基于仿真数据的测试性验证序贯设计方案

针对当前测试性验证试验设计方案均存在确定的故障样本量较大以及验证周期长的问题,提出了一种基于仿真数据的测试性验证序贯设计方案。首先,基于二项分布模型确定序贯设计的判决阈值;然后,在序贯试验下基于给定的样本量分配和故障模式选取方法,采用仿真的方式生成相应的故障模式并进行验证试验。同时,以序贯方式计算相应的概率比,通过其取值动态判定接受/拒收。结果表明,与传统方法相比,该方法与经典验证方法具备几乎相同的抽样特性,能达到有效减少测试性验证试验所需故障样本量的目的。     

基于研制信息的测试性验证试验方案研究

针对现有测试性验证试验方案需要较大故障样本量的问题,提出了一种利用研制信息制定测试性验证试验方案的新方法。首先,在二项分布经典抽样模型的基础上,运用证据理论方法,研究了基于测试性试验数据、测试性预计结果和专家经验等研制信息的基本信任分配函数的构造方法,建立了基于融合不同种类研制信息的测试性验证试验方案,并确定了该方案的存在性,给出了方案的确定方法,最后开展了案例应用研究。由于充分考虑了研制信息,因此在确保有较好的验证效果的条件下,与传统的试验方案相比,该方法可以明显减少故障样本量,或在样本量保持不变的情况下有效降低双方风险。     

基于D-S证据理论和不同子神经网络集成的磨粒识别

针对磨粒识别问题,建立了基于D-S证据理论的集成神经网络磨粒融合诊断方法.首先对特征参数进行优化分组,然后对每一组建立对应的分类子神经网络,分别采用径向基函数(RBF)神经网络和反向传播(BP)神经网络进行识别,得到初步的诊断结果,经过归一化后作为2组基本概率分配函数,最后运用D-S证据理论进行融合得到最终识别结果.算例分析表明,基于D-S证据法和集成神经网络的磨粒融合识别方法比单个诊断方法具有更高的准确性.     

基于D-S证据理论的磨粒识别

基于D-S证据理论的信息融合方法应用于磨损颗粒的自动识别,编制了相应的计算机识别程序。在对磨粒图象的形态特征参数进行筛选和统计分析的基础上,确定了各参数的统计容许限和决策基元概率。通过对一组标准磨粒的模拟识别试验,显示该方法具有算法简单、运行可靠、识别正确率高以及识别速度快的优点。      

基于序贯回归的小样本测试性验证试验方案

针对现有测试性验证试验方案难以实现较小样本量下满足置信水平要求的测试性评估问题,提出了基于序贯回归的小样本测试性验证试验方案。提出并证明了成败型试验序贯样本回归可行性假设;对序贯样本进行回归分析,实现了小样本下的测试性评估;建立了评估优化方案,实现了满足置信水平要求的测试性评估。实例验证表明:该方法可同时适用于有双方风险要求和置信水平要求的场合,且完所需样本量明显减少,在案例中平均减少了22.3%,最大减少了85%。      

基于FMECA的测试性验证分析

随着装备元件的集成度越来越高,对装备测试性的要求越来越高。良好的测试性设计可以有效地提高产品维修性,降低全寿命周期费用。在对通用处理单元进行故障模式、影响和致命度分析(FMECA)的基础上,建立了产品的测试性模型,进行了测试性验证试验,并对验证结果进行分析。     

基于通用充分性准则的测试性试验方案研究

建立了故障模式与被测单元(UUT)特性之间的关系模型,根据关系模型建立了样本集的通用充分性准则。在通用充分性准则的基础上,研究了确定试验方案的新方法,包括确定样本量和建立样本集的方法,以及相应的合格判断方法。通过实例应用说明了方法的可行性。与现有方法相比,新方法更适用于现有的指标要求情况和多参数综合试验的需求,而且建立的样本集可以覆盖UUT的重要特性。     

基于神经网络和D-S证据理论的发动机磨损故障融合诊断

运用了4种最常用的滑油分析技术——铁谱分析、光谱分析、颗粒计数分析及理化指标分析,同时结合发动机试车台监测数据,提出运用神经网络和D-S证据理论对发动机试车状态进行融合诊断的方法。首先依据各种分析方法的标准磨损界限值,将原始数据进行了预处理,统一转换成故障征兆的布尔值;其次,建立各子神经网络的拓扑结构,并依据专家经验建立各子系统的输入征兆与故障论域的映射关系,从而得到各子神经网络的训练样本,对各网络进行成功训练后,利用神经网络实现各子网络的诊断并得到中间诊断结果;然后,将每种方法的神经网络诊断结果作为对各种故障模式的基本概率分配值,利用D-S证据理论,实现对神经网络的诊断结果的融合,从而得到最终的融合诊断结果;最后,运用算例表明了本文方法的有效性。      

