基于Markov Chain Monte Carlo的幂律过程的Bayesian分析

在多种合理的无信息先验分布下,基于Markov Chain Monte Carlo方法,提出了一种简单且易于抽样的幂律过程的Bayesian分析方法.所提方法将失效、时间截尾数据统一分析,能快捷地获取幂律过程模型参数的Markov Chain Monte Carlo样本,利用该样本不但能直接给出模型参数函数的后验分布,还能给出单样预测和双样预测的分析.一个经典工程数值算例说明了所提方法的可行性、合理性与有效性.该方法具有一定的优越性,可为小子样可靠性增长分析提供一种值得参考的方法.      

系统可靠性增长评估模型研究

根据系统在研制期间故障强度变化规律,考虑故障间隔时间影响的情况下,提出了广义可靠性增长评估模型,分析了其参数特性,并给出了拟合优度检验方法;然后,给出了定时截尾和定数截尾情况下,模型参数的极大似然估计公式,采用Simpson方法将积分函数化为求和函数,使得参数估计计算方便,给出了趋势检验方法给出了可靠性增长评估公式;最后,结合发动机故障数据进行了的实例分析,结果表明,模型对试验数据拟合较好,评估结果符合工程实际,模型具有实际应用价值.      

基于OCKELM与增量学习的在线故障检测方法

针对航空电子设备故障检测样本少、以及缺乏在线实时检测理论研究的问题，将一类核极限学习机(OCKELM)和数据增量学习(IL)相结合，实现对贯序来临的样本数据在线故障检测。基于正常状态下的样本数据，给出了OCKELM的核化形式，并推导了核函数和核权重向量的表达式；根据增量学习方法，在吸收新样本时更新核权重向量并估计样本输出值；最终基于2种阈值准则给出模型的检验阈值，对测试样本进行在线故障检测。将所提方法应用于UCI数据集和某航空电子设备的测试数据，实验结果表明：该方法的时间消耗在毫秒级别，实现了在线检测；且相比于现有的SVDD、PCA、OC-SVM方法，该方法在F1、AUC、G-mean和故障检测率等性能指标方面均表现优异。     

截尾数据整体估计方法

提出一种截尾数据整体估计方法。该方法能够将仿真(或数字化设计)结果与截尾试验数据或不完全数据有机结合,实现多个状态下(多个母体)截尾试验数据或不完全数据的整体推断,从而建立各状态下正态分布、极值分布和Weibull分布等位置-尺度分布族的参数估计量,给出母体百分位值的置信限和置信区间估计。与传统方法相比,该方法具有信息量大,精度高的特点,能够进行极小子样可靠性评定。文中还给出一种利用截尾试验数据或不完全数据对仿真结果进行检验的方法。      

定时截尾数据回归分析方法

提出定时截尾数据回归分析方法,建立定时截尾数据回归方程,给出回归系数和标准差的最佳无偏整体估计、百分位值的点估计及其置信限估计.详细讨论了工程中常见的极值分布、Weibull分布、正态分布以及一般位置-尺度分布场合下定时截尾数据的回归分析问题.该方法可以充分利用截尾时刻的试验信息,并将各个状态下的定时截尾数据作为一个整体进行统计分析,具有信息量大、精度高的特点,从而可以在试验时间、经费等有限的情况下对产品进行高精度的寿命预测和可靠性评估.     

某型发动机无失效数据的Bayes可靠性分析

在定时截尾试验中,有时会遇到无失效数据,特别是在高可靠性、小样本问题中更容易产生无失效数据。对某型发动机的无失效数据,在失效概率服从不完全Beta分布时,给出了失效概率的Bayes估计,并在引进失效信息后,给出了失效概率的Bayes估计和综合估计,从而可以得到该型发动机可靠度的估计。     

熵损失下无失效数据的 Bayes估计

讨论了在熵损失下定时截尾数据的Bayes估计问题，将无失效数据看作逐次定时截尾试验的结果，进而得到无失效数据的Bayes估计，利用相关定理证明该估计是容许的。通过数值例子，进一步说明所得估计的合理性。     

一种在待测距离未知的情况下求解测控电波时延的方法

提出了一种在待测距离未知的情况下确定电波在空间单向传播时间的方法。该方法可以迅速地利用前一时刻已经测得的距离和距离变化率，导出下一时刻发送的无线电波到达航天器时其在空间的单向传播时间。利用该时间，可以确定航天器接收到信号时的大概位置。     

代理模型选样准则研究

致力于针对确定问题,利用其在已知空间中的样本信息指导该问题其他空间中的样本选择.基于Kriging模型和拉丁超立方设计选样方法,以某数学函数为例,首先研究了设计空间大小对样本选择的影响,然后具体分析了样本分布特性对代理模型预测误差的影响.引入了样本平均疏密度、样本稀疏度、样本紧凑度等概念衡量样本特性,依据不同空间中各参数与代理模型预测精度的关系提出了样本稀疏度准则,并以不同维数的数学函数和翼型气动力分析模型验证了准则的准确性和实用性.     

