基于混合算法改进灰色模型的装备故障预测

doi:10.3969/j.issn.1009-086x.2026.03.021

摘要/Abstract

摘要：

针对大量高技术装备列装部队后，传统的维护管理模式存在维护过度或延迟的问题，难以及时发现装备故障，严重影响装备战斗力生成和部队使命任务的完成，鉴于此，提出基于哈里斯鹰优化算法与粒子群优化算法融合的HHO-PSO混合优化算法改进灰色GM(1,1)模型。该算法通过协同HHO的全局探索能力和PSO的局部特征提取能力进行参数寻优，构建以均方根误差为收敛准则的模型自适应，有效提升预测精度。实验结果表明：改进模型在装备故障预测中表现较好，误差小、准确度高，可为装备早期故障预警提供技术支持。

关键词: 粒子群优化算法, 哈里斯鹰优化算法, 混合优化算法, 故障预测, GM（1，1）模型

Abstract:

To address the problems of over-maintenance and delayed maintenance in traditional maintenance management models following the deployment of large-scale high-tech equipment in military forces， which make it difficult to detect equipment faults in a timely manner and seriously affect the generation of equipment combat effectiveness and the accomplishment of military missions， this paper proposes an improved grey GM（1，1） model based on an HHO-PSO hybrid optimization algorithm that integrates Harris Hawks optimization and particle swarm optimization. By synergizing the global exploration capability of HHO and the local feature extraction capability of PSO， the algorithm optimizes parameters and establishes model adaptation using root mean square error （RMSE） as the convergence criterion， thus effectively improving prediction accuracy. The experimental results indicate that the improved model demonstrates good performance in equipment fault prediction， with low errors and high accuracy， and can provide technical support for early fault warning of equipment.

Key words: particle swarm optimization（PSO）, Harris Hawks optimization（HHO）, hybrid optimization algorithm, fault prediction, GM（1，1） model

中图分类号:

TJ07

周文武, 廖兴禾, 雷蕾. 基于混合算法改进灰色模型的装备故障预测[J]. 现代防御技术, 2026, 54(3): 223-233.

Wenwu ZHOU, Xinghe LIAO, Lei LEI. Equipment Fault Prediction Based on Improved Grey Model with Hybrid Algorithm[J]. Modern Defense Technology, 2026, 54(3): 223-233.

图/表 8

表1 3种方法对比

Table 1 Comparison of three methods

系统类型	信息特征	适用场景	典型方法
白色系统	信息完全明确	理想化实验室环境	微分方程、统计分析
灰色系统	部分明确，部分未知	战场装备管理、经济预测	GM系列模型
黑色系统	信息完全未知	极端复杂系统	黑箱模型

图1 改进优化算法的流程

Fig. 1 Improved optimization algorithm procedure

表2 HHO-PSO优化过程关键迭代数据（部分）

Table 2 Key iteration data of HHO-PSO optimization process （partial samples）

迭代次数	候选 $a$ 值	适应度值（RMSE）	收敛状态
1	0.502	14.01	全局探索
20	0.412	8.72	过渡阶段
50	0.351	5.13	局部开发
70	0.329	4.25	精细开发
100	0.328	4.09	收敛

表2 HHO-PSO优化过程关键迭代数据（部分）

Table 2 Key iteration data of HHO-PSO optimization process （partial samples）

迭代次数	候选 $a$ 值	适应度值（RMSE）	收敛状态
1	0.502	14.01	全局探索
20	0.412	8.72	过渡阶段
50	0.351	5.13	局部开发
70	0.329	4.25	精细开发
100	0.328	4.09	收敛

表3 两种模型预测值与模拟数据值误差比对

Table 3 Comparison of prediction errors between two models and simulated data

仿真数据	标准GM（1，1）模型		$a b e s t$ -GM（1，1）型
仿真数据	预测值	相对误差	预测值	相对误差
相对误差平均值	30.08		0.27
141.61	80.09	61.52	140.67	0.94
323.24	293.68	29.56	322.55	0.69
477.90	447.38	30.52	477.67	0.23
625.17	583.81	41.36	625.46	-0.29
784.28	737.56	46.72	784.31	-0.03
933.53	894.23	39.30	933.05	0.48
1 074.43	1 112.85	-38.42	1 074.32	-0.11

