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。      

基于多尺度时间卷积网络的航空发动机寿命预测

剩余寿命预测对于航空发动机设备的安全运行、制定维修计划具有重要的意义.目前现有方法无法有效提取设备复杂工况和复杂故障下的退化特征.针对此问题,提出一种基于多尺度时间卷积网络(MTCN)的发动机寿命预测方法.该方法利用时间卷积网络提取数据时序信息,并通过多尺度卷积核的不同感受野提取设备复杂工况下的退化特征,从而更好地预测极端条件下的设备剩余使用寿命(RUL)值.为了验证所提出方法的有效性,在航空发动机C-MAPSS数据集上进行试验.结果表明所提出方法能有效提高设备在复杂工况和复杂故障下的RUL预测精度.     

故障预测算法稳定性实时评估方法

针对现有故障预测算法性能评估指标受实际剩余使用寿命约束的问题,从稳定性角度提出一种评估算法性能的方法。通过研究对象系统健康退化过程,在对象系统实际剩余使用寿命未知情况下,利用可以实时获得的剩余使用寿命预测值和已消耗寿命值,通过计算虚构寿命值的变异系数指标来客观评估故障预测算法的性能。为了验证所提方法的有效性,结合机电作动器故障演化模型仿真生成数据对递归最小二乘和粒子滤波两种故障预测算法的稳定性进行了实时评价。仿真结果表明,所提方法与运用已有指标、在获知剩余使用寿命理想值前提下得出的评估结果保持一致。     

多机理下的卫星寿命预测方法与应用

针对卫星寿命预测的需求和以往方法未考虑突发故障及退化失效的不足,提出了综合多种机理进行寿命预测的方法。归纳了星上产品的寿命特征和卫星到寿原因,指出了卫星随机失效的分布特征;针对随机失效,建立随单星工作时间和系统结构变化的剩余寿命预测模型,给出了利用动态的在轨工作状态数据求解多阶段分布参数的算法,从而实现剩余寿命的动态分析;综合随机失效、退化、消耗及其在轨变化规律,提出了适用于多机理的、竞争性的寿命预测方法。案例分析表明,综合考虑突发故障、退化失效和消耗,可以得到更合理的寿命预测结果,在星座维持策略中提高备份星计划的可信性。     

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。      

基于相关分析和组合神经网络的退化预测

产品剩余寿命预测是加速退化试验和故障预测与健康管理两大热点领域中的关键技术之一.为了解决复杂退化的预测问题,提出了一种新型预测方法,对退化轨迹能够实现较长距离的预测.此方法首先对复杂退化数据进行小波变换,通过Durbin-Watson方法和偏相关图分析各级分解序列的自相关性,最后根据序列的特点,组合BP(Back Propagation)和小波神经网络对退化轨迹进行预测.为了验证所提组合神经网络方法的有效性,采用小波神经网络的预测结果进行对比分析.实际退化数据的预测结果表明,所提方法比单独采用小波神经网络,具有更小的均方差(MSE,Mean Square Error),对剩余寿命(RUL,Remaining Useful Life)也具有更高的预测精度.     

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。      

基于超统计的多阶段航空发动机剩余寿命预测

针对传统航空发动机剩余寿命（RUL）预测模型无法客观描述多阶段性能衰退过程及对于RUL预测精度不高的问题, 提出了一个新的多阶段航空发动机RUL预测模型, 包括超统计理论、突变点检测、无迹卡尔曼滤波（UKF）与非线性预测4部分内容。提出了基于超统计理论的多阶段分割滤波（BS-MSF）算法。首先, 该算法采用超统计理论进行突变点检测, 将航空发动机的健康数据划分为多个退化阶段；其次, 应用UKF对融合的时变参数进行滤波处理；最后, 通过非线性拟合对发动机RUL进行预测, 实验采用美国NASA发布的航空发动机数据进行数据分析和验证。结果表明:所提算法在发动机性能退化中的预测具有更好的适应性和更小的拟合误差, 能更准确地预测发动机的RUL, 预测精度比单阶段方法提高5.5%。      

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。     

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。      

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.      

