一種坦克炮長瞄準(zhǔn)鏡系統(tǒng)狀態(tài)評估的方法

解寶琦, 李英順, 王德彪, 隋歡歡

(1.廣西科技大學(xué) 電氣電子與計算機(jī)科學(xué)學(xué)院, 廣西 柳州 545000; 2.大連理工大學(xué) 控制科學(xué)與工程學(xué)院, 遼寧 大連 116200;3.沈陽順義科技有限公司, 遼寧 沈陽 110027)

0 引言

隨著軍事領(lǐng)域的高速發(fā)展,裝備系統(tǒng)的集成化、信息化程度不斷的提高,帶來了一系列新的故障問題,傳統(tǒng)裝備故障檢測和維修保障已不能滿足其維修保障的需求,坦克火控系統(tǒng)在這方面表現(xiàn)尤為明顯。炮長瞄準(zhǔn)鏡系統(tǒng)作為坦克輸出主要來源之一,是其中重要的組成部分,為其設(shè)計專門的狀態(tài)評估系統(tǒng)[1-2],能夠提高系統(tǒng)的可靠性和可用性。

目前,常用的裝備健康狀態(tài)評估算法可以分為模型計算法、機(jī)器學(xué)習(xí)法和評估分析法[3]。模型計算法通過構(gòu)建一個融合計算模型或者比較模型計算出裝備的健康度,其中組合賦權(quán)法被不斷地應(yīng)用于健康狀態(tài)評估領(lǐng)域。文獻(xiàn)[4]通過組合賦權(quán)法確定權(quán)重,在根據(jù)灰云聚類融合方法和最小二乘法進(jìn)行立磨機(jī)的健康度評估。然而,因為裝備監(jiān)測數(shù)據(jù)問題使得數(shù)學(xué)模型難以確定。機(jī)器學(xué)習(xí)法通過大量數(shù)據(jù)訓(xùn)練各種機(jī)器學(xué)習(xí)進(jìn)行裝備狀態(tài)評估。近些年來國內(nèi)外越來越多的學(xué)者將各種各樣的神經(jīng)網(wǎng)絡(luò)應(yīng)用到健康狀態(tài)評估上[5-7],其中自組織映射(SOM)神經(jīng)網(wǎng)絡(luò)因其具有抗噪聲干擾能力強(qiáng)的特點(diǎn),使得其在健康狀態(tài)評估上的取得了較好的效果[8-9]。評估分析法在健康狀態(tài)評估的應(yīng)用也越來越廣泛,模糊理論[10]和證據(jù)理論[11-16]是其中比較成熟的方法,在裝備狀態(tài)評估中已經(jīng)得到較多的應(yīng)用。此外,一種將統(tǒng)計數(shù)學(xué)和模糊數(shù)學(xué)相結(jié)合的云模型[17-20]在狀態(tài)評估也有一定應(yīng)用,縱觀現(xiàn)有文獻(xiàn)云模型在評估的例子還不多,值得深入研究。

為建立一種準(zhǔn)確、高效、客觀的坦克炮長瞄準(zhǔn)鏡系統(tǒng)的健康狀態(tài)評估,本文針對坦克炮長瞄準(zhǔn)鏡系統(tǒng)在健康狀態(tài)評估工作中存在的問題,提出一種改進(jìn)云模型相結(jié)合的健康狀態(tài)評估算法。一方面考慮到炮長瞄準(zhǔn)鏡系統(tǒng)信號復(fù)雜的問題,采用組合賦權(quán)法確定系統(tǒng)各個指標(biāo)權(quán)重。另一方面,針對現(xiàn)有方法主要通過專家評價確定指標(biāo)閾值的問題,建立SOM神經(jīng)網(wǎng)絡(luò)對系統(tǒng)運(yùn)行數(shù)據(jù)進(jìn)行聚類,根據(jù)聚類結(jié)果確定各個指標(biāo)閾值,用于確定云模型的云化區(qū)間。同時,考慮到相鄰狀態(tài)的連續(xù)性和模糊性,通過改進(jìn)云模型構(gòu)建狀態(tài)評估模型,并引入超熵用于坦克炮長瞄準(zhǔn)鏡系統(tǒng)在健康狀態(tài)等級的評估等級結(jié)果判定。

