裝備智能故障診斷及測試性驗(yàn)證與評價(jià)方法研究.pdf

1、故障診斷能力和測試性水平是衡量航空裝備整體性能的重要指標(biāo)，為裝備的采辦、驗(yàn)收、科學(xué)決策、健康管理提供了重要依據(jù)。本文針對目前航空裝備故障診斷性能不佳，測試性驗(yàn)證與評價(jià)結(jié)論置信度較低的問題，研究了容差模擬電路軟故障智能診斷技術(shù)、故障樣本優(yōu)化分配技術(shù)、測試性水平綜合評價(jià)技術(shù)。主要研究內(nèi)容如下：
　　針對目前機(jī)載電子設(shè)備故障診斷正確率較低的問題，本文提出了基于AdaBoost算法的組合分類器智能診斷方法。首先，利用波形有效點(diǎn)提取法提取電

2、路故障特征；其次，利用遺傳算法(Genetic Algorithm，GA)優(yōu)化誤差反向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation，BP)構(gòu)建GABP單分類器；最后，利用AdaBoost算法對GABP單分類器進(jìn)行提升，得到組合分類器，在此基礎(chǔ)上進(jìn)行故障診斷。實(shí)例表明，該方法可以有效地提高容差模擬電路軟故障的診斷精度。
　　針對測試性驗(yàn)證中故障樣本分配結(jié)果不合理的問題，提出了故障樣本的多指標(biāo)集成加權(quán)分配方法。首先，綜合分析故障屬性

3、和環(huán)境因子對分配結(jié)果的影響；其次，引入神經(jīng)網(wǎng)絡(luò)預(yù)測模型計(jì)算故障率，引入模糊模式識別方法確定嚴(yán)酷度等級和故障危害度，引入灰色關(guān)聯(lián)分析法計(jì)算故障—環(huán)境關(guān)聯(lián)度；最后，利用集成加權(quán)模型計(jì)算影響指標(biāo)的權(quán)重。實(shí)例表明，該方法提高了指標(biāo)計(jì)算精度，降低了分層抽樣的方差，提高了分配結(jié)果的置信度。
　　針對“小子樣、多階段、異總體”情況下先驗(yàn)信息融合困難、測試性水平評價(jià)結(jié)果置信度較低的問題，提出了一種基于動態(tài)Bayes理論的測試性綜合評價(jià)方法。首先，