性能退化数据分析的训练装备评估范文

《装备环境工程杂志》2014年第三期

1基于性能退化数据分析的精度保持性评估

考虑到训练装备的精度参数一般有多个项，在评估过程中有必要讨论多个精度退化量之间在统计上的相关性问题，此时基于退化轨道的评估方法就失去了效力，因此首先考虑用基于退化量分布的可靠性评估方法来对训练装备的精度保持性进行评估。当前基于多性能参数退化量分布的可靠性建模主要针对特殊分布，即假定多个性能参数退化数据的联合分布属于联合正态分布等特殊分布。因此，可以通过每个参数的分布参数以及参数之间的相关系数得到联合分布参数。该方法对参数的分布要求比较严格，现实中很多设备系统无法满足特殊分布这一假设前提。另外，随着所选择性能参数数量的增多，联合分布函数求解难度增大，甚至不可解。

考虑基于退化轨道的处理方法，通过变换实现其对多参数问题的处理。一种可行的思路是引入权重的概念，通过计算加权平均来化多元为一元，从而将多元退化的问题化归到一元退化量的情况上来处理。该思路的本质是通过加权平均来化多元为一元，从而将处理的问题化归到可以采用退化轨道分析方法。在针对训练装备的精度保持性评估中，设备综合精度指数的概念为计算平均影响水平提供了一种简便方法。设备综合精度指数T是设备维护工程当中的一个概念，主要用以描述设备目前的健康状态，尤其是各项精度参数的平均劣化程度，可以作为确定训练装备修理类别的参数。设备综合精度指数的计算公式为:式中:T为装备综合精度指数;n为实测项目个数;Tip为训练装备精度的实测值;Tis为训练装备精度的允许值。在训练装备的维修体系中，一般把T≤0．5为新装备验收条件之一。T≤1为大修理、重点修理后的验收条件，1＜T＜2仍可继续使用，但需注意调整;2＜T＜2．5时，装备需进行重点修理或大修理;T＞3时，装备需进行大修理或更新。

由于训练装备的精度衰退周期长，测试成本高，因此进行连续监测的成本很高。在实践中一般采取定期检测的方法，这样得到的退化数据通常为小样本。基于统计学习理论的支持向量机(SVM)是一种以结构风险最小化原理为基础的新型机器学习算法，具有其他以经验风险最小化原理为基础的机器学习算法难以比拟的优越性，可以用来处理小样本问题。基于支持向量机的装备综合精度保持性评估流程为:1)收集n台同型号训练装备在时间t1，t2，…，ti的性能退化数据;2)分别计算n台训练装备在时刻ti装备综合精度指数Tn;3)使用支持向量机拟合出Tn与时间t之间的回归关系，得到退化轨道模型;4)将失效阈值Df作为SVM的输入，根据求得的退化轨道模型，外推求出各个样本的失效寿命T''''1，T''''2，…，T''''i。

2具体算例与精度分析

跟踪监测了某单位4台同型号训练装备使用1年过程中精度的退化情况，并计算出每个监测时刻训练装备的综合精度指数，得到的退化数据见表1。1)将表1中的退化数据作为输入，使用LS-svmlab工具箱进行演算，获得装备综合精度指数T与检测时间t的回归关系，4台训练装备的的退化轨迹如图2所示。2)将失效阈值Df作为LS-svmlab的输入，根据第1步得到的回归关系，外推求出各个样本的失效寿命，即表1中的最后一列。4台训练装备的寿命分别为:786．2，735．5，768．4，675．6d。3)利用平均绝对误差与均方根误差对预测结果进行精度分析，计算公式如式(2)，(3)所示。由表2可看出，平均绝对误差与均方根误差都相对较小，说明该评估方法具有一定的准确性与稳定性，能够对训练装备的保障与维护提供一种确实有效的借鉴。

3结语

综上所述，本文提出一种训练装备精度退化数据分析方法，将支持向量机应用于训练装备的装备综合精度指数的数据拟合中，得到精度指数与时间的回归模型，并预测训练装备失效的寿命值，以此为基础评估训练装备的精度保持性。

作者：丁少娜冯诚陈毓申江江刘媛媛单位：中国人民解放军92724部队