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。     

自由漂浮空间机器人避奇异规划—跟踪算法

针对路径相关空间内自由漂浮空间机器人无法进行有效跟踪控制的问题,设计了一种避奇异轨迹规划—跟踪算法,用于完成路径相关空间机械臂末端轨迹跟踪控制的任务．首先,分析奇异条件并设定安全边界曲线,求解回避奇异的基座姿态角阈值,从而得到避奇异参考轨迹及初始状态值．接着,利用自由漂浮空间机器人非线性动力学模型具有状态依赖参数的类线性结构特点,基于状态依赖Riccati方程设计跟踪控制器对末端速度进行跟踪,保证闭环系统的局部渐近稳定性．所提方法克服了传统方法将工作空间约束在路径无关空间的缺点．仿真结果表明,该算法具有比比例微分（proportional derivative,PD）控制更高的跟踪精度．同时,在存在输入干扰的情况下仍然能够实现有效跟踪．     

基于机器学习的设备剩余寿命预测方法综述

随着科学技术的发展和生产工艺的进步,当代设备日益朝着大型化、复杂化、自动化以及智能化方向发展。为保障设备安全性与可靠性,剩余寿命(Remaining useful life,RUL)预测技术受到了普遍关注,同时得到了广泛应用。传统的统计数据驱动方法受模型的选择影响明显,而机器学习具有强大的数据处理能力,并且无需确切的物理模型和专家先验知识,因而机器学习在剩余寿命预测领域表现出了广阔的应用前景。鉴于此,详细分析和阐述了基于机器学习的设备剩余寿命预测方法。根据机器学习模型结构的深度,将其分为基于浅层机器学习的方法和基于深度学习的方法。同时疏理了每类方法的发展分支与研究现状,并且总结了相应的优势和缺点,最后探讨了基于机器学习的剩余寿命预测方法的未来研究方向。     

力矩受限的柔性空间机器人模糊神经网络自适应跟踪控制及振动抑制

针对力矩受限和存在参数不确定情况下,自由漂浮柔性空间机器人（FFFSR）关节轨迹跟踪控制与柔性振动抑制的问题,利用奇异摄动法将系统分解为关节轨迹跟踪的慢变子系统和描述柔性振动的快变子系统,进而提出含慢、快变控制项的组合控制器。对于慢变子系统,设计一种无需模型的模糊径向基函数（RBF）神经网络（FRBFNN）自适应跟踪控制方案,利用神经网络观测器估计关节角速度信息,并对系统的未知非线性函数进行逼近;对于快变子系统,采用扩张状态观测器（ESO）对不易测量的柔性模态坐标导数和不确定扰动进行估计,并结合线性二次调节器（LQR）方法抑制柔性振动。数值仿真结果表明,当控制力矩限制在±20 N·m和±10 N·m范围内时,该组合控制器能够在2.5 s实现稳定的关节轨迹跟踪,并将柔性振动幅值限制在±1×10^-3 m内。