基于改进VMD与BiLSTM的滚动轴承剩余寿命预测模型

为提取能表示滚动轴承寿命退化的深层特征,用变分模态分解算法（Variational Model Decomposition,VMD）分解轴承的横向振动信号。为了解决VMD中需要手动选取惩罚因子α及模态分量数目K的问题,用粒子群优化算法（Particle Swarm Optimization,PSO）对VMD进行了优化,以提取出更能代表寿命变化的特征。在此基础上,将筛选的特征输入到双向长短时记忆（Bi-directional Long Short-Term Memory,BiLSTM）网络中进行剩余使用寿命预测。通过实验并与其他深度模型进行对比,该文提出模型的均方误差等指标均比其他几种模型更低,证明了该文模型在轴承剩余使用寿命预测上的有效性。     

基于逆高斯过程和证据推理的退化建模方法

为解决高可靠性设备的剩余寿命预测问题,针对寿命数据缺少、物理模型难以建立的情况,结合单调退化数据,采用逆高斯退化模型,对设备的退化过程进行建模;通过参数估计的方法得到退化模型,进而预测设备的剩余寿命。在有同批次多组数据都能对逆高斯模型进行参数估计的情况下,将会面临数据融合问题。采用基于证据推理(ER)的方法对多源数据进行融合处理,引入属性权重的概念,以此更加准确地估计逆高斯模型的参数。最后,通过实验仿真,证明了所提方法能够得到较为可信的参数估计结果。     

战术数据链通信延时的补偿方法研究

为补偿战术数据链通信延时对战场指挥带来的影响,针对采用自适应"当前"模型(ACM)进行通信延时补偿,虽可以实时匹配目标运动状态,提高预测精度,但其进行模型实时切换时,存在预测估计精度会发生跳动的问题。采取基于数据链的自适应交互多模型进行预测估计补偿通信延时。仿真实验证明该方法可以有效提高预测估计精度,同时减小了模型集变化时预测估计精度跳动。因此基于数据链的自适应交互多模型比较适合用作对战术数据链通信延时进行补偿处理。     

基于随机退化数据建模的设备剩余寿命自适应预测方法

针对现有剩余寿命预测研究中需要多个同类设备历史数据离线估计模型参数的问题,本文提出了一种基于退化数据建模的服役设备剩余寿命自适应预测方法.该方法,利用指数随机退化模型来建模设备的退化过程,基于退化监测数据运用Bayesian方法更新模型的随机参数,进而得到剩余寿命的概率分布函数及点估计.区别于现有方法,本文方法基于设备到当前时刻的监测数据,利用期望最大化算法对模型中的非随机未知参数进行在线估计,由此无需多个同类设备历史数据.最后,通过数值仿真与实例分析,验证了本文方法在剩余寿命预测时的有效性.     

基于EM-EKF与隐含比例退化模型的机载电子设备剩余寿命自适应预测

针对现有机载电子设备剩余寿命自适应预测方法在新研小样本条件下,未能综合考虑设备隐含退化建模与漂移系数在线更新的问题,本文提出一种基于期望最大-扩展卡尔曼滤波(Expectation Maximization-Extended Kal-man Filter,EM-EKF)与隐含比例退化模型的机载电子设备剩余寿命自适应预测方法.首先,基于非线性Wiener过程构建带比例关系的设备隐含退化模型;其次,在引入漂移系数更新机制的基础上建立设备退化状态方程,并采用EKF算法同步更新设备退化状态与漂移系数;然后,采用EM-EKF算法实现对退化模型参数的自适应估计;最后,基于全概率公式,推导出设备剩余寿命的概率密度函数.通过对单台微机械陀螺仪实测数据进行分析,验证了本文所提方法具有更好的模型拟合性与预测准确性.     

振动载荷下特种设备中电路板级焊点疲劳寿命预测

基于内聚力模型,提出一种用于振动载荷下特种设备中电路板级焊点疲劳寿命预测的介观尺度模型。将单调载荷与振动周期载荷相结合,建立焊点累积损伤参数来表征焊点的剩余疲劳寿命,利用焊点损伤累积率来表征焊点损伤演化规律。以Sn3.0Ag0.5Cu(SAC305)细间距无铅焊点为例分析了模型参数确定方法,并通过振幅为5 mm与10 mm的定频振动试验对模型的预测精度进行了验证,寿命预测结果误差小于10%。由于模型参数为焊点钎料累积塑性应变的固有函数,与焊点尺寸与几何形态无关,通过小样本试验,数据一经确定即可应用于同种钎料不同尺寸焊点在不同振动等级下的疲劳寿命预测,节约了时间与试验成本,该模型能为特种设备中的电子组件提供一种评估板级焊点疲劳寿命的简洁、实用方法。     

金属化膜脉冲电容器剩余寿命预测方法研究

 金属化膜脉冲电容器是惯性约束聚变激光装置的重要元器件之一,其寿命预测是激光装置维护和备件决策制定的依据.在分析金属化膜脉冲电容器退化失效机理的基础上,采用Wiener过程描述其性能退化过程.进一步考虑到各电容器之间的差异,将Wiener过程的漂移参数和扩散参数看成随机变量,提出了随机效果Wiener过程模型,由同一批电容器的历史性能退化数据拟合其分布.在对单个电容器进行寿命预测时,采用Bayes方法融合电容器总体信息与该电容器自身的性能退化信息,得到其剩余寿命参数的验后估计,因而在电容器性能退化数据较少时采用该方法能提高剩余寿命预测精度.     

