融合加速退化和现场实测退化数据的剩余寿命预测方法

针对先验信息为加速退化数据的情况,提出了利用非共轭先验分布进行Bayesian统计推断的剩余寿命预测方法。不预先假定Wiener过程参数值的分布类型,利用加速系数将加速应力下的参数值折算到工作应力水平下,进而使用Anderson-Darling方法确定参数值的最优拟合分布类型。在对参数值进行折算时,根据周源泉提出的理论对Wiener过程参数与加速应力之间的关系进行了推导。参数估计时,通过极大似然法得到超参数的估计值,利用WinBUGS软件实现Markov Chain Monte Carlo仿真得到参数的后验均值。通过某型军用电连接器寿命预测实例验证了所提方法的实用价值和研究意义,结果表明本方法可有效解决先验信息为加速退化数据时进行剩余寿命预测的难题。     

基于风扇退化的涡扇发动机寿命衰减双参数评估方法研究

由于涡扇发动机不同单元体之间存在耦合性,采用单一性能退化参数预测发动机剩余寿命明显是不全面的。本文根据风扇故障导致涡扇发动机退化机理,引入Frank Copula函数描述二元性能参数之间的相关性,并且采用二元非线性Wiener过程来构建性能退化模型,然后基于MCMC (Markov Chain Monte Carlo)方法进行模型参数估计,实现涡扇发动机剩余寿命预测。最终,通过涡扇发动机的仿真数据集来验证该方法的适用性。证明基于Copula函数的二元非线性Wiener过程建模为发动机剩余寿命预测提供了理论基础和技术支持。     

基于MCMC的PLP未来强度的Bayesian预测分析

在无信息先验分布下，将Gibbs抽样与Metropolis-Hastings算法相结合的方法应用于幂律过程的未来强度的Bayesian预测。该预测方法能将时间截尾数据和失效截尾数据统一分析，并给出在未来某一时刻处强度函数的MCMC样本，利用该样本可以方便地获得关于未来某一时处刻强度函数及其函数的各种后验分析。一个经典工程数值算例说明了预测方法的可行性、合理性与有效性。     

Weibull分布定时无失效数据可靠性分析方法

定时无失效数据的处理是当前工程中亟需解决的问题.为此,提出一种Weibull分布定时无失效数据可靠性分析方法,在形状参数下限已知的情况下,给出了可靠度和使用寿命的单侧置信下限,从而能够根据定时无失效数据对产品进行高置信水平的可靠性评定.大量Monte Carlo模拟验证结果表明,该方法既可以充分利用定时无失效数据,又能对Weibull分布无失效数据进行累加,所以增大了信息量,提高了预测精度.文中给出某型号高压容器定时无失效寿命试验数据的计算实例.      

论加速可靠性增长试验 (Ⅶ )步进应力试验方案的统计分析

对幂律-线性化模型步进应力加速可靠性增长试验方案，给出了模型参数，加速系数及MTBF的极大似然估计，极大后验估计，Bayes估计及其计算方法，对这些方案给出了Monte Carlo模拟方法，并用数值例说明了这些方法。     

确定时间序列均值和方差函数的移动多点平均方法

为了提高有限样本或小样本情况下时间序列均值和方差函数的确定精度,以保证时序建模、分析和预测精度,提出一种确定序列趋势项的移动多点平均方法.该方法能够得到时间序列均值中非周期部分,结合样本周期图法得到的周期项,可综合得到其均值函数,并可进一步得到时序的标准差函数.Monte Carlo模拟对比结果表明:该方法不仅能够保证时间序列段内分析精度,而且能够有效提高时间序列的预报精度.      

基于MCMC方法的运输类飞机鸟撞冲击能量研究

鸟撞冲击能量是运输类飞机结构安全设计和鸟撞适航条款制定的重要基础,目前我国运输类飞机鸟撞相关研究都是参照FAA中的鸟撞冲击能量标准要求,并没有考虑我国的自然环境等特点.针对这一问题,运用马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)估计方法,采用Gibbs抽样原理,在贝叶斯理论的框架下,对我国运输类飞机鸟撞冲击能量开展了研究,在小样本条件下对鸟撞冲击能量概率分布进行估算,为后续鸟撞安全性分析提供了重要基础.     