1 評價指標(biāo)權(quán)重確定方法

1.1 改進(jìn)模糊層次分析法

本文采用相對于與傳統(tǒng)層次分析法(AHP)計算精度更高的模糊層次分析法(FAHP)[13-14]并引入更符合人類的思維模式的決策機(jī)制的三標(biāo)度法對其進(jìn)行改進(jìn)。其具體過程如下:

1) 通過三標(biāo)度法[15]構(gòu)建優(yōu)先判斷矩陣F=(fij)n×n,i,j=1,2,…,n,F=(fij)n×n為模糊判斷矩陣,fij為根據(jù)指標(biāo)i與指標(biāo)j的比較取值(見表1)。

表1 模糊判斷矩陣比較取值

2) 根據(jù)模糊判斷矩陣,求得模糊一致性判斷矩陣R=(rij)n×n,其中rij公式為

(1)

3) 將R=(rij)n×n轉(zhuǎn)換為互反型矩陣E=(eij)n×n,其中:

(2)

4) 通過歸一法計算出權(quán)重向量W(0),其中:

(3)

5) 通過特征值法將 經(jīng)過迭代進(jìn)一步計算出更精確的權(quán)重向量[10]。

1.2 改進(jìn)熵權(quán)法

熵權(quán)法是利用評估指標(biāo)的信息熵計算各個指標(biāo)客觀權(quán)重的方法。為了避免評價過程中,可能造成的權(quán)重失真[17]的問題,本文對熵權(quán)法進(jìn)行改進(jìn)。其具體過程如下:

1) 根據(jù)指標(biāo)體系構(gòu)建評價指標(biāo)矩陣Q=(qij)n×m,i=1,2,…,n,j=1,2,…,m,其中qij為第j個指標(biāo)的第i個實際值。

2) 對評價指標(biāo)矩陣Q進(jìn)行一致化處理消除綱量得到標(biāo)準(zhǔn)矩陣P=(pij)n×m,其中pij為

(4)

計算評價指標(biāo)的信息熵Ej,計算公式為

(5)

3) 通過式(5)計算出第j個指標(biāo)的權(quán)重wj,計算公式為

(6)

針對熵權(quán)法存在的問題對式(6)進(jìn)行改進(jìn),計算公式為

(7)

1.3 組合賦權(quán)法

組合賦權(quán)法是一種既能包容主觀賦權(quán)法因?qū)＜乙庠傅闹饔^性,又能忽略客觀賦權(quán)法因過于依賴數(shù)據(jù)局限性的方法。為此,本文提出一種基于改進(jìn)博弈論法的組合賦權(quán)法。

針對博弈論法在計算組合權(quán)重時可能會出現(xiàn)權(quán)重系數(shù)為負(fù)數(shù)的情況。本文通過加入約束條件建立最優(yōu)化模型對傳統(tǒng)博弈論法進(jìn)行改進(jìn)[18],具體步驟如下:

1) 由目標(biāo)函數(shù)以及約束條件,建立最優(yōu)化模型。

(8)

式中:aj為組合權(quán)重系數(shù);wi、wj分別為主、客觀權(quán)重向量。

2) 構(gòu)建拉格朗日函數(shù)。

(9)

3) 對(9)求偏導(dǎo),由極值條件可得由計算可得組合系數(shù)為

(10)

(11)

5) 由組合賦權(quán)法可得最終權(quán)重w*T為

(12)

