基于序贯验后加权检验的鱼雷抽样检验分析

Bayes理论是分析研究具有小子样特点鱼雷可靠性的有效方法,文中基于序贯验后加权检验的思想,给出针对二项分布的抽样检验基本方法,并将其应用在鱼雷系统抽样检验试验中.该方法充分利用抽样试验之前所能获得的先验信息,可有效减小试验所需的样本容量.最后以鱼雷系统为例进行分析,仿真结果验证该方法在减小试验样本容量的有效性,为鱼雷可靠性抽样检验试验提供一种新的分析方法.     

基于模糊灰色关联分析的故障样本集评估方法

为了在测试性验证试验之前获得理想的故障样本集.提出了一种基于模糊灰色关联分析的故障样本评估方法.首先确定了用于评估故障样本的指标,该指标有效地将样本量、样本结构和故障注入等多个特性指标综合考虑.利用模糊层次分析法确定各个指标的权重,然后通过灰色关联分析建立了故障样本集与故障模式集的距离模型,通过该距离模型来捕述故障样本集对故障模式集的代表性.应用表明,该方法可以有效评估故障样本集,并可指导故障样本的选取.     

威布尔分布下失效率的Bayes验证试验方法

为在尽可能短的试验时间内确定产品可靠性是否达到规定的要求,以Gamma分布为先验分布,以失效率为验证指标,讨论了Weibull分布下产品可靠性的Bayes验证试验设计方法,以某型航天电连接器为例,制定了相应的Bayes定时截尾验证试验方案,并对试验方案进行了Monte-Carlo模拟评价。与经典的定时截尾验证试验方法相比,所建立的Bayes验证试验方案所需的试验时间仅为经典试验方案的45%左右。对试验方案的Monte-Carlo模拟评价结果表明,后验使用方风险的理论值与实际值基本一致,说明所制定的试验方案能够满足预定的试验要求。     

基于测试性增长的指标动态评估方法

针对现有测试性指标评估方法未能考虑装备研制阶段不同层次结构测试性水平动态增长的特性,导致测试性评估置信度不高的问题,提出一种测试性增长条件下基于层次Bayes网络模型的测试性指标动态评估方法。根据装备结构特征建立测试性指标动态评估的层次Bayes网络模型,并以测试性指标作为网络传递参数;考虑延缓纠正的测试性增长试验策略,给定测试性阶段序化增长约束条件,针对不同层次节点各阶段增长试验数据,采用单边Fisher精确检验法对测试性增长趋势进行检验,并基于检验结果确定增长阶段数;提出利用最大熵模型和改进Gompertz模型的先验参数估计方法,结合Bayes定理以及研制阶段各层次节点先验信息确定节点先验分布;进一步基于层次Bayes网络融合推理算法确定顶层节点测试性指标的后验分布,实现对装备测试性指标的动态评估,并通过案例进行验证。结果表明,该方法相较于直接运用Beta分布,具备更为准确合理的指标评估结论。     

利用研制阶段试验数据制定测试性验证试验方案新方法

现有的测试性验证试验方案,在一定的风险承受能力下都需要较大的故障样本量。针对这一问题,以故障检测率(Fault detection rate,FDR)为验证指标,提出利用研制阶段试验数据制定测试性验证试验方案的新方法。在传统的FDR的统计检验模型基础上,提出产品研制阶段的成败型试验数据的等效折合方法;考虑Beta分布函数的概率特性,将FDR的置信下限估计转化为Beta分布的置信度分位点,求得FDR的置信概率密度函数;引入差异因子 ,用来反映研制阶段产品的FDR水平和产品验证需达到的FDR水平的差异,求得产品验证需达到的FDR的置信概率密度函数;参考风险的定义,重新确定了测试性验证试验方案。由于充分考虑了研制阶段的试验信息,因此在保证有较好的验证效果的条件下,与传统的验证方案相比,可以明显减少故障样本量,或在故障样本量保持不变的情况下降低双方风险。     

基于随机分布的费用分配系数确定方法

传统产品成本计算过程中,采用单一的分摊方法常导致费用分配不合理。为此,对比分析了固定分配系数与随机分配系数的优劣势,提出一种基于邻域粗糙集与随机分布理论的费用分配系数确定方法。首先利用邻域粗糙集理论对影响分配系数的众多属性进行约减,对于随机属性需要按一定规则到实例库中抽样分析得到其分布规律,根据其概率密度函数与所消耗费用的经验数据划分小区间,同时给每个小区间赋予分配系数。通过应用实例,给出了该方法的具体实现过程。与采用前两种分配系数计算的费用分配结果对比,表明了该方法的有效性。     