表3 两种模型预测值与模拟数据值误差比对

Table 3 Comparison of prediction errors between two models and simulated data

仿真数据	标准GM（1，1）模型		$a b e s t$ -GM（1，1）型
仿真数据	预测值	相对误差	预测值	相对误差
相对误差平均值	30.08		0.27
141.61	80.09	61.52	140.67	0.94
323.24	293.68	29.56	322.55	0.69
477.90	447.38	30.52	477.67	0.23
625.17	583.81	41.36	625.46	-0.29
784.28	737.56	46.72	784.31	-0.03
933.53	894.23	39.30	933.05	0.48
1 074.43	1 112.85	-38.42	1 074.32	-0.11

图2 标准模型预测值与仿真值比对

Fig. 2 Comparison between predicted values of standard model and simulated values

图3 改进模型预测值与仿真值比对

Fig. 3 Comparison between predicted values of improved model and simulated values

图4 预测结果

Fig. 4 Prediction results

表4 结果比对

Table 4 Comparative analysis of results

两种故障预测模型	均方根误差
GM（1，1）	14.01
$a b e s t$ - $G M (1,1)$	4.09

表4 结果比对

Table 4 Comparative analysis of results

两种故障预测模型	均方根误差
GM（1，1）	14.01
$a b e s t$ - $G M (1,1)$	4.09

参考文献 27

[1]	张福平，刘兴凯，王凯. 基于灰色模型的我国研究生教育规模预测［J］. 数学的实践与认识， 2019， 49（15）： 318-323.
	ZHANG Fuping， LIU Xingkai， WANG Kai. Prediction of Postgraduate Education Scale Based on Grey Model［J］. Mathematics in Practice and Theory， 2019， 49（15）： 318-323.
[2]	王慧盟. 基于GM（1，1）模型的长治物流园区需求预测及建设必要性分析［J］. 物流工程与管理， 2018， 40（6）： 95-97.
	WANG Huimeng. Analysis of Demand Forecast and Construction Necessity of Changzhi Logistics Park Based on GM （1.1） Model［J］. Logistics Engineering and Management， 2018， 40（6）： 95-97.
[3]	王凯，韩梅，卢瑞鹏. 基于灰色GM（1，1）模型的特殊教育规模预测［J］. 数学的实践与认识， 2018， 48（21）： 250-257.
	WANG Kai， HAN Mei， LU Ruipeng. Prediction of Special Education Scale Based on Grey GM （1，1） Model［J］. Mathematics in Practice and Theory， 2018， 48（21）： 250-257.
[4]	刘业鹏，许彬彬，陈菲，等. 基于灰色理论的数控机床故障预测的研究［J］. 组合机床与自动化加工技术， 2019（9）： 93-96， 101.
	LIU Yepeng， XU Binbin， CHEN Fei， et al. Research on Fault Prediction of NC Machine Tool Based on Grey Theory［J］. Modular Machine Tool & Automatic Manufacturing Technique， 2019（9）： 93-96， 101.
[5]	薛洪彬，张健，杨丽，等. 基于灰色理论的自动步枪故障预测［J］. 沈阳理工大学学报， 2018， 37（5）： 76-79， 85.
	XUE Hongbin， ZHANG Jian， YANG Li， et al. Fault Prediction of an Automatic Rifle Based on Grey Theory［J］. Journal of Shenyang Ligong University， 2018， 37（5）： 76-79， 85.
[6]	王藏，刘光亚. 基于灰色系统理论的数控车床故障时间预测［J］. 湖北工业大学学报， 2019， 34（2）： 53-55.
	WANG Cang， LIU Guangya. Fault Prediction of the CNC Based on Grey System Theory［J］. Journal of Hubei University of Technology， 2019， 34（2）： 53-55.
[7]	丛晓，陈勇，张光轶. 基于序列平均变化率的灰色模型故障预测方法［J］. 中国电子科学研究院学报， 2021， 16（10）： 1034-1037.
