建立炮控箱故障预测模型和故障预测的方法及相关装置与流程

1.本发明涉及炮控箱故障检测技术领域，尤其是涉及一种建立炮控箱故障预测模型和故障预测的方法及相关装置。


背景技术：

2.炮控箱是火炮控制系统的核心，由线缆连接到其它零件上，从而实现对火炮控制系统的启动、控制和调试以及工作状态切换和显示。然而，炮控箱使用频率较高，容易导致故障的发生。因此，对其进行故障预测，可以降低现场工作人员的维护工作负担，降低设备的维护费用。
3.目前bp神经网络、d-s证据融合诊断、支持向量机元启发优化算法改进支持向量机等多种算法已在火控故障诊断领域得到了广泛应用。bp神经网络在输入数据量大、结构复杂的情况下，存在着泛化能力差、预测精度不高、高维问题难以求解等问题。d-s证据融合诊断技术对专家系统的依赖性较强，存在知识获取困难、信息不完全、适应性不强等缺点。支持向量机(support vector machine,svm)能有效地克服样本数量少、求解高维非线性问题，具有很强的泛化能力。
4.尽管支持向量机在故障预测中得到了广泛的应用，但是在支持向量机中如何选择惩罚因子c和核函数g是制约svm预测准确性主要原因。利用秃鹰优化算法对svm的参数进行优化，从而有效地提高了对svm的预测准确率。秃鹰优化算法在改进支持向量机的性能上有了很大的进步，但是它的求解精度较低，容易陷入局部最优解等问题，有待更进一步的研究。因此提出了基于混沌映射改进的秃鹰搜索算法，并将新算法命名为cao(aquila optimizer based on chaoticamap)。


技术实现要素：

5.有鉴于此，有必要针对上述问题，提供一种建立炮控箱故障预测模型和故障预测的方法及相关装置。
6.为解决上述技术问题，本发明采用的技术方案是：
7.第一个方面，本发明提供一种建立炮控箱故障预测模型的方法，所述方法包括：
8.s11：获取火炮控制系统炮控箱的引脚信号作为原始数据，构建数据集；所述数据集包括训练数据集和测试数据集；
9.s12：构建svm模型，将训练数据集作为svm模型的输入，使用混沌映射改进的秃鹰算法(cao)对svm进行参数寻优，训练得到cao-svm模型。
10.进一步地，所述引脚信号为火炮控制系统的炮控箱组装置32个引脚的数据。
11.进一步地，所述步骤s11包括以下步骤：
12.对所获取的火炮控制系统炮控箱的引脚信号进行灰色关联分析，对原始数据参数进行筛选，将影响其性能的信号参数进行排序，剔除相关性较低的引脚信号，选出灰色关联度较高的属性构建数据集。
13.进一步地，对所获取的火炮控制系统炮控箱的引脚信号进行灰色关联分析包括以下步骤：
14.1)确定比较序列和母序列：其分别表示影响系统行为的因素组成的数据序列和能反应系统行为特征的数据序列；
15.2)归一化处理：用初始值来把所有的数值都归为1这个数量级附近，公式为：n为每个序列的数据维度，m为序列个数；
16.3)计算灰色关联系数ξ：ρ为分辨系数，ρ取常数值0.5；
17.4)求关联度ri：ξ为关联系数。
18.进一步地，使用混沌映射改进的秃鹰算法对svm进行参数寻优，包括以下步骤：
19.1)初始化cao算法参数；
20.2)通过交叉验证，对训练样本进行训练，交叉验证准确率作为天鹰个体适应度值，获得最优适应度和位置；
21.3)计算天鹰新个体适应度值，并与最优新个体进行适应度比较；
22.4)判断是否达到最大迭代次数，若达到，则得到最优参数，输出最优模型，若没达到，重复cao算法中天鹰扩展搜索和狩猎行为，直到输出最优解，得到cao-svm模型。
23.第二个方面，本发明提供一种炮控箱故障预测方法，所述方法包括：
24.获取火炮控制系统炮控箱的引脚信号，作为输入数据，
25.将所述输入数据输入cao-svm模型，输出炮控箱故障的预测结果，所述cao-svm模型是根据上述第一个方面所述的建立炮控箱故障预测模型的方法建立的。
26.第三个方面，本发明提供一种建立炮控箱故障预测模型的装置，所述装置包括：
