導彈產品貯存壽命多源信息融合評估技術綜述

張生鵬，馬小兵，劉浩然，李宏民

導彈產品貯存壽命多源信息融合評估技術綜述

張生鵬1,2，馬小兵1，劉浩然3，李宏民1,2

（1.北京航空航天大學 可靠性與系統工程學院，北京 100191；2.航天科工防御技術研究試驗中心，北京 100854；3.北京理工大學 管理與經濟學院，北京 100081）

面向綜合利用導彈產品貯存壽命多源信息的迫切需求，從導彈貯存壽命多源信息的來源、特點、融合模型等3方面進行了綜述。分析了導彈產品貯存壽命信息的來源，介紹了自然貯存試驗信息、加速貯存試驗信息、貯存壽命設計信息的組成內容及優缺點。闡述了導彈貯存壽命多源信息的階段性、層次性和多源性的特點。對貯存壽命多源信息融合的功能模型、融合層次與算法模型，對加權平均法、貝葉斯融合法、神經網絡法、D-S證據理論等方面的應用研究進行了總結。隨后，提出了貯存壽命多源信息融合功能模型，涵蓋信息源、單元信息融合、系統信息融合、輔助支持系統等模塊。最后，針對當前貯存壽命多源信息融合技術研究存在的問題，對未來研究方向進行了展望。

導彈產品；貯存壽命；多源信息；融合評估；功能模型；融合層次；算法模型

現代高技術戰爭特點如戰爭的突發性、高強度和高效性，都要求導彈武器裝備必須保證和提高其戰備完好性、任務成功性。目前，在導彈各型號產品研制過程中，重點關注的一項戰技指標就是產品貯存若干年后的可靠度。如何通過科學有效的方法驗證評估導彈產品的貯存壽命，為導彈定型、服役與延壽提供依據，是急需解決的關鍵技術[1]。

在導彈研制使用過程中，為驗證或評估導彈產品的貯存可靠性指標，主要采取現場自然貯存試驗、實驗室加速貯存試驗和貯存失效物理分析等3種途徑[2]。美國和俄羅斯對此進行了深入廣泛的技術方法研究和工程實踐[3]，處于世界領先地位。美國的做法是，從產品交付后就制定計劃，對現場自然貯存環境下的導彈相關壽命指標進行定期監測，以評估產品的貯存壽命。這種方式試驗周期較長，但得到的結果可信度非常高。俄羅斯主要通過加速壽命試驗開展產品的壽命評估工作，加速試驗可以有效縮短試驗周期，但是由于導彈系統構造極其復雜，故障模式和失效機理繁多，因此難以構建準確的加速壽命模型，其準確性一直受到質疑。

目前國內雖然開展了大量的自然貯存試驗和加速貯存試驗，但是由于貯存數據具有總體數據量大、單個參數有限、變化規律各異的特點，數據缺乏、評估困難的問題仍然普遍存在。一方面，導彈貯存試驗樣本量少，測試數據有限，自然貯存試驗數據的積累時間較長，加速貯存試驗又存在一定的局限性，因此不能完全滿足導彈產品貯存壽命評估的高準確率要求，特別是針對導彈系統級產品的貯存壽命試驗，由于經費、環境條件等因素的限制，不可能開展大量的貯存壽命試驗和獲取大量的現場數據，因此獲取的特征參量極為有限；另一方面，貯存數據存在“非理想數據”，導彈壽命周期長，全壽命數據多，但是經常存在數據不完善，數據量不平衡等問題，對于典型控制系統產品（如慣導、平臺等），可進行多次非破壞性測試，測試數據較多，而安全機構與火工品等則只能進行破壞性測試，整體上表現為數據很少，因此沒有一個可以刻畫不同參數的變化趨勢的統一模型。

實際上，在導彈裝備定、延壽工程中，導彈產品貯存壽命信息并不僅僅源于自然貯存試驗和加速貯存試驗的結果，在一定條件下還包括其他所有能夠反映該產品貯存期的相關信息，包括設計、試驗、使用等各個階段的貯存壽命信息，分系統級、單元級各個層次的貯存壽命信息，相似產品歷史數據、解剖分析信息、設計裕量信息、貯存壽命設計信息等。為了解決當前貯存壽命評估工作中的難題，多源信息的融合利用問題越來越受到重視[4-5]。

