基于灰色理论的战术导弹故障预测方法与流程

本发明涉及战术导弹故障预测技术领域，尤其涉及一种基于灰色理论的战术导弹故障预测方法。

背景技术：

战术导弹在经过一段时间的贮存、检测和故障维修等状态后，其内部材料性能的变化将导致贮存可靠性下降，最终导致导弹状态发生缓慢的退化。由于导弹个体所经历的环境应力、使用情况、维护维修情况等因素的不同，其状态退化的速度也有所差异。鉴于战术导弹作为一种典型复杂高科技装备，集机械、化工、液压、启动、电子、电气、红外和光学装置于一体，具有体积小、结构复杂、系统关联性强、技术含量高、可靠性要求高等特点，因此无法对其健康状态发展建立精确的数学模型。同时，在实际保障运用中，战术导弹又具有“长期贮存，一次使用”特点，装备测试保障数据稀缺，无法利用传统的统计分析方法预测战术导弹性能下降与故障发生时间。

技术实现要素：

本发明的目的在于克服现有技术不足，提供了一种基于灰色理论的战术导弹故障预测方法，能够解决上述现有技术中的问题。

本发明的技术解决方案：一种基于灰色理论的战术导弹故障预测方法，该方法包括：

基于战术导弹的历史测试数据建立健康因子群；

基于所述健康因子群中的健康因子的历史测试数据确定预测时隙；

基于所述预测时隙对所述健康因子群中存在数据缺失的健康因子数据序列进行数据白化操作得到对应的白化值；

基于所述健康因子群中的健康因子的历史测试数据和所述白化值确定以时间为参考的灰色理论预测模型；

基于所述灰色理论预测模型确定所述健康因子群中各健康因子发生故障的时间。

优选地，基于战术导弹的历史测试数据建立健康因子群包括：

对所述战术导弹的历史测试数据进行预处理得到战术导弹历史测试数据序列；

基于所述战术导弹历史测试数据序列得到健康因子备选集；

对所述健康因子备选集中的健康因子进行趋势分析；

将一组单维趋势变化的健康因子作为构建健康因子群的参数基础；

将一组单维趋势变化的健康因子的历史测试数据按照所属导弹分系统进行分类以构建体现对应导弹分系统性能变化的统计量；

利用每个分系统在不同时间的统计量的变化得到每个分系统的趋势变化特征，并根据每个分系统的趋势变化特征和所述一组单维趋势变化的健康因子各自对应的失效阈值确定每个分系统的统计量对应的失效阈值，以得到所述健康因子群。

优选地，基于所述战术导弹历史测试数据序列得到健康因子备选集包括：

从所述战术导弹历史测试数据序列的数值型参数中选择与导弹健康状态强相关的参数得到所述健康因子备选集。

优选地于，对所述健康因子备选集中的健康因子进行趋势分析包括：

根据所述健康因子备选集中的健康因子对应的所有历史测试数据各项指标按时间顺序绘图进行趋势分析。

优选地，基于所述灰色理论预测模型确定所述健康因子群中各健康因子发生故障的时间包括：

基于所述灰色理论预测模型得到各健康因子未来至少一个预定时隙的预测结果；

基于各个健康因子的预测结果和对应的失效阈值确定所述健康因子群中各健康因子发生故障的时间。

优选地，基于各个健康因子的预测结果和对应的失效阈值确定所述健康因子群中各健康因子发生故障的时间包括：

将每个健康因子的预测结果中大于对应的失效阈值的预测结果对应的时间确定为该健康因子发生故障的时间。

优选地，该方法还包括：

基于所述健康因子群中各健康因子发生故障的时间确定战术导弹发生故障的时间。

优选地，基于所述健康因子群中各健康因子发生故障的时间确定战术导弹发生故障的时间包括：

将各健康因子发生故障的时间中最早的时间确定为战术导弹发生故障的时间。

通过上述技术方案，可以基于通过战术导弹测试数据建立的健康因子群中的健康因子的历史数据确定预测时隙，基于所述预测时隙可以对所述健康因子群中存在数据缺失的健康因子数据序列进行数据白化操作得到对应的白化值，基于所述健康因子的历史数据和所述白化值可以确定以时间为参考的灰色理论预测模型，进而可以基于所述灰色理论预测模型确定所述健康因子群中各健康因子发生故障的时间。由此，可有效解决战术故障预测的难题，实现对战术导弹故障预测，从而为导弹武器装备预防性维修提供决策支撑，进而提高装备可用性和保障水平。

