1 火箭军工程大学, 西安 710000
2 火箭军装备部驻西安地区第二军事代表室, 西安 710000
工业设备、**装备等大型复杂系统在全寿命周期中通常会经历贮存、待机、测试、运转、维修等多个状态, 且不同状态下设备内部损耗速率各不相同, 这给设备的剩余寿命预测问题带来新的挑战。鉴于此, 提出了基于维纳过程建立多状态切换设备的退化模型, 结合半马尔可夫模型和离散马尔可夫链模型, 推导得到了多状态切换设备的剩余寿命, 并提出了一种蒙特卡罗仿真算法进行求解。此外, 采用了期望最大化算法和极大似然算法辨识所提模型参数。最后, 通过仿真实验和实际案例证明了所提算法的有效性。
多状态 剩余寿命预测 维纳过程 半马尔可夫 离散马尔可夫链 multi-state remaining useful life Wiener process semi-Markov discrete Markov chains
基于dropout NN(dropout Neural Network)的设备剩余寿命(RUL)预测方法因使用具有固定分布形式的先验与近似后验的贝叶斯神经网络(BNN)导致预测精度较低。为解决该问题, 提出基于高斯近似后验BNN的RUL预测方法和基于混合高斯-伯努利网络的设备RUL预测方法, 前者引入混合高斯分布作为先验, 通过对参数梯度进行无偏蒙特卡罗估计以优化BNN, 后者引入一种离散化的高斯先验分布以正确地定义KL散度, 进而可以优化BNN。在PHM 2012轴承数据集上的验证结果表明所构建的混合高斯-高斯网络效果好于dropout NN, 证明了改变分布组合可以获得更好的预测效果。
设备剩余寿命预测 深度学习 贝叶斯神经网络 混合高斯-高斯网络 equipment remaining useful lifetime prediction deep learning Bayesian neural network mixed Gaussian-Gaussian network
工程设备与**装备在运行过程中由于材料磨损、工况变化等多方面原因, 系统性能逐渐退化甚至失效, 造成经济损失与人员伤亡。因此, 为保障系统正常运行, 剩余寿命(RUL)预测技术受到研究人员的重点关注。大数据时代下所获得的监测数据具有高维度、强耦合性等特点, 采用传统的剩余寿命预测方法难以建模, 而深度学习方法能精确建立监测数据与退化状态或寿命标签间的映射关系。详细阐述了4种典型深度学习技术在剩余寿命预测领域的研究现状, 总结各类方法的优缺点, 最后探讨了基于深度学习的复杂退化系统剩余寿命预测方法的未来研究方向。
剩余寿命预测 复杂退化系统 深度学习 特征提取w remaining useful life prediction complex degradation system deep learning feature extraction
针对现有方法通常仅考虑单个设备的维护决策, 而忽略了系统的维护策略和备件库存联合优化的问题, 提出一种不完美维修下基于剩余寿命预测结果的系统维护与库存联合决策模型。首先, 基于Wiener过程对受不完美维修影响的设备进行退化建模, 进而推导出设备的剩余寿命概率分布; 接着以检测间隔、预防性维修阈值、维修次数阈值和库存量为决策变量建立费用-时间率联合决策模型, 实现了系统维护决策成本的优化;最后,通过数值仿真实验验证了所提方法相较于基于单一决策变量的方法维护成本降低了1.5%左右。
不完美维修 Wiener过程 检测间隔 维修阈值 imperfect maintenance Wiener process detection interval maintenance threshold
火箭军工程大学导弹工程学院, 陕西 西安 710025
在现有研究中,通常采用无记忆效应的马尔可夫过程模型来描述光电设备的随机退化,忽略了其退化过程中状态之间的长期相关性。鉴于此,首先,基于非线性分数布朗运动提出了一种具有记忆效应的随机退化模型,用于描述测量误差与随机效应影响下的光电设备退化过程;在此基础上,基于弱收敛理论推导得到了首达时间意义下设备剩余寿命的近似解析式。其次,分别采用极大似然估计算法与贝叶斯推理完成了模型参数的离线估计与实时更新,进而实现剩余寿命的自适应预测。最后,将所提方法应用于GaAs激光器的性能监测数据中,实验结果表明所提方法能有效提高光电设备剩余寿命的预测精度。
