摘要：武器装备担负保卫国土安全的重要使命,其保持稳定运行状态具有重大国防、政治意义;因其装备运行状态不便中断、故障定位过程复杂,使得传统维修方式效率较低;装备使用数据具有连续性、长期性、不平稳性,甚至一些深度学习模型无法处理其中的退化状态历史依赖与关联问题;通过构建元器件层级的剩余寿命预测架构,对特征工程、退化指标构建以及Transformer-Bi-LSTM模型开展研究,采用距离编码技术,实现针对深度学习模型的技术创新,优化模型预测效果;基于某型武器装备主要器件正常试样数据,进行本方法分析验证,在器件已运行时间达到90%设计试验寿命长度时能够进行有效且准确的剩余寿命预测,所提方法满足武器装备器件寿命预警及更换提醒、保障装备战备完好性的应用需求。

摘要：随着装备服役数量增加和科学技术的快速发展,贯穿装备全寿命周期的质量信息越来越多,大数据技术为海量信息的处理提供了方法依据。但目前存在工业部门对装备质量信息掌握不全面、不及时、不准确,信息利用率较低等问题,导致装备保障准备针对性不强,未能做到精准保障。部分产业虽建立了质量信息化关联,但售后服务维修信息与综合保障设计不闭环、不协同,无法有效支撑装备的设计改进。因此,亟需利用信息化技术对武器装备全寿命周期内的质量信息进行采集、分析,根据分析结果对装备的未来趋势进行预测并制定预防措施。