自動彈倉虛擬樣機(jī)修正的故障定位與診斷

趙搶搶, 侯保林

(南京理工大學(xué) 機(jī)械工程學(xué)院，江蘇 南京 210094)

自動彈倉虛擬樣機(jī)修正的故障定位與診斷

趙搶搶, 侯保林

(南京理工大學(xué) 機(jī)械工程學(xué)院，江蘇 南京 210094)

針對自動彈倉定位精度超差的故障的情況，本文提出了一種基于標(biāo)準(zhǔn)狀態(tài)實(shí)驗(yàn)與虛擬樣機(jī)修正相結(jié)合的故障診斷方法。對自動彈倉在運(yùn)行過程中的彈筒位移及主動輪轉(zhuǎn)角進(jìn)行測試，同時(shí)建立自動彈倉的虛擬樣機(jī)模型；以測試結(jié)果為標(biāo)準(zhǔn)，對建立的虛擬樣機(jī)模型進(jìn)行了修正；對彈倉定位精度超差的故障機(jī)理進(jìn)行了分析，以修正后的模型進(jìn)行大量仿真，利用主元分析法對仿真結(jié)果和測試結(jié)果進(jìn)行分析，將分析所得故障特征用于極限學(xué)習(xí)機(jī)(ELM)的訓(xùn)練以產(chǎn)生自動彈倉的診斷機(jī)。診斷結(jié)果說明，此方法切實(shí)有效，為自動彈倉的故障診斷提供了一種新的技術(shù)方法。

自動彈倉；模型修正；故障診斷；主元分析；極限學(xué)習(xí)機(jī);虛擬樣機(jī)

彈藥自動裝填系統(tǒng)是未來數(shù)字化火炮武器平臺機(jī)械系統(tǒng)的核心部分和技術(shù)關(guān)鍵。由于其系統(tǒng)復(fù)雜、性能要求高、工作環(huán)境惡劣、空間與動力源受限等原因，彈藥自動裝填系統(tǒng)在實(shí)際使用過程中始終存在故障時(shí)發(fā)的問題且日益嚴(yán)重。因此，國內(nèi)專家對其故障診斷方法進(jìn)行了大量的研究。文獻(xiàn)[1]利用模糊多屬性決策的方法對供輸彈系統(tǒng)的故障模式進(jìn)行了分析，并對故障模式的危害性進(jìn)行了排序，但對于如何進(jìn)行診斷并未研究；文獻(xiàn)[2]通過比較油源供電電瓶的電流信號實(shí)現(xiàn)對自動供輸彈系統(tǒng)的故障診斷，但很多故障在電流信號中無法體現(xiàn)；文獻(xiàn)[3]利用粗糙集理論對采集的故障信號進(jìn)行屬性約簡，通過比較故障樣本集與相應(yīng)的屬性數(shù)據(jù)來判別故障，但文中并未給出診斷效果的說明；文獻(xiàn)[4-6]分別利用故障Petri網(wǎng)、故障樹、支持向量機(jī)等方法對自動供輸彈系統(tǒng)的故障進(jìn)行了診斷，雖然取得了一定的效果，但總的來說，這些應(yīng)用多為對方法可行性的研究，缺乏對火炮自動裝填系統(tǒng)故障診斷更加深入的探索和更多實(shí)用性的研究。

以上方法的研究都集中在如何處理故障信息以實(shí)現(xiàn)故障診斷，但對于如何快速有效的獲取故障信息，上述方法都沒有提及。真實(shí)的實(shí)驗(yàn)?zāi)軌虍a(chǎn)生高質(zhì)量的樣本，但是由于實(shí)驗(yàn)數(shù)量和實(shí)驗(yàn)對象狀態(tài)的限定，通過實(shí)驗(yàn)很難獲得足夠量的樣本；相反，虛擬仿真技術(shù)在樣本的獲取上更加方便，但是仿真結(jié)果往往存在無法預(yù)料的誤差。所以，本文提出了通過“標(biāo)準(zhǔn)狀態(tài)實(shí)驗(yàn)”修正虛擬樣機(jī)模型，再由仿真產(chǎn)生大量樣本進(jìn)行ELM訓(xùn)練的故障診斷方法。即通過實(shí)驗(yàn)獲取系統(tǒng)運(yùn)動的真實(shí)參數(shù)，并以實(shí)驗(yàn)獲得的參數(shù)為標(biāo)準(zhǔn)，通過對虛擬樣機(jī)模型的修正使得模型的輸出與實(shí)驗(yàn)所得數(shù)據(jù)盡量吻合；然后以此模型作為標(biāo)準(zhǔn)模型，進(jìn)行多次仿真，將仿真的結(jié)果作為樣本進(jìn)行ELM訓(xùn)練以產(chǎn)生診斷機(jī)并進(jìn)行故障診斷。