2 基于改進(jìn)云模型的裝備狀態(tài)評估

2.1 裝備狀態(tài)等級特征

隨著裝備技術(shù)和維修理論的發(fā)展,采用故障和正常二值函數(shù)來描述裝備的技術(shù),已難以滿足實際需求,因此從生物領(lǐng)域引用健康狀態(tài)來描述復(fù)雜裝備所處的工作狀態(tài),依據(jù)健康狀態(tài)分級原則,從健康管理的角度將裝備技術(shù)狀態(tài)分為5個等級。裝備健康等級描述如表2健康狀態(tài)等級描述所示。

表2 健康狀態(tài)等級描述

2.2 基于SOM神經(jīng)網(wǎng)絡(luò)確定狀態(tài)等級的云化區(qū)間

根據(jù)如表2所示將經(jīng)過歸一化后的裝備狀態(tài)數(shù)據(jù)分為健康、良好、注意、惡化和故障這5個數(shù)值區(qū)間,其中1為故障,0為健康。在將狀態(tài)等級云概念化,確定對應(yīng)狀態(tài)的云化區(qū)間,再將計算出的云重心代入到云評估模型中,得到裝備狀態(tài)等級。

目前,狀態(tài)評估區(qū)間大多僅是通過多名維修專家進(jìn)行打分確定,這樣使得結(jié)果受到主觀人為影響。針對該問題,本文根據(jù)裝備運(yùn)行過程的測試數(shù)據(jù),通過SOM神經(jīng)網(wǎng)絡(luò)進(jìn)行聚類,再根據(jù)聚類結(jié)果確定各指標(biāo)閾值,進(jìn)而確定等級云化區(qū)間參數(shù)。

SOM是一種能夠進(jìn)行自組織、自適應(yīng)地改變網(wǎng)絡(luò)參數(shù)與結(jié)構(gòu)的無監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)。其能夠很好地處理非線性數(shù)據(jù),并具有抗噪聲干擾能力強(qiáng)的優(yōu)點(diǎn)。

SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示,主要通過競爭層基于輸入層對輸入數(shù)據(jù)的響應(yīng)程度競爭輸出得到輸入數(shù)據(jù)的拓?fù)渚W(wǎng)絡(luò)分布,根據(jù)獲勝神經(jīng)元對附近神經(jīng)元的影響程度實現(xiàn)聚類,具體過程如下:

圖1 SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

1) 初始化設(shè)置。對輸入數(shù)據(jù)進(jìn)行歸一化處理后,設(shè)置競爭層初始權(quán)重向量wi,確定拓?fù)溧徲虬霃溅?以及初始學(xué)習(xí)率η0。

2) 確定獲勝神經(jīng)元。根據(jù)輸入向量xi與權(quán)重向量wi最小歐式距離確定獲勝神經(jīng)元i(x):

i(x)=‖xi-wi‖

(13)

3) 更新學(xué)習(xí)率和拓?fù)溧徲虬霃?并確定以獲勝神經(jīng)元為中心拓?fù)溧徲騈(t)。更新后,學(xué)習(xí)率η(t)、拓?fù)溧徲虬霃溅?t)及拓?fù)溧徲騈(t)分別為

η(t)=η0×e-t/(T/3)

(14)

σ(t)=σ0×e-t/((T/3)/lnσ0)

(15)

N(t)=e-‖wi-wi(x)‖2)/2(σ(t))2

(16)

式中:t為當(dāng)前訓(xùn)練次數(shù);T為總訓(xùn)練次數(shù)。

4) 更新權(quán)重向量。

wij(t+1)=wij(t)+η(t)×N(t)×(xk-wij(t))

(17)

式中:xk為第k個輸入數(shù)據(jù)。

5) 判斷是否收斂。如果達(dá)到預(yù)設(shè)迭代次數(shù),結(jié)束訓(xùn)練,否則進(jìn)行下一次訓(xùn)練。

根據(jù)SOM神經(jīng)網(wǎng)絡(luò)聚類結(jié)果確定如表3所示的狀態(tài)等級云化區(qū)間定義,表3中a、b、c、d分別為各個狀態(tài)等級的轉(zhuǎn)折閾值。