本文分析了導彈產品貯存壽命多源信息的來源及特點，介紹了貯存壽命多源信息融合的功能模型、融合層次和算法模型，提出了貯存壽命多源信息融合模型及重點研究方向。

1 導彈貯存壽命多源信息的來源

貯存壽命信息是實施定、延壽工程的基礎，是進行貯存期設計、試驗、管理的重要依據。導彈貯存壽命多源信息按照信息來源的不同可以分為3類：自然貯存試驗信息、加速貯存試驗信息和貯存壽命設計信息。各類貯存壽命信息源的組成如圖1所示，各類信息源特點比較見表1。

圖1 導彈產品貯存壽命信息來源及組成

表1 導彈產品貯存壽命信息內容

2 貯存壽命多源信息的特點分析

導彈產品貯存壽命數據收集的工作量很大，獲取貯存壽命數據所需要的費用也較大，因此應盡可能地利用數據，并從中提取盡可能多的信息。

為了全面了解和有效管理、利用貯存壽命信息，需要關注導彈貯存壽命多源信息的三維特點（見圖2）。

1）貯存壽命信息的階段性。產品壽命周期各階段的設計制造、試驗驗證及服役使用過程都是貯存壽命信息的產生源。以試驗驗證階段為例，貯存壽命數據來源包括加速貯存試驗及自然貯存試驗等，然而在型號工作中，人們往往僅使用單一的加速貯存試驗數據進行貯存壽命評估，這就導致貯存壽命評估的可信度較低。實際上，按照我國國情，往往是在導彈達到或即將達到設計貯存壽命時，才安排開展加速貯存試驗，導彈產品在開展加速貯存試驗之前，往往已經有了相當年限的自然貯存服役監測數據。因此，有必要將自然貯存服役監測數據和加速貯存試驗數據結合，綜合評估產品的貯存壽命。

2）貯存壽命信息的層次性。產品的不同結構層次，包括單元、分系統和系統，均存在不同的貯存壽命信息。由于導彈系統造價昂貴，且貯存壽命試驗周期很長，開展系統級自然貯存和加速貯存壽命試驗通常需要大量的人力、物力和財力作為支撐，因此不能大量進行試驗。與之相反，單元和分系統的貯存壽命試驗則要方便得多，通過充分開展單元和分系統的貯存壽命試驗，可以獲得大量有用的貯存試驗信息量。因此，當貯存壽命評估的對象是大型復雜系統時，有必要對單元和分系統的貯存壽命信息加以利用，即將單元、分系統和系統的不同貯存壽命試驗信息相融合，以綜合評估系統的貯存壽命。

3）貯存壽命信息的多源性。除了研制、試驗和服役現場獲取的貯存壽命信息外，還有很多其他來源的信息需要充分加以利用，如相似產品歷史數據、解剖分析信息、設計裕量信息等，充分利用其中的有用信息，能夠減少試驗成本，同時提高評估結果的準確率。例如，在導彈產品的外觀和功能設計過程中，新產品通常會借鑒已有產品或相似產品的參數特點，對外觀尺寸或功能參數作出部分調整。因此，相似產品的歷史數據、設計信息等能夠粗略反映出新產品的壽命信息，在對導彈產品進行貯存壽命評估時，應綜合考慮這類信息。

3 貯存壽命多源信息融合模型

多源信息融合的概念和方法一開始主要應用于軍事范圍內[6]。21世紀以來，該方法逐漸從軍事領域向民用領域發展，信息的類型、來源、融合技術等得到更深層次的發展。模型是貯存壽命多源信息融合的核心問題，包括功能模型、融合層次和算法模型。

3.1 功能模型

功能模型展示了多源信息融合系統中各模塊的功能和相互作用關系等?，F有功能模型包含2種類型：一種是針對處理對象的模型，例如JDL（Joint Directors of Laboratories）模型、瀑布模型和混合模型等；另一種是針對融合過程的模型，例如情報環模型和Boyd控制回路模型。其中，JDL模型[7]及其衍化版本[8]的地位非常重要，應用范圍包括軍事和民用領域。2002年，Blasch等[9]在基本的JDL模型基礎上提出了JDL-User模型，如圖3所示。

