本课题依托国家自然科学基金资助项目“基于广义形态学与多场信息融合的复杂供输弹系统早期故障预示方法研究”(批准号51675491)。供输弹系统承担着火炮等武器系统的核心工作任务,其动作卡滞故障严重制约战机的把握,所以对其进行状态监测并对潜在故障进行预示意义重大。本文对中口径转管火炮供输弹系统的工作原理、常见故障进行了分析,并以此为基础进行测点布置与多场信号采集。针对其多场信号存在高噪声的问题,采用了基于双正交样条小波的自适应分块阈值降噪法,该方法核心为将Stein无偏风险估计作为约束条件,对阈值和邻域分块长度进行自适应优选。该方法相比分块阈值和相邻系数小波降噪,对微弱冲击保留情况最好,且与仿真冲击信号的相关系数最大、均方根误差最小,且可突出实测信号中1~10倍工频频谱能量。之后针对供输弹系统信号中成分复杂的问题,运用主成分分析(PCA)与轮廓似然率相结合的方法对其进行数据降维,在抑制冗余成分的同时保证故障识别的敏感度,并通过简单均匀分布模拟数据对该方法的有效性进行了验证。接着阐述了潜在故障预示的思路:通过参照工况构建PCA模型,找出未知工况与参照工况在主成分轴上潜分数分布的概率密度函数间的差异,并通过Kullback-Lei bler散度(KLD)进行表征。之后对KLD的潜在故障识别能力进行了验证:发现在数据概率分布未知的情况下,KLD比威克森等级和检验表现出更好的潜在故障识别能力。之后在双正交样条小波框架内设置了小波的选取准则,并对供输弹系统实测信号构建小波时频图作为PCA-KLD法的输入数据。由于信号频谱能量主要集中于倍工频序列频率点,故将倍工频序列转化为尺度序列,代入到小波时频图的计算中。之后通过三种正常工况数据分别构建PCA模型,对比分析各次试验的KLD值发展趋势,找出了故障征兆。最后通过引入了脱离率的深度置信网络(DBN)对正常、故障、恶化中这三类工况进行智能分类,结果证明该方法相比BP神经网络与普通DBN表现出了较好的分类效果。