表3 狀態(tài)等級的云化區(qū)間定義

2.3 云模型的建立

云模型將統(tǒng)計數(shù)學(xué)和模糊數(shù)學(xué)相結(jié)合,實現(xiàn)了定性概念和定量描述的自然轉(zhuǎn)化[20]。目前,云模型已經(jīng)成功的應(yīng)用在大系統(tǒng)的效能評估、智能控制等眾多領(lǐng)域。

2.3.1 云模型的定義

假設(shè)C是定量論域U上的定性概念,若x∈U是C的一次隨機(jī)實現(xiàn),并且x對C的隸屬度μ(x)∈[0,1]是有穩(wěn)態(tài)分布的隨機(jī)數(shù):

μ(x)∶U→[0,1]?x∈U

(18)

則稱x在定量論域U上的分布為云模型,每一個x為一個云滴其中μ(x)能夠反映x對C的隸屬度。

云模型將一個定性概念由期望、熵和超熵共同表達(dá),反映概念的不確定性。并且將模糊性和隨機(jī)性集成到一起,構(gòu)成定量與定性相互間的映射關(guān)系,其數(shù)字特征曲線如圖2所示。圖2中,En為熵,He為超熵,通常取任意常數(shù)。

圖2 云模型數(shù)字特征曲線

2.3.2 云模型各參數(shù)確定方法

由組合權(quán)重與SOM神經(jīng)網(wǎng)絡(luò)計算出的指標(biāo)閾值合理求得云化區(qū)間后,需要根據(jù)合理的方法確定云模型的(Ex,En,He)這3個數(shù)字特征,生成多維評價云模型,Ex為期望。設(shè)裝備某一狀態(tài)的云化區(qū)間定性概念描述為[a,b],傳統(tǒng)云模型的3個數(shù)字特征參數(shù)的求解過程如下:

(19)

2.3.2.1 熵的確定方法

由式(19)可知,傳統(tǒng)云模型的云滴的生成是基于3En法則生成的。這種方式生成的云模型,其云區(qū)間內(nèi)的云滴貢獻(xiàn)率通?？梢赃_(dá)到99%以上,這就說明,若采用基于3En法則構(gòu)建裝備狀態(tài)云模型,那么相鄰的云之間基本不會出現(xiàn)重疊[21]。而實際情況下,相鄰的兩個裝備狀態(tài)等級之間存在著一定的連續(xù)性和模糊性。因此,各狀態(tài)等級的評價云之間通常是存在交集的,顯然這種方式與實際評估不相適應(yīng)。

為解決上述問題,本文分別計算云滴x分別在Ex+En、Ex+2En和Ex+3En處的隸屬度并進(jìn)行對比,其隸屬分別為:μ(Ex+En)≈0.607,μ(Ex+2En)≈0.135,μ(Ex+3En)≈0。

由此可知云滴x分別在[Ex-En]∪[Ex+En]、[Ex-2En]∪[Ex+2En]、[Ex-3En]∪[Ex+3En]上對定性概念依次變?nèi)?。根?jù)計算結(jié)果分析可知,在Ex+2En處的隸屬度為0.15,說明在該處附近的云滴相對于相鄰的兩個評價云的隸屬度均較弱,并且難以根據(jù)隸屬關(guān)系直觀進(jìn)行判斷,能夠較好地表示相鄰的兩個裝備狀態(tài)等級之間的連續(xù)性和模糊性。此外,根據(jù)以上結(jié)論采用基于2En法則生的云模型,其云區(qū)間內(nèi)的云滴的貢獻(xiàn)率也達(dá)到了95.44%,說明基于2En法則的評價云仍然可行。因此,采用改進(jìn)的2En法則相對傳統(tǒng)云模型更加貼合實際。