27.获取单元，用于获取火炮控制系统炮控箱的引脚信号作为原始数据，构建数据集；所述数据集包括训练数据集和测试数据集；
28.构建单元，用于构建svm模型，将训练数据集作为svm模型的输入，使用混沌映射改进的秃鹰算法(cao)对svm进行参数寻优，训练得到cao-svm模型。
29.第四个方面，本发明提供一种炮控箱故障预测装置，所述装置包括：
30.输入数据获取单元，用于获取火炮控制系统炮控箱的引脚信号，作为输入数据，
31.预测结果输出单元，用于将所述火炮控制系统炮控箱的引脚信号输入cao-svm模型，输出炮控箱故障的预测结果，所述cao-svm模型是根据上述第一个方面所述的建立炮控箱故障预测模型的方法建立的。
32.第五个方面，本发明提供一种终端设备，所述终端设备包括：
33.处理器以及存储器；
34.所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；
35.所述处理器，用于调用存储器中的指令执行上述第一个方面所述的建立炮控箱故障预测模型的方法。
36.第六个方面，本发明提供一种终端设备，所述终端设备包括：
37.处理器以及存储器；
38.所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；
39.所述处理器，用于调用存储器中的指令执行第二个方面所述的炮控箱故障预测方法。
40.本发明所具有的优点和有益效果是：
41.本发明使用cao-svm模型对炮控箱进行故障预测，输入测试样本，对测试样本进行故障预测，最终得到混沌映射改进的秃鹰算法优化支持向量机的算法分类预测准确率s达到98.7％，比未经优化过的支持向量机预测准确率提高了8％以上。
附图说明
42.图1为本技术实施例提供的一种建立炮控箱故障预测模型的方法流程图；
43.图2为混沌映射改进秃鹰算法优化svm的流程图；
44.图3为混沌映射改进秃鹰算法流程图；
45.图4为svm、ao-svm、cao-svm的算法精度对比图，其中，(a)为svm预测结果；(b)为ao-svm预测结果；(c)为cao-svm预测结果；
46.图5为ao-svm与cao-svm的收敛曲线图，其中，(a)ao-svm适应度曲线；(b)cao-svm适应度曲线；
47.图6所示为本技术实施例提供的一种炮控箱故障预测方法的流程图；
48.图7所示为一种建立炮控箱故障预测模型的装置的结构图；
49.图8所示为分析单元结构图；
50.图9所示为构建单元结构图；
51.图10所示为一种炮控箱故障预测装置的结构图。
具体实施方式
52.为使本技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本技术实施例作进一步详细的说明。
53.炮控箱是火炮控制系统的核心，由于炮控箱使用频率较高，容易导致故障的发生。因此，急需一种准确预测炮控箱故障的方法。
54.有鉴于此，本技术实施例提供了一种建立炮控箱故障预测模型的方法和一种炮控箱故障预测方法。
55.下面结合附图对本技术实施例提供的一种建立炮控箱故障预测模型的方法进行介绍。
56.图1所示为本技术实施例提供的一种建立炮控箱故障预测模型的方法流程图，该方法包括：
57.s11：获取火炮控制系统炮控箱的引脚信号作为原始数据，构建数据集；所述数据集包括训练数据集和测试数据集；
58.s12：构建svm模型，将训练数据集作为svm模型的输入，使用混沌映射改进的秃鹰算法(cao)对svm进行参数寻优，训练得到cao-svm模型。
59.具体地，步骤s11中，获取某型坦克的火炮控制系统对炮控箱组装置32个引脚的数
据，将采集到的信号作为系统的原始信号，并进行实验。32个引脚数据包括炮控箱武器控制组合、水平功率放大器、垂直功率放大器、速度陀螺仪、武器稳定器电源箱、车长/炮长操纵台、电源控制器、炮塔供电箱32个引脚数据。
60.对所获取的火炮控制系统炮控箱的引脚信号进行灰色关联分析，对原始数据参数进行筛选，将影响其性能的信号参数进行排序，剔除相关性较低的引脚信号，选出灰色关联度较高的属性构建数据集。
