极小子样下基于GM-Bootstrap方法的装载机驱动桥可靠性评估

装载机驱动桥作为大型复杂结构件,进行足尺疲劳试验成本高且子样数少,无法满足经典统计方法样本容量的要求。为此,提出一种针对极小子样试验的GM-Bootstrap组合评估方法。先利用GM预测模型对小子样试验的试验样本进行扩充,再采用Bootstrap方法对扩充后的样本进行评估,得到未知参数的估计。通过GM-Bootstrap方法对装载机驱动桥可靠性评估结果与半经验法的结果对比,验证了该方法的可行性和评估结果的可靠性,为成本昂贵的大型复杂结构件的可靠性评估问题提供了一种新的途径。     

小子样高速电主轴寿命分布模型参数估计

为分析高速电主轴的可靠性,需测试小子样电主轴性能退化量,以此评估高速电主轴的可靠性指标。该方法首先假设电主轴寿命分布模型,估计小子样电主轴模型参数,检验并确定电主轴寿命分布模型。针对Weibull寿命分布模型,应用修正极大似然函数推导了小子样高速电主轴寿命分布模型参数估计式,并应用经验分布函数检验分布模型及参数估计值。为验证参数估计方法的正确性,利用两根170MD18Y16型高速电主轴试样轴端跳动量测试数据和参数估计式,完成该型电主轴分布参数估计,拟合检验结果为寿命服从Weibull分布,且模型参数估计为真值;据此参数值确定的170MD18Y16型电主轴特征寿命与实际失效寿命值一致,表明分布模型参数的修正极大似然函数估计方法正确,可用于小子样高速电主轴的可靠性评估。     

基于极小子样的某列车齿轮箱箱体疲劳寿命可靠性评估

针对采用Bootstrap方法对极小子样进行可靠性评估时,在重抽样的过程中样本向均值集中导致评估结果不够准确的问题,提出一种改进的Bootstrap可靠性评估方法。采用虚拟增广样本法对极小子样进行增广,增广至小样本。然后将增广后的小样本按照大小进行排序并分组,运用四分位差法和Bootstrap法对分组后的数据进行可靠性评估。最后,将该方法用于某列车齿轮箱箱体疲劳寿命的可靠性评估。评估结果表明:该方法可以较好地解决Bootstrap法无法对极小子样进行评估的问题,改善了Bootstrap法的抽样结果向均值集中的状况。     

极小子样下参数随机分布的电主轴可靠性分析

对某型号电主轴进行了极小子样下的可靠性分析,将虚拟增广法和Boot-strap法结合,对原始试验样本虚拟扩展,建立了参数服从随机分布的退化模型和电主轴可靠度函数,并利用Bayes验前分布,对该随机系数下电主轴可靠度函数进行修正,得到修正后的可靠度函数。将修正后随机系数下电主轴可靠度函数曲线与伪寿命下得到的可靠度函数曲线进行对比。结果表明,随机系数法得到的可靠度函数具有更高的精度,同时也避免了将模型参数看作固定值即采用伪寿命法进行可靠性评估时产生的误差。进一步说明根据极小子样试验数据可以通过该方法得到同类产品的退化特征,具有一定的适用性。     

基于Bayes理论的重型数控机床可靠性评估方法研究

针对重型数控机床故障数据样本少,传统可靠性评估方法无法对其有效评估的问题,提出基于Bayes理论对小样本条件下重型数控机床的可靠性进行评估的方法。利用自助法(Bootstrap)抽样得到样本平均无故障间隔时间(Mean Time Between Failures,MTBF)的离散分布,采用威布尔(Weibull)分布作为拟合分布,推导出可靠性寿命验后分布。通过试验数据和机床使用单位收集的故障数据的验证,说明了小样本可靠性试验获得的评估结果比较准确,该方法对实际的小样本评估有一定的借鉴意义。     

正态疲劳母体样本标准差的Weibull分布特征及应用

采用数值方法,研究了服从正态分布的总体在不同样本容量时其样本标准差的分布特征及变化规律,结果表明小子样条件下样本标准差呈偏态分布,具有Weibull分布的特征。利用三参数Weibull分布归纳出分布参数的数学模型,进而提出了一种具有更高精度的小子样总体标准差区间估计方法,并得到试验数据的验证。     