一种基于Kriging和Monte Carlo的主动学习可靠度算法

机械结构可靠性分析时,常常会采用代理模型拟合隐式功能函数来解决计算量大的问题,但由于试验设计方案需要同时考虑代理模型的拟合精度和可靠度计算精度的问题。因此,为了能够充分使用较少的样本信息,最大化可靠度计算精度,本文充分发挥Kriging预测的随机特性,提出一种主动学习可靠度计算方法。首先,类似于优化问题中改善函数的选点方式,提出一种基于Kriging预测的学习函数,基于Monte Carlo法生成大量的候选样本点,找出学习函数最小值对应的样本点作为最佳取样点。其次,推导和提出了一种学习停止的条件,保证了Monte Carlo样本点预测符号的正确性且学习次数明显减小。最后,通过2个数值算例分析结果表明,该算法相比其他方法需要更少的样本数量,得到的可靠度计算精度更高,验证了本文算法的正确性和高效性。     

正交多项式在不确定转子动态响应计算中的应用及对比分析

为研究航空发动机转子系统中的区间不确定性对系统动态响应的影响,提出利用正交多项式求解不确定转子响应的非嵌入式区间分析法,克服了传统概率方法需要参数先验概率分布的苛刻要求。用有限元法建立了悬臂转子的确定性运动方程,阐述了Chebyshev和Legendre两种正交多项式建立响应代理模型的原理和计算步骤。通过与Monte Carlo抽样对比,验证方法的可行性和精度。对照Monte Carlo方法500样本的计算结果,两种多项式区间法计算结果都具有较高精度,误差均小于1%,而计算时间则分别为Monte Carlo法的2.5%和5.4%,Chebyshev多项式方法具有更高的计算效率。分析了不同不确定参数在不同不确定水平下,系统的响应范围。研究表明,正交多项式区间分析法可高精度高效率地计算转子系统区间响应范围,不确定性对该转子系统动力特性影响很大,多源不确定性传播可引起转子系统大幅振动。      

软件可靠性的Markov链Bayes指数模型

在充分地考虑了软件排错过程特点的基础上,将JM模型中"完全排错"的假设改为不完全排错",使之更符合实际.给出了Markov链的Bayes指数模型.利用Gibbs抽样法给出参数的Bayes估计的计算方法,以及预测分布和平均故障间隔的时间长度计算公式.     

A Bayesian approach for integrating multilevel priors and data for aerospace system reliability assessment

This paper investigates Bayesian methods for aerospace system reliability analysis using various sources of test data and expert knowledge at both subsystem and system levels. Four scenarios based on available information for the priors and test data of a system and/or subsystems are studied using specific Bayesian inference techniques. This paper proposes the Bayesian melding method for integrating subsystem-level priors with system-level priors for both system- and subsystem-level reliability analysis. System and subsystem reliability outcomes are compared under different scenarios. Computational challenges for posterior inferences using the sophisticated Bayesian melding method are addressed using Markov Chain Monte Carlo (MCMC) and adaptive Sampling Importance Re-sampling (SIR) methods. A case study with simulation results illustrates the applications of the proposed methods and provides insights for aerospace system reliability analysis using available multilevel information.     

基于机器学习的空间翻滚目标实时运动预测

借助监督式机器学习（ML）方法,对空间翻滚目标的运动状态预测问题进行研究,为空间机器人抓捕空间翻滚目标提供可靠的数据依据。基于物理模型的运动预测方法依赖理想的建模假设,需要连续的视觉反馈信息,解决目标预测问题的能力有限。因此,本文采用机器学习中纯数据驱动方式的稀疏伪输入高斯过程（SPGP）回归方法进行空间翻滚目标的运动预测。给定空间翻滚目标运动状态的历史观测数据,通过连续优化真实观测数据,得到稀疏的伪训练数据集,进而在线快速预测目标的运动状态,预测的计算效率达到毫秒级。此外,利用马尔科夫链蒙特卡洛（MCMC）法处理连续优化过程,克服由于随机初始值造成的优化过程陷入局部极小值问题。利用Snelson数据验证了所提稀疏伪输入高斯过程回归方法的正确性,并通过4组仿真算例验证了所提方法对于空间翻滚目标运动预测的有效性和鲁棒性。     

多阶段含延缓纠正可靠性增长的MS-NHPP模型及其Bayes分析

针对复杂航空机电系统的多阶段含延缓纠正可靠性增长试验,提出了多阶段非齐次泊松过程(MS-NHPP)模型及其Bayes分析方法。该模型将多个阶段试验看做多个非齐次泊松过程(NHPP),它们具有相同的时间起点和不同的强度函数参数,并满足序化约束关系。对该模型采用Bayes方法进行分析,以Dirichlet分布作为验前分布,并在验后计算中采用基于Metropolis-Hastings准则的马尔可夫链蒙特卡罗(MCMC)方法获得各阶段可靠性参数的验后期望、方差与置信限。实例分析表明,该方法可以有效融合多阶段可靠性增长试验数据以及专家经验和历史信息,尤其适用于小样本情况,参数估计值满足序化约束关系,可靠性增长评估结果更为可信。     