应用灰色理论预测混合动力汽车蓄电池的剩余容量

电池剩余容量预测是混合动力汽车一个非常关键的问题,文章在分析混合动力汽车蓄电池充电和放电特性的基础上,针对蓄电池内阻与剩余容量之间的非线性关系,采用了一种在线的灰色GM（1,1）模型群方法对蓄电池单元的剩余容量进行预测。但是采用简单的灰色模型对蓄电池的容量进行预测会带来很大的误差,文中首先用灰色GM（1,1）的常规模型原理并对蓄电池剩余容量建立了简单的模型,其次详细分析了采用灰色GM（1,1）模型群的方法来提高预测精度的原理及方法。仿真模型的结果不但表明灰色GM（1,1）的模型群能有效地提高预测精度,而且避免了单个灰色GM（1,1）的模型由于不稳定信息造成的不足;最后通过残差检验,检测误差较小,具有较强的可信度,适用于混合动力汽车的蓄电池剩余容量预测。     

Kalman融合模型在无人装备关键部件寿命预测中的应用

无人装备一般数量众多、执行任务时间长、环境恶劣,因此剩余使用寿命(RUL)预测尤为重要。综合性能指标序列使用单一模型的预测精度较低,为解决此问题,提出基于Kalman融合模型的RUL预测方法。首先,采用面积最大值法提取无人装备关键部件综合性能指标的退化阶段;其次,利用具有指数特征的GM(1,1)模型、线性支持向量机SVR模型、非线性极端学习机(ELM)模型对综合性能指标进行预测,每种模型可以捕捉综合性能指标的不同特征;最后,通过Kalman框架将3种模型的预测结果以迭代最小二乘的原则进行融合。实验结果显示,Kalman融合模型的预测方法可显著提高对综合性能指标的预测精度,与ELM,SVR和GM(1,1)单一模型相比,拟合精度分别提高了16.96%,1.61%和39.84%,预测精度分别提高了45.06%,38.35%和74.12%。     

基于维纳过程的卫星用光纤陀螺剩余寿命预测

卫星用光纤陀螺的剩余寿命预测是卫星健康状态管理中的一个关键问题。针对传统的退化过程建模不能考虑同批设备中个体差异的问题,提出采用一种基于维纳过程的随机变量模型对光纤陀螺在空间环境下的退化特性进行建模。该模型将维纳过程中的漂移系数看成随机变量以描述个体差异,传统的维纳过程是其特例。依据该模型,可以得到光纤陀螺的可靠性指标和剩余寿命信息。仿真试验表明,文中提出的退化建模方法的精度明显高于传统方法,具有一定的工程应用价值。     

一种基于Kalman的实时话务量预测算法

移动网话务量的预测可以为解决移动网的网络拥塞、覆盖规划、负载均衡和接入控制等方面的问题提供决策支持。日益复杂的移动网络环境对移动网话务量预测的实时性提出了新的要求,针对这一问题进行了研究,结合卡尔曼滤波算法在预测时效性方面的优点,提出了一种基于卡尔曼滤波的移动网实时话务量预测算。该算法通过对呼叫时延的实时预测实现对移动网实时话务量的预测。仿真结果表明,所提算法具有良好的实时性和预测质量。     

一种卡尔曼滤波与粒子滤波相结合的非线性滤波算法

提出一种基于卡尔曼滤波与粒子滤波的非线性滤波算法.这种方法对于状态变量服从线性变化而观测方程为非线性的动态系统模型具有显著的效果.首先使用粒子滤波对状态变量进行初估计,然后对估计结果进行卡尔曼滤波,另外推导出该系统模型下状态变量估计误差的克拉美劳下界.通过计算复杂度分析及仿真实验验证,表明新方法与标准粒子滤波算法复杂度相当,但参数估计精度要高于标准粒子滤波以及扩展卡尔曼滤波算法,估计误差甚至要低于系统模型的克拉美劳下界.     

动态系统基于时域与频域相结合的多尺度联合滤波器

针对基于小波变换与Kalman滤波相结合的多尺度联合估计方法中存在的问题,本文利用新的系统分块技术与多尺度变换方法相结合,建立一个动态系统基于时域与频域相结合的多尺度联合滤波器.首先,将时域中描述的状态方程和观测方程改写为块状态方程和块观测方程;利用多尺度变换技术在时域和频域中联合描述它们;结合Kalman滤波与顺序滤波的思想,建立了一类应用于动态系统的多尺度估计联合滤波器.新滤波器不仅保留了传统Kalman滤波器的实时性和递归性等优良性质,而且在滤波过程中还具有对随机状态信号进行多尺度分析的能力.计算机仿真实验验证了利用新估计器得到的估计精度可与利用传统Kalman滤波器得到的估计精度相媲美.     