基于Bootstrap方法的可靠性评估

针对机械系统可靠性试验数据分析中小子样疲劳性能数据难以满足经典统计方法容量要求的问题,将Bootstrap方法引入到小子样下母体百分位置信下限的计算。提出一种半参数Bootstrap方法用于计算正态分布变量的可靠度置信下限,并以某数控装备伺服驱动系统的可靠性分析实例验证该方法的可行性。     

基于Bootstrap与SVM集成的可靠性评估方法

针对传统的可靠性评估方法应用于数控装备时遇到的非线性与准确度低等问题,提出一种适用于小子样情况的数控装备可靠性评估新方法.综合采用Bootstrap和支持向量机等方法建立了小子样条件下的可靠性评估模型,给出了可靠性评估全过程的统一建模语言序列图,并进行了实例仿真分析.结果表明,该方法能够较好地解决小子样条件下可靠性评估遇到的非线性和评估准确度低等问题,并能够给出可靠性评估结果的可信性度量.     

基于Bootstrap方法的密封寿命可靠性评估

针对高可靠、长寿命密封件在小样本试验下的可靠性寿命评估需求,提出一种基于虚拟增广样本和Bootstrap方法的密封寿命小样本数据可靠性评估方法。并以轴用阶梯圈为例,进行寿命可靠性评估。首先通过虚拟增广法将轴用阶梯圈台架寿命试验数据样本数增广至10个,使得样本数满足Bootstrap方法的适用条件;然后再利用Bootstrap方法得到轴用阶梯圈的寿命可靠性评估结果。     

基于双点加点策略的改进Kriging响应面可靠度计算方法

针对经典响应面法中多项式模型在拟合高度非线性结构功能函数时能力不足的问题,采用Kriging模型代替真实结构功能函数,提出了一种基于双点加点策略的改进Kriging响应面可靠度计算方法。根据双点加点策略,通过内插公式和评价函数选出最佳样本点,与一次二阶矩法产生的验算点一起加入到每次迭代的样本库中以更新Kriging模型,利用遗传算法对Kriging模型的重要参数进行优化,并用优化后的模型拟合结构功能函数,再结合重要抽样法修正可靠度计算结果。算例分析结果表明,所提方法可以兼顾计算精度和计算效率,验证了所提方法的适用性和高效性。     

产品可靠性的Bootstrap区间估计方法

将Bootstrap估计方法引入到可靠性统计分析,提出了可靠性参数和特征量的Bootstrap区间估计方法;同时,通过对Bootstrap估计值进行纠偏处理,解决了小样本条件下Bootstrap区间估计的精度问题,并由此求得了某型航天电连接器可靠性模型参数的置信区间估计值。统计模拟的结果表明,经中位值纠偏求得的可靠性的置信区间,其估计精度能基本满足置信度的要求。     

基于改进Paik型Boltzmann机的图像复原

图像复原可以看作是一个极小化问题, 利用Boltzmann机固有的随机神经网络性质可以保证搜索过程中网络不陷入局部极小点. 对传统Boltzmann机做如下改进：首先将Paik算法与Boltzmann机结合, 其次为了加快速度, 将串行模式推广到并行模式. 第三为了增加计算精度, 使用了亚单位步长增进技术. 最后为折中收敛速度与收敛精度这一对矛盾, 采用了自适应步长策略. 对于算法的每一处改进均有详细的理论验证、收敛性分析和残差变化讨论. 实验表明该方法能够无限逼近能量最小点, 复原结果优于改进Boltzmann机0.5-0.8dB, 且收敛速度仅有1/3.     

基于粒子群的信道估计方法

针对非线性信道精确估计的问题,将随机集和粒子群理论技术应用到信道估计算法中,提出了基于离散二进制粒子群的信道估计方法,并利用Matlab对该算法进行了仿真与评价.仿真研究结果表明,该算法能够获得较为精确的信道估计,同时,该方法适用于任何能用状态空间模型以及传统卡尔曼滤波表示的非线性系统.     