轴承故障诊断与故障预测方法

分析了利用HMM进行故障诊断和HHMM进行故障预测的框架,针对传统HHMM推理算法复杂,推理时间长的问题,将HHMM转化为DBN,并应用交叉树推理算法,缩短了推理时间。最后将HMM和HHMM应用于轴承故障诊断和故障预测或剩余寿命预测(RUL),通过试验结果验证了这种方法的有效性。     

基于混合验前分布的复杂装备测试性评估

合理有效地利用验前信息是小子样评估中的关键问题。针对复杂装备小子样测试性评估问题,考虑了不同验前信息的可信度和重要度,提出了一种混合Beta分布的复杂装备小子样测试性评估方法。算例表明,在小子样前提下,传统统计方法得到的测试性置信下限过于保守;现有的可信度度量方法大都直接基于数据层,没有考虑验前信息的来源。混合Beta分布的复杂装备小子样测试性评估方法不仅考虑了验前信息的可信度,还对验前信息的重要度进行了分析,评估结论更加合理,具有较好的工程应用价值。     

基于小偏差方法的燃气轮机气路故障判据的建立

根据燃气轮机实际运行的热力学过程,建立了某型燃气轮机正常运行状态下的数学模型,在该正常模型的基础之上运用小偏差法得到小偏差方程组.然后向小偏差方程组中引入故障因子,最终获得标准故障模型.结合气路故障性能参数变化判据,确定出典型气路故障与测量参数之同的隶属度大小关系.最终获得典型气路故障的测量参数变化判据,为燃气轮机气路故障诊断奠定基础.     

基于改进LMD方法的故障转子振动分析

针对三次样条插值(cubic spline interpolation,简称CSI)局部均值分解(local mean decomposition,简称LMD)方法在处理故障振动信号时准确性较低的缺陷,提出了一种集成自适应波形匹配、三次B样条插值(cubic Bspline interpolation,简称CBI)以及正交性判据(orthogonality criterion,简称OC)的LMD改进方法。首先,利用自适应波形匹配技术对原始信号进行数据延拓;然后,采用CBI代替CSI求解信号的上、下包络线,进而求得局部均值函数和包络估计函数;最后,以OC作为乘积函数(product function,简称PF)内部迭代过程结束的判断条件,形成一种改进的CBI-LMD方法。仿真分析与实验验证的结果表明,该改进方法具有更好的信号分解性能,能够准确有效地提取出复杂非平稳信号的重要特征。     

装备测试性增长过程的贝叶斯验证方法

现有测试性验证试验方案需要较多故障样本,存在测试性验证时间长、结果置信度低的问题,为此提出一种装备测试性增长模型的贝叶斯验证方法,在小子样、异总体的情况下进行测试性验证。建立装备测试性水平动态增长的数学模型,依据已有的研制阶段的数据进行求解,得到测试性增长模型的具体参数值,并对测试性水平进行预测。确定测试性水平的先验分布,使用最大熵法求解分布参数,采用贝叶斯理论融合现场试验数据得到后验分布,实现对装备测试性水平的验证。实例分析表明,该方法在较少样本量的情况下能够提高验证结果的置信度,降低双方风险。     

基于非齐次泊松过程和统计仿真的故障样本模拟生成

由于测试性虚拟试验具有成本低、效率高、风险小、故障注入受限少等优点,故障样本量几乎不受限制,可有效弥补测试性实物试验的不足,但同时也对故障样本生成提出新的要求。为此提出一种适用于测试性虚拟试验的基于非齐次泊松过程和统计仿真的故障样本模拟生成方法。分析指出可修系统的故障发生过程是随机过程,并用非齐次泊松过程及其参数化模型对其进行数学描述。给出故障样本模拟生成流程,建立故障事件发生间隔时间的概率分布函数,通过随机数生成和逆变换法,实现故障样本的模拟生成,仿真获得故障发生次数及其相继发生时间。以某型地平仪为案例进行试验和应用研究。试验结果表明,采用所提方法进行故障样本模拟生成是有效的,能科学指导可修系统测试性虚拟试验中的故障注入。     

负载不平衡下小样本数据的轴承故障诊断

针对轴承振动信号易受负载不平衡干扰以及轴承故障样本量少的问题,提出了一种基于梯度惩罚Wasserstein距离生成对抗网络(WGAN-GP)和自注意力卷积神经网络(SeCNN)的轴承故障诊断方法.对轴承振动信号进行短时傅里叶变换,得到易于WGAN-GP处理的时频谱样本,分为训练集、验证集、测试集;将训练集输入到WGAN...     