圖3 JDL-User模型示意

3.2 融合層次

功能模型展示了融合模型各組成部分的關系，而融合層次從融合對象的角度出發，明確了信息融合在什么層次上進行。通常來講，信息融合存在3個層次，分別是數據層、特征層、決策層[10]。

3.2.1 數據層融合

數據層融合首先將多個批次或多個產品在不同時刻的試驗數據直接融合，之后就是融合數據的特征提取，并判斷其貯存壽命屬性，最終輸出結果是單元貯存壽命參數的估計值或分布函數，具體流程如圖4所示。數據層信息融合常采用加權平均和聚類等方法，它直接對試驗數據進行處理，因此可以增大融合結果的可信度。然而，數據層融合也存在一些缺點，相比其他融合層，它需要承受較大的計算負擔，并且數據本身存在測量誤差等不確定性。

圖4 數據層融合流程

3.2.2 特征層融合

特征層融合的對象是特征量，包括從原始數據提取的特征向量和已有的貯存壽命特征量（例如底層折入的MTTF、失效率，以及利用試驗數據提取的貯存壽命等）。首先根據內在關系將它們互相組合，其次融合這些組合，得到相應的貯存壽命特征向量，最后做出基于聯合貯存壽命特征向量的屬性說明，具體流程如圖5所示。目前，特征層信息融合方法涵蓋了貝葉斯融合、神經網絡以及模糊理論等多種方法，其中貝葉斯融合和神經網絡應用極為廣泛。其優勢在于通過提取原始信息的特征，能夠降低計算負擔，并提高運算性能。

3.2.3 決策層融合

決策層融合是指對不同類型的多源信息分別進行處理，生成針對同一產品的多個貯存壽命評估結果，隨后這些結果會被融合中心進行關聯處理，輸出一個關于該產品貯存壽命的綜合判斷結果，融合流程如圖6所示。決策層融合是對多個評估結果進行融合，因此一些常見的不確定性理論，如D-S證據理論、模糊理論等，都可以作為決策層信息融合的方法，其中D-S證據理論是使用最廣泛的算法。

圖5 特征層融合流程

圖6 決策層融合流程

3.3 算法模型

算法模型是多源信息融合的數學邏輯，在實現貯存壽命信息融合評估的過程中，需要根據融合對象和評估環境的不同，使用不同的算法模型，用以指導相應方法的使用和優化組合。經典的算法包括加權平均法、貝葉斯融合法、神經網絡法和D-S證據理論，不同融合算法的比較見表2。

表2 信息融合算法比較

Tab.2 Comparison of information fusion algorithms

3.3.1 加權平均法

如果是信息源的數量，則輸出結果應滿足：

權重應滿足：

圖7 加權平均數據融合模型

Fig.7 Weighted average data fusion model

3.3.2 貝葉斯融合法

在特征層信息融合方法中，貝葉斯融合是最常見的一種方法[15-23]。貝葉斯融合考慮在已知多個貯存壽命先驗分布的條件下，利用貝葉斯公式計算貯存壽命的后驗分布，進而對產品壽命做出合理評估。

設()為參數的先驗分布，(|)為似然函數，則后驗分布為：

由于多源信息的存在，相同參數常常對應不同的分布。為了融合不同的分布，可以采用線性融合方法和幾何融合方法，其表達式分別為：

針對原始數據較為匱乏的情況，文獻[24-28]考慮了各類先驗分布，應用貝葉斯融合方法得到綜合性的壽命評估結果。在國內的研究中，文獻[29]探索出了一種將貝葉斯理論與仿真相結合的信息融合方法。文獻[30]研究了采用貝葉斯方法，通過加速貯存試驗及外場試驗信息進行壽命推斷的問題。