附图说明

所包括的附图用来提供对本发明实施例的进一步的理解，其构成了说明书的一部分，用于例示本发明的实施例，并与文字描述一起来阐释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于灰色理论的战术导弹故障预测方法的流程图；

图2为本发明实施例提供的一种建立健康因子群的方法的流程图。

具体实施方式

下面将结合附图对本发明的具体实施例进行详细说明。在下面的描述中，出于解释而非限制性的目的，阐述了具体细节，以帮助全面地理解本发明。然而，对本领域技术人员来说显而易见的是，也可以在脱离了这些具体细节的其它实施例中实践本发明。

在此需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的设备结构和/或处理步骤，而省略了与本发明关系不大的其他细节。

图1为本发明实施例提供的一种基于灰色理论的战术导弹故障预测方法的流程图。

如图1所示，本发明实施例提供的一种基于灰色理论的战术导弹故障预测方法可以包括：

s100，基于战术导弹的历史测试数据建立健康因子群；

s102，基于所述健康因子群中的健康因子的历史测试数据确定预测时隙，即确定历史测试数据的时间间隔划分；

举例来讲，可以根据历史测试数据的测量时间间隔确定预测时隙。

s104，基于所述预测时隙对所述健康因子群中存在数据缺失的健康因子数据序列进行数据白化操作得到对应的白化值；

s106，基于所述健康因子群中的健康因子的历史测试数据和所述白化值确定以时间为参考的灰色理论预测模型；

s108，基于所述灰色理论预测模型确定所述健康因子群中各健康因子发生故障的时间。

通过上述技术方案，可以基于通过战术导弹测试数据建立的健康因子群中的健康因子的历史数据确定预测时隙，基于所述预测时隙可以对所述健康因子群中存在数据缺失的健康因子数据序列进行数据白化操作得到对应的白化值，基于所述健康因子的历史数据和所述白化值可以确定以时间为参考的灰色理论预测模型，进而可以基于所述灰色理论预测模型确定所述健康因子群中各健康因子发生故障的时间。由此，可有效解决战术故障预测的难题(即，解决了具有“长期贮存、一次使用”特点的战术导弹使用过程中的状态数据贫乏问题)，实现对战术导弹故障预测，从而为导弹武器装备预防性维修提供决策支撑，进而提高装备可用性和保障水平。

换言之，本发明所述的方法以装备(战术导弹)历史测试数据为基础，以时间为预测参考，以gm(1,1)模型(即，灰色理论预测模型)为预测模型，实现对战术导弹的故障预测。

其中，战术导弹的历史测试数据是反映战术导弹健康状态变化的主要信息来源。健康因子群(healthindexgroup,hig)是能够反映装备综合健康状态的一系列参数组合，它随着装备的贮存和使用，各参数具有上升或者下降趋势。

