基于Netica的导弹故障诊断贝叶斯网络模型研究

针对传统导弹装备故障诊断方法效率低、精确度差等问题,提出了采用贝叶斯网络进行导弹测试故障诊断的方法。本文首先对贝叶斯网络进行了概述,然后对导弹模型故障分支进行了贝叶斯网络故障诊断精确推理。进而采用故障树-贝叶斯网络转化法生成导弹典型故障贝叶斯网络模型,并使用贝叶斯工具Netica对该模型进行了案例分析。结果表明该方法可为导弹装备故障的快速定位提供依据,为贝叶斯网络技术在导弹故障诊断领域的应用奠定基础。

证据理论用于导弹决策级故障融合诊断问题探讨

基于融合的故障诊断技术是近年来针对复杂系统故障诊断需要发展起来的一种新的技术方法,其中决策级故障诊断主要是针对故障的决策内容研究解决融合诊断的方法,其建模及表征方法与特征级融合有相当不同。以导弹为应用对象,对Dempster-Shafer证据理论应用于导弹决策级故障融合诊断的有效性进行讨论,指出冲突证据融合、冲突衡量及证据聚类是应用中需要解决的3个关键问题;探讨了问题的解决方法,给出了相关建议。

基于BP神经网络的导弹故障自动诊断研究

精确制导空空导弹是一个复杂系统,及时、准确的识别和诊断导弹故障是化解风险的重要措施。由于导弹故障模式复杂,对其故障进行识别和诊断的难度很大。文中以某型空空导弹测试问题为例,提出一种基于BP神经网络算法的导弹故障自动识别与诊断技术。通过对导弹测试数据的采集和整理形成数据样本,利用神经网络系统的学习和判断能力自动识别及诊断导弹故障,并使用Matlab神经网络工具箱进行仿真验证。验证结果证明,该技术能够快速、准确的识别和诊断导弹故障。

基于粒子群优化技术的导弹模拟故障诊断方法

采用一种基于粒子群优化的特征提取算法,以K-NN分类正确率作为评价准则,应用粒子群优化算法寻找使提取特征的K-NN分类正确率最大的转换矩阵,从而实现特征的提取.算法的特点是结构简单灵活,对数据的分布特征不敏感,适合于对模拟故障特征进行提取.故障诊断示例证明了该特征提取算法在导弹模拟故障诊断中的有效性.