基于变分自编码器的多维退化数据生成方法

数据驱动的剩余使用寿命（RUL）预测方法不依赖于复杂的物理模型，可以直接利用设备历史运行数据与当前监测数据对设备RUL进行预测，对制定合理的维修策略，降低设备的维护成本具有重要意义。但是数据驱动的RUL预测方法依赖于大量历史数据，在数据不足时，尤其是多维退化数据，模型难以取得良好的预测效果。针对这一问题，提出一种多维退化数据生成方法，所提方法构建了一种全局优化模型，以条件变分自编码器作为生成模型，提取多维退化数据特征并生成相似数据扩充RUL预测模型训练集，利用长短时记忆网络作为RUL预测模型，所提方法能够通过RUL预测模型更新生成模型的参数提高模型的效果，同时利用更新后的生成模型提高剩余寿命预测模型在退化数据不足情况下的效果。使用航空发动机退化数据进行了案例验证，通过对比未加入生成数据训练得到的RUL预测模型与加入生成数据训练得到的RUL预测模型的表现，验证了所提方法在解决RUL预测模型训练数据不足方面的优越性。     

考虑随机效应的多源信息融合剩余寿命预测

为了合理利用同类设备的先验信息，提高参数估计和剩余使用寿命（RUL）预测精度，提出一种基于多源信息融合并考虑随机效应的RUL预测方法。利用考虑随机效应的线性Wiener过程对设备的退化过程进行建模；利用期望最大化（EM）算法，融合先验退化信息和先验失效寿命数据信息，计算模型中的未知参数；根据Wiener过程参数估计的性质，提出一种基于多源信息融合并考虑随机效应的非线性Wiener过程参数估计方法；利用激光器数据和疲劳裂纹数据进行实验验证。实验结果表明：与基于历史退化数据或失效寿命数据的方法相比，所提方法能有效提高参数估计和RUL预测的精度。     

面向装备RUL预测的平行仿真技术

装备平行仿真是系统建模与仿真领域的新兴仿真技术,已经成为研究热点。在装备维修保障领域中,分析了装备剩余寿命（RUL）预测存在的突出问题,即模型参数固定、不具备自适应演化能力,成为阻碍实现装备剩余寿命自适应预测的首要因素。结合装备平行仿真理论,在建模分析的基础上提出了面向装备剩余寿命预测的平行仿真框架,该框架以Wiener状态空间模型为基础仿真模型,在动态注入的装备退化观测数据驱动下,利用期望最大化（EM）算法在线更新模型参数,并利用卡尔曼滤波（KF）算法实现仿真输出数据与观测数据的同化（DA）,从而实现仿真模型动态演化,使得仿真输出不断逼近装备真实退化状态,为准确预测剩余寿命提供高逼真度仿真模型和数据输出。以某轴承性能退化数据为数据驱动源,对该框架进行了验证,仿真结果表明平行仿真方法能准确仿真装备性能退化过程,在提高预测精度的基础上实现了装备剩余寿命的自适应预测,有力证明了平行仿真方法的可行性和有效性。      

变工况条件下基于相似性的剩余使用寿命预测方法

剩余使用寿命(RUL)预测是预测与健康管理(PHM)中的核心环节。提出一种变工况条件下基于相似性的RUL预测方法。结合相似性预测方法无需进行复杂的退化过程建模而能提供合理预测的优势,引入工况即设备工作时所处的环境或操作载荷等因素的影响来提升设备RUL预测准确性。对参考样本建立多工况的设备退化模型提升模型精度,在服役样本相似性度量预测中进行工况的匹配以实现在变工况下的RUL预测。方法能够更准确地描述实际工程中设备的退化过程和个体差异。依据相同准确度标准完成多组基本相似性方法和本文方法的对比实验结果表明,本文方法能够有效提高RUL预测准确度。      

BLDC电机温度退化多段Wiener过程建模

无刷直流（BLDC）电机应用广泛,其温度退化过程呈现多段性,需建立多段退化模型,而模型参数较多时,参数估计过程对初始值敏感且易陷入局部最优。首先,针对电机的加速退化数据进行研究,采用正态加权平均（Gauss滤波）的方式滤波,改进实际数据在模型参数的估计中的应用。然后,引入转换函数对Wiener模型改进,建立多段Wiener模型。其次,以极大化似然函数进行参数估计,计算时采用改进粒子群优化（PSO）算法得到估计值,对比非线性模型的残差的正态性,同时分析各模型理论寿命分布及实际该批次失效分布,确定多段模型合理性;得到的模型结果说明电机在退化过程中发生了退化机理的改变,且变换速度快。最后,以非线性模型不同时刻的寿命分布给出该应力下电机的寿命预测,这对电机的预测与健康管理（PHM）有重要意义。      

