基于大数据推理的装备健康状态控制决策.pdf

第 6 卷 第 3 期2023 年 9 月空天防御AIR&SPACE DEFENSEVol.6，No.3Sept.，2023基于大数据推理的装备健康状态控制决策郭璐1，2，刘晓东2，王玉峰1，张振1（1.江南机电设计研究所，贵州 贵阳550009；2.空军工程大学 装备管理与无人机工程学院，陕西 西安710051）摘要：针对武器装备健康状态精确控制的需求，提出了基于大数据综合推理的武器装备健康状态控制决策方法。首先，对武器装备全寿命周期数据进行采集与处理，形成以武器装备健康状态为特征属性之一的知识库；其次，根据武器装备健康状态动态控制流程，提出综合案例库推理和规则库推理的机制；再次，采用K近邻算法计算相似度进行案例推理和采用事实特征集合匹配进行规则推理，并不断形成新知识；最后，以某型武器装备液压系统为例，根据其健康监测及其他属性特征数据推理出控制策略。仿真结果表明：融合大数据的综合推理方法能提供与武器装备健康状态相适应的精细且准确的动态控制决策，可为实现武器装备健康状态精确管理提供有力支撑。关键词：大数据；健康状态；控制决策；综合推理中图分类号：TP 391 文献标志码：A 文章编号：2096-4641（2023）03-0085-10Control Decision of Equipment Health State based on Big Data ReasoningGUO Lu1，2，LIU Xiaodong2，WANG Yufeng1，ZHANG Zhen1（1.Jiangnan Institute of Mechanical and Electrical Design，Guiyang 550009，Guizhou，China；2.School of Equipment Management and UAV Engineering，Air Force Engineering University，Xian 710051，Shaanxi，China）Abstract:To acquire precise control of weaponry and equipment health state,a decisive control method is proposed using comprehensive reasoning of big data.First,the whole life cycle data of weaponry and equipment was collected and processed to form knowledge as one of the characteristic attributes.Then,according to the dynamic control flow of weaponry and equipment health state,a mechanism of an integrated case using reasoning and rule base reasoning was proposed.Thirdly,the k-nearest neighbour algorithm is used to calculate similarity for case-based reasoning,and fact feature set matching was used for rule reasoning where new knowledge was constantly formed.Finally,taking the hydraulic system of a certain weapon as a case study,the control strategy was deduced from its health monitoring and other attribute data.The simulation results show that the integrated intelligent reasoning method integrated with big data can generate precise and accurate dynamic control decisions adapted to the health state of weaponry and equipment,and can effectively support the accurate management of the health state of weaponry and equipment.Keywords:big data；health state；control decision；comprehensive reasoning0引 言现代高科技战争不仅重视武器装备的作战性能，更重视武器装备的保障能力。从某种程度来看，武器装备的维修保障能力已成为影响装备作战效能发挥的关键因素之一。对于武器装备而言，由于其在执行收稿日期：2022-10-12；修订日期：2023-08-09基金项目：国防基础科研项目（JCKY2017204A011）作者简介：郭璐（1991），女，博士研究生，高级工程师，主要研究方向为武器装备综合保障设计。