基于故障率的测试性验证试验故障样本分配方案

现有的分层抽样算法中故障率数据不准确是导致测试性验证试验结果不可信的一个原因。为解决这个问题,提出了利用验前信息和Monte Carlo仿真相结合的方法计算故障率。首先考虑故障率的随机特性和量级范围,用Gamma分布来拟合故障率的概率分布,根据上下限分位点确定了Gamma分布中的超参数。然后利用舍取抽样得到了大量的服从Gamma分布的随机数,求平均值作为实际系统的故障率值。以此故障率数据进行分层抽样,得到的故障样本分配方案更合理,试验结果更可信。     

基于D-S证据理论的发动机部件性能降级量化融合研究

针对多方法计算所得发动机部件性能降级无法直接应用Dempster-Shafer(D-S)证据理论融合的问题,提出一种实现降级参数量化融合的方法。以一段时间内计算结果作为样本,融合性能模型输出结果和神经网络输出结果,通过划分区间统计样本落入区间的频率构造基本概率赋值(BPA),从而实现性能降级的量化融合。对比了独立区间划分法和嵌套区间划分法两种BPA构造方法的融合结果,得出了嵌套区间划分法构造BPA具有更适合量化融合的主要结论。     

基于云模型和改进D-S证据理论的目标识别决策方法

在目标识别决策系统中,多探测器多源信息融合的模糊性和不确定性以及各探测周期所得信息的冲突互斥会造成目标识别决策不精准。为解决这一问题,提出基于云模型和改进D-S （Dempster-Shafer）证据理论的目标识别决策方法。首先,将目标识别准确性这一语言评价值划分为不同评价区间等级,以不同评价等级标准云为参照将各探测器各探测周期所得信息转化为云决策矩阵,得出各周期各等级隶属度,进而构建出基本概率分配函数（mass函数）;其次,基于证据理论引入冲突度、差异度、离散度3类衡量冲突大小的参数,定义了一种新的证据冲突参数,同时改进证据冲突融合算法,对各探测器各周期证据体进行修正并融合;再次,结合各探测器权重加权得出各目标综合识别决策的mass函数对目标进行决策;最后,结合算例,验证该方法的适用性,并与其他方法相对比验证了本文方法的优越性。     

基于证据理论的航空发动机早期故障诊断方法

在分析航空发动机早期故障特点和数据融合的基础上,将证据理论应用于发动机故障征兆级别的数据融合中,提出了构造基本信任指派函数的方法,从而得到了更准确的早期故障征兆.在此基础上,应用模糊聚类分析方法,依据最大隶属度原则得到发动机早期故障源.该方法考虑了发动机早期故障征兆不明确、不精确、不肯定等特点,应用模糊测度来表示征兆,更符合发动机早期故障的实际情况.      

模糊推理和证据理论融合的航空发动机故障诊断

提出了一种模糊推理与证据理论相结合的航空发动机故障诊断方法.首先,根据故障征兆信号,结合专家经验对发动机故障原因发生的可能进行模糊推理,解决故障诊断中的模糊性问题;其次,将模糊推理结果作为证据的基本置信度分配,确保赋值的准确性;最终,采用证据组合规则对多个证据进行融合决策,减小故障诊断的不确定性测度,并解决证据间的冲突问题,从而实现对故障源的精确定位.实验结果表明,该方法可行且有效.      

基于模糊信息粒化和优化SVM的航空发动机性能趋势预测

提出采用模糊信息粒化(FIG)和优化的支持向量机(SVM)来预测航空发动机参数的变化趋势和变化空间。利用模糊信息粒化方法对性能参数进行粒化处理。以K CV验证误差最小作为优化目标,采用遗传算法(GA)实现支持向量机惩罚参数和核函数参数的自适应优化选择;训练SVM模型并进行并对模糊粒子非线性预测。利用某航空公司的某型航空发动机性能参数监测数据进行验证,结果表明:该算法可以有效实现航空发动机性能参数变化趋势和变化空间预测。在实例基础上分析了窗口大小对算法预测精度的影响以及算法多步预测的效果,得出算法最佳窗口大小为3个数据且算法3步以内预测误差小于10%。