基于改进证据网络的空战动态态势估计方法

针对无人机空战态势估计既需要综合考虑多类型因素影响,又需要具有不确定性推理能力的特点,建立了一种基于改进证据网络的动态态势估计模型并设计了威胁等级评估推理方法。首先,考虑空战决策时间较短的特点,提出变量框架等级缩减方法以提高网络运行效率;然后,针对空战态势信息具有大不确定性的特点增加冲突数据自适应融合算法以及网络证据的时间序列预测,提高证据的合理性;最后,引入时空融合思想和变权机制将前一时刻的威胁信息作为评判后一时刻威胁的重要标准,应用威胁在时间维度上的递归合成增加信息在时间方向的传递,改善了由于证据失真引起的评估结果的不合理性问题,并通过仿真验证了该方法的有效性。     

基于贝叶斯理论的低循环疲劳寿命模型不确定性量化

为量化低循环疲劳寿命模型中的不确定性因素,利用贝叶斯理论,采用经典的模型校准形式确立了寿命模型的不确定性量化形式,并结合正态性检验对误差项进行验证;应用马尔可夫链-蒙特卡罗(MCMC)算法获得了模型参数后验分布的抽样样本,在小子样试验数据条件下确定了低循环疲劳寿命的95%不确定性区间,较好地覆盖了寿命的分散性;对参数样本进行了相关性分析,并将异方差回归概率模型与贝叶斯概率模型进行了比较。最后,利用Morris全局灵敏度分析方法获得了Manson-Coffin模型参数的全局灵敏度指标;同时,验证了在模型参数对先验信息敏感,或者说在先验信息影响极大的情况下,采用无信息先验处理方法的合理性。     

基于滑动时窗策略自适应优化支持向量机的航空发动机性能参数在线预测

针对传统航空发动机性能参数时间序列预测方法存在的不足,提出了基于滑动时窗策略自适应优化支持向量机(Support Vector Machine,SVM)在线预测模型。该方法解决了训练样本动态适应性差的特点和老旧数据信息影响预测模型精度的问题。在该方法中,滑动时窗策略实时更新时窗数据训练样本,最终误差预报准则(Final Prediction Error,FPE)自适应地确定嵌入维数,遗传算法(Genetic Algorithm,GA)则实时自适应优化SVM建模参数。应用航空发动机排气温度偏差值(Delta Exhaust Gas Temperature,DEGT)数据进行实例验证,结果表明基于滑动时窗策略的自适应GA优化的SVM (GASVM)在线预测模型比传统的GASVM预测模型预测精度有显著提高。进一步分析了预测模型不同时窗宽度对短期预测精度的影响,展示了1步～10步预测的效果,结果表明在线预测模型在不同时窗宽度下短中期(5步以内)预测效果良好且稳定。文中提出的在线预测模型可用于航空发动机性能参数的预测,实现对航空发动机未来性能变化的预警。     

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。     

基于XGBoost的航空器动态滑行时间预测方法研究

对航空器进港和离港滑行时间进行精确的动态预测,可以有效提升机场的运行效率。首次提出基于XGBoost 的航空器动态滑行时间预测方法,该方法首先通过分析影响机场滑行时间的各类因素,构建可变滑行时间预测的关键特征指标;然后选取XGBoost 算法建立可变滑行时间预测模型,对模型的关键输入参数进行测试调整;最后将XGBoos...     

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。     

一种基于高斯混合模型粒子滤波的故障预测算法

针对一类故障预测问题提出了一种基于粒子滤波的故障预测算法。在算法的状态估计阶段,采用联合估计和粒子滤波同时估计对象系统故障演化模型状态和未知参数的后验分布。在算法的状态预测阶段,采用了两种不同的计算方法：一种方法是对状态变量当前时刻的后验分布进行迭代采样,从而获得未来时刻的状态变量的先验分布;另一种方法是采用数据驱动的方法预测未来一段时间内对象系统的量测信息,从而将未来时刻状态变量的先验分布的预测问题转化为一个求解后验分布的估计问题。采用高斯混合模型近似随机变量分布密度,从而将两种方法的计算结果在一个统一的预测框架之下进行有效交互,进一步提高了预测的准确性和可靠性。在算法的决策阶段,在获取的故障演化模型状态变量分布基础上,结合一定的故障判据近似计算出对象系统剩余寿命分布。故障预测仿真实验结果证明了所提算法的有效性。     

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.     

高超声速流动中噪声与湍流度的关系

在不可压缩流动中，湍流度对流动失稳与转捩的影响机制有很多研究成果，已发展了一些依据其大小预测流动转捩的模型应用于工程设计。但在高速可压缩流动中，湍流度很难测量，给该速域的流动转捩预测建模带来困难。近年来的研究表明，高速流场（马赫数≥3）中的噪声是影响流动转捩提前与推迟，甚至决定转捩途径的关键因素。但流场噪声与湍流度对流场的激励机制有没有内在联系，或流场噪声与湍流度理论上是否存在相互关联，迄今仍缺少理论分析结果。由于可压缩流场中噪声的测量相对容易，因此探讨流场噪声与湍流度之间的定量关系具有重要的理论意义和实用价值。讨论了Euler系统中各类双曲波特性，重点分析了流场声波中脉动压力与脉动速度的本质联系，从理论上得到了声压级与声致湍流度的关系。同时，为了对影响湍流度的因素有更全面的认识，导出了非声扰动与非声致湍流度的关系。为建立高速流动转捩预测模型和探讨天地一致性问题，奠定了一定的研究基础。     

基于贯序正则极端学习机的时间序列预测及其应用

为实现对液压泵特征参数的在线预测,提出一种贯序正则极端学习机(SRELM),并研究了基于SRELM的预测方法.SRELM根据结构风险最小化原理实现网络训练,其网络权值可随新样本的逐次加入而递推求解,具有泛化能力强与训练速度快的优点,因此适于特征参数的在线预测.基于SRELM的预测方法利用特征参数训练SRELM模型,以逐...