空天防御第 6 卷任务的过程中外界与自身情况复杂多变，且常处于湿热、霉菌、盐雾或高原等环境，装备系统或其零部件会因受到打击而发生故障，或随时间、空间的推移及环境的变化而产生磨损、腐蚀、断裂、老化等，使其失去原有的性能，甚至功能，导致武器装备工作效率降低或任务中断1。为逆转武器装备的“亚健康”状态，减少故障的发生，故障预测与健康管理（Prognostics Health Management，PHM）技术2应运而生，并成为以美国为代表的军事强国的重点发展方向3。目前，关于武器装备健康管理方面的研究大多是故障预测4与健康状态评估5，关于健康控制决策的研究较少。其原因是武器装备部件退化程度差异大，保障资源、维护人员、修复时间等约束多，很难根据武器装备健康等级、自身组成结构及系统任务等确定恰当的控制策略，以减缓武器装备健康状态退化、降低武器装备故障率且避免过度维修6。有学者针对武器装备维修保障决策开展了各种推理研究7，主要包括基于规则的推理（Rule-Based Reasoning，RBR）8与基于案例的推理（Case-Based Reasoning，CBR）9。其中较多的是基于故障的维修推理研究10-11，且维修效果的好坏很大程度上依赖于领域专家的经验12。目前，少有基于武器装备健康状态的推理研究，监测到武器装备健康状态退化后无法实现适应装备状态的精细化控制，很大程度上是因为未能充分利用武器装备全寿命数据。武器装备在全寿命周期内产生了大量的研制数据、试验数据、使用数据、维修保障数据、技术状态数据、实时性能数据等多个维度的数据，涉及保障指标数据、仿真数据、试验数据、测试数据等结构化数据，装备图像、设计文档、模型、程序等非结构化数据和故障监测等实时数据13。这些数据具有来源广、类型多样、内容复杂等特点，具备大数据典型的“4V”特征14，即：Volume，数量巨大；Variety，类型多样；Velocity，变化快速；Value，价值巨大。目前，武器装备数据量已达到TB级别，未来将达到PB级别；武器装备包括大量的视频、图片、文本、声音等非结构化数据，且未来非结构化数据与结构化数据比值将会不断升高；武器装备不断产生新的测试、使用、维修等数据，数据更新快，且很多数据如健康状态数据，必须及时处理才能得到应用价值；武器装备数据价值巨大，数据密度低，经技术手段处理后，能提供极大价值的信息15。如何有效利用这些数据制定装备健康状态控制决策是大量学者及科研人员需要研究的重点，也是提升武器装备精确保障能力亟需解决的问题16。由于武器装备是技术和资金密集，可靠性、安全性和经济性要求高的大型系统，在武器装备健康状态控制决策的过程中，控制决策内容繁多17，工作程序复杂，决策精度要求高18，仅仅依靠部分领域专家的经验是不可能实现精确控制的19。运用维修决策理论和大数据分析技术研究武器装备健康状态控制决策是非常有必要的20-21。本文以大数据作为支撑，充分利用武器装备全寿命周期产生的装备技术状态、综合保障设计、保障资源、装备使用、装备维修等类信息，利用大数据技术对故障趋势、健康规律、任务影响、资源动态等信息进行挖掘，形成知识库。根据武器装备个体的健康状态和任务、保障条件要求，制定以健康状态为特征的动态控制策略，形成案例库和规则库，结合 RBR 与 CBR实现基于武器装备系统整体运行状态和装备个体差异的控制策略，从传统被动的基于故障的保障模式向主动的基于健康状态的精确保障模式转变。1装备健康状态控制架构针对武器装备任务及结构特点，分析影响武器装备构成中各类产品的维修决策影响因素。面向动态精准控制的需要，结合推理决策模型和维修优化模型的特点，提出实施动态控制的流程以及融入大数据的决策支持方案，实现基于个体实际健康状态数据和群体历史事件数据的动态控制决策。武器装备健康状态控制流程如图1所示，健康状态控制大数据系统架构如图2所示。构建武器装备健康状态控制大数据系统，实现武器装备全寿命周期各类静态和动态数据采集与处理，为健康状态动态控制提供决策支持。采集装备履历数据、状态数据与保障资源数据，履历数据包括装备在工业部门及交付用户之后所产生的运输、贮存、训练、演习、加改装、延寿等数据；状态数据包括装备自身传感器、BIT检测电路的所有测试、状态感知，以及工作过程中产生的其他与功能和性能相关的数据；保障资源数据包括武器装备的技术资料、备附件、器材、消耗品、保障设备与设施、工具等资源的配置与使用数据。将武器装备原始数据按统一格式规定存储形 86第 3 期郭璐，等：基于大数据推理的装备健康状态控制决策成数据库，部分数据库列表如图3所示。对这些数据进行提取、分析与挖掘等处理后，形成知识库，不断完善、优化，形成健康状态控制决策集。武器装备大数据系统总体视图如图4所示。