The attitude inversion method of geostationary satellites based on unscented particle filter

The attitude information of geostationary satellites is difficult to be obtained since they are presented in non-resolved images on the ground observation equipment in space object surveillance. In this paper, an attitude inversion method for geostationary satellite based on Unscented Particle Filter (UPF) and ground photometric data is presented. The inversion algorithm based on UPF is proposed aiming at the strong non-linear feature in the photometric data inversion for satellite attitude, which combines the advantage of Unscented Kalman Filter (UKF) and Particle Filter (PF). This update method improves the particle selection based on the idea of UKF to redesign the importance density function. Moreover, it uses the RMS-UKF to partially correct the prediction covariance matrix, which improves the applicability of the attitude inversion method in view of UKF and the particle degradation and dilution of the attitude inversion method based on PF. This paper describes the main principles and steps of algorithm in detail, correctness, accuracy, stability and applicability of the method are verified by simulation experiment and scaling experiment in the end. The results show that the proposed method can effectively solve the problem of particle degradation and depletion in the attitude inversion method on account of PF, and the problem that UKF is not suitable for the strong non-linear attitude inversion. However, the inversion accuracy is obviously superior to UKF and PF, in addition, in the case of the inversion with large attitude error that can inverse the attitude with small particles and high precision.     

基于SRCKF的多传感器融合自适应鲁棒算法

为解决模型误差和异常量测值发生时平方根容积卡尔曼滤波（SRCKF）算法滤波性能下降甚至滤波发散的问题,提出了一种多传感器融合自适应鲁棒算法。基于新息协方差匹配原则设计了鲁棒子系统以抑制量测异常值,同时为克服模型误差使用基于新息修正的低复杂度自适应SRCKF(LCASRCKF)算法设计了自适应子系统,根据2种子系统的特点和局限提出全局融合架构,使系统可以充分平衡并利用滤波过程中先验的模型预测值信息和后验的量测值信息,最终降低估计误差。仿真结果表明：相比鲁棒多渐消因子容积卡尔曼滤波（RMCKF）等算法,所提融合算法在滤波精度、稳定性和收敛速度等方面有明显优势。     

基于启发式算法的可重构性指标分配

串联有约束条件下的可重构性指标分配问题,针对考虑部件故障的系统给出了可重构度的概念和计算方法,并论证了其合理性.结合最优冗余分配理论和可重构度定义给出了可重构度最大化的冗余分配模型,在此基础上提出了基于启发式算法的可重构性指标分配方法,该方法可解决约束条件内资源优化配置问题,并得到系统最大可重构度的解.直接寻查法作为以往具有代表性的最优冗余分配方法,用作系统可重构性指标分配仿真,与所提方法作比较,结果显示基于启发式算法的可重构性指标分配方法较前者有更高的有效性.     

非完美特性下的多状态系统检测与维修优化

对于带有周期检测的系统进行维修优化时,不仅需要考虑系统自身可靠性信息,还应该充分利用检测数据并优化检测周期。以多状态并联可修系统为研究对象,考虑非完美检测和非完美维修,以降低系统运行成本率为目标实现系统检测和维修优化。利用非齐次马尔可夫链建立系统可靠性模型,对系统退化、检测和维修进行蒙特卡罗仿真。利用粒子滤波融合系统模型与检测数据并估计系统剩余寿命。设置寿命相关门限触发系统维修,以成本率期望仿真结果为目标函数,使用遗传算法优化检测周期和维修阈值。通过算例证明该方法可有效克服检测误差并实现检测和维修优化。     

引入失效情形下某型液压电机可靠性分析

针对直接使用无失效数据对装备进行可靠性分析而产生的“冒进”问题，通过引入失效信息对数据进行综合处理，从而对可靠性参数进行合理的估计。以寿命服从指数分布的某型导弹液压电机为例，在其失效率的先验分布为Gamma分布且超参数均服从均匀分布时，证明了失效率在无失效数据时的期望Bayes（E-Bayes）估计法，提出了改进型的截尾试验时间的确定方法，通过引进失效信息，推导了失效率的综合E-Bayes估计法，并给出了可靠度的综合估计法。结合液压电机无失效数据实例，计算得到失效率和可靠度的综合E-Bayes估计，与现有的方法相比，二者的极差分别减小了22.33%和38.02%，说明了所提方法的合理性与可用性。