一种摄动粒子滤波故障检测方法

粒子滤波算法在故障检测应用中面临的两个难题是退化问题和难以跟踪突变状态。针对上述问题,将随机摄动再采样方法和强跟踪滤波算法引入粒子滤波,提出了一种摄动粒子滤波故障检测方法,旨在于解决粒子滤波的退化问题并提高算法对突变状态的跟踪能力,从而提高故障检测方法对故障的检测准确度。通过强跟踪滤波更新粒子,来提高算法跟踪突变状态的能力;当出现退化现象时,采用随机摄动再采样方法,对粒子集中的最优粒子迭加一个随机摄动量,用摄动粒子替换粒子集中的退化粒子,解决退化问题。仿真结果显示该算法能及时、准确地检测系统故障。     

大数据下数模联动的随机退化设备剩余寿命预测技术

面向大数据背景下随机退化设备剩余寿命(Remaining useful life, RUL)预测的现实需求, 结合随机退化设备监测大数据特点及剩余寿命预测不确定性量化这一核心问题, 深入分析了机理模型与数据混合驱动的剩余寿命预测技术、基于机器学习的剩余寿命预测技术、统计数据驱动的剩余寿命预测技术以及机器学习和统计数据驱动相结合的剩余寿命预测技术的基本研究思想和发展动态, 剖析了当前研究存在的局限性和共性难题. 针对存在的局限性和共性难题, 以多源传感监测大数据下剩余寿命预测问题为例, 提出了一种数模联动的大数据下随机退化设备剩余寿命预测解决思路, 并通过航空发动机多源监测数据初步验证了该思路的可行性和有效性. 最后, 借鉴数模联动思路, 综合考虑机器学习方法和统计数据驱动方法的优势, 紧紧扭住大数据背景下随机退化设备剩余寿命预测不确定性量化问题, 提出了大数据背景下深度学习与随机退化建模交互联动、监测大数据与剩余寿命及其预测不确定性映射机制、非理想大数据下的剩余寿命预测等亟待解决的关键科学问题.     

考虑不完美维修的随机退化设备剩余寿命自适应预测方法

在现有考虑不完美维修的随机退化设备剩余寿命预测研究中,通常仅考虑维修活动对退化状态或退化速率的单一影响,仅有考虑二者双重影响的研究,忽略了退化设备的个体差异性。鉴于此,提出一种基于多阶段扩散过程的自适应剩余寿命预测方法,同时考虑不完美维修活动对设备退化状态和退化速率的影响,并利用随机游走模型描述退化速率随观测数据的更新过程以表征设备的个体差异性。基于历史退化数据,利用极大似然估计法得到退化模型参数的初值;基于状态观测数据,利用卡尔曼滤波算法和期望最大化算法自适应的更新模型参数。利用卷积算子和蒙特卡洛方法推导得到了首达时间意义下设备剩余寿命的概率密度函数。最后,通过仿真算例和陀螺仪的实例研究验证了所提方法的有效性和优越性。     

基于多尺度特征与注意力机制的轴承寿命预测

针对以往剩余使用寿命（RUL）预测方法对轴承退化信息挖掘不充分、忽视不同特征贡献度差异,影响预测准确性的问题,提出基于多尺度特征与注意力机制的轴承RUL预测方法. 在多个尺度下计算轴承原始振动信号的若干时域和频域特征,作为输入特征集. 将多尺度特征集输入到网络中,以注意力模块为不同特征自适应地分配最佳权重,以卷积神经网络（CNN）模块进行深层特征提取与多尺度特征融合,通过前馈神经网络（FNN）模块映射得到RUL预测值. 通过公开的轴承数据集进行实验验证,与其他RUL预测方法相比,所提方法的预测性能更优越.     

