火控系统是装甲车辆作战的核心单元,具有结构复杂、参数多的特点,且信号测量不容易。当火控系统发生故障时,故障部位、故障类型难以判断,大大影响了装甲装备的作战性能。过去的维修方式多以专家经验作为依据,通过事后维修进行人为的故障判断,人为诊断准确率不高,维修成本也很大。现在,视情维修方式已进入人们的视野,随着大型复杂装备的智能化程度日益提高,故障预测与健康管理在武器装备中的应用越来越重要。为了减少火控系统维修上的人力、物力消耗,提升装甲车辆野外作战可靠性,本课题在人工智能故障诊断的基础上,结合机器学习算法,构建了火控系统性能参数趋势预测、多故障预测以及健康状态评估三种智能模型:(1)针对火控系统故障信息不足、信号非线性、维度高的特点,对性能参数首先通过集合经验模态分解进行特征提取,再由最小二乘支持向量回归机进行参数趋势预测,回归机的参数通过鲸鱼优化算法来选择,提升了预测精度;(2)建立一种改进的多故障预测模型,使火控系统的故障预测不仅仅停留在“正常”与“故障”状态的识别,而是对不同类型的故障状态进行区分。通过决策导向无环图完成支持向量分类机的多分类转换,引入改进的分离性测度计算,对决策导向无环图进行改进,减小了因初始表单顺序不当产生的误差。支持向量多分类机的参数由鲸鱼优化算法优化,提高了多分类的准确率;(3)建立一种火控系统健康状态评估的模型,针对连续信号的特点,使用邻域粗糙集对性能属性加以约简,找出重要属性集,方便状态评估的计算。针对异类样本与正类样本数量相差悬殊的问题,由支持向量数据描述的方法描述出正类样本的超球体模型,影响超球体边界的参数由鲸鱼优化算法确定,通过样本与超球体球心的距离确定部件性能退化的严重程度和剩余使用寿命,作为维修决策人员的参考。以火控系统的火控计算机与传感器分系统的电源模块作为实验对象,测得的历史样本验证以上三种故障预测与健康管理的模型,实验证明,所提出的性能参数趋势预测方法具有较高的精度,保障了故障预测的准确性;所提的多故障预测方法实现了多种类型故障识别的可能,使故障预测更加精细化;所提的健康状态评估方法在火控系统的健康程度的判断上有所突破,具有较高的可靠性。三种方法为武器装备的故障预测与健康管理提供了有力的技术支撑。