3.3.3 神經網絡法

神經網絡是一種由大量具有非線性映射能力的神經元相互連接和相互作用而成的模型[31-34]。權系數將這些包含信息的神經元進行連接形成網絡，網絡本身具有高容錯性和魯棒性。神經網絡對原始數據進行加工，從而建立分類規則，這一過程最終導致網絡權系數具有不同取值。同時，神經網絡采用特殊的算法進行離線或在線學習，以獲得特征信息，并建立不確定性推理機制?；诖?，神經網絡能夠實現特征融合和再學習。當多個規則在邏輯推理過程中形成聯合規則時，就可以實現信息融合。

3.3.4 D-S證據理論

D-S證據理論是貝葉斯融合的進一步發展[35-36]。貝葉斯融合法在處理不確定性時，需要先驗概率的輸入，而D-S證據理論可以有效地處理這種由先驗概率未知引起的不確定性[37]。因此，在缺乏信息或面臨似是而非情況時，D-S證據理論能夠更好地揭示信息的含義。

之后，通過均勻分配的思想得到的賭博概率：

利用上式就可以得到系統壽命的概率分布，進而對產品壽命進行評估決策。

目前，D-S證據理論常常被用來將各個決策根據一定的規則按照不確定度進行組合，從而完成不確定推理。文獻[38]利用D-S證據理論的不確定度來處理輸入圖像質量的變化，能夠有效融合多種生物特征模態。文獻[39]在剩余壽命預測期間的每次迭代中，更新Dempster-Shafer證據的基本概率分配，以此來組合預測結果，提高最終預測的準確性。文獻[40]運用D-S證據理論，將多個聚類方法進行融合，以得出軸承的健康指數，并進一步估計其剩余壽命。

在國內，文獻[41]運用D-S證據理論將發動機各部件的自然貯存試驗、加速貯存試驗和專家綜合評價等主、客觀信息進行了融合。文獻[42]提出了一種利用D-S證據理論預測電力設備壽命的方法。文獻[43]提出了一種結合D-S證據理論和貝葉斯理論的方法，用于航天設備的壽命預測。

目前在貯存壽命評估過程中已開展了部分貯存信息融合技術的研究工作，并且取得了一定學術成果，積累了有效的工程實踐經驗。然而，當前研究工作尚未形成一個完整的導彈產品貯存壽命多源信息融合評估體系，缺乏合理、可行的技術途徑，影響和制約了貯存壽命多源信息融合評估在型號中的應用。

4 貯存壽命多源信息融合策略及模型構建

針對導彈產品多源貯存壽命信息，以經典信息融合功能模型為基礎，對功能模型的流程階段和處理環節進行合理科學的改進與完善，已成為當前亟待研究的方向。本文提出了貯存壽命多源信息融合功能模型，如圖8所示。該功能模型與貯存可靠性“金字塔”評估模型[44]相協調，首先綜合利用現有的多種信息融合技術，融合各單元不同來源的貯存壽命信息，得到單元的貯存壽命評估結果；然后對各單元的貯存壽命進行融合，形成對導彈系統貯存壽命的融合評估結果，能夠保證融合系統的高效與準確。

貯存壽命多源信息融合功能模型主要包括信息源、單元信息融合、系統信息融合、輔助支持系統等幾個模塊：

圖8 貯存壽命多源信息融合評估功能模型

1）信息源模塊是貯存壽命評估的基礎和前提，需要全面收集與所研究產品相關的貯存壽命信息，包括貯存壽命信息、貯存環境條件信息、產品組成及特性信息等。

2）單元信息融合模塊包括單元特征層信息融合模塊和單元決策層信息融合模塊。單元特征層信息融合主要是針對導彈基礎產品（如器件、結構件等），通過融合全壽命周期不同階段的貯存壽命信息，例如貯存狀態監測/定期檢測數據與加速貯存試驗數據，實現貯存壽命的高置信度評估。單元決策層信息融合對接受到的相似產品歷史數據、解剖分析信息、設計裕量信息等多源信息進行融合，并輸出最終的結果。

3）系統信息融合模塊包括系統特征層信息融合模塊和系統決策層信息融合模塊。系統特征層信息融合對多源信息從單元到系統進行逐層綜合。系統決策層信息融合通過構建證據網絡（EN）模型，將各單元貯存性能的不確定性傳遞到整個系統中，并實現對系統貯存壽命的高準確率評估。