1 自動彈倉模型及故障因素分析

1.1 自動彈倉的虛擬樣機(jī)建模

自動彈倉是一個(gè)復(fù)雜的機(jī)電系統(tǒng)，主要由彈架本體、回轉(zhuǎn)彈鏈、減速箱、主動組合鏈輪、從動組合鏈輪、推彈器、彈筒位置測量裝置等主要部件組成。為減少建模和求解過程中的人為誤差，提高計(jì)算效率，需要在建立虛擬樣機(jī)時(shí)對模型進(jìn)行必要的簡化。簡化后的模型如圖1所示。根據(jù)各零部件之間的拓?fù)潢P(guān)系，在Recurdyn中建立了主動輪、從動輪、支架、25個(gè)彈筒、相應(yīng)數(shù)量的滾輪以及減速器,減速器包括小齒輪、大齒輪及蝸輪蝸桿4個(gè)部件，由于實(shí)驗(yàn)是在只有一個(gè)彈丸的情況下做的，因此，為與實(shí)驗(yàn)情況吻合，在對模型進(jìn)行修正時(shí)整個(gè)系統(tǒng)中也只有一發(fā)彈丸。

圖1 自動彈倉動力學(xué)模型Fig.1 The dynamic model of the automatic shell magazine

各構(gòu)件的拓?fù)潢P(guān)系如下：支架與慣性系固定；主動輪、從動輪與支架鉸接，有一個(gè)旋轉(zhuǎn)自由度；小齒輪、大齒輪、蝸輪蝸桿都與支架鉸接，各有一個(gè)旋轉(zhuǎn)自由度。小齒輪與大齒輪、大齒輪與蝸桿、蝸桿與蝸輪之間通過齒輪副連接，同時(shí)蝸輪與主動輪固聯(lián)；每兩個(gè)相鄰的彈筒之間鉸接于相應(yīng)滾輪的質(zhì)心位置，有一個(gè)旋轉(zhuǎn)自由度；彈丸與相應(yīng)的彈筒固聯(lián)；每個(gè)滾輪與相應(yīng)的彈筒鉸接于滾輪質(zhì)心位置，有一個(gè)旋轉(zhuǎn)自由度，同時(shí)滾輪與供彈機(jī)支架、主動輪、從動輪實(shí)體接觸。驅(qū)動力矩施加于小齒輪上，其大小由Simulink中的電機(jī)模型控制。

1.2 自動彈倉選彈運(yùn)動控制

自動彈倉由兩個(gè)并聯(lián)的直流串激電動機(jī)驅(qū)動，采用位置速度閉環(huán)系統(tǒng)控制，用模擬電路實(shí)現(xiàn)。用兩個(gè)線性電位器作為角度傳感器，其輸出為電壓。其中電位器BQ1與中心數(shù)控器連接，用于標(biāo)示彈倉，電位器BQ2作為控制系統(tǒng)的位置反饋信號。兩個(gè)傳感器與結(jié)構(gòu)的配合關(guān)系為：當(dāng)整個(gè)彈倉旋轉(zhuǎn)一圈時(shí)，BQ1也旋轉(zhuǎn)一圈，因此當(dāng)不同的彈筒在接彈口位置時(shí)BQ1的輸出也不同，中心數(shù)控器據(jù)此判斷幾號彈倉位于接彈口；自動彈倉每旋轉(zhuǎn)一個(gè)彈筒距離，BQ2旋轉(zhuǎn)一圈，當(dāng)某個(gè)彈筒在接彈口準(zhǔn)確定位時(shí)，BQ2輸出電壓為5 V。自動彈倉控制框圖如圖2所示。

圖2 自動彈倉控制框圖Fig.2 The control block diagram of the automatic shell magazine

用于驅(qū)動自動彈倉的兩個(gè)串激電機(jī)額定功率為500 W，額定電壓26 V，相關(guān)的動態(tài)方程如下

式中：U為電機(jī)輸入電壓，E為反電動勢，Rm為電阻，Ia為電樞電流，L為電感，Φ為主磁通，Kf為勵磁系數(shù)，Ce為反電動勢系數(shù)，ω為電機(jī)轉(zhuǎn)速，T為電機(jī)輸出扭矩，CT為電磁轉(zhuǎn)矩系數(shù)。