	CONG Xiao， CHEN Yong， ZHANG Guangyi. Grey Model Fault Prediction Method Based on Sequence Average Change Rate［J］. Journal of China Academy of Electronics and Information Technology， 2021， 16（10）： 1034-1037.
[8]	张佶，洪亮，杨利斌. 基于改进灰色波形预测模型的装备故障预测［J］. 火力与指挥控制， 2025， 50（1）： 80-86.
	ZHANG Ji， HONG Liang， YANG Libin. Equipment Fault Prediction Based on Improved Grey Waveform Prediction Model［J］. Fire Control & Command Control， 2025， 50（1）： 80-86.
[9]	孙波，李娜，张振威，等. 基于改进灰色GM（1，1）模型的轨道电路故障预测［J］. 电子测量技术， 2023， 46（12）： 26-33.
	SUN Bo， LI Na， ZHANG Zhenwei， et al. Track Circuit Fault Prediction Based on Modified Grey GM（1，1） Model［J］. Electronic Measurement Technology， 2023， 46（12）： 26-33.
[10]	丛晓，陈勇，薛鲁强，等. 一种基于弱化算子改进的灰色模型故障预测方法［J］. 中国电子科学研究院学报， 2024， 19（1）： 91-96.
	CONG Xiao， CHEN Yong， XUE Luqiang， et al. An Improved Grey Model Fault Prediction Method Based on Weakening Operator［J］. Journal of China Academy of Electronics and Information Technology， 2024， 19（1）： 91-96.
[11]	李文强，马尧，聂鹏，等. 机载设备故障率预测的灰色GM（1，N）与偏最小二乘组合模型［J］. 火力与指挥控制， 2022， 47（8）： 98-102.
	LI Wenqiang， MA Yao， NIE Peng， et al. Grey GM（1，N） and PLS Combined Model for Failure Rate Prediction of Airborne Equipment［J］. Fire Control & Command Control， 2022， 47（8）： 98-102.
[12]	陈兆威. 基于灰色理论和神经网络的身管寿命预测研究［D］. 沈阳：沈阳理工大学， 2023.
	CHEN Zhaowei. Prediction of Barrel Life Based on Grey Theory and Neural Networks［D］. Shenyang： Shenyang Ligong University， 2023.
[13]	曹洪瑞. 基于灰色理论和ISSA-LSSVM的公路货运量预测方法研究［D］. 石家庄：石家庄铁道大学， 2024.
	CAO Hongrui. Research on Road Freight Volume Forecasting Method Based on Grey Theory and ISSA-LSSVM［D］. Shijiazhuang： Shijiazhuang Tiedao University， 2024.
[14]	齐小刚，姚兆冬. 一种基于灰色理论和弱缓冲算子的装备备件预测方法［J］. 智能系统学报， 2025， 20（2）： 495-505.
	QI Xiaogang， YAO Zhaodong. A Prediction Method for Equipment Spare Parts Based on Grey Theory and Weak Buffering Operator［J］. CAAI Transactions on Intelligent Systems， 2025， 20（2）： 495-505.
[15]	陈思源，王明辉，余跃楷，等. 基于灰色理论的广东省人口老龄化趋势预测及影响因素［J］. 经济研究导刊， 2024（22）： 67-72.
	CHEN Siyuan， WANG Minghui， YU Yuekai， et al. Prediction of Population Aging Trend and Influencing Factors in Guangdong Province Based on Grey Theory［J］. Economic Research Guide， 2024（22）： 67-72.
[16]	罗丹. 基于灰色理论的海南免税行业销售收入影响因素及预测研究［J］. 全国流通经济， 2024（23）： 25-28.
	LUO Dan. Research on Influencing Factors and Forecast of Sales Revenue in Hainan Duty-Free Industry Based on Grey Theory［J］. China Circulation Economy， 2024（23）： 25-28.
[17]	金学勤，李封疆，李彬，等. 基于灰色理论的沥青路面预防养护技术后评估［J］. 公路， 2025， 70（4）： 445-454.