4）輔助支持系統包括數據庫管理系統、人機交互、智能運維、備品備件管理等部分。

5 展望

多源信息融合技術的功能模型和一系列融合算法，能夠有效地解決導彈產品貯存壽命評估中的一些難題。然而，當前貯存壽命多源信息融合技術研究仍然面臨許多未解決的問題和挑戰，后續需重點關注以下幾方面的研究工作。

1）單元多階段貯存壽命信息融合評估方法研究。在導彈產品全壽命周期的各個階段，都會產生與貯存壽命相關的信息，包括自然或加速貯存試驗信息以及服役期間的數據等。為了有效地處理這些貯存壽命信息，并擴大信息處理的時間范圍，需要研究針對產品研制、試驗和服役等階段的貯存壽命信息進行融合的方法，對歷史數據和當前試驗數據進行時間一致性處理，并采用適當的算法，以提高評估精度。

2）單元多源貯存壽命信息融合評估方法研究。導彈產品的貯存壽命信息不僅僅源于加速貯存試驗和自然貯存試驗，還源于相似產品歷史貯存數據、設計裕量信息等貯存壽命設計信息。信息融合可以擴大信息處理的空間范圍，針對相似產品歷史數據、解剖分析信息、設計裕量信息等多源信息融合問題，需要研究單元多源貯存壽命信息融合評估方法。采用信息融合技術中的多種方法，包括專家系統、模糊集理論和D-S證據理論等，以減少現場試驗量，并提高評定結果的準確度。

3）系統級產品貯存壽命信息融合評估方法研究。在導彈單元、分系統、系統等不同層級上都存在著相關貯存壽命信息。通過綜合多層次信息得到的貯存壽命評估結果，其準確度將比單一的分系統貯存壽命評估結果高很多。信息融合可以擴大信息處理的層次范圍，針對單元-系統等多層次產品貯存壽命信息融合問題，需要研究基于競爭失效的系統貯存壽命融合評估及基于證據網絡（EN）的系統貯存壽命融合評估等相關技術和方法。

[1] 張生鵬, 李宏民, 趙朋飛. 導彈裝備貯存壽命加速試驗技術體系探討[J]. 裝備環境工程, 2018, 15(2): 92-96.ZHANG Sheng-peng, LI Hong-min, ZHAO Peng-fei. Accelerated Testing Technology System for Storage Life of Missile Equipment[J]. Equipment Environmental Engineering, 2018, 15(2): 92-96.

[2] 孟濤, 張仕念, 易當祥. 導彈貯存延壽技術概論[M]. 北京: 中國宇航出版社, 2013. MENG Tao, ZHANG Shi-nian, YI Dang-xiang. Introduction to Missile Storage Life Extension Technology[M]. Beijing: China Aerospace Press, 2013.

[3] 王浩偉, 滕克難, 呂衛民. 導彈貯存延壽試驗關鍵技術及研究進展[J]. 含能材料, 2019, 27(12): 1004-1016. WANG Hao-wei, TENG Ke-nan, LYU Wei-min. Review on Key Technologies for Missile Storage and Life-Extens-i-on Test[J]. Chinese Journal of Energetic Materials, 2019, 27(12): 1004-1016.

[4] 方艮海. 產品可靠性評估中的多源信息融合技術研究[D]. 合肥: 合肥工業大學, 2006. FANG Gen-hai. Research on Multi-Source Information Fusion Technology in Product Reliability Evaluation[D]. Hefei: Hefei University of Technology, 2006.

[5] 莊釗文, 郁文賢, 王浩, 等. 信息融合技術在可靠性評估中的應用[J]. 系統工程與電子技術, 2000, 22(3): 75-77. ZHUANG Zhao-wen, YU Wen-xian, WANG Hao, et al. Information Fusion and Application in Reliability Assessment[J]. Systems Engineering and Electronics, 2000, 22(3): 75-77.

[6] 潘泉, 程詠梅, 梁彥. 多源信息融合理論及應用[M]. 北京: 清華大學出版社, 2013. PAN Quan, CHENG Yong-mei, LIANG Yan. Multi- source Information Fusion Theory and Its Applications[M]. Beijing: Tsinghua University Press, 2013.

