基于Vague集的鱼雷研制阶段年度投资分配模型

鱼雷的研制费用在鱼雷整个寿命周期费用中所占比系不大，但研制阶段决定了鱼雷寿命周期费用的绝大部分，闪此对鱼雷研制费用的研究可供鱼雷武器管理和决策者作经费计划综合平衡时参考。文章基于Vague集，提出了Vague集模糊熵的构造方法，进而提出了运用Vague集模糊熵进行鱼雷研制阶段年度投资强度分配的新模型。实例表明，该方法具有实用价值。     

鱼雷寿命周期费用数据的采集与灰色处理方法

鱼雷寿命周期费用数据的采集与处理是进行鱼雷寿命周期费用建模的基础.简要介绍了鱼雷寿命周期费用的概念,讨论了鱼雷寿命周期费用数据采集的基本要求和内容,同时应用灰色系统理论对鱼雷寿命周期费用数据进行处理,即:在数据采集时收集了尽可能多的数据,须判断和费用有关的因素中是否有若干个因素关系十分密切,以致既能够用这些因素综合平均指标或用其中的某一个因素来代表这几个因素,又使信息不受严重损失.选择灰色系统理论的灰关联聚类方法进行分析.结果表明,提出的寿命周期费用数据的灰色处理方法,有利于建模时决定因素的取舍,为鱼雷寿命周期费用数据处理提供了有效的方法.     

鱼雷寿命周期费效评估的灰色聚类决策

鱼雷寿命周期费用-效能评估是在各种采办决策中进行权衡、评比,目的是达到产品寿命周期费用与其效能间的最佳平衡,即以一定的费用达到尽可能高的效能,或在效能一定的情况下,尽可能地减小费用.灰色系统理论的灰色聚类决策可以全面权衡现有条件与要求达到的条件,对待选方案做出合理评估.文章选用灰色聚类决策方法,结合实例对三种鱼雷寿命周期费用和效能进行了评估,结果可信.文中提出的鱼雷寿命周期费用-效能评估的灰色聚类决策方法为鱼雷费效评估提供了实用的方法.     

基于特征加权的应力影响下顽健语音识别方法

通过对应力影响下语音数据的分析,发现不同的特征维对变异的敏感程度不同。一般低维特征对变异比较敏感,相应的高维特征敏感程度差些。在此基础上,提出一种新的基于特征加权的变异语音识别方法。该方法通过对不同维特征加不同的权值来消除变异因素对语音特征的影响,从而提高系统的识别性能。文中提出对线性权值用最大相对熵估计方法获得权值。对航空模拟飞行器中采集的特定话者小词表孤立词的实验,最大相对熵估计方法的识别率可达到89.9% ,与多重风格训练方法相比,识别率提高了13.1%。     

基于混沌激励与吸引子几何分析的连接损伤状态识别

工程结构在使用寿命周期内,各种环境因素会导致连接部位出现损伤,从而威胁结构的完整性和功能性,甚至诱发安全事故. 本文研究了一种利用混沌激励与吸引子几何特征进行连接损伤状态识别的方法,采用混沌振动信号激励待测结构,利用采集到的加速度响应时间序列信号进行相空间重构,并构造了一种基于吸引子局部方差计算的特征参量用于小程度连接损伤的识别,并对特征参量进行了统计分析计算. 设计了悬臂梁连接损伤识别实验,通过控制固定端螺栓的预紧力来模拟连接损伤,利用上述方法对连接的损伤状态进行了识别. 结果表明,本文方法能够有效识别连接的损伤状态,所构造的特征参量随损伤程度改变单调变化,特征参量能以一定置信度较好地区分不同的损伤水平.     

设备全寿命费用管理信息系统开发

本文提出了应用计算机实现设备全寿命周期费用管理的理念.分析了设备全寿命费用管理系统的体系结构,阐述了系统实现的支持技术,对系统的基本对象模型构建进行了分析,最后对系统的设计开发进行了探讨.     