根據(jù)上述方程，結(jié)合自動彈倉的控制原理，在Simulink中建立了自動彈倉的控制系統(tǒng)。

1.3 自動彈倉運(yùn)動參數(shù)測試

測試所采用的樣炮，是保養(yǎng)良好且較新，無太多大強(qiáng)度的野外使用及頻繁的實(shí)彈射擊。

進(jìn)行了多次測試，部分測試結(jié)果如圖3所示。圖3(a)為蝸桿轉(zhuǎn)數(shù)曲線，圖3(b)為彈筒位移曲線，從圖中可以看出，多次試驗(yàn)的結(jié)果保持了很好的一致性。根據(jù)測試結(jié)果，蝸輪蝸桿的平均最大轉(zhuǎn)數(shù)為20.486轉(zhuǎn)，則主動輪的平均最大轉(zhuǎn)角為θ=179.82°，彈筒的平均最大位移為369.24mm，這與理論分析的結(jié)果(180°，370mm)相吻合，表明測試結(jié)果準(zhǔn)確有效。

圖3 部分測試結(jié)果Fig.3 Some test results

1.4 自動彈倉定位超差故障機(jī)理分析

定位精度超差是自動彈倉的主要故障之一，而導(dǎo)致定位精度超差的原因很多。本文根據(jù)實(shí)際調(diào)研，結(jié)合工程實(shí)踐，選取彈倉內(nèi)彈丸數(shù)量的變化、滾輪的磨損、主動鏈輪位置的偏移、基礎(chǔ)擾動、蝸輪蝸桿的傳動效率、測速電機(jī)的靈敏度以及電機(jī)的電壓七個(gè)因素進(jìn)行了仿真分析，最終確定了影響彈倉定位精度的三個(gè)主要的因素分別為：蝸輪蝸桿的傳動效率變化、測速電機(jī)的靈敏度變化以及電機(jī)電壓的變化。此處，測速電機(jī)的靈敏度為主動輪轉(zhuǎn)速與測速電機(jī)的輸出電壓之間的比值。選定的三個(gè)故障因素對系統(tǒng)影響的仿真結(jié)果如圖4所示。

圖4 故障因素對定位精度的影響Fig.4 The location accuracy influenced by the fault factors

電壓值為[24, 23, 22, 21, 20] V，靈敏度值分別為[0.06, 0.08, 0.1, 0.12, 0.14]，傳動效率分別為[0.4, 0.5, 0.6, 0.7, 0.8]。由圖4可以看出，靈敏度變化對于彈筒位移的影響最明顯，隨著靈敏度的增加，彈筒位移減??；而電壓變化與傳動效率的變化對彈筒位移的影響是一致的，隨著電壓和傳動效率的減小，彈筒位移變小。

2 虛擬樣機(jī)修正及仿真

2.1 自動彈倉的虛擬樣機(jī)修正

基于測試數(shù)據(jù)建立的虛擬樣機(jī)，在建模時(shí)，效率值及摩擦系數(shù)等參數(shù)需要人為設(shè)定。但是人為設(shè)定的參數(shù)值與系統(tǒng)的真實(shí)值總是存在一定的誤差，因此為提高模型的精度，需對建立的虛擬樣機(jī)進(jìn)行修正，修正的過程如下：

1)建立自動彈倉的初始虛擬樣機(jī)，結(jié)合系統(tǒng)的工作機(jī)理與仿真結(jié)果，確定對系統(tǒng)的輸出有明顯影響的參數(shù)；

2)根據(jù)收集的數(shù)據(jù)與系統(tǒng)分析，確定需修正的參數(shù)的合理變化范圍；

3)利用粒子群算法對需修正的參數(shù)進(jìn)行辨識，找出位于合理范圍內(nèi)的參數(shù)值，使得系統(tǒng)的輸出結(jié)果與測試所得結(jié)果保持一致。