[7] WHITE F E. Data Fusion Lexicon[C]// Joint Directors of Laboratories, Technical Panel for C3, Data Fusion Sub- panel. San Diego: Naval Ocean Systems Center, 1987.

[8] STEINBERG A N, BOWMAN C L. Revisions to the JDL Data Fusion Model[M]. Florida: CRC Press, 2017: 65-88.

[9] BLASCH E P, PLANO S. JDL Level 5 Fusion Model: User Refinement Issues and Applications in Group Tracking[C]// Proc Signal Processing, Sensor Fusion, and Target Recognition XI. Orlando: SPIE, 2002.

[10] 李洋, 趙鳴, 徐夢瑤, 等. 多源信息融合技術研究綜述[J]. 智能計算機與應用, 2019, 9(5): 186-189. LI Yang, ZHAO Ming, XU Meng-yao, et al. A Survey of Research on Multi-Source Information Fusion Technology[J]. Intelligent Computer and Applications, 2019, 9(5): 186-189.

[11] YAN Zhong-zhen, YAN Xin-ping, XIE Lei, et al. The Research of Weighted-Average Fusion Method in Inland Traffic Flow Detection[C]// ICICA 2011. Heidelberg: Springer Berlin Heidelberg, 2011.

[12] OKASHA N M. An Improved Weighted Average Simulation Approach for Solving Reliability-Based Analysis and Design Optimization Problems[J]. Structural Safety, 2016, 60: 47-55.

[13] ELMENREICH W. Fusion of Continuous-Valued Sensor Measurements Using Confidence-Weighted Averaging[J]. Journal of Vibration and Control, 2007, 13(9/10): 1303- 1312.

[14] HUANG Fang-hui, HE Yi-xin, DENG Xin-yang, et al. A Novel Discount-Weighted Average Fusion Method Based on Reinforcement Learning for Conflicting Data[J]. IEEE Systems Journal, 2023, 17(3): 4748-4751.

[15] POOLE D, RAFTERY A E. Inference for Deterministic Simulation Models: The Bayesian Melding Approach[J]. Journal of the American Statistical Association, 2000, 95(452): 1244-1255.

[16] LI Z S, GUO Jian, XIAO Ning-cong, et al. Multiple Priors Integration for Reliability Estimation Using the Bayesian Melding Method[C]// 2017 Annual Reliability and Maintainability Symposium (RAMS). Orlando: IEEE, 2017.

[17] GUO Jian, (STEVEN) LI Z, JIN Jiong-hua. System Reliability Assessment with Multilevel Information Using the Bayesian Melding Method[J]. Reliability Engineering & System Safety, 2018, 170: 146-158.

[18] YANG Le-chang, HE Ke-tai, GUO Yan-ling. A Novel Bayesian Melding Approach for Reliability Estimation Subjected to Inconsistent Priors and Heterogeneous Data Sets[J]. IEEE Access, 2018, 6: 38835-38850.

[19] YANG Le-chang, GUO Yan-ling, KONG Zi-fan. On the Performance Evaluation of a Hierarchical-Structure Prototype Product Using Inconsistent Prior Information and Limited Test Data[J]. Information Sciences, 2019, 485: 362-375.

[20] 楊樂昌, 郭艷玲. 基于貝葉斯混合概率分布融合的系統可靠性分析與預測方法[J]. 系統工程與電子技術, 2018, 40(7): 1660-1668. YANG Le-chang, GUO Yan-ling. Bayesian Melding Approach of Probability Distribution Fusion for System Reliability Analysis and Prediction[J]. Systems Engineering and Electronics, 2018, 40(7): 1660-1668.

[21] LI Ming-yang, HU Qing-pei, LIU Jian. Proportional Hazard Modeling for Hierarchical Systems with Multi-Level Information Aggregation[J]. IIE Transactions, 2014, 46(2): 149-163.

[22] LI Ming-yang, LIU Jian, LI Jing, et al. Bayesian Modeling of Multi-State Hierarchical Systems with Multi-Level Information Aggregation[J]. Reliability Engineering & System Safety, 2014, 124: 158-164.