图2为本发明实施例提供的一种建立健康因子群的方法的流程图。

如图2所示，图1中所示的s100基于战术导弹的历史测试数据建立健康因子群可以包括：

s1002，对所述战术导弹的历史测试数据进行预处理得到战术导弹历史测试数据序列；

s1004，基于所述战术导弹历史测试数据序列得到健康因子备选集；

s1006，对所述健康因子备选集中的健康因子进行趋势分析；

s1008，将一组单维趋势变化(即，单调递增或递减)的健康因子作为构建健康因子群的参数基础；

s1010，将一组单维趋势变化的健康因子的历史测试数据按照所属导弹分系统进行分类以构建体现对应导弹分系统性能变化的统计量；

举例来讲，可以对各分系统对应的健康因子的历史测试数据进行综合得到对应分系统的统计量。其中，各分系统的统计量可以随时间变化。

s1012，利用每个分系统在不同时间的统计量的变化得到每个分系统的趋势变化特征(例如，增加或减小)，并根据每个分系统的趋势变化特征和所述一组单维趋势变化的健康因子各自对应的失效阈值确定每个分系统的统计量对应的失效阈值，以得到所述健康因子群(举例来讲，可以得到包含有m项参数的战术导弹健康因子群(x1,x2,…,xm))。

也就是，构建健康因子群的可以从其不同时间的测试数据中找到多个单维序列，该序列随某一具有时序特性变量的变化曲线呈现一定的上升或下降趋势，由此便可用其表征战术导弹的健康状态变化。并且，考虑到战术导弹在运用过程中，装备在使用前，长期处于贮存状态，而战术导弹作为典型复杂电子系统，其会因存储时外界环境以及长久未用器件老化等原因引起战术导弹较大的性能衰退，所以在本发明中以时间量为参考来构建战术导弹健康因子。

其中，通过对战术导弹的历史测试数据进行预处理，可以将可转化为数值型参数的数字量型数据进行二次处理，将之转化为数值型参数。

根据本发明一种实施例，s1004中基于所述战术导弹历史测试数据序列得到健康因子备选集可以包括：

从所述战术导弹历史测试数据序列的数值型参数中选择与导弹健康状态强相关的参数得到所述健康因子备选集。

也就是，在战术导弹各测试参数中，筛选出数值型测试参数，选择与装备健康状态强相关的参数项，得到装备健康因子备选集。

根据本发明一种实施例，s1006中对所述健康因子备选集中的健康因子进行趋势分析可以包括：

根据所述健康因子备选集中的健康因子对应的所有历史测试数据各项指标按时间顺序绘图进行趋势分析。

由此，可以根据所绘制的图中的数据变化可以得到趋势分析结果(例如，参数的单调递增或单调递减趋势)。

根据本发明一种实施例，s108中基于所述灰色理论预测模型确定所述健康因子群中各健康因子发生故障的时间可以包括：

基于所述灰色理论预测模型得到各健康因子未来至少一个预定时隙的预测结果(即，各健康因子在未来时间的预测值)；

基于各个健康因子的预测结果和对应的失效阈值(每个健康因子对应的失效阈值)确定所述健康因子群中各健康因子发生故障的时间。

根据本发明一种实施例，基于各个健康因子的预测结果和对应的失效阈值确定所述健康因子群中各健康因子发生故障的时间可以包括：

将每个健康因子的预测结果中大于对应的失效阈值(每个健康因子对应的失效阈值)的预测结果对应的时间确定为该健康因子发生故障的时间。

举例来讲，首先，基于健康因子的历史测试数据，可以确定合理的预测时隙，也即确定历史测试数据的时间间隔划分；在预测时隙确定后，对于健康因子群序列中存在数据缺失的部分，可以进行健康因子数据序列数据白化操作。

由于战术导弹是向性能不断退化的趋势发展，因此健康因子也呈现单调增加或减小趋势，缺失的数据为一区间灰数，区间的两端分别为其相邻的两个时隙健康因子数据。鉴于健康因子的取值分布信息缺乏，因此可以采用均值白化方法得到健康因子灰数据的白化值，具体的白化方法如下。

假设健康因子的原始数据序列(即，为进行白化的数据序列)为：

x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))。(1)

其中第k个数据为一灰数(x⁽⁰⁾(k))(k≠1且k≠n)，序列中其相邻的两数据分别为x⁽⁰⁾(k+1)和x⁽⁰⁾(k-1)，则可知(x⁽⁰⁾(k))白化值^[4]为：