产品LCC估算模型研究及仿真分析

产品的全寿命过程包括方案论证、研制、生产、使用维修直到淘汰处理的整个过程,寿命周期费用（LCC）就是指上述各阶段中的费用总和,寿命周期费用的早期估算对于产品的设计、改进和优化,实现最佳的费效比具有重要的意义.该文对产品LCC的常用估算模型进行了分析和探讨,在此基础上实现了对典型武器装备LCC估算的基本仿真平台,可对仿真得出的数据信息建立相应的数据库管理系统,最后针对具体实例进行了验证,并分析、讨论了仿真结果.     

鱼雷生产费用与累计产量的灰色模型

随着鱼雷生产数量的增加，鱼雷生产费用呈下降趋势。该文根据生产费用和累计产量呈近似指数关系的经验，对灰色系统理论的GM（1，2）模型进行了改进，原始数据不再进行累加运算，直接建立模型。结合实例建立了鱼雷生产费用和累计产量的灰色模型。结果表明，该方法能达到令人满意的精度，具有实用价值。     

基于智能手机的跌倒行为识别算法研究

利用智能手机的感知和计算能力,对跌倒行为识别算法进行研究。分析使用多特征传感器识别跌倒行为的必要性,并根据传感器对跌倒行为敏感程度的不同,提出基于主成分分析的多特征选择方法。针对传统K-means算法不能反映数据分布差异的问题,设计基于相对熵的跌倒行为识别算法,利用数据集分布距离进行跌倒行为识别。在真实环境下采集跌倒行为数据对算法性能进行评估,结果表明该算法能较好地识别跌倒行为,识别准确率高达96. 7%。     

加权模糊相对熵在电机转子故障模糊识别中的应用

提出了一种基于加权模糊相对熵的电机转子故障模糊识别方法．该方法将加权思想引入到模糊相对熵,用于识别电机转子故障严重程度．加权方法的引入增加了信息量丰富的符号区间的模糊相对熵占全部区间模糊相对熵的比重,可以更充分、合理地利用该区间的故障信息进行故障识别．电机转子断条故障诊断仿真实验结果表明,提出的方法有效地实现了电机故障的定量分析,能够准确地识别出电机转子故障的严重程度,使算法的鲁棒性得到了改善,故障分类的可靠性及准确程度得到了提高．     

A Relative Entropy Weibull-SAX framework for health indices construction and health stage division in degradation modeling of multivariate time series asset data

Predictive maintenance is the monitoring of an asset’s condition over its life cycle to provide a prognosis for when maintenance is required. Prior to prognosis, an asset’s life cycle is modeled by a health indicator (HI) which is derived from sensor measurements and describes an asset’s degradation over a life cycle. Often an asset’s HI is accompanied by a health stage (HS) division, which describes the asset’s life cycle condition in discrete states. Generally, HSs are discrete representations generated from discrete state transition models, dynamic state space models, or subjectively defined thresholds, which use sensor measurements to provide a HS division related to an asset’s life cycle degradation. HS division methods are often designed for a specific asset in which HS division is based on user assumptions and not generalizable to different asset types or asset data representations. Also, HS division methods are often limited to a bi-state HS division (normal and failure), in which unobservable states are often generalized transition states. As assets become more complex and require multivariate measurements, more advanced methods are required to model an asset’s degradation using HIs and HSs. This work introduces Relative Entropy Weibull-SAX (REWS), a data-driven HI and HS degradation modeling method for multivariate asset data. REWS constructs a HI using relative entropy to represent an asset’s condition as a change of entropy during its life cycle. The relative entropy representation is then discretized into HS divisions using a Weibull distribution based Symbolic Aggregate approXimation. REWS’s utility is demonstrated on the Commercial Modular Aero-Propulsion System Simulation dataset which describes the life cycle observations of multiple aircraft engines.     