61.对所获取的火炮控制系统炮控箱的引脚信号进行灰色关联分析包括以下步骤：
62.1)确定比较序列和母序列：其分别表示影响系统行为的因素组成的数据序列和能反应系统行为特征的数据序列。
63.2)归一化处理：由于同一因子的序列在数量级上没有太大的差异，因此可以用初始值来把所有的数值都归为1这个数量级附近。公式为：n为每个序列的数据维度。m为序列个数。
64.3)计算灰色关联系数ξ：ρ为分辨系数，ρ》0，且ρ变小时分辨力增大，一般取常数值0.5。
65.4)求关联度ri：ξ为关联系数。
66.将影响炮控箱性能的信号参数进行排序，以灰色关联度0.9作为炮控箱特征信号判断标准，剔除相关性较低的引脚信号，并构建数据集。
67.使用基于混沌改进的ao算法对svm进行参数寻优，其步骤如图2所示。
68.svm将n维数据用特定的线性函数k(x)投影到更高维度的空间中，则分类函数构造如下：f(x)＝ω
t
k(xi)+b其中b为偏置项，ω—超平面的权值向量。建立优化目标函数与约束条件，数学表达式如下：其中ξ为松弛变量，k(xi)为核函数。c＞0为惩罚因子。核函数表达式如下：整理后，得出最优svm分类函数为：其中αi—拉格朗日乘子。由上式我们可以看出支持向量机中如何选择惩罚因子c和核函数g是制约svm预测准确性主要因素。
69.基于混沌改进的ao算法在初始化种群及扩展搜索阶段，引入混沌映射，有效地避免算法陷入局部最优解，使算法具有良好的收敛精度与收敛速度。算法会根据不同的行为条件从搜索阶段转换为狩猎阶段，如果t《＝(2/3)*t那么算法会进入到搜索阶段，否者算法会进入到狩猎阶段。算法的流程图如图3所示。
70.初始化种群：在秃鹰算法初始化种群阶段，由于采用了随机生成的方式，从而造成了种群的个体分布不均，导致算法容易陷入局部最优。因此，在初始化阶段，引入tent混沌映射，可以产生较好的初始种群，从而有效地提升了种群的多样性。tent混沌映射下所示：
71.方法1扩展探索阶段：秃鹰高空飞行并广泛探索最佳狩猎区域，以确定搜索空间的区域，也就是猎物的所在地。该过程的数学模型描述如下所示。由于秃鹰选择搜索空间是简单随机的，从而导致全局搜索能力不足，由此笔者引入混沌映射中的正弦映射(sine map)来对秃鹰搜索算法中第一步中的随机数rand进行优化，正弦映射如下所示：带入上式其中cr是区间[0,1]的正弦映射，p是区间(0,4)的随机数x
best
(t)是到第t次迭代之前获得的最佳解，反应了猎物的近似位置。方程1-t/t被用于控制扩展搜索阶段的迭代次数。xm(t)表示第t次迭代时连接x
best
(t)的位置均值。t和t分别表示当前迭代次数和最大迭代次数。rand为0到1之间的随机值。
[0072]
方法2缩小探索阶段:当秃鹰从高空发现猎物区域时，秃鹰会在目标猎物上方盘旋，之后发起攻击。这种方法被称为等高线飞行短滑攻击,该过程的数学模型描述如下所示x2＝x
best
(t)
×
levy(d)+xr(t)+(y-x)
×
rand其中x
best
(t)是到第t次迭代之前获得的最佳解，d为维数空间,levy为飞行分布函数，y和x表示搜索中的螺旋形状由公式y＝r
×
cos(θ),x＝r
×
sin(θ)计算，xr(t)在第t次迭代时，从[1,n]区间中得到的一个随机解，rand为0到1之间的随机值。
[0073]
方法3扩大狩猎：在秃鹰基本确定了目标位置，并做好了降落和进攻的准备后，秃鹰开始垂直俯冲，并做出攻击动作，从而判断目标的反应；这种攻击方式被称为慢降低飞攻击。该过程的数学模型描述如下所示
[0074]
x3＝(x
best
(t)-xm(t))
×
α-rand+((ub-lb)
×
ub+lb)
×
δ其中x
best
(t)是到第t次迭代之前获得的最佳解，xm(t)表示第t次迭代时连接x
best
(t)的位置均值。lb为给定问题的下界，ub为给定问题上界。α和δ固定为0.1的常数值，rand为0到1之间的随机值。
[0075]
