夏铭禹

（中国人民解放军92942 部队， 北京100084）

0 引言

小口径舰炮是现代防空武器的重要组成部分，主要用于海面对空中目标射击， 保护设备免受空袭武器攻击[1]。同时具备一定的正面冲突作战能力， 因此小口径舰炮在近防领域占有极其重要地位。 随着现代小口径舰炮的装备规模越来越大，任务越来越复杂，性能指标越来越高，小口径舰炮系统的各个部分关联也越来越密切， 对舰炮管理与维修人员的素质要求也越来越高。 与此对应的舰炮系统所需的可靠保障及故障诊断级别要求也要相应的提高， 因此研究基于多源参数的小口径舰炮系统数据融合研究是国内外舰炮行业的主流趋势。

1 小口径舰炮故障模式分析

小口径舰炮具有高射速、高一次射弹量、大储弹量等突出特点，以满足拦截多批次来袭导弹、飞机和打击近距离目标的需求。 小口径舰炮系统的射击过程是各个机构协调工作的结果， 系统各个零部件的设计过程也相当复杂，要求各受力结构必须有足够的强度、刚度，同时应有合理的动态特性以尽量减小自身振动并有效抵抗弹、炮发射时产生的振动。 本文利用BP 神经网络的方法，研究了小口径舰炮系统各系统在各种射击状态下的工作情况，从而得到可靠的系统状态。 并将结果反馈到小口径舰炮系统的故障诊断环节，利用DS 证据理论，经过重复优化，以达到提高系统的工作可靠性的目的。

小口径舰炮的故障因素主要由图1 所示的各个分系统产生，目前的主要故障模式分析主要是靠FMECA 的方法来进行， 此方法主要依靠穷举法将舰炮可能产生的各个故障列举出来，再通过严重度评价准则，不易探测度评价准则来评判，受的主观因素影响较大。而本文采用数据融合的方法则避免了人为因素的影响，通过BP 神经网络与DS 证据理论相融合的方法对各个故障因素进行客观的评价。

图1 小口径舰炮结构组成

2 基于BP 神经网络的小口径舰炮多传感器数据融合过程

如图2 所示， 主要由以下几个环节组成多源传感器的数据融合：①获取信号；②信号的数模转换及预处理；③特征值提取；④多源参数的数据融合计算；⑤融合结果输出等。

图2 多源传感器数据融合过程

小口径舰炮作为一种常规武器，往往使用环境十分复杂，恶劣的环境将使得监控舰炮的传感器各项参数受到很大影响， 造成测不准的情况，通过BP 神经网络对舰炮系统传感器进行参数的预处理就可以较好的解决这一问题。如表1 中所示，不同温度环境压力传感器的测量值受不同温度环境的影响存在着较大的漂移。去除某些奇异点以后，为了消除环境因素带来的干扰， 对传感器输出信号做基于门限值的电压预处理，可以达到消除传感器输出信号的失真与模糊，从而提高数据融合输入样本的信噪比。

表1 不同温度下的压力传感器输出标定值

为了增强BP 神经网络算法的识别能力，需要对预处理所得数据进行归一化处理， 进而减小数据融合结果的系统误差，并增强系统的测量性能。最终通过对不同温度环境下的压力传感器输出标定值输入到已训练好的BP神经网络系统中从而进行数据融合。通常在对BP 神经网络进行训练选择学习算法时，既要考虑算法本身性能，又要视所求问题的复杂度、样本集大小、网络规模、网络误差目标和解决问题类型而定[2]。

通过经过反复试差的方法设定的BP 神经网络训练参数如下：

数据融合的最终结果见图3。

图3 BP 神经网络训练误差变化图

由图3 中BP 神经网络训练误差变化中可以看出，训练误差在 第500～600 步 时 训练结果基本不再变化，系统开始收敛不再变化，从而得到系统误差最小的训练结果。 训练完成后，将BP 神经网络对温度传感器和压力传感器的数据融合结果进行处理，将得到的结果再通过DS 证据理论的方法诊断，从而得到诊断结果诊断结果。

3 基于DS 证据理论与BP 神经网络相融合的故障诊断方法

Dempster/Shafer 证据理论简称D-S 证据理论，20 世纪60 年代哈佛大学的数学家A.P.Dempster 和Shafer （他的学生）提出了一种基于人工智能范畴的模糊推理方法。