则令α＝1/2便可得到x⁽⁰⁾(k)的均值白化值为：

当有相邻多个灰数时，可利用上述过程依次将各灰数白化。

将健康因子序列中所有灰数进行白化后，再根据gm(1,1)模型预测的基本原理进行故障预测：

记x⁽¹⁾为x⁽⁰⁾的一次累加生成序列：

x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))。(4)

其中，

经过累加处理，相比于原始序列x⁽⁰⁾，x⁽¹⁾生成序列的平稳程度得到增加，而随机程度得到弱化，减小了数据中噪声的影响。

利用生成序列x⁽¹⁾构建gm(1,1)模型均值形式白化微分方程：

其中，参数a称为发展系数，反应序列的发展态势，b称为模型协调系数，反映数据间的变换关系。利用最小二乘法求解参数a,b：

其中y,b分别为：

y＝[x⁰(2),x⁰(3),…,x⁰(n)]^t。(10)

求解微分方程(6)，即可得到预测模型：

再对公式(10)作累减还原，便可得到健康因子原始数列x⁽⁰⁾的灰色预测模型为：

依照上式，根据各健康因子预测值及失效阈值，可以对战术导弹进行故障预测。以单调递增的健康因子为例，假设健康因子x失效阈值为tx，第m个时隙中系统失效，则求解不等式方程组：

根据上式，便可确定战术导弹各参数发生故障的时隙位置，得到预测结果。

根据本发明一种实施例，该方法还可以包括：

基于所述健康因子群中各健康因子发生故障的时间确定战术导弹发生故障的时间。

其中，基于所述健康因子群中各健康因子发生故障的时间确定战术导弹发生故障的时间可以包括：

将各健康因子发生故障的时间中最早的时间确定为战术导弹发生故障的时间。

举例来讲，得到战术导弹各健康因子失效时间，即各参数发生故障的时间，根据下述公式(14)对各健康因子故障预测结果进行融合，便可得到战术导弹故障预测结果，根据预测结果，可提出针对性的装备维修建议。

下面结合实例对本发明所述的基于灰色理论的战术导弹故障预测方法进行描述。

具体地，以某战术导弹为例，该战术导弹于t0年交付入役，在列装年份产生两组测试数据，之后除t0+4年外，每年产生一组测试数据。以该装备为例，在t0+7年年初应用本发明所述的方法进行故障预测。

该型战术导弹历史测试数据包含t0-t0+6年份共计7组测试数据，其中t0+2年测试数据中，关键设备a测试数据有两包，其中第一包测试数据不完整，仅包含前几项测试项结果，且中间某项数据测试结果超差，经确认为当次测试电缆插头不可靠链接，因此导致该项测试不合格，后经电缆插头重新接插，并再次检查确认测试状态后，关键设备a测试合格。由于第一包测试数据不完整，且包含错误项，同时当次测试中电缆不可靠连接可能会为测试结果引入噪声，因此将该包测试数据当作奇异值做删除处理；同时，根据测试数据中的记录数据，将部分可转化为数值型数据的指标进行转化，如将测试项：电阻合格与否信号(数字量，转化为对应电阻测量值)；此外，由于t0年产生两组测试数据，考虑到两次测试时间间隔较小，因此对测试结果取平均值处理，综合得到t0年的装备测试数据。