基于实艇装载与加速试验的鱼雷装载可靠度综合评估

针对潜载鱼雷装载可靠度试验时间长、样雷数量小、验前信息少等问题,通过分析装载可靠性评估方法优缺点、装载可靠度试验鉴定主要问题,提出了实艇装载与实验室加速相结合的装载可靠度综合评估方法;结合加速试验等效原理,分析了影响鱼雷装载环境应力的主要因素,设计了装载可靠度试验总体方案和加速试验剖面,确定了恒温、温变循环、振动疲劳加速模型的试验工程化参数;算例表明,该方法解决了在较短时间内潜载鱼雷装载可靠度试验试验考核问题,在保证试验评估结论可信的同时可大幅提高试验实效,不仅可推广应用于其他类型鱼雷可靠性试验鉴定,还可指导鱼雷可靠性的研制与设计。     

基于小波的离焦模糊图像清晰度判定

提出了一种基于小波变换的离焦模糊图像清晰度判定算法.这种算法根据小波变换后的高频子图表示图像细节部分的特性,将高频子图分块,并根据子块保持细节信息的多少,对其加以不同的权值,从而对图像清晰度进行了客观、准确的度量.与传统的灰度方差、模糊指数和熵相比,该算法定义的图像清晰度对图像模糊程度变化敏感,并且更符合人眼的视觉特性.     

结合相对熵和多跳转发路由的改进WSN节能策略

目前,基于低功耗自适应集簇分层型协议(LEACH)的改进协议大多是从簇头选举、簇的分布、路径选择等方面入手,数据之间的冗余性考虑不够。提出了一种结合相对信息熵的改进LEACH协议(LEACH-CIE),结合相对熵模型,计算节点相邻两个周期数据概率分布的相对熵值,再与阈值进行比较,以此判断数据的冗余度,通过拒绝冗余数据的传输,达到降低网络能耗的目的。在数据发送阶段,考虑通信距离、能耗比等因素,提出一种兼顾自身剩余能量的多跳转发路由(MFRCRE),优化节点转发条件,均衡网络各节点的能量消耗速率。实验结果表明,该方法可以有效地降低并均衡网络节点的能耗以延长网络生存周期。     

基于故障树分析的雷位误差可靠性研究

根据鱼雷雷位误差影响因素,构建雷位误差试验失败为顶事件的故障树,进行雷位误差可靠性的定性分析和定量分析,根据重要度分析计算的关键重要度,得出了各因素对雷位误差系统的影响程度,确定了系统的薄弱环节以及维修故障的顺序。通过控制这些关键部件的可靠度便能提高系统的可靠度,从而提高鱼雷雷位误差试验的可靠度。     

Regression models for estimating product life cycle cost

Product life cycle cost (LCC) is defined as the cost that is incurred in all stages of the life cycle of a product, including product creation, use and disposal. In recent years, LCC has become as crucial as product quality and functionality in deciding the success of a product in the market. In order to estimate LCC of new products, researchers have employed several (parametric) regression analysis models and artificial neural networks (ANN) on historical life cycle data with known costs. In this article, we conduct an empirical study on performance of five popular non-parametric regression models for estimating LCC under different simulated environments. These environments are set by varying the number of cost drivers (independent variables), the size of sample data, the noise degree of sample data, and the bias degree of sample data. Statistical analysis of the results recommend best LCC estimation models for variable environments in stages of the product life cycle. These findings are validated with real-world data from previous work.     

基于RBF和优化Wiener模型的轴承剩余寿命预测

针对滚动轴承寿命准确预测缺乏表征其健康状态的可靠退化指标的问题,提出径向基(RBF)神经网络及带有漂移参数的维纳(Wiener)模型进行剩余寿命预测。首先,使用小波包奇异谱熵提取轴承振动信号初始特征;其次,利用早期无故障样本特征和失效样本特征训练RBF神经网络模型,将已提取特征全寿命数据输入到RBF神经网络模型,计算隶属度,作为轴承退化指标;最后,根据滚动轴承的退化轨迹,选择不同Wiener模型进行退化建模,根据AIC信息准则和对数似然值选择合适的模型,利用极大化轮廓似然函数在线更新模型参数,预测轴承寿命。结果表明,所提出的轴承退化指标能够表征健康状态,基于该退化指标的Wiener模型能够准确预测轴承的剩余寿命。