高速列车的样本关联改进故障诊断方法

聚合经验模态分解和基于变量预测模型的模式识别的结合是一种有效的机械故障诊断方法。针对该方法在高速列车故障诊断时存在小样本方法不适用和识别率较低等不足,首先采用滑窗逐步回归法对基于变量预测模型进行了适应性改进,再利用样本间的关联性和连续性,将相邻样本纳入模式识别,并进行样本平滑性处理,从而有效提高了故障诊断识别率。实验分析结果表明,改进方法降低了对样本量的需求,故障识别率提高了20%以上。     

基于后验概率的支持向量机在故障诊断中的应用

考虑到用后验概率能更有利于表示样本的类别信息和相关后处理,在故障诊断中引入了后验概率,同时针对故障诊断问题中误判造成的损失不同这一特点,通过引入损失函数,使诊断决策的平均损失达到最小,建立了适合故障诊断的模型。通过与其他方法的比较和诊断实例说明了该方法的合理性和有效性。     

基于EEMD样本熵和GK模糊聚类的机械故障识别

针对目前各种机械故障诊断方法的局限性,提出了基于总体平均经验模式分解（EEMD）样本熵和GK模糊聚类的故障特征提取和分类方法,建立了一种机械故障准确识别的有效途径。首先,对机械振动信号进行EEMD分解,得到若干不同时间尺度的固有模态函数（IMF）分量。其次,通过相关性分析和能量相结合的准则对IMF分量进行筛选,并将筛选出的IMF分量的样本熵组成故障特征向量。最后,将构造的特征向量输入到GK模糊聚类分类器中进行聚类识别。实验及工程实例证明了该方法的有效性和优越性。     

非正态分布时最小子样容量的确定

对可靠性试验中非正态分布前提下如何确定最少试验个数的问题进行了研究。提出了采用当量正态化方法 ,并综合考虑假设检验的两类错误 ,利用统计推断方法 ,在一定精度指标和置信水平下 ,给出估计母体均值和母体下限值时所需最少试件个数。算例分析说明了该方法的可行性     

基于机内测试的某型装备故障注入系统设计

针对某型装备的测试性验证需求，构建了基于机内测试的故障注入系统。详细论述了故障注入的基本流程与基本原理，给出了故障注入系统的硬件框架结构。     

基于小波包变换与样本熵的滚动轴承故障诊断

针对滚动轴承振动信号的不规则性和复杂性可以反映轴承故障的发生和发展,提出一种基于小波包变换与样本熵的轴承故障诊断方法。样本熵可以较少地依赖时间序列的长度,将轴承振动信号进行3层小波包分解,利用分解得到的各个频带的样本熵值作为特征向量,利用支持向量机对轴承故障进行分类。对轴承内圈故障、滚动体故障和外圈故障3种故障及不同损伤程度的实测数据进行实验,结果表明该方法取得较高的识别率,具有一定的工程应用价值。     

基于多尺度样本熵和VPMCD的自动机故障诊断

针对自动机故障诊断过程中振动信号的非线性、非平稳性、非周期性导致的故障特征较难提取,以及故障识别率偏低这一问题,提出了一种基于多尺度样本熵和多变量预测模型(variable predictive model-based class discriminate,简称VPMCD)的自动机故障诊断方法。首先,对采集到的信号进行小波阈值降噪处理;其次,利用小波包分解的方法对振动信号进行分解,得到多个尺度下的信号分量;然后,计算不同尺度下信号的样本熵值,并提取对故障特征较为敏感的尺度因子,组成故障特征向量;最后,利用多变量预测模型对故障特征向量进行训练和识别,进而实现自动机的故障诊断。自动机故障诊断试验分析结果表明,利用多尺度样本熵和多变量预测模型的方法可以准确识别多种典型的自动机故障类型。