由2.2節(jié)可知裝備狀態(tài)共分為5個等級,當(dāng)?shù)燃塱為2、3、4時評價云為完整云模型,其期望Exi和熵En求解過程為

(20)

當(dāng)?shù)燃塱為1或者5時評價云采用半云模型,其期望Exi和熵Eni求解過程為

(21)

2.3.2.2 超熵的確定方法

云模型的超熵并沒有確定的取值方法,由文獻(xiàn)[22]可知,當(dāng)超熵He較大,云會發(fā)生霧化。文獻(xiàn)中指出,當(dāng)HeEx/3時,云滴的離散程度越大,霧化狀態(tài)也越明顯。根據(jù)文獻(xiàn)[11]的實驗分析可知,云滴霧化點(diǎn)為He=0.2En。若評價云霧化,那么其中有限的數(shù)據(jù)將不能形成定性概念,因此本文選取He=0.1En作為評價云的超熵He的取值,即霧化點(diǎn)中值。

2.3.3 炮長瞄準(zhǔn)鏡系統(tǒng)狀態(tài)評估流程

基于云重心的裝備狀態(tài)評估是一種利用構(gòu)建對應(yīng)等級的云圖進(jìn)行評估的方法。其具體流程如下:

1) 通過SOM神經(jīng)網(wǎng)絡(luò)計算出各指標(biāo)狀態(tài)等級[23]的閾值進(jìn)而確定云化區(qū)間;

2) 利用組合賦權(quán)法確定各個指標(biāo)權(quán)重;

3) 根據(jù)狀態(tài)等級的云化區(qū)間和指標(biāo)權(quán)重,構(gòu)建各個狀態(tài)等級的云模型;

4) 根據(jù)各個指標(biāo)的權(quán)重計算出云重心,得出評分值。

5) 激活云發(fā)生器,確定坦克炮長瞄準(zhǔn)鏡系統(tǒng)的狀態(tài)評估等級。

2.3.4 評估流程評估等級的確定

若加權(quán)綜合權(quán)重得到的云重心位置為xa,由云模型性質(zhì)可知xa與各個評價云對于的隸屬度μi(xa)為

(22)

當(dāng)xa位于兩片評價云之間時,單單依靠μi(xa)很難判斷裝備狀態(tài)等級。針對該問題,本文通過引入云模型在xa處的超熵進(jìn)行判斷。

設(shè)相鄰兩裝備狀態(tài)評價云的數(shù)值特征分別為TCi=(Exi,Eni,Hei)與TCi+1=(Exi+1,Eni+1,Hei+1)以及在xa處的隸屬度μi(xa)和μi+1(xa)。若|μi(xa)-μi+1(xa)|<δ(δ為閾值,通常取0.1),即xa位于兩片評價云之間時,通過激發(fā)逆向云發(fā)生器[24-26]。對裝備狀態(tài)進(jìn)行判斷,其判斷流程如下:

1) 確定評價云在xa處的云滴個數(shù)n。

3 實例分析

由于炮長瞄準(zhǔn)鏡系統(tǒng)結(jié)構(gòu)復(fù)雜,信號繁多,受篇幅限制無法對炮長瞄準(zhǔn)鏡系統(tǒng)整體做狀態(tài)評估,故本文以某型坦克上反射鏡平臺力矩電機(jī)為實例對象。以上反射鏡發(fā)生碰框時力矩電機(jī)的運(yùn)行狀態(tài)為例對本文的算法進(jìn)行驗證。

炮長瞄準(zhǔn)鏡系統(tǒng)的上反射鏡力矩電機(jī)主要分為垂直控制力矩電機(jī)模塊、水平控制力矩電機(jī)模塊和電源模塊3個模塊,垂直控制力矩電機(jī)模塊和水平控制力矩電機(jī)模塊分別由瞄準(zhǔn)鏡控制盒中的垂直控制板和水平控制板控制,電源信號模塊主要負(fù)責(zé)電機(jī)、垂直控制板和水平控制板的供電,控制板的工作主要負(fù)責(zé)觀瞄系統(tǒng)工況的選擇,裝表信號的輸入和輸出以及瞄準(zhǔn)鏡碰框的信號反饋。由層次分析可得上反射鏡碰框時力矩電機(jī)運(yùn)行狀況層次分解圖,如圖3所示。