如圖5(a)所示，在進(jìn)行模型修正時(shí)，是以彈筒位移為目標(biāo)，通過對虛擬樣機(jī)的修正使得仿真所得彈筒位移與測試所得彈筒位移保持一致。虛擬樣機(jī)經(jīng)過修正之后，為驗(yàn)證修正的合理性，將測試所得主動輪轉(zhuǎn)角與修正后虛擬樣機(jī)仿真所得主動輪轉(zhuǎn)角進(jìn)行了對比(圖5(b))，從圖5(b)中可以看出，兩者的形狀與數(shù)值大小都基本保持一致，由此可見模型修正的有效性。

圖5 仿真結(jié)果與測試結(jié)果對比Fig.5 Comparison of the simulation results and test results

2.2 故障因素的抽樣及仿真

蝸輪蝸桿的理論傳動效率為0.52，測速電機(jī)的理論靈敏度為0.1，電機(jī)額定電壓為26 V。蝸輪蝸桿的傳動效率與當(dāng)量摩擦角有關(guān)，取蝸輪蝸桿的當(dāng)量摩擦角為1.72°～6.28°[7]，則傳動效率的范圍為0.471～0.766 7，服從Gumbel分布；測速電機(jī)的靈敏度直接影響到定位精度的準(zhǔn)確性，在此取其范圍為0.075～0.12，服從Weibull分布；驅(qū)動電機(jī)為蓄電池供電，由于蓄電池需為整個(gè)系統(tǒng)供電，時(shí)常發(fā)生電壓不足的現(xiàn)象，在此取其范圍為24～28 V，服從Gumbel分布[8]。為兼顧多維空間和單維尺度下樣本的分布均勻性，本文采用拉丁超立方抽樣方法對選定的三個(gè)故障因素進(jìn)行抽樣，共50組樣本。根據(jù)抽樣結(jié)果，進(jìn)行了50次仿真，得到50組彈倉的位移曲線，這50組彈倉的位移曲線將作為樣本數(shù)據(jù)用于ELM的訓(xùn)練。

3 故障診斷的實(shí)現(xiàn)方法

3.1 基于PCA的曲線特征提取

自動彈倉故障診斷的流程圖如圖6所示，診斷機(jī)在訓(xùn)練和使用時(shí)并不直接利用整個(gè)數(shù)據(jù)曲線，而是使用代表曲線的幾個(gè)特征參數(shù)，特征參數(shù)的選擇和提取方法將直接影響診斷機(jī)的性能。

主元分析是將多個(gè)線性相關(guān)變量壓縮為少數(shù)幾個(gè)不相關(guān)的變量的一種多元統(tǒng)計(jì)方法。當(dāng)自變量存在嚴(yán)格線性相關(guān)時(shí)，主元分析可消除變量相關(guān)性的影響；而當(dāng)自變量不存在嚴(yán)格線性相關(guān)時(shí)，主元分析可利用少數(shù)幾個(gè)不相關(guān)的主元變量去反映原始變量所提供的大部分信息，從而達(dá)到降維的目的。

主元的計(jì)算可以通過以下幾種方式：1)通過求解特征值和特征向量計(jì)算主元；2)通過奇異值分解計(jì)算主元；3)通過迭代算法計(jì)算主元。本文通過求解特征值和特征向量計(jì)算主元，其計(jì)算步驟如下：

圖6 自動彈倉故障診斷流程Fig.6 Fault diagnosis process of automatic shell magazine

1)對自變量x=[x1x2...xn]T進(jìn)行n次觀測并去均值，得到其測試數(shù)據(jù)矩陣X；

2)求解觀測數(shù)據(jù)矩陣X的協(xié)方差陣ψx=E(xxT)=n-1XTX；

3)求解ψx的特征值λ1≥λ2≥…≥λa≥0及其相應(yīng)的單位正交特征向量p1，p2,…，pa；

4)求解主元ti

5)求解主元ti的方差貢獻(xiàn)率δi前a個(gè)主元的累計(jì)貢獻(xiàn)率ηa

6)根據(jù)預(yù)先設(shè)定的累計(jì)貢獻(xiàn)率ηa(如ηa>85%)確定主元的個(gè)數(shù)a。

2.2節(jié)共獲得了50組彈筒位移的樣本數(shù)據(jù)，每一組樣本數(shù)據(jù)有1 001個(gè)樣本點(diǎn)，即初始樣本是一個(gè)50×1 001的矩陣，將其直接用于ELM的訓(xùn)練是不現(xiàn)實(shí)也不經(jīng)濟(jì)的。因此本文利用PCA方法對仿真所得的50組樣本數(shù)據(jù)進(jìn)行特征提取。按照步驟1)～6)，計(jì)算其主元，根據(jù)計(jì)算結(jié)果，前六階主元的累計(jì)貢獻(xiàn)率ηa>99%，即前六階主元已保存了原始數(shù)據(jù)中的絕大部分信息，因此本文取其前六階主元作為ELM的訓(xùn)練樣本。