方法4缩小狩猎：当秃鹰接猎物时，秃鹰会根据其逃跑轨迹追逐猎物，然后攻击地面上的猎物。该过程的数学模型描述如下所示x4＝qf
×
x
best-(g1×
x(t)
×
rand)-g2×
levy(d)+rand
×
g1其中x
best
(t)是到第t次迭代之前获得的最佳解，qf表示用于平衡搜索策略的质量函数，d为维数空间,levy为飞行分布函数g1用于表示秃鹰在狩猎期间跟踪猎物的各种运动，g2用于表示秃鹰从狩猎开始到狩猎结束期间的飞行斜率，该斜率呈现从2到0的递减值，rand为0到1之间的随机值。
[0076]
具体地，如图2所示，步骤s12以支持向量机(svm)为基础，使用混沌映射改进的秃鹰算法(cao)对svm进行参数寻优，训练得到cao-svm模型的相关步骤如下：
[0077]
1)初始化cao算法参数，即最大迭代次数，种群数量,惩罚参数(c)、核参数(g)上下界范围；
[0078]
2)通过交叉验证，对训练样本进行训练，交叉验证准确率作为天鹰个体适应度值，获得最优适应度和位置。
[0079]
3)计算天鹰新个体适应度值，并与最优新个体进行适应度比较。
[0080]
4)判断是否达到最大迭代次数，若达到，则得到最优参数，输出最优模型，若没达到，重复cao算法中天鹰扩展搜索和狩猎等行为，直到输出最优解，得到cao-svm模型。
[0081]
以上为本技术实施例提供的一种建立炮控箱故障预测模型的方法的具体实现方
式，基于上述实施例中的一种建立炮控箱故障预测模型，本技术实施例还提供了一种炮控箱故障预测方法。
[0082]
图6所示为本技术实施例提供的一种炮控箱故障预测方法的流程图，请参照图，该方法包括：
[0083]
s21：获取火炮控制系统炮控箱的引脚信号，作为输入数据；
[0084]
s22：将所述输入数据输入cao-svm模型，输出炮控箱故障的预测结果。所述cao-svm模型是根据本技术实施例所述的建立炮控箱故障预测模型的方法建立的。
[0085]
使用cao-svm模型对炮控箱进行故障预测，输入测试样本，对测试样本进行故障预测，最终得到混沌映射改进的秃鹰算法优化支持向量机的算法分类预测准确率s达到98.7％，比未经优化过的支持向量机预测准确率提高了8％以上。
[0086]
图4对比了svm、ao-svm、cao-svm的算法精度。未进行任何参数优化的svm算法测试数据分类准确率为90％，经过ao优化过后的svm算法测试数据分类准确率为96％。使用cao对svm参数c和g进行优化后，测试数据分类准确率为98％，运行时间也是最短的。状态评价结果统计见表1。
[0087]
表1评估状态统计表
[0088][0089]
图5展示了ao-svm与cao-svm的收敛曲线。bestc是最佳惩罚参数，bestg是最佳核参数，cvaccuracy是最佳适应度。其中ao-svm：终止代数＝100，种群数量pop＝20,bestc＝86.3874，bestg＝3.00057,cvaccuracy＝99.4382％。cao-svm：终止代数＝100，种群数量pop＝20,bestc＝573.7754，bestg＝1.6414,cvaccuracy＝100％。通过与ao-svm的比较，发现cao-svm无论是在迭代速度方面，亦或是收敛准确度方面都超越了ao-svm。ao-svm在经过混沌映射改进后，使得初始个体的分布更加均匀，从而提高了算法的搜索能力。面对陷入局部最优解问题时cao-svm也显示出了更强的灵活性，可以以更速快度且不失精度的找到最优参数。
[0090]
以上为本技术实施例提供的一种建立炮控箱故障预测模型的方法以及炮控箱故障预测方法的具体实现方式，基于此，本技术实施例还提供了一种建立炮控箱故障预测模型的装置以及炮控箱故障预测装置。
[0091]
图7所示为一种建立炮控箱故障预测模型的装置的结构图，所述装置包括：
[0092]
获取单元31，用于获取火炮控制系统炮控箱的引脚信号作为原始数据，构建数据集；所述数据集包括训练数据集和测试数据集；
[0093]
