正态分布定时无失效数据可靠性分析方法

定时无失效是指产品试验到预定的时间未发生失效的情况,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,提出一种正态分布定时无失效数据可靠性分析方法,该方法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.分别针对标准差或标准差上限已知的情况进行了详细讨论,给出了可靠度和使用寿命的单侧置信下限.并结合某型号卫星推力器脉冲点火试验得到的定时无失效数据,进行了分析计算,结果表明本方法既可以充分利用定时无失效数据,又能最大化发挥对数正态分布置信下限较高的优点,且计算简单,便于工程应用.      

非线性非高斯秩滤波方法

基于秩滤波原理,提出一种非线性非高斯秩滤波方法,给出其递推过程.目前常用的非线性滤波方法有无迹Kalman滤波和粒子滤波,无迹Kalman滤波只适用于高斯分布的情况,粒子滤波方法却存在粒子退化及重采样引起的粒子贫化问题.而非线性非高斯秩滤波方法不仅适用于常见的多元t分布、多元极值分布等非高斯分布的非线性滤波,并且计算简单、工作量小,便于工程应用.从仿真算例可以看到,该方法的滤波精度与无迹Kalman滤波和粒子滤波方法相比提高了500%以上.      

非线性状态方程自校准滤波方法

针对工程实际中遇到的非线性系统状态方程中含未知输入（如环境因素的影响、模型和参数选取不当等）的情况,采用自校准技术,基于秩滤波与无迹Kalman滤波算法提出了一种非线性状态方程自校准滤波方法,并分别讨论了自校准秩滤波(SRF)与自校准无迹Kalman滤波(SUKF)两种情况。大量仿真结果和工程应用表明:与无迹Kalman滤波(UKF)相比,该方法通过对系统状态方程中的未知输入进行自动估计和补偿,改善了系统受未知输入影响下的滤波效果,从算例中可以看到,估计精度至少提高了80%,且计算简单,便于工程应用。      

自校准扩展Kalman滤波方法

提出一种自校准扩展Kalman滤波(SEKF)方法,针对3种含有未知输入(如未知系统误差、突风、故障等)的不同的非线性系统模型,分别给出了滤波递推算法.在导航、信号处理、故障诊断等领域的许多非线性工程中,传统的扩展Kalman滤波(EKF)方法无法消除未知输入的影响,在滤波过程中往往产生较大误差甚至发散.提出的SEKF方法能够对这种未知输入进行补偿和修正,从而提高滤波精度.数值仿真算例表明:SEKF的滤波误差均值和标准差分别减少到传统EKF的1/12和1/4,有效地改善了滤波精度.并且该方法计算简单,便于工程应用.      

CCF300/QY8911单向纤维增强复合材料纵向压缩性能预测

提出了一种单向纤维增强复合材料压缩性能的预测方法.该方法基于纤维增强复合材料压缩的微屈曲失效机理与纤维膝切失效机理,对CCF300/QY8911碳纤维增强复合材料单向层合板的纵向压缩性能展开研究.将纤维微屈曲失效与纤维膝切失效机理统一起来,提出一种基于两种失效机理的预测模型,很好地实现了CCF300/QY8911单向纤维增强复合材料压缩性能的预测.通过与试验数据进行比较表明:基于两种失效机理分析的CCF300/QY8911单向纤维复合材料压缩性能预测模型与试验数据符合较好,误差在5%以内.      

确定性仿真结果检验与状态分析方法

为判断多状态的仿真结果正确与否,建立了变异系数相等情况下的确定性仿真结果检验方法.同时,在变异系数相等或方差相等的情况下,分别建立了一种确定性仿真结果状态分析方法,可对仿真结果的各个状态逐一进行分析,以确定哪些状态已被正确仿真,哪些状态尚未被正确模拟,从而指导仿真软件的编制.     

给定寿命下的疲劳裂纹尺寸分布

 本文论证了疲劳裂纹超值概率和疲劳寿命破坏率之间的等同性。由给定裂纹尺寸下疲劳寿命的分布推导出给定寿命下疲劳裂纹超值概率和疲劳裂纹尺寸分布,建立了三维空间的P-a-t曲面方程。     

P-S-N曲线拟合法

 本文给出了一种计算S_o的方法。该方法可以使P-S-N曲线试验数据在双对数坐标系lgN-lg（S—S_o）中最大限度地呈现线性关系。我们对一百多条S-N曲线和P-S-N曲线试验数据进行了处理,曲线拟合程度均很好。     

三参数威布尔分布的置信限

本文给出了三参数威布尔分布置信限曲线的一般函数关系式,提出了一种利用秩分布确定该关系式中参数的方法,从而求得三参数威布尔分布的单侧置信限和双侧置信区间。该方法便于工程应用,并且可以推广到其他连续分布的情况。     

母体百分位值的置信下限

给出了一种新的单侧容限系数h,根据它可以比目前国际上通用的单侧容限系数k得到更接近于母体百分位值的置信下限。在精度相同的情况下,采用新单侧容限系数h要比单侧容限系数k节省大量试件。 文中还进一步研究了母体百分位值与其置信下限的单侧相对误差,给出了测定母体百分位值的置信度为γ的置信下限所需的最佳试件个数。