图1武器装备健康状态控制流程Fig.1Health state control process of weaponry and equipment图2健康状态控制大数据系统架构Fig.2Big data system architecture for health state control图4武器装备大数据系统总体视图Fig.4Overall view of weaponry and equipment big data system图3武器装备数据库列表视图Fig.3Database list view of weaponry and equipment 87空天防御第 6 卷2综合推理决策模型2.1综合推理流程利用大数据挖掘技术形成基于知识的维修决策规则库与案例库，采用专家系统原理构建 RBR 与CBR机制，融合普通规则与模糊逻辑处理健康状态控制问题，并结合控制决策结论不断优化决策模型，提高维修决策效率。基于武器装备健康状态的综合推理技术路线如图5所示。根据装备健康状态确定控制决策，采取如下步骤：（1）输入武器装备待决策项目，形成决策事实特征集合。决策项目可以是武器装备的任意一个健康状态退化或故障对象，如弹体的定期维护，密封圈的更换等。（2）将决策事实特征集合与武器装备维修案例库中的案例进行匹配。决策项目的事实特征集合需要详细、具体的表达，通过知识匹配技术，对匹配度高的案例进行调用。匹配成功则转入步骤（4），匹配不成功则转入步骤（3）。（3）将决策事实特征集合与武器装备维修规则库中的规则前提进行匹配。决策项目的事实特征集合表达需符合规则前提的表述要求，从关键字库中选择，能够反映决策项目的待决策状态。匹配成功则转入步骤（5），匹配不成功则转入步骤（6）。（4）执行当前案例。匹配武器装备维修案例库成功，则执行当前案例，生成决策方案。（5）执行当前规则。匹配武器装备维修规则库成功，则根据武器装备健康状态等级执行相应规则，生成决策方案。（6）产生新知识。匹配武器装备维修规则库不成功，则扫描下一条规则，若穷尽扫描后仍没有匹配的图5基于武器装备健康状态的综合推理技术路线Fig.5Technical route of comprehensive reasoning 88第 3 期郭璐，等：基于大数据推理的装备健康状态控制决策规则，则产生新知识。控制决策综合推理的过程就是基于现有数据和事实特征集合进行相似维修案例分析、检索、重用及修改，和（或）基于已设置的推理规则进行规则推理，得到维修策略的过程。基于武器装备健康状态特征众多的实际情况，采取以案例推理为入口，将案例推理的结果作为信息输入，开始规则推理。案例库中的案例大多是针对故障装备，为提高或恢复装备使用可用度给出的完全维修方案，其目标使用可用度、故障恢复费用、维修停机时间等属性是确定的，且考虑的决策约束条件较少。当事实特征集合中决策目标和决策约束与案例库中的案例相关属性进行匹配时，完全匹配的可能性较小，多数情况下只能进行相似匹配。规则库中的规则大多是针对健康状态退化的装备，将装备事实特征集合中健康状态退化程度、结构关联性、任务影响、控制决策目标、决策约束等与规则进行匹配，根据匹配结果给出继续工作、降级使用、成组最小维修、成组完全维修、成组更换、立即更换、立即最小维修或立即完全维修的动态控制策略。2.2基于案例的推理分析基于案例的推理是一个包括5个子过程的动态循环模型。针对武器装备健康状态控制问题，不断形成新案例、旧案例、解决的案例、修改过的案例、学习后的案例，经循环匹配，形成控制策略。基于案例的推理循环如图6所示。进行案例推理时，通过案例相似度的计算将健康状态控制目标案例P与案例库案例B进行匹配。P与B关于属性i的相似度，表示为S(aPi，aBi)。若i为定量型属性，则可用数值度量，其相似度计算式为S(aPi,aBi)=1-|aPi-aBiMAXi-MINi(1)式中：aPi为目标案例P关于属性i的数值；aBi为案例库案例B关于属性i的数值；MAXi、MINi分别为在P、B的集合中属性i的最大值与最小值。若i为定性型属性，则可用符号度量，其相似度计算式为S(aPi,aBi)=1,aPi=aBi0,其他(2)当 P 与 B 关于同一属性的符号特征相同时，其S(aP，aB)为1，否则为0。基于案例的检索流程如图7所示。检索过程存在3种情况：检索精确成功、检索非精确成功、检索不成功。检索精确成功就是不需利用K近邻算法计算与分析就能在B中找出匹配成功的案例。若P的属性个数为n，当检索成功且检索结果唯一时，需对每个案例最少进行1次比较，最多进行n次比较。检索非精确成功就是在B中找到多个相似度差异不大的案例（相似案例集），需对其中的案例采用K近邻算法进行匹配。检索不成功也存在两种情况：完全检索不到相似案例；检索到的相似案例集中的案例均不符合设定的标准。完全检索不到相似案例意味着B中所有案例的属性值均不在P的属性区间内，若B中的案例数为m，则需进行m次比较。基于检索非精确成功的情况，对相似案例集中的案例进行K近邻算法匹配后，可找出B中与P相似度最大的案例。找出此案例后，还需衡量S(aP，aB)与案例相似性阈值ST(aP，aB)的关系，以验证该案例是否有效。当S(aP，aB)ST(aP，aB)时，则认为无相似案例，检索不成功。图6基于案例的推理循环Fig.6Case-based reasoning loop图7案例的检索流程Fig.7Case retrieval flow 89空天防御第 6 卷2.3基于规则的推理分析2.3.1基于健康状态的决策事实特征分析在制定武器装备健康状态控制策略时，需要通过对事实特征的分析，构建事实特征集合C，再通过与既定规则库的匹配，形成控制策略集合T。