此處主元并非訓(xùn)練ELM所需的曲線特征，對于樣本數(shù)據(jù)或故障診斷系統(tǒng)使用中采集到的數(shù)據(jù)，將其去均值后與各主元計(jì)算內(nèi)積后便是曲線的特征參數(shù)了。因此，最終每個(gè)樣本的特征參數(shù)的維數(shù)為6，最終的訓(xùn)練樣本簡化為50×6的矩陣，該特征參數(shù)矩陣將作為ELM的輸入，相應(yīng)的故障因素抽樣值為ELM的輸出。

3.2 基于ELM的自動彈倉故障診斷

ELM是由黃廣斌[9]提出的一種簡單易用的單隱層前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。相對于傳統(tǒng)的單隱含層前饋神經(jīng)網(wǎng)絡(luò)，ELM算法隨機(jī)產(chǎn)生輸入層與隱含層的連接權(quán)值和隱含層神經(jīng)元的閾值，且在訓(xùn)練過程中無需調(diào)整，只需要設(shè)置隱含層神經(jīng)元的個(gè)數(shù)，便

可獲得唯一的最優(yōu)解。與傳統(tǒng)的訓(xùn)練方法相比，該方法具有學(xué)習(xí)速度快、泛化性能好等優(yōu)點(diǎn)。近年來，ELM在故障診斷中的應(yīng)用得到了廣泛的研究[10-13]。

ELM的網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示，其數(shù)學(xué)模型為

圖7 ELM網(wǎng)絡(luò)結(jié)構(gòu)Fig.7 The network structure of ELM

給定N個(gè)學(xué)習(xí)樣本(xi，ti),i=1，2,…，N，其中輸入為xi=[xi1xi2…xin]T∈Rn，輸出為ti=[ti1ti2…tim]T∈Rm，則ELM的訓(xùn)練過程為：

1)確定隱含層的節(jié)點(diǎn)數(shù)l與激活函數(shù)g(·)，隨機(jī)產(chǎn)生輸入權(quán)值和隱含層節(jié)點(diǎn)閾值；

2)計(jì)算隱含層輸出矩陣H：

式中：H+是H的Moore-Penrose廣義逆，T=[t1t2…tN]m×N。

本文在進(jìn)行ELM訓(xùn)練時(shí)，選用sigmoid函數(shù)作為其激活函數(shù)，隱含層神經(jīng)元個(gè)數(shù)與訓(xùn)練集樣本數(shù)相同，為45個(gè)。同時(shí)通過計(jì)算預(yù)測值與真實(shí)值的偏差情況對網(wǎng)絡(luò)的泛化能力及診斷結(jié)果進(jìn)行評價(jià)：

4 診斷結(jié)果驗(yàn)證

本文分別對選定的三個(gè)故障因素進(jìn)行了診斷。圖8為診斷機(jī)對于彈倉模型中故障因素對原始樣本的診斷結(jié)果。符號“*”代表原樣本的故障因素值，符號“o”經(jīng)過診斷機(jī)診斷后得到的故障因素值，每個(gè)序號上“*”與“o”的距離表示對樣本點(diǎn)的診斷誤差，兩個(gè)符號重合表示誤差極小。

用于診斷的前5組數(shù)據(jù)為仿真數(shù)據(jù)，后5組數(shù)據(jù)為測試數(shù)據(jù)。圖8(a)是診斷機(jī)對測速電機(jī)靈敏度的診斷結(jié)果，其均方誤差為3.624×10-7，決定系數(shù)為0.998 5，可見ELM對于測速電機(jī)靈敏度的診斷效果是非常好的；圖8(c)中，由于蝸輪蝸桿的真實(shí)效率是未知的，因此無法比較真實(shí)值與預(yù)測值之間的誤差，但根據(jù)仿真數(shù)據(jù)來看，其均方誤差為9.183×10-4，決定系數(shù)為0.902 0，可見診斷結(jié)果是比較好的；相對而言，診斷機(jī)對自動彈倉驅(qū)動電機(jī)電壓的診斷結(jié)果稍弱(圖8(b))，其均方誤差和決定系數(shù)分別為0.187 2和0.889 2。診斷結(jié)果也與仿真結(jié)果一致，由仿真結(jié)果(圖4)可知，靈敏度變化對彈筒位移的影響最大，摩擦變化次之，電壓變化最小?？紤]到最終在診斷系統(tǒng)工作過程中，雖然根據(jù)采集到的響應(yīng)曲線，經(jīng)過特征提取，輸入ELM后輸出得到的是故障因素的定量值，但診斷軟件最終會將定量值轉(zhuǎn)化為定性描述，如正常、輕微異常、異常等等，所以某些定量誤差是可以接受的。

