基于证据理论聚类算法的故障诊断

为了正确高效地诊断故障,以并发故障为例,建立了基于证据理论聚类算法的诊断模型,提出了基于Dempster理论的聚类算法,该聚类算法既分析每个单类,还考虑单类的各种组合,并利用质心特性,将单类聚类原型推广为适合组合类特性的聚类原型。通过故障实例说明,本文模型既适合普通故障诊断,更适合并发故障诊断,且计算的时间复杂度较小。     

一种基于GA优化小波LS-SVR的实时寿命预测方法

针对性能非线性退化的产品,从研究退化轨迹相似性的角度出发,提出一种基于遗传算法(GA)优化小波最小二乘支持向量回归机(LS-SVR)的实时退化轨迹建模和寿命预测方法。该方法根据特定个体与同类产品的Euclid距离确定隶属度权值,加权小波LS-SVR建立的同类产品退化模型得到特定个体的退化轨迹模型,结合实测数据更新模型并进行实时寿命预测。实例分析验证了所提方法的有效性。     

基于GA的可靠性寿命分布参数的极大似然优化估计

基于极大似然估计法的基本原理和优化理论,建立了可靠性寿命分布参数的极大似然优化估计模型,并采用遗传算法(GA)进行求解,分析了GA在模型求解中的编码、选择策略、交叉和变异等关键步骤,以及约束条件的处理。给出了用该法估计单威布尔分布和混合威布尔分布参数的一实例。结果表明,工程上此法可有效估计可靠性寿命分布的参数,所获结果更为精确合理。     

非全姿态惯性平台射前陀螺仪误差系数标定及测漂回路转角变结构控制

为提高非全姿态惯性平台射前标定精度,增强方案可行性,提出了一种非全姿态惯性
平台射前四位置标定方法,用单片机系统构造了平台转角控制与测漂回路,并通过离散变结
构控制算法,使系统对于参数不确定性和平台稳定回路误差有了较强的抗干扰能力,平台快
速准确地锁定在预设位置,最终标定出九项陀螺仪漂移系数和三个陀螺力矩器系数。仿真结
果表明该方法使平台姿态角稳定时间缩短为原来的36％,漂移系数标定相对误差不超过2.
4％。     

基于CDBN与BiLSTM的多元退化设备剩余寿命预测

基于多传感器对复杂工业设备的多元健康状态进行监测,进而实现设备更全面准确的性能评估、剩余寿命预测与健康管理已逐渐推广应用。针对一类监测数据呈现大规模、非线性、高维化等特点的多元退化设备,提出了一种基于连续深度置信网络(CDBN)与双向长短期记忆(BiLSTM)网络的剩余寿命预测方法。首先,通过CDBN对监测到的性能退化数据进行分析,提取出反映多元退化设备隐含深层次特征的健康指标;然后,根据构造的健康指标,利用BiLSTM网络挖掘其时序信息和退化趋势,预测多元退化设备的剩余寿命;最后,利用蒙特卡洛仿真技术得到剩余寿命的区间估计,并通过商用模块化航空推进系统数据集验证所提方法的有效性和先进性。结果表明：所提方法能够有效提高此类设备的剩余寿命预测准确度,具有潜在的应用价值。     

基于神经网络的潜在通路分析

针对传统潜在通路分析过程复杂、劳动量大的缺陷，提出了基于神经网络的潜在通路分析。神经网络的输入为系统元件的定性状态组合，输出为预测实现功能组合。利用元件与设计功能之间的关系，形成神经网络训练样本。经过训练后，神经网络预测所有元件状态组合实现的功能，然后通过与设计功能的比较，确定电路的潜在通路。经仿真验证，此方法进行潜在通路分析时的正确率达到了92％，而且分析的工作量比较小。     

一种组合预测模型在导弹惯性器件故障预报中的应用

提出了一种基于神经网络的组合预测模型，并将其应用于导弹惯性器件的故障预报。该模型利用神经网络对复杂非线性系统的拟合能力，通过网络训练自适应地调整各种预测模型的权重，实现不同模型组合的非线性拟合，从而提高了预测的精度。同时，利用Natlab6．5神经网络工具箱编程，模型结构简单、收敛速度快。算例结果表明，该组合预测模型简捷、实用，在故障预报中具有广泛的应用前景。     

基于可逆跳MCMC的AR模型阶次判定及其在陀螺漂移预测中的应用

为消除传统方法在样本数较少时确定模型的不足,提出了一种在贝叶斯准则下将可逆跳MCMC法用于AR模型的阶次估计,以抽样的方法解决AR模型对时间序列拟合时的阶数不确定问题。给出了阶次估计算法的公式和步骤。仿真试验和某陀螺漂移模型估计的结果表明,该法预测结果与实际较为吻合。但为进一步提高预测精度,还需研究平稳性和初始状态的影响。     

基于分层置信规则库的惯导系统性能评估方法

为解决惯导系统（INS）性能评估所面临的高价值样本缺失、评估指标多、系统复杂等问题,提出一种基于分层置信规则库（Hierarchical BRB）的惯导系统性能评估方法。将专家知识与监测数据进行有效融合,提高了惯导系统的性能评估精度。首先,针对惯导系统结构构建分层BRB模型,同时将系统内部器件产生组合误差考虑在模型中。其次,为降低专家知识不确定性对初始模型评估精度的影响,采用基于投影算子的协方差矩阵自适应优化策略（P-CMA-ES）构建优化模型,通过监测数据对模型参数进行微调。最后,以某型捷联惯导系统的性能评估为例,验证了所提方法的有效性。     

状态划分下基于Bi-LSTM-Att的轴承剩余寿命预测

准确预测滚动轴承剩余使用寿命(remaining useful life, RUL),对于保证工程设备安全稳定可靠运行具有极其重要的作用.现有深度学习预测方法往往直接建立振动监测数据与剩余寿命之间的映射关系,通常忽略滚动轴承性能退化的不同状态差异性,且并未考虑深度学习模型所提取各类特征的差异性,给剩余寿命预测结果带来了极大的偏差.鉴于此,提出一种新型滚动轴承退化状态划分方法和RUL预测方法.提取轴承振动信号的特征,利用Mann-Kendall检验法进行趋势判断,确定出退化期的起始点;通过归一化奇异值相关系数走势确定出慢速退化期的终点;构建基于融合注意力机制的双向长短时记忆网络(bidirectional long short-term memory with attention, Bi-LSTM-Att)的滚动轴承RUL预测模型,利用所截取的慢速退化期数据与对应RUL标签训练预测模型实现RUL预测.通过轴承公开数据集验证所提方法对轴承RUL预测的准确性和有效性.