每一个策略的生成都是从决策树的根节点（事实特征C）到叶节点（控制策略T）的过程，而匹配的规则集R是连接C与T的路径。构建装备的事实特征集合，既可以从装备设计参数和设计特征中提取，也可以从专家经验中获得。对装备健康状态、待维修项目特征、约束特征等进行分析，形成如图8所示的树状事实特征集合。不同装备的事实特征集合需根据装备特点进行适当的扩充和删减。2.3.2基于健康状态的推理策略分析通过对武器装备系统、分系统、设备/组合各级产品的决策事实特征分析，根据基于规则的推理机制，将事实特征转换成规则，形成包括不同健康等级、任务影响、维修约束、维修目标的规则，结合与规则逐条对应的控制策略，形成规则库。规则推理采用“条件-结论”的形式，规则库包含条件表与决策表两个部分。将装备事实特征集合与规则库条件表进行匹配，可得到健康状态控制策略，如图 9所示。图8武器装备事实特征集合Fig.8Factual feature set of weaponry and equipment图9基于健康状态的规则推理Fig.9Rule reasoning based on health state 90第 3 期郭璐，等：基于大数据推理的装备健康状态控制决策健康状态控制策略的设置是一个系统且细致的过程，必须经过长期且复杂的经验积累，在不断评估其准确性与精确性的同时，进行知识的完善。且随着装备服役年限的增加，可能开展加改装等改进设计，相应的控制策略确定是一个“增加-修订-删除”的循环过程。武器装备部分健康控制策略如表1所示。2.4知识的形成武器装备健康控制决策知识的获取，需要从设计资料、使用资料、维修资料等装备全寿命周期各阶段产生的各类文本、图片、视频等资料中抽取，通过大数据预处理、集成、挖掘等形成知识，存储到数据库中。知识的形成过程如图10所示。2.4.1源知识的获取源知识主要是指与武器装备保障领域相关的概念、定义、准则，及其相互间的关系与约束的集合。这些知识不仅包括武器装备使用数据、维修保障数据等显性知识，还包括环境参数、任务使命等隐性知识；不仅包括武器装备的失效率数据、维修成本数据等静态知识，还包括状态监测数据、任务规划数据等动态知识。源知识涉及的学科广泛，资源形式多样，包括音频、视频、文档、应用系统等多种形式。对源知识进行数据提取、预处理、分类，并分析挖掘隐性数据，可建成初始知识库。2.4.2新知识的形成武器装备在完善设计的过程中，因调试、组装等产生了大量与功能丧失、性能退化相关的维修信息，它们分散在各类信息载体中，缺乏为武器装备健康状态控制决策提供支持服务的途径。因此，必须收集并分析这些信息与健康状态控制决策之间的关系，包括强关联性的关系与弱关联性的关系，通过提炼与归类，并进行规范化、标准化、模块化设计，实现信息的利用。武器装备基础信息包括武器装备的结构、原理、功能、性能等方面；维修保障信息包括武器装备维修过程中现场可更换单元的拆装关系、功能故障的检查判断等。完善上述信息，并通过历史信息的积累与循环推理的过程不断形成新知识，更新案例库和规则库。3实例分析在武器装备健康状态控制决策系统中，以某型导弹装备健康状态退化后的处理为例，开展综合推理。通过对发射车的健康状态监测，发现发射车液压系统调平精度下降，其原因很多，可能是发生故障或者健康状态退化的部件，包括泵站、电机油泵总成、比例多路换向阀、调平支腿、液压锁、压力变送器等。可能的故障机理包括：泵站输出轴高速运动，发热严重，造成表1武器装备部分健康控制策略Tab.1Part health control strategy of weaponry and equipment类型状态保留状态不保留健康控制策略继续以当前状态工作，直至不保留状态降级使用工作，直至不保留状态停止工作，保留至下一成组维修，进行最小维修停止工作，保留至下一成组维修，进行最完全维修停止工作，保留至下一成组维修，进行更换立即进行更换立即进行最小维修立即进行完全维修图10知识的形成过程Fig.10Formation of knowledge 91空天防御第 6 卷密封圈磨损，静密封圈老化；高低压腔压差引起压力冲击；泵站液压回路中各摩擦副间相对运动形成磨损颗粒，补油过程中带入系统的颗粒堵塞过滤器；外部颗粒物随油缸光杆进入油缸密封圈处；已污染的油液造成阀芯卡死，液压油比例阀开口处阀芯冲击引起阀芯棱边磨损；作动筒动密封磨损与静密封老化；压力变送器器件老化失效等。通过分析与故障机理关联的健康状态特征，提取出液压系统调平精度下降案例的特征属性为：柱塞泵输出压力、油箱液面、油液颗粒度、电机转速、流量、水平传感器信号、表面粗糙度、水平度、电流、温度、时间。其中，定量属性包括：柱塞泵输出压力、油箱液面、油液颗粒度、电机转速、流量、水平度、电流、温度、时间；定性属性包括：水平传感器信号、表面粗糙度。设置ST(aP，aB)=0.7。3.1案例推理由于导弹装备健康特征属性参数多，案例属性以向量形式表示。案例库的特征属性向量是将案例属性值转化为标准化数列形成的，检索值使用整数值。案例库和发射车液压系统目标案例与调平精度下降相关的属性值如表2所示。