	JIN Xueqin， LI Fengjiang， LI Bin， et al. Post-Evaluation of Preventive Maintenance Technology of Asphalt Pavement Based on Grey Theory［J］. Highway， 2025， 70（4）： 445-454.
[18]	高云霄，屠力月，郭一村，等. 基于灰色理论的连杆轴瓦磨损寿命预测［J］. 电子产品可靠性与环境试验， 2024， 42（增1）： 12-20.
	GAO Yunxiao， TU Liyue， GUO Yicun， et al. Prediction of Bearing Wear Life of Connecting Rod Based on Grey Theory［J］. Electronic Product Reliability and Environmental Testing， 2024， 42（S1）： 12-20.
[19]	刘辉，周武生. 基于灰色理论的旅游经济研究——以长沙市为例［J］. 西部旅游， 2024（15）： 71-73.
	LIU Hui， ZHOU Wusheng. Research on Tourism Economy Based on Grey Theory： A Case Study of Changsha City［J］. Western Travel， 2024（15）： 71-73.
[20]	潘恒，王柔玥. 基于灰色理论的四川省预制菜冷链物流需求分析［J］. 技术与市场， 2024， 31（7）： 131-135， 140.
	PAN Heng， WANG Rouyue. Demand Analysis of Cold Chain Logistics for Pre-made Dishes in Sichuan Province Based on Grey Theory［J］. Technology and Market， 2024， 31（7）： 131-135， 140.
[21]	王亮亮，卢志平. 基于灰色理论的柳州市人口预测［J］. 现代工业经济和信息化， 2015， 5（18）： 24-25， 28.
	WANG Liangliang， LU Zhiping. Research on Population Forecast of Liuzhou Based on Grey Theory［J］. Modern Industrial Economy and Informationization， 2015， 5（18）： 24-25， 28.
[22]	张梦汝，罗娟，单路路. 基于灰色理论的上海外来常住人口预测及影响因素分析［J］. 经济研究导刊， 2021（31）： 41-43.
	ZHANG Mengru， LUO Juan， SHAN Lulu. Prediction and Influencing Factors of Migrant Permanent Population in Shanghai Based on Grey Theory［J］. Economic Research Guide， 2021（31）： 41-43.
[23]	傅彦峰. 基于GM（1，1）模型的青岛港物流需求预测研究［J］. 物流科技， 2023， 46（22）： 7-11.
	FU Yanfeng. Research on Logistics Demand Forecast of Qingdao Port Based on GM（1，1） Model［J］. Logistics Sci-Tech， 2023， 46（22）： 7-11.
[24]	李静怡. 基于机器学习的复杂装备故障预测算法研究［D］. 西安：西安工业大学， 2024.
	LI Jingyi. Research on Fault Prediction Algorithm for Complex Equipment Based on Machine Learning［D］. Xi'an： Xi'an Technological University， 2024.
[25]	樊海青，马彦凤. 基于时变参数的灰色模型在变形监测中的应用［J］. 地理空间信息， 2024， 22（1）： 74-77.
	FAN Haiqing， MA Yanfeng. Application of Grey Model Based on Time-Varying Parameter in Deformation Monitoring［J］. Geospatial Information， 2024， 22（1）： 74-77.
[26]	张恒僖. 基于改进灰色模型的建筑物变形预测分析研究［J］. 测绘与空间地理信息， 2025， 48（3）： 177-180， 183.
	ZHANG Hengxi. Prediction and Analysis of Building Deformation Based on Improved Grey Model［J］. Geomatics & Spatial Information Technology， 2025， 48（3）： 177-180， 183.
[27]	薛永安，冀哲，张文志. 基于残差修正GM（1，1）模型的采空区残余变形预测研究［J］. 煤矿安全， 2023， 54（1）： 101-108.
	XUE Yongan， JI Zhe， ZHANG Wenzhi. Study on Residual Deformation Prediction of Goaf Based on Residual Modified GM（1，1） Model［J］. Safety in Coal Mines， 2023， 54（1）： 101-108.