[23] LI Ming-yang, ZHANG Wei-dong, HU Qing-pei, et al. Design and Risk Evaluation of Reliability Demonstration Test for Hierarchical Systems with Multilevel Information Aggregation[J]. IEEE Transactions on Reliability, 2017, 66(1): 135-147.

[24] PAN Rong. A Bayes Approach to Reliability Prediction Utilizing Data from Accelerated Life Tests and Field Failure Observations[J]. Quality and Reliability Engineering International, 2009, 25(2): 229-240.

[25] HAMADA M, MARTZ H F, REESE C S, et al. A Fully Bayesian Approach for Combining Multilevel Failure Information in Fault Tree Quantification and Optimal Follow-on Resource Allocation[J]. Reliability Engineering & System Safety, 2004, 86(3): 297-305.

[26] GRAVES T L, HAMADA M S, KLAMANN R, et al. A Fully Bayesian Approach for Combining Multi-Level Information in Multi-State Fault Tree Quantification[J]. Reliability Engineering & System Safety, 2007, 92(10): 1476-1483.

[27] GRAVES T L, HAMADA M S, KLAMANN R M, et al. Using Simultaneous Higher-Level and Partial Lower- Level Data in Reliability Assessments[J]. Reliability Engineering & System Safety, 2008, 93(8): 1273-1279.

[28] TOUW A E. Bayesian Estimation of Mixed Weibull Distributions[J]. Reliability Engineering & System Safety, 2009, 94(2): 463-473.

[29] 宋兆理, 賈祥, 郭波, 等. 基于貝葉斯融合與仿真的系統剩余壽命預測[J]. 系統工程與電子技術, 2021, 43(6): 1706-1713. SONG Zhao-li, JIA Xiang, GUO Bo, et al. System Residual Life Prediction Based on Bayesian Fusion and Simulation[J]. Systems Engineering and Electronics, 2021, 43(6): 1706-1713.

[30] 王立志, 姜同敏, 李曉陽, 等. 融合加速試驗及外場使用信息的壽命評估方法[J]. 北京航空航天大學學報, 2013, 39(7): 947-951. WANG Li-zhi, JIANG Tong-min, LI Xiao-yang, et al. Lifetime Evaluation Method with Integrated Accelerated Testing and Field Information[J]. Journal of Beijing University of Aeronautics and Astronautics, 2013, 39(7): 947-951.

[31] WANG Xin, MAO Dong-xing, LI Xiao-dong. Bearing Fault Diagnosis Based on Vibro-Acoustic Data Fusion and 1D-CNN Network[J]. Measurement, 2021, 173: 108518.

[32] AZAMFAR M, SINGH J, BRAVO-IMAZ I, et al. Multisensor Data Fusion for Gearbox Fault Diagnosis Using 2-D Convolutional Neural Network and Motor Current Signature Analysis[J]. Mechanical Systems and Signal Processing, 2020, 144: 106861.

[33] JOHN A, NUNDY K K, CARDIFF B, et al. Multimodal Multiresolution Data Fusion Using Convolutional Neural Networks for IoT Wearable Sensing[J]. IEEE Transactions on Biomedical Circuits and Systems, 2021, 15(6): 1161-1173.

[34] HE Lei, QIAN Wei-qi, ZHAO T, et al. Multi-Fidelity Aerodynamic Data Fusion with a Deep Neural Network Modeling Method[J]. Entropy, 2020, 22(9): 1022.

[35] DEMPSTER A P. Upper and Lower Probabilities Induced by a Multivalued Mapping[J]. The Annals of Mathematical Statistics, 1967, 38(2): 325-339.

[36] SHAFER G. A mathematical theory of evidence[M]. Princeton: Princeton University Press, 1976.

[37] SHAHPARI A, SEYEDIN S A. Using Mutual Aggregate Uncertainty Measures in a Threat Assessment Problem Constructed by Dempster-Shafer Network[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2014, 45(6): 877-886.

[38] NGUYEN K, DENMAN S, SRIDHARAN S, et al. Score-Level Multibiometric Fusion Based on Dempster–Shafer Theory Incorporating Uncertainty Factors[J]. IEEE Transactions on Human-Machine Systems, 2015, 45(1): 132-140.