其中，A表示柱塞泵输出压力，包括3个属性区间；B表示油箱液面，包括2 个属性区间；C 表示油液颗粒度，包括 2 个属性区间；D 表示电机转速，包括 2 个属性区间；E 表示流量，包括3个属性区间；F表示水平传感器信号，包括2个属性值；G 表示表面粗糙度，包括 2个属性值；H表示水平度，包括 2 个属性区间；I 表示电流，包括 2个属性区间；J表示温度，包括 2个属性区间；K表示时间，包括2个属性区间；L表示目标使用可用度，包括 1 个属性区间；M 表示维修费用，包括 3 个属性区间；N 表示维修停机时间，包括 3个属性区间。案例1代表泵站渗漏油；案例2代表泵站油污报警；案例3代表电机油泵总成工作异常；案例 4 代表比例多路换向阀工作异常；案例 5代表调平支腿渗漏油；案例6代表调平支腿卡滞；案例7代表液压锁精度保持超差；案例8代表压力变送器无检测信号。根据案例属性及属性权重，开展案例检索。首先，开展完整检索，检索结果为非精确成功，在完整的案例库检索中找到相似案例集；然后，对相似案例集中的案例采用K近邻算法进行匹配，得到各S(aP，aB)如图 11 所示，可看出案例 4 与问题案例的相似度最大，maxS(aP，aB)=0.67。最后，判断案例的有效性，因maxS(aP，aB)ST(aP，aB)，得出结果为无相似案例，检索不成功。3.2规则推理根据综合推理过程，案例推理未匹配成功，则进表2案例库和发射车液压系统目标案例与调平精度下降相关的属性值Tab.2Case base and launch vehicle hydraulic system target case attribute values associated with reduced leveling accuracy案例编号12345678属性值A31111121B21111111C12121111D11211111E1112,31111F11112111G11111211H11111121I11111112J21111111K21112112L11111111M11331112N21322123图11案例相似度Fig.11Case similarity 92第 3 期郭璐，等：基于大数据推理的装备健康状态控制决策入规则推理。根据发射车液压系统健康状态实际情况构建事实特征集合，如表3所示。将事实特征与属性特征作为输入，根据设备级健康状态控制决策推理机制，得到液压系统健康状态控制策略如表4所示。4结束语在健康状态监测技术日益成熟的趋势下，武器装备健康管理系统的研发也逐步成熟，为达到延缓武器装备状态劣化并减少故障的目的，制定合理的健康状态控制决策是必不可少的。本文基于武器装备健康状态及装备全寿命周期数据呈现大数据“4V”特征的特点，提出采用大数据技术进行案例和规则推理的健康状态控制策略。构建的综合推理模型既能提高动态控制决策的实时响应速度，又能提高动态控制维修决策的合理性。然而，基于案例的推理和基于规则的推理方法的准确性，取决于案例库和规格库的案例、规则的数据量，准确、丰富的案例库和规格库可为武器装备健康状态控制提供有力支撑。为了提高综合推理的全面性和精确性，后续将针对事实特征集合和特征属性的表示方法，检索机制的优化，案例库、规则库的更新和完善等问题开展进一步研究。参考文献1 GUO L，LIU X D.Mission-oriented missile equipment support system modeling：considering the failure and health stateJ.Mathematical Problems in Engineering，2022（28）：1-18.2 PENG C，TANG Z H，GUI W H，et al.Review of key technologies and progress in industrial equipment health management J.IEEE Access，2020，8：151764-151776.3 YUCESAN Y A，DOURADO A，VIANA F A C.A survey of modeling for prognosis and health management of industrial equipmentJ.Advanced Engineering Informatics，2021，50：101404.4 刘惠，刘振宇，郏维强，等.深度学习在装备剩余使用寿命预测技术中的研究现状与挑战 J.计算机集成制造系统，2021，27（1）：34-52.5 HE Y H，WANG R Y，WANG Y F.Fault detection and health assessment of equipment based on fuzzy DPCA spatial eigenvalue similarity J.Mathematical Problems in Engineering，2021，2021（Pt.30）：1-17.6 马维宁，胡起伟，杨志远.考虑退化相关的装备多部件系统维修决策优化模型 J.系统工程与电子技术，2022，44（4）：1424-1432.7 杨山亮.不确定环境下装备指挥决策的智能推理与优化方法研究 D.