对战术导弹历史测试数据进行，可以看出战术导弹历史测试数据中包含诸多测试单元及项目，将各项目及单元测试结果综合，可以得到战术导弹历史测试数据序列。随后，根据装备健康因子构建原则，将测试数据中数字量参数剔除，同时筛选与装备性能强相关的质量测试项(例如，惯导定位误差，舵机控制误差等)，从而得到装备健康因子备选集；之后可以通过简单的统计方法，例如将健康因子备选集中的健康因子对应的所有历史测试数据各项指标按时间顺序描点画图等，完成历史测试数据的趋势分析；经过趋势分析，可以选取出一组具有单维趋势变化的参数(健康因子)作为构建健康因子的参数基础；基于该组单维趋势变化的参数的历史测试数据，按照所属导弹分系统进行分类以构建体现对应导弹分系统性能变化的统计量，例如，将部分项目进行综合(将一级四个舵机的控制误差进行综合，取误差变化最大的一扇舵面控制误差为一级舵机控制误差评价值)，同时利用每个分系统在不同时间的统计量的变化得到每个分系统的趋势变化特征，并根据每个分系统的趋势变化特征和所述一组单维趋势变化的健康因子各自对应的失效阈值确定每个分系统的统计量对应的失效阈值，从而可以得到包含有4项参数的该装备健康因子群(x1,x2,x3,x4)，其中各健康因子对应的失效阈值可以参见下表1(表1表示待预测战术导弹的健康因子群中各健康因子对应的失效阈值)，历史测试数据参见下表2(表2表示待预测战术导弹的健康因子群中各健康因子对应的历史测试数据)。

表1待预测战术导弹的健康因子群中各健康因子对应的失效阈值

其中，本领域技术人员可以根据实际情况预先确定待预测战术导弹的健康因子群中各健康因子对应的失效阈值，本发明不对此进行限定。

表2待预测战术导弹的健康因子群中各健康因子对应的历史测试数据

基于前述战术导弹的健康因子群中各健康因子对应的历史测试数据，可以很容易地确定预测时隙为1年；在预测时隙确定后，对于健康因子序列中t0+4年健康数据缺失的部分，利用公式(1)-(3)可进行健康因子数据序列数据均值白化操作，从而得到该型装备t0+4年的测试数据白化值，如表3所示(表3表示待预测战术导弹的健康因子t0+4年数据白化值)。

表3待预测战术导弹的健康因子t0+4年数据白化值

基于表2及表3的数据，利用公式(1)～(9)便可得到各健康因子的灰色预测模型，并实现对战术导弹各健康因子发展的预测，由此可得到各因子未来5年的预测结果，如表4所示(表4表示待预测战术导弹的健康因子群中各健康因子的预测结果，其中粗体表示该健康因子预测结果超过对应的失效阈值)。

表4待预测战术导弹的健康因子群中各健康因子的预测结果

根据健康因子群中各健康因子的预测值及公式(13)，可以实现对战术导弹的故障预测，得到各健康因子发生故障的时隙位置，如表5所示(表5表示待预测战术导弹的各健康因子故障时间预测结果)。

表5待预测战术导弹的各健康因子故障时间预测结果

根据公式(14)及表5所示的预测结果，将该战术导弹各健康因子预测结果进行融合，可得到预测结果为该装备可能在t0+9年发生故障，超差的指标为x3。并基于该装备的预测结果，可以便于相关保障机构在后期的保障维护中，重点关注装备的该指标发展，并在适当的时间进行预防性维修。

如上针对一种实施例描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施例中使用，和/或与其它实施例中的特征相结合或替代其它实施例中的特征使用。

应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤、组件或其组合的存在或附加。

本发明以上的方法可以由硬件实现，也可以由硬件结合软件实现。本发明涉及这样的计算机可读程序，当该程序被逻辑部件所执行时，能够使该逻辑部件实现上文所述的装置或构成部件，或使该逻辑部件实现上文所述的各种方法或步骤。本发明还涉及用于存储以上程序的存储介质，如硬盘、磁盘、光盘、dvd、flash存储器等。

这些实施例的许多特征和优点根据该详细描述是清楚的，因此所附权利要求旨在覆盖这些实施例的落入其真实精神和范围内的所有这些特征和优点。此外，由于本领域的技术人员容易想到很多修改和改变，因此不是要将本发明的实施例限于所例示和描述的精确结构和操作，而是可以涵盖落入其范围内的所有合适修改和等同物。

本发明未详细说明部分为本领域技术人员公知技术。