圖3 上反射鏡碰框時力矩電機(jī)運(yùn)行狀況層次圖

3.1 評估流程評估等級的確定

3.1.1 主觀權(quán)重的確定

綜上所述,結(jié)合1級指標(biāo)權(quán)重和2級指標(biāo)權(quán)重得到各個指標(biāo)相對于上反射鏡碰框時力矩電機(jī)運(yùn)行狀況的主觀權(quán)重w1為

3.1.2 客觀權(quán)重的確定

由于不同指標(biāo)的大小和數(shù)量級之間存在差異,在確定各個指標(biāo)的客觀權(quán)重前,首先,對各個指標(biāo)參數(shù)通過式(23)進(jìn)行歸一化處理:

(23)

式中:max{xij}、min{xij}分別為指標(biāo)x的信號值的最大值和最小值。

選取一臺已知狀態(tài)的某型坦克炮長瞄準(zhǔn)鏡系統(tǒng)的上反射鏡力矩電機(jī)分別在穩(wěn)像工況和裝表工況條件下的10組監(jiān)測數(shù)據(jù)進(jìn)行評估,歸一化處理后的數(shù)據(jù)如表4所示。

表4 試驗測試數(shù)據(jù)歸一化

根據(jù)表4數(shù)據(jù),由本文采用的改進(jìn)熵權(quán)法確定各個指標(biāo)的客觀權(quán)重w2為

3.1.3 組合權(quán)重的確定

由上述所求主觀權(quán)重w1和的客觀權(quán)重w2,由式(12)分別計算出主、客觀權(quán)重的綜合權(quán)重,最后根據(jù)式(13)確定各個指標(biāo)最終權(quán)重w:

3.2 裝備狀態(tài)云模型化

3.2.1 確定狀態(tài)等級的云化區(qū)間

圖4 SOM神經(jīng)網(wǎng)絡(luò)訓(xùn)練輸出結(jié)果

根據(jù)確定的最終云化區(qū)間的轉(zhuǎn)折閾值,確定裝備各個狀態(tài)等級的云化區(qū)間如表5所示。

表5 狀態(tài)等級的云化區(qū)間

3.2.2 改進(jìn)云模型的建立

由裝備各個狀態(tài)等級的云化區(qū)間,根據(jù)2En法及2.3節(jié)中的方法,確定各個狀態(tài)等級評價云[33]的各參數(shù)如表6所示。

表6 各評價云的云模型參數(shù)

根據(jù)表6,利用PyCharm軟件仿真基于改進(jìn)云模型的狀態(tài)評估模型結(jié)果如圖5所示。

圖5 狀態(tài)評估模型仿真結(jié)果

3.2.3 云重心位置計算

利用本文之前所求的各個指標(biāo)權(quán)重計算出某型坦克炮長瞄準(zhǔn)鏡系統(tǒng)的上反射鏡碰框時力矩電機(jī)運(yùn)行狀況實測第4組數(shù)據(jù)的綜合云重心位置xa=0.583 2,觸發(fā)良好云與注意云。注意狀態(tài)云的期望為0.608 2,根據(jù)式(22)可得狀態(tài)屬于注意狀態(tài)的隸屬度μ3=0.847,良好狀態(tài)云的期望為0.454 4,屬于注意狀態(tài)的隸屬度μ2<0.1。因此,此時上反射鏡碰框時力矩電機(jī)運(yùn)行狀況的狀態(tài)等級[34]為注意。