二维空间中目标轨迹预测算法研究与分析

本文主要研究移动目标在二维空间内的轨迹预测算法,首先介绍了马尔可夫蒙特卡罗预测算法,包括影响状态阀值的因素,以及转移概率和积累概率的计算方法;接着介绍了线性神经网络的预测算法,如神经元模型和神经网络模型的组成,之后重点介绍了线性神经网络的学习规则,以及学习率对预测算法的影响.最后通过仿真试验,对两种预测方法的精准度和自适应时间进行了对比和分析     

基于树形马氏链模型的可靠性分析方法

复杂系统的极限状态函数非线性程度较高，在进行可靠性分析时，易导致失效概率的计算误差大、效率低，针对上述问题，提出了树形马氏链（TMC）算法和基于该算法的可靠性分析方法。树形马氏链是对原始马尔可夫链的改进，其状态转移过程更加灵活，具备局部多链并行和自适应探索失效域边界的特性。树形马氏链通过多候选状态点扩大对失效域信息的收集，生成能充分反映失效分布特征的样本，对该样本进行自适应核密度估计得到近似最优的重要抽样分布密度函数，从而提高计算结果的准确度。文末的数值算例和工程算例验证了算法性能，计算结果表明算法对设计点、抽样起点的位置不敏感，处理强非线性及复杂串联系统问题时，能在少样本量下得到相对高准确度的计算结果，且在样本量改变时，计算结果相对稳定可靠；工程算例给出了所提方法在实际问题下的效率，体现了所提方法的工程应用价值。     

混合变量系统基于MCMC的自适应重要抽样法

 系统关键故障的发生,会导致系统处于各种离散性能降级状态.针对传统的基于马尔可夫链蒙特卡罗(Markov chain Monte Carlo,MCMC)的自适应重要抽样法只适用于连续变量系统的不足,提出考虑混合变量的基于MCMC的自适应重要抽样法,以支持系统性能可靠性的高效仿真.该方法首先将由关键故障产生的不同失效域组成失效空间,并通过初始样本点在失效空间中随机游走构造马尔可夫链模拟样本;然后综合考虑连续变量与离散变量,利用核密度估计构建混合核抽样密度函数;再根据该密度函数进行重要抽样仿真并计算系统的性能可靠性;最后对该方法的仿真效率进行理论分析.通过电液舵机(Electro-Hydrostatic Actuator,EHA)案例对方法的正确性和仿真效率进行验证.     

Markov随机跳变系统的传感器系统误差估计

 针对Markov随机跳变系统的系统误差估计问题,提出一种基于马尔可夫链蒙特卡罗(MCMC)和最大似然估计相结合的在线系统误差估计方法。利用最大似然估计给出系统误差等效后验概率分布函数,采用Metropolis-Hastings抽样方法从该概率分布函数中进行抽样;利用系统误差估计和状态估计互为因果的关系,采用期望极大化(EM)方法迭代估计出最优的系统误差;分别对时变和时不变系统误差场景进行仿真分析,结果表明,在考虑系统误差统计特性的同时,所提方法对解决目标运动模型难以建立情况下的系统误差估计问题具有可行性和有效性。     

基于蒙特卡罗仿真的FADEC系统多故障TLD分析方法

航空发动机电子控制系统的时间限制派遣(TLD)分析是飞机系统安全性分析的重要内容,是商用飞机及航空发动机型号合格审定的一项必要工作,传统方法无法解决多故障情形下的TLD问题。对多故障TLD方法进行了研究,提出了多故障派遣时的派遣间隔决策方法与维修策略决策原则,基于蒙特卡罗仿真提出了多故障TLD分析方法,结合具体案例验证了方法的有效性,并针对典型全权限数字式电子控制系统(FADEC)进行了多故障TLD分析。结论表明,与单状态马尔可夫模型方法相比,本文方法具有较高的精度,误差在0.25%左右,同时能够避免马尔可夫过程繁琐的建模工作,并且具备工程实用性。     

基于贝叶斯模型的长码DS-CDMA信号扩频码与信息序列联合估计

 针对长码直接序列扩频码分多址(DS-CDMA)信号的盲解扩,在信号模型分析的基础上,提出了一种基于可逆跳跃的马尔可夫链蒙特卡罗(RJ-MCMC)扩频码和信息序列联合估计算法。该算法分别对建立的联合后验分布模型进行迭代抽样,并有效地在不同维数的子空间中跳转,从而构造一条马尔可夫链,使其平稳分布为待估参数的后验分布,最终拼接得到每个用户的完整扩频序列和信息序列估计。仿真结果表明:该方法在迭代二十几步时达到收敛;并且在功率相同和不同条件下,当信噪比(SNR)大于-9 dB时,估计序列与真实序列的相似度均超过0.95,信息序列的误码率低于0.01;同时算法对不同用户个数和不同调制样式具有较强的适应性,与Fast-ICA算法相比,估计性能平均提高了约3 dB。