随着电子战、信息战技术的不断发展,军事雷达在国防领域的角色越来越重要。为保障雷达在执行任务中能够稳定、可靠、高效的运行,对雷达的故障预测技术进行研究具有重要的意义。传统的故障预测技术主要依据经验模型,不能考虑多方面因素的影响,预测精度差,虚警率高。随着物联网和大数据技术的飞速发展,基于大数据的故障预测技术也在各个领域得到研究与应用,取得了显著的效果。本文针对某型现役军用雷达结构复杂、故障类型多样、工作环境多样以及维护难度大的特点,应用大数据技术对雷达运行数据、使用数据、维修维护数据、故障数据、环境数据进行分析和挖掘,找出雷达故障与参数的内在关联,设计挖掘算法对雷达故障进行预测。研究工作对于保障雷达作战性能具有重要的理论和实践意义。论文的主要工作和创新点体现在:1、以某型现役防空火控雷达为研究对象,阐述了其工作原理、工作方式和主要结构。并以其光电跟踪子系统为例,分析了常见故障类型的原因,确定了故障与状态参数的对应关系。2、选取了雷达实时运行数据、历史故障数据、例行检修数据、地理环境气象数据等多维数据用于大数据处理和分析。首先采用小波阈值降噪法对数据降噪,然后采用Relief-F算法对高维数据进行降维,确定了雷达光电跟踪子系统故障的关键影响因素。3、提出了一种PSO-LM组合学习算法,对过程神经网络的学习算法进行优化,加快了收敛速度,基于此算法建立了光电跟踪子系统状态参数预测的离散输入过程神经网络模型,对雷达工作状态参数在未来时间区间的变化趋势进行了预测。并和传统算法进行了比较,证实了算法的有效性。4、提出了基于过程神经网络与径向基神经网络组合模型的雷达故障预测方法,对光电跟踪子系统故障进行了预测。并设计算例对预测过程进行了仿真计算,验证了方法的可行性。由于时间关系,论文的研究成果未在工程中进行实际应用,其实际效果还有待工程测试的进一步验证。但作为一种解决思路,其方法可以对雷达装备故障预测起到辅助决策的作用。