圖8 ELM對各故障因素的診斷結(jié)果Fig.8 The diagnosis results of each fault factors by ELM

5 結(jié)論

本文針對自動彈倉定位精度超差的故障，提出了一種基于標(biāo)準(zhǔn)狀態(tài)測試與模型修正的故障診斷方法，主要研究結(jié)論如下：

1)建立了自動彈倉包括多體動力學(xué)、電機(jī)及控制的虛擬樣機(jī)模型，根據(jù)在標(biāo)準(zhǔn)狀態(tài)下的測試數(shù)據(jù)，對建立的模型進(jìn)行了修正；通過比較修正后的模型輸出與測試結(jié)果，確認(rèn)了模型修正的有效性。

2)根據(jù)調(diào)研及仿真分析，確定了導(dǎo)致自動彈倉定位精度超差的三個(gè)主要故障因素為蝸輪蝸桿傳動效率的變化、測速電機(jī)靈敏度的變化以及驅(qū)動電機(jī)電壓的變化。

3)診斷結(jié)果表明，ELM對于三個(gè)主要故障因素的診斷精度和泛化能力能夠達(dá)到預(yù)定要求，即通過修正后的模型進(jìn)行虛擬仿真獲得的樣本數(shù)據(jù)可代替真實(shí)的實(shí)驗(yàn)數(shù)據(jù)用于ELM的訓(xùn)練，本文提出的基于模型修正的故障診斷方法是切實(shí)有效的。

4)由于電壓變化對彈筒位移的影響較弱，且本文僅用了彈筒位移的特征對ELM進(jìn)行訓(xùn)練，相對來說，ELM對于電壓變化的診斷精度與泛化能力稍弱。因此，為提高診斷精度，多源故障信息的融合技術(shù)還有待進(jìn)一步研究。

[1]薛文星, 秦俊奇, 賈長治, 等. FMADM供輸彈系統(tǒng)故障模式危害性分析[J]. 火力與指揮控制, 2011, 36(8): 152-155, 159. XUE Wenxing, QIN Junqi, JIA Changzhi, et al. Harmfulness analysis of trouble mode of feeding mechanism based on FMADM method[J]. Fire control & command control, 2011, 36(8): 152-155, 159.

[2]許海倫, 潘宏俠, 任海鋒. 火炮自動裝彈機(jī)故障識別的電流分析法[J]. 火炮發(fā)射與控制學(xué)報(bào), 2013(1): 25-27, 32. XU Hailun, PAN Hongxia, REN Haifeng. Analysis of artillery autoloader faults by current recognition method[J]. Journal of gun launch & control, 2013(1): 25-27, 32.

[3]王丹, 姚竹亭, 王立. 粗糙集屬性約簡在自動裝填系統(tǒng)故障診斷方面的應(yīng)用[J]. 電子測試, 2010(9): 10-14. WANG Dan, YAO Zhuting, WANG Li. Rough set attribute reduction in the automation loading system application of fault diagnosis[J]. Electronic test, 2010(9): 10-14.

[4]王國輝, 王威. 基于故障Petri網(wǎng)的自動裝彈機(jī)故障診斷研究[J]. 火炮發(fā)射與控制學(xué)報(bào), 2004(4): 55-58. WANG Guohui, WANG Wei. Study on the fault diagnosis of autoloader based on petri net[J]. Journal of gun launch & control, 2004(4): 55-58.

[5]張振山, 黃晶晶, 鄧威. 基于故障樹的旋轉(zhuǎn)輸彈機(jī)故障診斷專家系統(tǒng)[J]. 計(jì)算機(jī)測量與控制, 2012, 20(7): 1913-1914. ZHANG Zhenshan, HUANG Jingjing, DENG Wei. Expert system based on fault tree for gun rotary load machine[J]. Computer measurement & control, 2012, 20(7): 1913-1914.