光学器件 剩余寿命 分数布朗运动 弱收敛理论 极大似然估计 贝叶斯推理 光学学报
2020, 40(24): 2423001
针对经验模态分解在实际应用中因异常信号导致的模态混叠问题, 提出了一种基于双尺度比例的判据和局部EMD的处理方法。首先分析了异常信号对EMD算法的影响, 之后提出了基于时间特征尺度和极值差(双尺度)的判据;通过该判据确定异常信号的时域位置后, 再对该时段信号进行局部经验模态分解, 实现异常信号和固有信号的分离。数值仿真实验以及对比分析表明,相比传统方法, 所提方法能够更加有效地抑制因异常信号产生的模态混叠问题。
经验模态分解 异常信号 模态混叠 双尺度比例判断 empirical mode decomposition abnormal signal model aliasing two-scale proportional criterion
1 火箭军工程大学导弹工程学院, 陕西 西安 710025
2 国防大学联合勤务学院, 北京 100858
针对新研发光电产品存在先验信息不足、缺乏历史数据等问题,提出一种基于期望最大化(EM)算法的剩余寿命(RUL)自适应预测方法。然而,现有大多数RUL预测方法中普遍存在两个方面问题:在退化建模中存在一个潜在的假设,即当前时刻估计的随机参数与上一时刻随机参数的后验估计完全相等;在参数估计中假定存在多组同类型光电产品的历史退化数据,用于离线确定模型初始参数,致使RUL预测的精度受限于数据量。鉴于此,在状态空间模型的框架下构造一个新的退化模型,进一步推导出RUL分布的解析解;提出一种基于EM算法的自适应参数估计方法,以克服先验信息不足、缺乏历史数据等问题;通过GaAs激光器和光纤陀螺的实际退化数据进行实验研究。结果表明本文方法不仅可以提高RUL预测的精度,而且可以有效地应用于新研发的光电产品。
光学器件 剩余寿命 期望最大化 退化模型 激光器 光纤陀螺 光学学报
2019, 39(12): 1223003
空中目标意图识别是战场态势评估的一个重要部分, 它直接关系到指挥员的作战决策。针对复杂战场环境下目标信息的多源性和不确定性, 提出了一种基于置信规则库(BRB)和证据推理(ER)的目标意图识别方法。首先, 建立了一种新的融合目标多源信息的BRB-ER意图识别模型; 其次, 建立了多参数优化模型优化系统初始参数, 以提高识别精度。最后, 采用某舰艇实际测得的目标信息对该方法进行了验证, 结果表明, 提出的方法能有效对空中目标意图进行识别。
目标意图识别 置信规则库 证据推理 多传感器信息融合 target intention recognition belief-rule-base evidential reasoning multi-sensor data fusion
1 火箭军工程大学控制工程系, 陕西 西安 710025
2 火箭军工程大学核工程系, 陕西 西安 710025
在大型结构件的损伤监测过程中,摄像机镜头畸变往往引起成像畸变,如果直接利用畸变图像进行标定、测量,将引起较大误差,降低损伤监测精度。为了有效地校正成像畸变,提出一种改进的基于直线特征的非量测畸变校正方法。分析实际测量中成像畸变的像差模型;直接利用场景中存在的直线特征,得到带权重因子的直线射影不变约束关系和三点近似共线约束关系,并建立两组畸变校正约束方程求解畸变系数;通过实验验证提出方法的可行性和有效性。校正结果表明,相比不带权重的直线特征标定方法,提出方法优化结果的均方根误差精度提高了0.21 pixel。
机器视觉 摄像机标定 非量测方法 畸变校正
1 火箭军工程大学控制工程系, 陕西 西安 710025
2 火箭军工程大学信息工程系, 陕西 西安 710025
针对大型结构表面积较大而像机视野有限的问题，提出了一种基于传递像机的移动摄像测量方法，该方法可对大型结构进行全局扫描测量。利用固定连接于移动平台的传递像机对基准标识点进行图像采集，采用像机参数标定方法对传递像机的外参数进行计算，得到相邻时刻移动平台坐标的相对转换关系。测量像机在移动平台的驱动下围绕结构表面采集特征点，利用运动平台坐标的转换关系计算得到测量像机的实时外参数。建立等效双目交会共线方程，并对特征点位置进行计算，在初始位置完成参数标定后，即可实现自动测量。实验结果表明，所提出的移动摄像测量方法的测量精度可达2.012 mm，且自动化程度较高，可应用于大型结构的在线监测。
测量 全局测量 传递像机 测量像机 在线监测