构建单元32，用于构建svm模型，将训练数据集作为svm模型的输入，使用混沌映射改进的秃鹰算法(cao)对svm进行参数寻优，训练得到cao-svm模型。
[0094]
所述获取单元31包括分析单元311，用于对所获取的火炮控制系统炮控箱的引脚信号进行灰色关联分析，对原始数据参数进行筛选，将影响其性能的信号参数进行排序，剔
除相关性较低的引脚信号，选出灰色关联度较高的属性构建数据集。
[0095]
如图8所示，所述分析单元311，包括：
[0096]
确定单元3111，用于确定比较序列和母序列：其分别表示影响系统行为的因素组成的数据序列和能反应系统行为特征的数据序列；
[0097]
归一化单元3112，用于归一化处理：用初始值来把所有的数值都归为1这个数量级附近，公式为：n为每个序列的数据维度，m为序列个数；
[0098]
计算单元3113，用于计算灰色关联系数ξ：ρ为分辨系数，ρ》0，且ρ变小时分辨力增大，一般取常数值0.5；
[0099]
求关联度单元3114，用于求关联度ri：ξ为关联系数。
[0100]
如图9所示，所述构建单元32包括：
[0101]
初始化单元321，用于初始化cao算法参数，即最大迭代次数，种群数量,惩罚参数(c)、核参数(g)上下界范围；
[0102]
验证单元322，用于通过交叉验证，对训练样本进行训练，交叉验证准确率作为天鹰个体适应度值，获得最优适应度和位置；
[0103]
计算单元323，用于计算天鹰新个体适应度值，并与最优新个体进行适应度比较；
[0104]
判断单元324，用于判断是否达到最大迭代次数，若达到，则得到最优参数，输出最优模型，若没达到，重复cao算法中天鹰扩展搜索和狩猎行为，直到输出最优解，得到cao-svm模型。
[0105]
如图10所示为一种炮控箱故障预测装置的结构图，该装置包括：
[0106]
输入数据获取单元41，用于获取火炮控制系统炮控箱的引脚信号，作为输入数据；
[0107]
预测结果输出单元42，用于将所述火炮控制系统炮控箱的引脚信号输入cao-svm模型，输出炮控箱故障的预测结果，所述cao-svm模型是根据本技术实施例所述的建立炮控箱故障预测模型的方法建立的。
[0108]
以上从功能模块化的角度对本技术实施例提供的一种建立炮控箱故障预测模型的装置和一种建立炮控箱故障预测模型进行了介绍。接下来，从硬件处理的角度对本技术实施例提供的一种建立炮控箱故障预测模型的终端设备和一种炮控箱故障预测的终端设备进行介绍。炮控箱
[0109]
本技术实施例提供了一种终端设备，包括：处理器以及存储器；其中存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；处理器，用于调用存储器中的指令执行本技术实施例提供的建立炮控箱故障预测模型的方法。
[0110]
本技术实施例提还供了一种终端设备，包括：处理器以及存储器；其中存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；处理器，用于调用存储器中的指令执行本技术实施例提供的炮控箱故障预测方法。
[0111]
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处
参见方法部分说明即可。
[0112]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0113]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

技术特征：