[6]都衡, 潘宏俠. 基于信息熵和GA-SVM的自動機(jī)故障診斷[J]. 機(jī)械設(shè)計(jì)與研究, 2013, 29(5): 127-130, 135. DU Heng, PAN Hongxia. Automaton fault diagnosis based on information entropy and GA-SVM[J]. Machine design and research, 2013, 29(5): 127-130, 135.

[7]聞邦椿. 機(jī)械設(shè)計(jì)手冊(2)[M]. 5版. 北京: 機(jī)械工業(yè)出版社, 2010: 220-221. WEN Bangchun. Mechanical design handbook (2)[M]. 5th ed. Beijing: China Machine Press, 2010: 220-221.

[8]高學(xué)星. 火炮彈藥自動裝填系統(tǒng)動作可靠性與故障診斷[D]. 南京: 南京理工大學(xué), 2015: 22-23. GAO Xuexing. Kinematic reliability and fault diagnosis of automatic ammunition loading[D]. Nanjing: Nanjing University of Science and Technology, 2015: 22-23.

[9]HUANG Guangbin, ZHU Qinyu, SIEW C K. Extreme learning machine: theory and applications[J]. Neurocomputing, 2006, 70(1/2/3): 489-501.

[10]WANG Liuyang, LIU Huaping, SUN Fuchun. Dynamic texture video classification using extreme learning machine[J]. Neurocomputing, 2016, 174: 278-285.

[11]LI Xiaodong, MAO Weijie, JIANG Wei. Extreme learning machine based transfer learning for data classification[J]. Neurocomputing, 2016, 174: 203-210.

[12]WANG Shuigen, DENG Chenwei, ZHAO Baojun, et al. Gradient-based no-reference image blur assessment using extreme learning machine[J]. Neurocomputing, 2016, 174: 310-321.

[13]嚴(yán)峰, 陳曉, 王新民, 等. 改進(jìn)的離散小波-優(yōu)化極限學(xué)習(xí)機(jī)在傾轉(zhuǎn)旋翼機(jī)故障診斷中的應(yīng)用[J]. 兵工學(xué)報(bào), 2014, 35(11): 1914-1921. YAN Feng, CHEN Xiao, WANG Xinming, et al. Fault diagnosis of tiltrotor aircraft via improved discrete wavelet-OMELM[J]. Acta armamentarii, 2014, 35(11): 1914-1921.

Fault location and diagnosis for the modification of the virtual prototype of an automatic shell magazine

ZHAO Qiangqiang, HOU Baolin

(School of Mechanical Engineering, Nanjing University of Science and Technology, Nanjing 210094, China)

Aiming at the situation that the location accuracy of an automatic shell magazine is often out of tolerance, a fault diagnosis method was proposed by combining the tests under standard state with the modification of a virtual prototype. The displacement of the magazine and the rotation angle of the driving wheel during the running process were tested, and a virtual prototype model of the automatic shell magazine was built. The model of the virtual prototype was modified by the test data. The fault mechanism of out-of-tolerance location accuracy was analyzed. Several simulations were carried out for the modified model. The simulation results and testing results were analyzed by principal component analysis (PCA). Finally, the fault eigenvalues from PCA were used to train the extreme learning machine (ELM) to generate a diagnosis machine for the automatic shell magazine. The diagnosis results show that this method is effective and satisfactory, providing a new method for the fault diagnosis of an automatic shell magazine.

automatic shell magazine; model modification; fault diagnosis; principal component analysis; extreme learning machine; virtual prototype

2016-04-08.

日期：2017-01-11.

國家安全重大基礎(chǔ)研究計(jì)劃項(xiàng)目(6132490102).

趙搶搶(1987-), 男, 博士研究生； 侯保林(1965-), 男, 教授, 博士生導(dǎo)師.

侯保林, E-mail: houbl@njust.edu.cn.

10.11990/jheu.201604023

TJ307

A

1006-7043(2017)03-0440-07

趙搶搶, 侯保林.自動彈倉虛擬樣機(jī)修正的故障定位與診斷[J]. 哈爾濱工程大學(xué)學(xué)報(bào), 2017, 38(3):440-445，477.

ZHAO Qiangqiang, HOU Baolin.Fault location and diagnosis for the modification of the virtual prototype of an automatic shell magazine[J]. Journal of Harbin Engineering University, 2017, 38(3):440-445，477.

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/23.1390.u.20170111.1509.034.html