许红波等[3]提出了一种推广的DS 证据理论合成规则：

当数据融合产生的基本信任分配值产生冲突时，将通过BP 神经网络融合得到传感器测量值的基本信任分配值的冲突度K 分配给每一个对应的冲突焦元， 并按基本信任分配值的比例确定冲突度K 的大小。 在式（1）中，f（A）表示矛盾概率分配函数，满足如下条件

从舰炮系统各个部位传感器参数进行多源传感器的数据融合，从而给出舰炮故障诊断的决策。 这其中包括：自动机故障诊断系统、 供弹诊断系统、 气液故障诊断系统、传动系统故障诊断系统。多源参数的故障诊断系统将舰炮系统作为一个整体设计故障诊断系统， 这对舰炮系统在正常执行任务时的状态监测具有重大意义。

在故障诊断过程中， 很多故障原因是很难诊断出来的， 这其中传动系统的故障诊断最难从传感器采集的数据中表现出现了何种的故障， 因此本文以舰炮传动系统中的减速器为例， 搭建出传动系统减速器的基本故障识别框架，如下所示：

式中：P1，P2，P3，P4分别代表传动系统减速器一般出现的四种故障：轴承磨损、基础变形、联轴器不对中以及齿轮磨损。

在基于DS 证据理论的舰炮系统故障诊断系统中采集到的传动故障诊断系统的故障信息，能够从中得到故障识别框架中四种常见故障因素出现的三种证据体， 通过这三种证据体进行故障诊断可以得到系统的故障因素。 在传动系统的故障诊断中， 这三种证据体分别是相关故障因素所具备的频域特征、振动特征和频率特征。将采集到的相应证据体的特征参数通过系统输入故障诊断系统的数据库中并进行基于DS 证据理论的故障诊断，见表2-4。

表2 证据体1 的特征参数

表3 证据体2 的特征参数

表4 证据体3 的特征参数

由多源传感器对传动系统的减速器进行检测， 并由系统的信号分析功能对测量值进行分析， 从而得到舰炮运行时各证据体的测量值，见表5-7。

表5 证据体1 的实测值

表6 证据体2 的实测值

表7 证据体3 的实测值

通过实测值可以求出各证据体对于识别框架中各故障因素的贴近度和相关系数，见表8，表9。再由各个故障因素的距离和相关系数可得每个证据体的基本可信度分配。 每个故障因素的基本可信度分配，见表10。

表8 故障与故障框架中各故障帖近度

表9 故障与识别框架中各故障类型的相关系数

表10 各故障类型的基本可信度分配

4 结果分析

通过各个证据体联合概率分布的方法， 可得识别框架中各个故障的联合概率分布，见表11 所示。

表11 联合概率分配

表中m12（·）为对证据体1 和证据体2 先进行融合的结果，m123（·）为对证据体1 和证据体2 先进行融合再将m12（·）与证据体3 进行融合的结果，m123为直接对证据体1、证据体2 与证据3 直接融合的结果，mp为引入了平均冲突法得到的融合结果。

基于DS 证据理论的融合结果见图4，可以看出通过引入了平均冲突法后得到的DS 证据理论的融合结果，相较于原始的DS 证据理论对故障的诊断的可信度提高了很多。 同时可以看到轴承磨损是导致当前舰炮传动系统出现的故障的原因，因此需要更换轴承。同时通过图中融合结果可以看出DS 证据理论预测在以后的某阶段最容易出现故障的是齿轮磨损，因此需要实时监测传动系统齿轮的磨损情况，或采用新的抗磨损的齿轮工艺。

通过示例中传动系统的最终诊断结果中可以得出结论，引入了平均冲突法的DS 证据理论在故障诊断决策阶段可以得出很好的结果。

图4 DS 证据理论融合结果

5 结束语

多源数据融合作为一种新兴的技术还有极大的发展空间， 应用多源数据融合在舰炮系统故障诊断中还有许多待解决待发展的方面：

（1）对新兴的数据融合技术还没有做深入的探讨，由于多源数据融合技术还在不断的完善和发展， 因此对如何将新技术融合进舰炮系统故障诊断中去还需进一步的学习与探讨。

（2）由于舰炮是一个大型的复杂装备，它整合机电气液各领域的技术于一体， 本文对于电气液方面的研究还有待学习，在接下来的研究阶段，可以将多源数据融合技术应用于电气液领域方面。