传统的武器装备总装总调模式因速度慢和过度依赖调试经验而面临着巨大挑战。因此，构建出基于支持向量机算法的随动设备调参预测模型，通过预测出的参数进行随动调试参数的智能化设计，在很大程度上规避了传动人工计算和设计过程中的人为错误因素的引入，对于战车随动设备生产过程的智能化和精准化质量控制具备一定的指导意义。
1 基于支持向量机的随动设备调参预测模型设计与实现
1.1 随动设备调参预测模型设计过程
结合随动备传统的调参的原理和LS-SVM的机理，构建出基于支持向量机的随动设备调参预测模型如图1所示。其实现具体过程如下：
a) 根据随动设备传统的调参过程，提取出其调参输入变量和输出变量的非线性映射关系；
b) 收集满足设计指标要求的数据，构建出专家知识库；
c) 根据LS-SVM的实现机理，构建出LS-SVM学习模型和LS-SVM推理模型；
d) 从专家知识库中提取出训练样本和测试样本，训练样本用于LS-SVM学习模型，通过训练样本的学习获得LS-SVM推理模型，测试样本用于检验LS-SVM推理模型的有效性。
图1 随动设备调参预测模型实现原理
根据某项目传统随动设备调参过程进行分析，提取出随动设备调参模型输入变量、输出变量和评价等级如表1所示。其中设计其输入变量为：角度误差、角速度控制值、角速度误差，分别用X1、X2、X3表示；输出变量为：Ki系数、KpB系数、速度前馈系数、速度反馈系数，分别用Y1、Y2、Y3、Y4表示；评价等级为：运动控制精度≤0.04°、运动控制精度≤0.06°，分别用A、B表示。
表1 样本参数设计
1.2 随动设备调参预测模型实现过程
随动设备调参预测模型设计的目的是实现战车随动设备调试过程的智能化，即利用机器学习的优势规避传统调试过程中人为更改程序设计带来的质量问题，且能在一定程度上缩短战车随动设备调试调参的周期，为整车的集成调试提供更多的时间余量。基于支持向量机的随动设备调参预测模型实现过程如下：
第一步，设计训练学习样本。利用传统调试过程中收集的数据输入LS-SVM学习模型，收集的训练学习样本以随动设备的机构传动比范围、编码器的精度、旋转变压器的测量误差、齿轮间隙等参数作为分类标准，以评价等级运动控制精度≤0.04°、运动控制精度≤0.06°（根据不同的总体设计指标要求可进行匹配性更改）等作为精度为提取要求（即满足评价等级的数据进入训练学习样本）。训练学习样本中每个输入变量定义为：X=（X1，X2，X3）=（角度误差，角速度控制值，角速度误差）；输出变量定义为：Y=（Y1，Y2，Y3，Y4）=（Ki系数，KpB系数，速度前馈系数，速度反馈系数）；
第二步，训练学习。利用LS-SVM对训练学习样本中的输入变量、输出变量和评价等级进行训练学习，获得对应的系数和常量参数值（公式2中的α，b）；
第三步，在线学习。根据随动设备实时运行过程中编码器实时采集的方位随动执行值、旋转变压器采集的电机转速，获得随动当前的位置及速度，对比要求运行的角度控制值、角速度控制值，获得实时输入变量角度误差，角速度控制值，角速度误差，利用公式3进行计算获得随动设备PID控制中关键参数的决策值（Ki系数，KpB系数，速度前馈系数，速度反馈系数）；
第四步，优化参数。根据计算出得调节参数进行运动控制，获得运动控制精度，如果控制后的精度满足评价等级，则认为本次调参有效，将本次调参对应的数据反馈到第一步中的训练学习样本和LS-SVM推理模型中，增加训练样本的样本数量，进而增加下一次调参预测的准确性，如果控制后的精度不满足评价等级，记录本次调参错误，优化公式1中得误差项ε、正则化参数C以及公式4中的核函数宽度σ；
第五步，加强学习。根据战车随动设备设计所需面临的各种运动工况，设计角度控制和角速度控制值，加强随动设备调参预测模型的检测学习，获得不同工况下，不同输入变量下LS-SVM模型的决策值，精细化在满足评价等级下的输入变量和输出变量的映射关系。
2 仿真分析
根据本文提出的随动设备调参预测模型的设计方法，且通过随动设备调试过程中调参历史数据的收集获取随动设备调参预测模型的训练学习样本和测试样本如表2所示，将表中前15个样本作为随动设备调参预测模型的训练学习样本，后5个样本作为该模型训练后的测试样本。
通过Matlab仿真平台进行仿真测试，仿真预测结果与测试样本的对比情况见表3，从表3可以看出，在5个测试样本中，仿真预测出的Ki系数和速度反馈系数与测试样本的真实值一致，验证了随动设备调参预测模型的有效性；而KpB系数中有1个样本的预测值偏离真实值3.1，速度前馈系数中有1个样本的预测值偏离真实值0.01，可以看出虽然预测模型预测的值偏离传统方法的真实值，但误差比较小，具备随动设备调参预测的指导意义，同时上述误差可以通过增加训练学样本的数据进行学习，提高预测模型的预测辨识度，进而降低该模型的预测误差值，最终达到随动设备的智能调参。
5 结论
本文针对战车随动设备在总装调试过程中质量控制方法进行梳理，构建基于支持向量机的随动设备调参预测模型，并通过仿真试验验证模型的正确性，以期对提升战车随动设备的质量控制和生产过程的控制具备一定的指导意义。
参考文献
[1] 吕旭泽.基于PSO-LS-SVM的发动机多工序装配质量预测模型研究[D].合肥工业大学,2016.
[2] 赵钰棠,杨信丰,杨珂.基于支持向量机的地铁客流量预测[J].都市快轨交通,2014,27(03):35-38.