[39] DONG Han-cheng. Prediction of the Remaining Useful Life of Lithium-Ion Batteries Based on Dempster-Shafer Theory and the Support Vector Regression-Particle Filter[J]. IEEE Access, 2021, 9: 165490-165503.

[40] RAMEZANI S, MOINI A, RIAHI M, et al. A Model to Determining the Remaining Useful Life of Rotating Equipment, Based on a New Approach to Determining State of Degradation[J]. Journal of Central South University, 2020, 27(8): 2291-2310.

[41] 郭宇, 李海陽, 周偉勇, 等. 基于證據融合的固體發動機貯存壽命評估方法[J]. 固體火箭技術, 2021, 44(4): 448-453. GUO Yu, LI Hai-yang, ZHOU Wei-yong, et al. Evaluation Methods for Storage Life of Solid Rocket Motor Based on Evidence Fusion[J]. Journal of Solid Rocket Technology, 2021, 44(4): 448-453.

[42] 孫曙光, 王銳雄, 杜太行, 等. 基于粗糙集與證據理論的交流接觸器預期電壽命預測[J]. 電工技術學報, 2020, 35(10): 2158-2169. SUN Shu-guang, WANG Rui-xiong, DU Tai-hang, et al. Expected Electrical Life Prediction of AC Contactor Based on Rough Set and Evidence Theory[J]. Transactions of China Electrotechnical Society, 2020, 35(10): 2158-2169.

[43] 丁瑞, 陸寧云, 程月華, 等. 基于D-S證據理論的航天設備壽命預測方法[J]. 中國空間科學技術, 2016, 36(4): 58-66. DING Rui, LU Ning-yun, CHENG Yue-hua, et al. Lifetime Prediction of Aerospace Equipment Based on D-S Evidence Theory[J]. Chinese Space Science and Technology, 2016, 36(4): 58-66.

[44] 周源泉, 翁朝曦. 可靠性評定[M]. 北京: 科學出版社, 1990. ZHOU Yuan-quan, WENG Chao-xi. Reliability Evaluation[M]. Beijing: Science Press, 1990.

A Review on Multi-source Information Fusion Evaluation Techniques for Missile Products Storage Life

ZHANG Sheng-peng1,2, MA Xiao-bing1, LIU Hao-ran3, LI Hong-min1,2

(1. School of Reliability and Systems Engineering, Beihang University, Beijing 100191, China; 2. Aerospace Science and Technology Defense Technology Research and Experiment Center, Beijing 100854, China; 3. School of Management and Economics, Beijing Institute of Technology, Beijing 100081, China)

In response to the urgent need to comprehensively utilize multi-source information of missile product storage life, the sources, characteristics, and fusion models of multi-source information of missile storage life have been reviewed. The sources of storage life information for missile products are analyzed, and the composition and advantages and disadvantages of natural storage test information, accelerated storage test information, and storage life design information are introduced. The characteristics of multi-stage, hierarchical, and multi-source information of missile storage life are elaborated. The functional model, fusion hierarchy, and algorithm model of multi-source information fusion for storage life have been studied, and the application research of weighted average method, Bayesian fusion method, neural network method, Dempster-Shafer envidence theory, etc. has been summarized. Subsequently, a storage life multi-source information fusion functional model was proposed, covering modules such as information source, unit information fusion, system information fusion, and auxiliary support system. Finally, in response to the existing problems in the current research on multi-source information fusion technology for storage life, future research directions are prospected.

missile products; storage life; multi-source information; fusion evaluation; functional model; fusion hierarchy; algorithm model

2023-09-14；

2023-10-08

TG760.89

A

1672-9242(2023)10-0039-08

10.7643/ issn.1672-9242.2023.10.005

2023-09-14；

2023-10-08

張生鵬, 馬小兵, 劉浩然, 等. 導彈產品貯存壽命多源信息融合評估技術綜述[J]. 裝備環境工程, 2023, 20(10): 39-46.

ZHANG Sheng-peng, MA Xiao-bing, LIU Hao-ran, et al. A Review on Multi-Source Information Fusion Evaluation Techniques for Missile Products Storage Life[J]. Equipment Environmental Engineering, 2023, 20(10): 39-46.

責任編輯：劉世忠