样点邻域同构曲面约束的散乱点云法向估计

针对现有点云法向估计算法难以兼顾估计结果的精度与稳健性问题,以局部采样区域同构曲面作为样点邻域点集所反映曲面形状约束,提出一种散乱点云法向估计方法。该方法将目标样点的邻域点集作为局部样本进行曲面重建,获取插值于采样点集并与采样表面拓扑同构的局部网格曲面;对曲面局部区域高斯映射结果进行聚类分析,获取目标样点的各向同性邻域面;基于面片的正则度以及面片至目标样点的测地距离,确定目标样点各向同性邻域面片法向的加权均值,并将所得结果作为目标样点的法向估计结果。试验结果表明,该方法在点云数据信噪比为40 dB的情况下可保证98%以上样点法向估计偏差在以内,可稳健处理含有噪声以及采样不均匀等缺陷的散乱点云法向估计问题,对于含尖锐特征的点云亦能准确估计样点法向,且具有较高的计算效率。     

截尾试验下疲劳寿命分布的极值模型

针对截尾寿命试验数据缺少随机变量尾部分布和常规截尾数据分析对长寿命区高可靠度估计不准确的情况,根据极值统计学原理,给出一个结构元件疲劳寿命分布的极值模型.文中利用全样本试验数据构造截尾试验,采用传统的极大似然估计法给出寿命总体的分布形式,分析结构元件疲劳寿命的极值分布情况,建立一个新的寿命分布的极值模型,对长寿命区的寿命分布形式和高可靠度的估算有明显优势.三个算例表明,预测结果与全样本试验结果符合很好.     

PARAMETER ESTIMATION OF MULTICOMPONENT TRANSIENT SIGNALS USING DECONVOLUTION AND ARMA MODELLING TECHNIQUES

Parameter estimation of transient signals, having real decaying exponential constants, is a difficult but important problem that often arises in many areas of scientific disciplines. The frequency domain method of analysis that involves Gardner transformation and conventional inverse filtering often degrades the quality of the deconvolved data, leading to inaccurate results, especially for noisy data. An improved method that is based on the combination of Gardner transformation, optimal compensation deconvolution, and signal modelling techniques is suggested in this paper. In this method of analysis the exponential signal is converted to a convolution model whose input is a train of weighted delta function that contains the signal parameters to be determined. The resolution of the estimated decay rates is poor if the conventional fast Fourier transform (FFT) algorithm is used to analyse the resulting deconvolved data. Using an autoregressive moving (ARMA) model whose AR parameters are determined by solving high-order Yule–Walker equations (HOYWE) via the singular value decomposition (SVD) algorithm can alleviate this shortcoming. The effect of sampling conditions, noise level, number of components and relative sizes of the signal parameters on the performance of this modified method of analysis is examined in this paper. Simulation results show that high-resolution estimates of decay constants can be obtained when the above signal processing techniques are used to analyse multiexponential signals with varied signal-to-noise ratio (SNR). This approach also provides a graphical procedure for detecting and validating the number of exponential signals present in the data. Some computer simulation results are presented to justify the need for this modified method of analysis.     

基于密度-距离的t混合模型流式数据聚类

传统流式数据采用人工设门法分析,效率低下且依赖于专家。近几年,很多自动流式数据聚类算法纷纷被提出,然而针对数据量不多且分布稀疏的小样本类群始终没有很好的解决办法。提出了一种基于密度-距离的t-混合模型流式数据聚类优化方法,能够较好地解决小样本类群区分困难的问题。该方法通过密度-距离中心算法定位各类群的初始中心,作为t-混合算法的初值对样本数据进行处理,通过最大似然估计求出各类群对应的样本数目,从而实现样本聚类。实验表明,与经典模型算法相比,基于密度-距离的t-混合模型优化算法具有更好的稳定性和可靠性,对小样本类群以及混叠的类群具有较强的适应能力。     

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。     

基于最小样本空间的Johnson分布拟合方法

基于应力-强度干涉模型计算可靠度指标时,常使用统计方法获得应力和强度的概率分布,然而,在复杂机电产品的设计过程中,每一个样本值的获取都是一次昂贵估值,大量样本值的获取面临耗时严重等问题。针对该问题,采用参数化的Johnson分布拟合概率分布,研究基于最小样本空间的Johnson分布拟合方法。采用百分位数配比法求解Johnson分布族函数的参数,并基于假设检验原理确定满足拟合精度要求的最小样本空间,同时通过K-S拟合检验法对总体真实分布与拟合分布进行一致性分析,保证拟合精度符合要求。工程应用结果表明,该方法基于少量的昂贵估值样本可快速得到样本的总体分布,为可靠度指标的快速计算奠定了基础。