色GM( 1,1)模型所展現(xiàn)出的故障時間點變化的總體趨勢,以實際故障時間點與GM( 1,1)模型預測值的相對比值的取值范圍為依據(jù),將等長劃分為個狀態(tài)區(qū)間:

(2)構建步狀態(tài)轉移矩陣
設系統(tǒng)狀態(tài)集合為{,,…,E},()表示由狀態(tài)E經(jīng)過步轉移到狀態(tài)E的概率,則:

其中:()為原始數(shù)據(jù)經(jīng)過步由狀態(tài)E轉移到狀態(tài)E的次數(shù);M為狀態(tài)出現(xiàn)的次數(shù)。
記步狀態(tài)轉移概率矩陣為(),則:

(3)計算灰色馬爾可夫預測值

灰色馬爾可夫預測值:

本文以30臺主油泵裝機后發(fā)生故障的時間點作為研究對象,根據(jù)前27臺主油泵故障時間點,對最后3臺油泵的故障時間點進行預測,并于實際故障時間點進行對比,以檢驗模型預測效果。原始數(shù)據(jù)見表1故障時間。

表1 故障時間點
首先建立原始序列:


表2 灰色預測結果
(1)確定狀態(tài)區(qū)間
故障發(fā)生實際時間點與GM( 1,1)模型預測值的相對比值的取值范圍為=[0.9 6,1.08 ],等長度劃分為四個區(qū)間,則各個狀態(tài)對應的區(qū)間分布如表3所示:

表3 狀態(tài)區(qū)間
(2)計算狀態(tài)轉移概率矩陣
分別計算出(≤ 4)步轉移矩陣:



以28號數(shù)據(jù)為例進行預測,狀態(tài)轉移區(qū)間預測過程如表4所示:

表4 狀態(tài)轉移預測計算表


剩余兩組數(shù)據(jù)以同樣方法進行預測,得到最終預測結果見表5。

表5 最終預測結果
將預測值與實際值進行比對,計算出相對誤差分布如表6所示。

表6 預測結果對比
可視化對比如圖1所示。

圖1
可以明顯看出,灰色馬爾可夫預測結果相對誤差極小,說明該模型對油泵故障時間點有很好的預測效果,可以為實際工作提供參考。
本文根據(jù)油泵故障時間點的原始數(shù)據(jù),建立了基于灰色馬爾可夫模型的器材故障預測模型,實例分析表明該模型能夠很大程度上降低預測誤差,具有很好的預測效果。在實際工作中,可以通過對預測結果的分析,提前做好預防措施以及維修準備,有效提高飛機保障效益。