貯存狀態(tài)下導(dǎo)彈雷達(dá)導(dǎo)引頭的失效是退化失效和突發(fā)失效競爭的結(jié)果,針對多元相關(guān)退化量的競爭失效預(yù)測問題,在分析導(dǎo)彈雷達(dá)導(dǎo)引頭失效特性的基礎(chǔ)上,建立了多參數(shù)相關(guān)退化的競爭失效狀態(tài)預(yù)測模型。針對性能退化數(shù)據(jù)小樣本、非線性和不確定性的特點(diǎn),采用基于量子粒子群優(yōu)化的相關(guān)向量機(jī)預(yù)測模型對其分布參數(shù)進(jìn)行預(yù)測;考慮到突發(fā)失效與退化失效之間的相關(guān)性,結(jié)合改進(jìn)熵權(quán)法描述突發(fā)失效發(fā)生概率與退化數(shù)據(jù)間的相關(guān)關(guān)系;最后借助Copula函數(shù)刻畫導(dǎo)彈雷達(dá)導(dǎo)引頭內(nèi)部失效的相關(guān)性,進(jìn)而建立競爭失效預(yù)測模型,實(shí)現(xiàn)下一階段導(dǎo)彈雷達(dá)導(dǎo)引頭的失效狀態(tài)的預(yù)測。以貯存狀態(tài)下的某批導(dǎo)彈雷達(dá)導(dǎo)引頭為例,通過與其他預(yù)測方法的對比,驗(yàn)證了本文模型的合理性和優(yōu)越性。

【文章頁數(shù)】：9 頁

【部分圖文】：

圖1競爭失效狀態(tài)預(yù)測流程

考慮到退化失效與突發(fā)失效的相關(guān)性以及各個(gè)性能特征參數(shù)之間的相關(guān)關(guān)系，為了對貯存狀態(tài)下的導(dǎo)彈雷達(dá)導(dǎo)引頭進(jìn)行競爭失效狀態(tài)的預(yù)測，首先利用數(shù)理統(tǒng)計(jì)的方法統(tǒng)計(jì)推斷出性能退化數(shù)據(jù)的分布類型，基于量子粒子群優(yōu)化(Quantum-behavedParticleSwarmOptimizat....

圖2預(yù)測回歸曲線

首先預(yù)測均值μ(t)。相空間重構(gòu)前7個(gè)數(shù)據(jù)，得到樣本對X1μ=(11.422,11.371,11.213,11.018,10.786,10.535,10.418)T和T1μ=(11.371,11.213,11.018,10.786,10.535,10.418,10.344)T。Q....

圖3均值預(yù)測結(jié)果

訓(xùn)練完畢后即可開始預(yù)測輸入樣本X*1μ(11.422,11.371,11.213,11.018,10.786,10.535,10.418,10.344)T，為了驗(yàn)證本文方法的有效性，采用GM(1,1)灰色模型作對比，對貯存54個(gè)月和60個(gè)月時(shí)性能特征參數(shù)X1的均值進(jìn)行預(yù)測，結(jié)果如....

圖4不同Copula函數(shù)下失效概率預(yù)測值

分別利用Gumbeln-Copula、Claytonn-Copula和Frankn-Copula計(jì)算出導(dǎo)彈雷達(dá)導(dǎo)引頭競爭失效的概率預(yù)測結(jié)果如圖4所示，可見Copula函數(shù)的選擇不同，預(yù)測結(jié)果有所差異，Copula函數(shù)的正確選擇至關(guān)重要。6.4預(yù)測結(jié)果分析

本文編號：3979597