基于Wiener过程的发动机多阶段剩余寿命预测

针对现阶段发动机的寿命预测研究没有考虑到非线性与多阶段的问题,提出了基于多阶段非线性Wiener过程的航空发动机实时剩余寿命预测的方法。该方法融合了同类型发动机的历史性能退化监测数据与个体发动机的实时监测数据。首先,考虑了发动机性能退化非线性的特点,并采用多阶段Wiener过程建立发动机的性能退化模型。然后,根据发动机的历史性能监测数据,利用极大似然估计和一维搜索方法进行参数先验分布的估计。再次,在先验分布和个体发动机的退化数据的基础上,用贝叶斯方法对参数分布更新。最后,得到个体发动机剩余寿命的实时预测值。通过实例验证本文方法预测的准确性。      

基于ADMM算法的航空发动机模型预测控制

为了提升航空发动机非线性模型预测控制（MPC）的实时性,将交替方向乘子法（ADMM）应用于模型预测控制的滚动优化中。基于状态空间模型构造预测方程,通过引入辅助变量和对偶变量,将二次型性能指标和发动机约束改写为适合ADMM算法求解的形式。在航空发动机部件级模型上开展的仿真结果表明,基于ADMM算法的单变量模型预测能够实现对指令信号的高性能跟踪和约束的有效管理。相比于内点法（IPM）,ADMM算法在滚动优化过程中,在不同控制指令下,均具有更高的实时性,且在预测时域增加的情况下,计算耗时增加更少,验证了其在模型预测控制中应用的有效性。      

基于IMU与UKF的船舶升沉运动信息测量方法

为获取实时、精确的船舶升沉运动信息,根据船舶升沉运动模型和频谱分析方法,建立描述惯性测量单元（IMU）的加速度测量信息与船舶升沉运动状态量关系的解析模型。基于无迹卡尔曼滤波（UKF）算法非线性滤波的特点,进行升沉运动滤波解算。通过仿真分析证明了所提方法在船舶升沉运动测量中的有效性。利用三自由度平台升沉运动测量实验验证,结果表明,同一模型下,相比于扩展卡尔曼滤波（EKF）算法的解算结果,所提方法具有更快的收敛速度和更高的测量精度;对船舶升沉位移的估计精度达到最大升沉幅值的5%,可以得到精确、无时延的船舶升沉运动信息。      

一种基于自适应滤波的GPS滚转角估计方法

全球定位系统（GPS）测姿技术主要是利用GPS载波相位和信号功率2种方法，但是测量信息单一且独立，针对旋转载体的测姿问题，提出一种基于自适应滤波的GPS滚转角估计方法，通过融合GPS接收机天线信号功率和多普勒频率信息测量载体滚转角和滚转角速度。利用当前统计模型对滚转角和滚转角速度测量进行系统建模，根据滚转角预测估计值选取量测量，并提出自适应滤波，采用滚转角加速度估计自适应滤波算法，实现了对系统噪声方差阵的自适应调整，避免了滚转角加速度最值的选取问题，降低了噪声的影响。通过仿真验证了基于自适应滤波的GPS滚转角估计方法的可行性，结果表明该方法的测量精度高于无迹卡尔曼滤波（UKF）。      

融合高斯过程回归的UKF估计方法

高精度滤波估计是SINS/GNSS组合导航系统的关键技术之一,其估计精度直接影响了导航精度。传统滤波估计方法一般只基于惯导误差模型,未考虑惯导误差模型不确定性的影响。针对此问题,提出了一种采用高斯过程回归（GPR）增强无迹卡尔曼滤波（UKF）预测和估计能力的高精度滤波估计方法。一方面,能在有限的训练数据条件下通过UKF估计误差状态量;另一方面,高斯过程既考虑了噪声,也考虑了UKF的不确定性。将所提方法应用于SINS/GNSS组合导航系统中,车载实验结果表明,所提方法能有效提高滤波估计精度。      

基于不完美先验信息的随机系数回归模型剩余寿命预测方法

剩余寿命预测是设备预测与健康管理的核心问题，准确的剩余寿命预测可以在故障发生前进行有效的维护保养，以减小设备故障发生的概率。针对实际剩余寿命预测中先验信息不足或缺乏的问题，提出一种克服不完美先验信息影响的启发式剩余寿命预测方法。首先，利用非线性随机系数回归模型进行退化建模。其次，证明了基于单个设备现场退化数据，期望最大化（EM）算法的参数估计结果收敛于极大似然估计（MLE）算法的参数估计结果，并提出一种合理融合先验信息和现场信息的启发式剩余寿命预测方法。最后，通过数值仿真数据和实际锂电池退化数据对提出的结论和方法进行了验证，结果表明:启发式剩余寿命预测方法相比传统贝叶斯方法能够较好地克服不完美先验信息的影响，更为准确的预测设备地实际剩余寿命。      