长沙：国防科学技术大学，2016.8 INDRA M R，GOVINDAN N，SATYA R K D N，et al.Fuzzy rule based ontology reasoningJ.Journal of Ambient Intelligence and Humanized Computing，2021，12（6）：6029-6035.9 GUO Y，HU J，PENG Y H.Research of new strategies for improving CBR systemJ.Artificial Intelligence Review，2014，42（1）：1-20.10 吴建军，郭坚毅，廖捷.一种基于案例推理的装备故障诊断技术J.解放军理工大学学报（自然科学版），2009，表3事实特征集合Tab.3Factual feature set项目结构特征故障模式健康状态变化过程健康等级健康敏感度剩余寿命重要度相关性故障影响决策目标决策约束特征设备/组合健康状态模式渐变过程亚健康一般长比较重要结构相关性故障相关性任务影响功能影响维修时间维修费用检测条件使用可用度停机费用延误风险任务状态维修级别维修人员数量维修人员专业保障系统状态相关相关影响下一阶段任务无替代短中连续检测执行任务前恢复低低多任务部队级1人液压/机电执行其他控制策略表4健康状态控制策略Tab.4Health state control strategy项目状态退化部件退化机理退化影响控制策略说明比例多路换向阀液压回路中，各摩擦副间相对运动形成磨损颗粒污染油液造成阀芯卡住，液压油比例阀开口处阀芯冲击引起阀芯棱边磨损调平油缸不动作或油缸速度较快且调平精度较差状态保留：状态保留至下一成组维修或预防性维修，进行完全维修 93空天防御第 6 卷10（Z1）：43-46.11 RASKOB W，MHRLE S，BAI S.Knowledge database and case-based reasoning J.Radioprotection，2016，51（1）：S185-S186.12 SMITI A，ELOUEDI Z.Dynamic maintenance case base using knowledge discovery techniques for case based reasoning systemsJ.Theoretical Computer Science，2020（817）：24-32.13 郭璐，毛勇，姚会举.面向装备综合保障设计的大数据系统研究 J.空天防御，2019，2（1）：70-75.14 KHAN S，YAIRI T.A review on the application of deep learning in system health management J.Mechanical Systems and Signal Processing，2018，107：241-265.15 WANG M，ZHANG Z M，LI K，et al.Survey on advanced equipment fault diagnosis and warning based on big data techniqueJ.Journal of Physics：Conference Series，2020，1549（4）：042134.16 KU J H.A study on prediction model of equipment failure through analysis of big data based on RHadoopJ.Wireless Personal Communications：An International Journal，2018，98（4）：3163-3176.17 JIN C C，ZHANG H，LIU J，et al.Overview of research on health assessment and fault prediction of complex equipment driven by big data J.Journal of Physics：Conference Series，2019，1345（2）：022055.18 YAO Y H，LIN G Y P，TRAPPEY A J C.Using knowledge-based intelligent reasoning to support dynamic equipment diagnosis and maintenance J.International Journal of Enterprise Information Systems，2006，2（1）：17-29.19 ABOU A A，LENNE D，DEBRAY B.Adaptation knowledge acquisition in a CBR systemJ.International Journal on Artificial Intelligence Tools：Architectures，Languages，Algorithms，2013，22（1）：1-13.20 杨超，邢维艳，徐庆尧，等.基于案例推理的导弹装备维修保障资源需求分析J.兵器装备工程学报，2020，41（1）：149-152.21 雷亚国，贾峰，孔德同，等.大数据下机械智能故障诊断的机遇与挑战 J.机械工程学报，2018，54（5）：94-104.94