机载燃油泵电应力加速退化建模与试验设计

针对传统加速退化模型建立过程中,未考虑应力变化造成失效阈值变化的问题,提出了通过试验建模确立失效阈值的方法.在分析某型机载燃油泵工作机理和物理模型的基础上,设计了从101～130 V的步进电压条件下机载燃油泵压力与流量测量试验,并基于样本分位数构建了机载燃油泵电应力下压力与流量的数学模型;又选取100、105、110、115、120、125 V为工作电压进行了加速退化试验,拟合出不同电应力下机载燃油泵的退化轨迹.最终依据其数学模型估计了机载燃油泵在100、105、110、115、120、125 V工作电压下的失效寿命分别为53 848、43 599、39 269、37 140、26 643、20 522 h,依据逆幂律模型L(U)=A×U~n,通过参数拟合建立了机载燃油泵电应力加速退化模型L(U)=1.329 9×10~(12)×U~(-3.694 9)。     

基于MBSE的PHM开发平台设计

故障预测与健康管理(PHM)开发平台具有结构功能复杂的特点,传统的设计方法难以保证其结构合理性与功能可靠性。针对传统的基于文本的系统设计中存在的需求追溯性弱、问题描述模糊的问题,提出了应用基广模型的系统工程(MBSE)方法论指导平台设计过程,使用模型驱动的OOSEM建模方法对PHM开发平台进行模型搭建。通过利益相关者需求导出系统需求与系统功能,在对系统内部结构进行逻辑分析后定义了平台系统架构,实现了系统架构综合,搭建了完备的PHM开发平台MBSE模型。基于MBSE的设计过程使该模型具有结构清晰、集成性高、追溯性强的特点,模型化的设计方法保证了其通用性与可重用性。该模型的建立为PHM开发平台搭建提供了设计流程与解决方案。     

基于退化阶段识别与 LSTM-fine-tune 的 氧气浓缩器多阶段退化预测

退化预测是装备健康管理的重要技术途径,近年来,大量时间序列预测方法在退化预测中得到应用。 然而,众多大型装 备由于结构复杂,功能多样,在退化过程中存在明显的阶段性,采用单一的模型对不同阶段的退化进行预测将会出现明显的精 度降低,针对不同阶段对模型重新训练也会带来时间和算力的损失。 针对多阶段退化的问题,引入了迁移学习的思想,提出了 一种退化阶段识别与 LSTM-fine-tune 结合的多阶段退化预测方法,采用退化数据对 LSTM 模型训练,之后对部分网络参数进行 冻结,在识别到装备出现新的退化阶段后,利用新阶段的退化数据对模型进行微调,以快速匹配不同阶段的数据。 为验证模型 的有效性,本文以氧气浓缩器为例进行模型应用。 结果表明,本文方法能够有效识别氧气浓缩器 3 个阶段的退化,每个阶段的 预测均方差分别为 0. 507、8. 976 和 0. 375,远低于不分段直接预测的均方误差 76. 87,在训练时间上,对比于每个阶段重新训练 时间大幅缩短,在训练精度上,明显优于维纳过程、Lstar 等传统方法。     

测试性设计策略优化与建模的可视化研究

随着装备复杂性的提高,其测试性设计与建模过程变得繁琐。为简化其过程,进行了测试策略优化与建模的可视化软件设计。在对测试性设计算法进行优化并使用MATLAB进行编程的基础上,结合Python语言中PyQt框架下的GUI设计方法,充分发挥MATLAB矩阵运算迅速与Python界面设计友好的优点,设计了测试性建模可视化软件。该交互界面提供了多测试性设计优化策略的选择与输入接口,通过输入测试矩阵可以快捷、直观的得到测试代价、测试时间、测试过程等信息。以信息熵算法与Rollout算法为例验证了软件的功能性与实用性,该软件对测试性设计决策起着重要辅助作用。