3.3 綜合評估

根據(jù)3.2節(jié)所述狀態(tài)等級評估等級過程,對某型坦克炮長瞄準(zhǔn)鏡系統(tǒng)的上反射鏡碰框時力矩電機(jī)運(yùn)行狀況實測數(shù)據(jù)進(jìn)行狀態(tài)等級的綜合評估,其各組數(shù)據(jù)的云重心如表7所示。

表7 云重心計算結(jié)果

根據(jù)表7計算出的云重心結(jié)果確定力矩電機(jī)運(yùn)行狀況的狀態(tài)等級,其中e1～e5分別為健康、良好、注意、惡化以及故障等5個狀態(tài)等級,如圖6所示。

圖6 上反射鏡碰框時力矩電機(jī)運(yùn)行狀態(tài)趨勢圖

仿真結(jié)果顯示,設(shè)備開始處于良好狀態(tài),從第3組數(shù)據(jù)開始時設(shè)備轉(zhuǎn)為注意狀態(tài)。經(jīng)過對各個指標(biāo)的評估發(fā)現(xiàn)其中多個指標(biāo)出現(xiàn)了異常,其中,垂直控制力矩電機(jī)指標(biāo)信號的現(xiàn)象尤為明顯。經(jīng)后續(xù)維修人員排查發(fā)現(xiàn)高低控制板發(fā)生故障,更換后設(shè)備狀態(tài)轉(zhuǎn)為良好。由此可得,本文的評估結(jié)果比較貼合實際,能夠幫助維修人員在裝備維修時提供一定的參考。

3.4 評估算法對比

選取另外10臺同型號的坦克炮長瞄準(zhǔn)鏡系統(tǒng)上反射鏡碰框時力矩電機(jī)測得10組運(yùn)行狀態(tài)數(shù)據(jù),分別采用傳統(tǒng)云模型以及其他以應(yīng)用的如文獻(xiàn)[16]的改進(jìn)白化權(quán)函數(shù)的方法與本文提出的方法分別對10臺力矩電機(jī)進(jìn)行綜合評估,具體評估結(jié)果如圖7所示。

圖7 評估對比結(jié)果

由圖7可知,本文方法與傳統(tǒng)云模型在2組、5組、6組、8組的評估結(jié)果發(fā)生了分歧。根據(jù)分析,評估結(jié)果不同的主要原因是傳統(tǒng)云模型并沒有考慮到相鄰狀態(tài)的關(guān)聯(lián)性和模糊性。而文獻(xiàn)[16]中的方法在2組、8組的評估結(jié)果發(fā)生了跳變,是因為該方法雖然考慮到了等級之間的關(guān)聯(lián)性,但是忽略了其中的模糊性,導(dǎo)致了結(jié)果的偏差,從而驗證了本文所建立的評估模型是合理并且科學(xué)有效的。

4 結(jié)論

本文針對某型坦克的炮長瞄準(zhǔn)鏡系統(tǒng)提出了一種健康狀態(tài)評估的方法,并通過上反射鏡碰框時力矩電機(jī)運(yùn)行數(shù)據(jù)進(jìn)行驗證。得出以下主要結(jié)論:

1) 通過改進(jìn)組合賦權(quán)法確定的各個指標(biāo)的最終權(quán)重更加科學(xué)且合理。

2) 通過SOM神經(jīng)網(wǎng)絡(luò)對炮長瞄準(zhǔn)鏡運(yùn)行數(shù)據(jù)進(jìn)行聚類分析得到的裝備各個狀態(tài)等級的云化區(qū)間更加合理。

3) 根據(jù)各個狀態(tài)等級的云化區(qū)間,基于2En法則生成的評價云模型能夠較好地表示相鄰的兩個裝備狀態(tài)等級之間的連續(xù)性和模糊性。

本文提出的評估方法的評估結(jié)果科學(xué)并且客觀,有助于為裝備運(yùn)行狀態(tài)的檢修提供指導(dǎo),并為后續(xù)的裝備健康管理提供了參照。