大失准角下SINS的KF/EKF2混合滤波对准

针对捷联惯导系统(SINS)大失准角下滤波对准过程中非线性滤波器状态维数过大的问题,提出了一种基于模型分解的卡尔曼滤波/二阶扩展卡尔曼滤波(KF/EKF2)混合滤波方法,将基于欧拉平台误差角的非线性滤波模型分解为线性部分和非线性部分,分别采用线性KF滤波和非线性EKF2滤波处理,并且设计了混合滤波的滤波步骤。实验结果表明,KF/EKF2混合滤波算法在计算量、实时性及精度等方面优于最常用的无迹卡尔曼滤波(UKF)和EKF2滤波。     

一种新型混合并行粒子滤波频率估计方法

针对高动态、低信噪比环境下的载波频率信号跟踪问题,提出一种新的混合并行粒子滤波算法（ Multi-ple Extend Kalman Filter Independent Metropolis Hastings ,M-E-IMH）。该算法具有并行运算结构,实时性较基本粒子滤波有较大的提高。该算法直接利用同相支路（In-phase,I）和正交支路（Quadrature,Q）作为观测量,避免了传统方法中的鉴别器引入而引起的信噪比损耗。在高斯和非高斯环境下,与现有的载波跟踪方法如扩展卡尔曼滤波器（ EKF ）,粒子滤波器（ PF）,卡尔曼滤波器（ KF）等仿真对比表明,该方法在低信噪比下具有更高的跟踪精度。     

A new hybrid forecasting algorithm and its application in economic analysis

There exists a great deal of periodic non-stationary processes in natural,social and eco- nomical phenomenon.It is very important to realize the dynamic analysis and real-time forecast within a period.In this letter,a wavelet-Kalman hybrid estimation and forecasting algorithm based on step-by-step filtering with the real-time and recursion property is put forward.It combines the advantages of Kalman filter and wavelet transform.Utilizing the information provided by multi- sensor effectively,this algorithm can realize not only real-time tracking and dynamic multi-step fore- casting within a period,but also the dynamic forecasting between periods,and it has a great value to the system decision-making.Simulation results show that this algorithm is valuable.     

一种在非视距环境中的TDOA/AOA混合定位方法

提出了一种在非视距环境中的到达时间差/到达角混合定位方法。该方法使用了两步卡尔曼滤波。先用卡尔曼滤波器对到达时间测量值进行预处理,以消除TOA测量值中的NLOS误差。再把经过预处理的TOA测量值输入到用卡尔曼滤波器实现的TDOA/AOA混合定位器中进行定位。实验证明,该方法的定位误差性能优于单纯的TDOA定位方法及静态定位方法中泰勒级数展开法的误差性能。     

卡尔曼滤波在落点偏差预测中的应用

研究了摄动落点偏差预测算法,对预测算法的误差分析表明,弹道测量误差对算法预测精度有较大影响,建立了卡尔曼弹道滤波模型对弹道测量数据进行滤波处理,以消除弹道测量随机误差,提高摄动落点偏差预测算法的精度,仿真结果表明,采用卡尔曼滤波可以大幅提高落点偏差预测算法的精度.     

基于SMSS-UKF的机载单站无源定位算法

基于机载单站无源定位中常用的扩展卡尔曼滤波具有近似线性方程的雅可比矩阵计算困难、不敏卡尔曼滤波(UKF)具有计算量较大的问题,提出了基于改进的变尺度最小斜度不敏卡尔曼滤波(SMSS-UKF)的机载单站无源定位算法,该方法采用最小斜度采样策略进行Sigma 点采样,减少Sigma点提高计算效率,利用变尺度不敏变换克服了采样点非局部效应问题。同时,针对大部分定位跟踪模型中状态方程为线性方程的特点,依据在线性状态方程情况下的贝叶斯理论,运用卡尔曼滤波状态预测的方法进行UKF的最优状态预测,使状态预测避免了不敏变换的数值近似误差和Sigma采样点计算的复杂性,提高了算法的运行效率和滤波精度。仿真实验的结果证明了SMSS-UKF滤波算法的有效性。     

移动条件下基于容积卡尔曼滤波的短波OFDM信道估计

针对移动短波通信场景下短波信道出现的时变性使得正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统不能精确估计信道状态信息导致通信质量下降的问题,提出了一种基于容积卡尔曼滤波(Cubature Kalman Filter,CKF)的信道估计方法。该方法基于球面径向积分准则,可更好地追踪信道的变化,提升信道估计的精度。建立了基于信道频域响应的非线性状态空间方程,并用容积卡尔曼滤波对每帧符号的信道频域响应进行估计。系统仿真结果表明,在静态短波通信场景到720 km/h的移动短波通信场景中,所提算法对信道有着更精确的估计精度,也可以有效抵抗多径时延所带来的影响。因此,所提算法更适用于移动短波通信场景。