1.一种建立炮控箱故障预测模型的方法，其特征在于，所述方法包括：s11：获取火炮控制系统炮控箱的引脚信号作为原始数据，构建数据集；所述数据集包括训练数据集和测试数据集；s12：构建svm模型，将训练数据集作为svm模型的输入，使用混沌映射改进的秃鹰算法对svm进行参数寻优，训练得到cao-svm模型。2.根据权利要求1所述的一种建立炮控箱故障预测模型的方法，其特征在于：所述引脚信号为火炮控制系统的炮控箱组装置32个引脚的数据。3.根据权利要求1或2所述的一种建立炮控箱故障预测模型的方法，其特征在于：所述步骤s11包括以下步骤：对所获取的火炮控制系统炮控箱的引脚信号进行灰色关联分析，对原始数据参数进行筛选，将影响其性能的信号参数进行排序，剔除相关性较低的引脚信号，选出灰色关联度较高的属性构建数据集。4.根据权利要求3所述的一种建立炮控箱故障预测模型的方法，其特征在于：对所获取的火炮控制系统炮控箱的引脚信号进行灰色关联分析包括以下步骤：1)确定比较序列和母序列：其分别表示影响系统行为的因素组成的数据序列和能反应系统行为特征的数据序列；2)归一化处理：用初始值来把所有的数值都归为1这个数量级附近，公式为：n为每个序列的数据维度，m为序列个数；3)计算灰色关联系数ξ：ρ为分辨系数，ρ取常数值0.5；4)求关联度r
i
：ξ为关联系数。5.根据权利要求1所述的一种建立炮控箱故障预测模型的方法，其特征在于：使用混沌映射改进的秃鹰算法对svm进行参数寻优，包括以下步骤：1)初始化cao算法参数；2)通过交叉验证，对训练样本进行训练，交叉验证准确率作为天鹰个体适应度值，获得最优适应度和位置；3)计算天鹰新个体适应度值，并与最优新个体进行适应度比较；4)判断是否达到最大迭代次数，若达到，则得到最优参数，输出最优模型，若没达到，重复cao算法中天鹰扩展搜索和狩猎行为，直到输出最优解，得到cao-svm模型。6.一种炮控箱故障预测方法，其特征在于，所述方法包括：获取火炮控制系统炮控箱的引脚信号，作为输入数据，将所述输入数据输入cao-svm模型，输出炮控箱故障的预测结果，所述cao-svm模型是根据所述权利要求1-5任一项所述的建立炮控箱故障预测模型的方法建立的。7.一种建立炮控箱故障预测模型的装置，其特征在于，所述装置包括：获取单元，用于获取火炮控制系统炮控箱的引脚信号作为原始数据，构建数据集；所述数据集包括训练数据集和测试数据集；
构建单元，用于构建svm模型，将训练数据集作为svm模型的输入，使用混沌映射改进的秃鹰算法(cao)对svm进行参数寻优，训练得到cao-svm模型。8.一种炮控箱故障预测装置，其特征在于，所述装置包括：输入数据获取单元，用于获取火炮控制系统炮控箱的引脚信号，作为输入数据，预测结果输出单元，用于将所述火炮控制系统炮控箱的引脚信号输入cao-svm模型，输出炮控箱故障的预测结果，所述cao-svm模型是根据所述权利要求1-5任一项所述的建立炮控箱故障预测模型的方法建立的。9.一种终端设备，所述终端设备包括：处理器以及存储器；所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器，用于调用存储器中的指令执行权利要求1-5任意一项所述的建立炮控箱故障预测模型的方法。10.一种终端设备，所述终端设备包括：处理器以及存储器；所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器，用于调用存储器中的指令执行权利要求6任意一项所述的炮控箱故障预测方法。

技术总结
本发明涉及一种建立炮控箱故障预测模型和故障预测的方法及相关装置。所述方法包括：S11：获取火炮控制系统炮控箱的引脚信号作为原始数据，构建数据集；所述数据集包括训练数据集和测试数据集；S12：构建SVM模型，将训练数据集作为SVM模型的输入，使用混沌映射改进的秃鹰算法对SVM进行参数寻优，训练得到CAO-SVM模型。本发明所具有的优点和有益效果是：本发明使用CAO-SVM模型对炮控箱进行故障预测，输入测试样本，对测试样本进行故障预测，最终得到混沌映射改进的秃鹰算法优化支持向量机的算法分类预测准确率S达到98.7％，比未经优化过的支持向量机预测准确率提高了8％以上。过的支持向量机预测准确率提高了8％以上。过的支持向量机预测准确率提高了8％以上。


技术研发人员：李英顺 李南峰 王德彪 刘海洋 赵玉鑫 匡博琪 安立华 尹志鹏
受保护的技术使用者：沈阳顺义科技有限公司
技术研发日：2022.12.20
技术公布日：2023/7/31