多源测试性综合评估数据等效折合模型与方法研究

由于用于开展测试性综合评估的先验信息形式多样,使得Bayes框架下能够处理的成败型数据不一致。为了解决这一问题,以测试性评估中专家数据、摸底试验数据、增长试验数据、可更换单元数据和虚拟试验数据这5种常见的先验信息为研究对象,在Bayes理论框架下分别研究提出相应的等效方法,实现了各类数据向成败型数据的折合。案例应用表明：所提方法合理有效,适用范围广,间接扩大了可用于测试性评估的数据样本量。     

基于故障扩散强度的故障样本选取方法

传统的测试性验证试验样本选取方法没有考虑测试对象的各故障模式之间的复杂性与不确定性关系。针对这一问题，建立了一种基于模糊概率Petri网的复杂系统故障扩散模型，该模型完备地描述了测试对象故障模式之间的传播扩散关系，并引入故障扩散强度概念，按分步扩散的原则对故障扩散过程进行描述，给出了每个故障的扩散强度量值。提出了基于故障率和故障扩散强度的故障样本选择方法，案例验证结果表明，基于该方法选择的故障样本集更能覆盖测试对象的故障模式集。     

“最优控制理论”课程考核模式改革的思路与实践

针对"最优控制理论"课程的特点及传统考核模式中存在的问题,提出并实践了一种多元化复合式公开考核模式,该模式通过在教学过程中全程实施多种能力的考核与训练,促进研究生学员在掌握最优控制基本理论的同时,拓展对于最优控制理论掌握的深度和广度,提高专业英语读写和论文撰写能力,全面提升综合科研能力和水平。     

中文脑筋急转弯中的虚假语用预设

作为一种言语交际策略,语用预设常常表现为旧信息或言语双方共知的信息隐含在言语之中,以实现说话者的交际目的。通常情况下,这种信息的真实性是不言而喻。但是在中文脑筋急转弯这种文字游戏中,预设的非真实性即虚假预设,常常被用来设置思维陷阱,它要么直接隐藏在问句中,要么与前文的语境共同作用间接隐含于问句中,要么通过信息焦点的转移掩盖虚假信息。隐藏在脑筋急转弯中的虚假预设能够实现建构封闭语篇、触发心理暗示、设置思维陷阱、实现特殊双关已经幽默和娱乐等特殊的语用效果。     

数据驱动的闭环控制系统剩余寿命预测方法综述

随着先进传感与监测技术的快速发展,数据驱动的设备剩余寿命（RUL）预测技术已成为可靠性和自动化领域的研究前沿,并在设备运维决策中得到广泛应用,提高了设备运行的安全性、可靠性与经济性。关于数据驱动的设备剩余寿命预测方法,多数文献主要聚焦于部件级剩余寿命预测技术,并没有关注闭环控制系统剩余寿命预测技术。不同于部件级的预测,利用数据驱动的方法预测闭环控制系统剩余寿命,需要考虑控制器及反馈控制机制对系统性能退化及剩余寿命预测结果的影响。本文系统综述了数据驱动的闭环控制系统剩余寿命预测及基于预测信息的延寿控制方法的发展动态,剖析了基于Poisson过程的方法、基于Gamma过程的方法、基于Wiener过程的方法和基于混合模型方法的原理、特点与局限性。同时,对于未来数据驱动的闭环控制系统剩余寿命预测及延寿控制,在健康状态表征与综合健康指标构建、多退化部件系统剩余寿命预测及基于预测信息的延寿控制理论和验证应用等方向进行了展望。     

基于Bayes变动统计理论的测试性综合评估模型及其稳健性分析

在测试性综合评估研究中,故障检测率(Fault detection rate,FDR)/故障隔离率(Fault isolation rate,FIR)评估结论置信度低是一个非常重要的问题,而导致其评估结论置信度低的主要原因是故障检测/隔离数据为"小子样"数据,为解决该问题,建立在Bayes变动统计理论基础上的模型和方法是非常有效的。利用丰富的可更换单元测试性信息、专家经验等先验信息,确定先验分布参数,实现了将先验信息转化为多元Dirichlet先验分布。在此基础上,基于Bayes变动统计理论研究并建立FDR/FIR综合评估模型,保证"小子样、异总体"阶段性增长试验数据和"小子样"外场使用数据能被有效地融合,并采用仿真方法对模型的稳健性进行分析。结果表明该FDR/FIR综合评估模型和方法,能在小样本数据情况下,有效提高评估结论置信度,缩短装备定型周期,为装备测试性综合评估研究提供重要的理论依据和方法。