基于ARMA-BP组合模型的装备故障率预测方法

为解决单一模型预测装备故障率预测误差大、精度低的问题,提出了一种基于ARMA-BP组合模型的装备故障率预测方法。在建立ARMA模型和BP神经网络模型的基础上,采用加法集成法建立ARMA-BP组合预测模型,并利用方差倒数法确定ARMA模型和BP神经网络模型的权重系数。以某型装甲装备故障率数据为研究对象,对比ARMA模型、BP神经网络模型和ARMA-BP组合模型故障率预测结果,表明:相比于单一预测模型,ARMA-BP组合模型的装备故障率预测结果精度更高。

基于叠合度的维修性多源数据融合方法

针对装备维修性试验数据样本量不足的问题,采用了数据融合方法进行扩充数据样本量,通过建立折合模型对多源先验数据进行转换,解决了与现场数据差异较大难以实现数据融合的问题,采用了改进的Bayes Bootstrap法对多源数据的分布参数进行拟合,建立基于叠合度的数据融合模型,对装备维修性多源先验数据进行融合,结合某型坦克试验数据进行算例分析,证明了该方法的可行性。

基于D-S证据理论的装备维修性多源数据融合方法

针对装备维修性评估时现场数据样本量不足的问题,建立一种基于D-S证据理论的多源数据融合方法,充分利用装备前期各阶段或其他来源的维修性试验数据。首先对传统的Bayes Bootstrap法进行改进,较为精确地拟合离散化的各源维修性试验数据的分布参数,再从数据源中挖掘样本量和分布特征等信息构建证据,采用D-S理论合成证据作为权重,建立维修性多源数据融合模型,最后采用某坦克的维修性试验数据进行实例分析,验证了该融合方法的有效性。

装备维修性多源验前数据一致性检验方法研究

针对装备维修性评价时现场试验数据样本不足的问题,引入数据融合技术虽然可以充分利用验前数据来扩充样本量,但需满足其与现场数据通过一致性检验的条件。以某型坦克维修性试验为例,从定性角度,采用图对比法和高斯曲线拟合,初步判别数据分布类型,并通过Epps-Pulley法对结果进行检验;再从定量角度采用非参数检验法中的Wilcoxon秩和检验,对验前数据和现场数据的一致性进行精确检验,为达到装备维修性数据融合的目标精度奠定了基础。

基于组合赋权VIKOR法的装备故障样本分配方法

针对目前装备维修性验证试验中故障样本分配考虑因素不全面,分配结果不合理的问题,提出了一种基于组合赋权VIKOR法的装备故障样本分配方法。在综合考虑多个主要影响因素的基础上,建立了故障样本分配影响因素体系,采用AHP-变异系数法确定了各影响因素的主客观组合权重,构建了基于组合赋权VIKOR法的装备故障样本分配模型,并结合某型装甲车辆维修性验证试验,实现了装甲车辆加温器故障样本分配。结果表明:相比基于故障率的故障样本分配方法,所提方法分配结果更加合理。

浅析多源数据融合方法的发展趋势及研究意义

由于科技领域的不断创新,使得我国武器装备也产生飞跃的迈步,装备性能大幅度提升,制造成本也与之骤升,研究表明数据融合方法可将装备在不同阶段的数据融合起来以达到降低成本、缩短研制时间等目的。本文通过剖析装备维修性多源数据的含义及特点,推测数据融合方法的发展趋势,并对其研究意义进行了分析总结。