运用信息融合式高阶UKF的微小卫星姿态确定算法

为提高微小卫星微型低成本姿态敏感器的姿态确定精度，基于磁强计/太阳敏感器/陀螺仪的姿态敏感器配置以及无迹卡尔曼滤波方法（Unscented Kalman Filter，UKF），设计了一种基于高阶UKF算法并且融合磁强计与太阳敏感器观测信息的微小卫星姿态确定算法.为提高系统状态方程非线性函数的一步预测精度，采用基于五阶UT变换的高阶UKF算法，增加了Sigma采样点数量，提高了系统状态预测精度.单一观测向量滤波算法不能同时满足多个不同量纲观测数据，本文提出一种同时利用两个观测向量的信息融合式滤波算法，根据磁强计和太阳敏感器的观测信息，通过卡尔曼滤波原理中的增益计算，分别得出地磁矢量和太阳矢量对应的卡尔曼增益信息.采用高斯概率密度准则进行信息融合，进而完成预测值的修正，得到同时满足磁强计以及太阳敏感器观测需求的四元数估计值，降低了观测误差的影响.仿真分析验证了算法的优越性.      

机会传感网中一种自适应链路侦测数据收集算法

提出了一种自适应链路侦测的数据收集算法,以提高机会传感网链路的预测精度与传输成功率:采用自适应链路侦测算法测量出各节点的实时网内链路质量权重因子,结合节点能量消耗模型,通过基于无味卡尔曼滤波的概率预测方法对节点间的链路质量进行量化计算,实现节点对通信链路的实时自适应预测与最优化选择,从而完成数据收集.仿真实验结果表明:新算法提高了最优化路径决策的预测精度,可以有效地增加消息的平均通信成功率,降低消息的平均传输延时.     

基于SINS/CNS组合导航系统的多模型自适应估计算法

针对单一模型滤波器在未知或不确定的系统参数下适应性较差的问题,提出了一种新的基于多模型自适应估计(multiple model adaptive estimation,MMAE)的滤波方法。该方法利用改进的卡尔曼滤波代替传统的卡尔曼滤波,比如扩展卡尔曼滤波(extended Kalman filter,EKF)和无迹卡尔曼滤波(unscented Kalman filter,UKF)。EKF和UKF被用来作为多模型自适应估计的子滤波器,从而实现对非线性系统的状态估计。同时,还将该方法应用于基于弹道导弹模型的组合导航中实现了系统仿真。仿真结果表明,与传统的EKF和UKF算法比较,改进的滤波方法可以解决传统模型滤波器适应性差的问题,并提高系统的导航精度。     

Motion prediction of an uncontrolled space target

Capturing an uncontrolled space target is a tremendously challenging research topic. Target capture by a space robot can be well planned according to predicted motion of the target. In this paper, motion prediction of an uncontrolled space target is studied and a motion prediction algorithm is proposed. In the proposed algorithm, firstly a method for identifying the parameters of motion state and inertial property of the target is established; and then through substituting the identified parameters into the dynamic equations of the target, the motion of the target can be predicted as the solution of the equations. In the identification of the parameters, the unscented Kalman filter (UKF) is applied. In order to support the UKF, a method for estimating noise level of the observation data is developed, so our motion prediction algorithm is noise adaptive. A practical convergent criterion is also designed to determine the time when the estimated result of the UKF is accurate enough, such that the predicted motion is credible enough. After that, the accuracy of the prediction is further improved by an optimization method. In the end of this paper, numerical simulations are done to verify the validity of the proposed motion prediction algorithm. Simulation results indicate that the proposed algorithm is able to predict the motion of the target precisely.     

基于状态条件概率的设备剩余寿命预测

针对机载设备剩余使用寿命预测中存在的不确定性因素,建立了基于状态条件概率分布的机载设备剩余寿命模型.首先,引入状态条件概率矢量对隐马尔科夫模型（HMM,Hidden Markov Model）进行不确定性改进,并推导了其计算形式.其次,给出了近似确定状态退化转移时间的方法,由此得到了以状态条件概率矢量为协变量的条件可靠度函数及剩余寿命模型.最后,以飞机发动机温控放大器为应用对象进行仿真计算.仿真结果表明该模型预测精度高,能够较大程度地降低不确定性因素的影响.