机场跑道性能退化随机过程模型的贝叶斯数据更新方法

为了精确预测民用机场跑道的剩余使用寿命，利用数据融合技术将两种数据集进行联合分析，采用贝叶斯概率预测方法对机场跑道定期检测数据进行更新。考虑机场道面退化过程的随机性和动态性，建立了一种机场道面性能退化的动态半马尔可夫随机过程模型，利用生存分析对半马尔可夫过程模型的转移概率进行了估计。考虑飞行交通量和道面厚度的双重影响，采用某地方民用机场2007—2017年的道面性能定期检测数据，分析了两种影响因素的作用。利用半马尔可夫过程模型的转移概率对某地方民用机场跑道性能退化过程进行了预测，并采用马尔可夫链蒙特卡洛(Markov Chain Monte Carlo, MCMC)模拟技术，基于贝叶斯统计分析方法，利用不定期检测数据得到的先验信息对半马尔可夫过程模型的转移概率进行了更新，将更新后的模型应用于民用机场跑道性能预测，并将预测结果和未更新的动态半马尔可夫过程模型预测结果进行了对比分析。结果表明，基于MCMC的贝叶斯分析方法能够融合定期和不定期检测数据确定动态半马尔可夫过程模型的参数先验信息，可以有效地更新机场跑道的性能预估模型，提高模型的预测精度。     

在截尾数据下的运行可靠性评估及其在数控刀具上的应用

根据实际机械生产过程中设备的全寿命数据集不易获取以及性能退化数据难以在线监测的情况,提出了一种在只有少子样的截尾数据时利用设备运行状态信息来对单个设备的运行可靠性进行评估的方法。在该方法中,首先从设备的振动、电流信号中提取并优选出几项退化特征量;其次针对截尾数据,采用了高斯过程机械学习法拟合预测出设备失效时的各项退化特征指标值;然后以这些特征指标值为输入,借助于分布假设、贝叶斯推理,构建了一个运行可靠性的评估模型;最后通过数控刀具的失效实验对该方法进行了验证。结果表明:预测精度可以达到3%。此结果证明了该方法的可行性和有效性。     

加速度计贮存寿命与可靠性的步进应力加速退化试验评估方法

针对加速度计长期贮存环境下贮存可靠性无法准确快速评估的难题,应用步进应力加速退化试验方法快速评估某加速度计的贮存可靠性。首先对加速度计实施故障模式影响及危害性分析和故障树分析,确定敏感应力为温度应力,加速模型为阿伦尼斯模型。其次,对其实施步进应力加速退化试验,并建立数学模型拟合其在各温度应力下性能退化曲线,结合失效阀值求解各样本的伪寿命。通过对各应力水平下样本的伪寿命进行分布假设检验,确定其贮存寿命服从威布尔分布,最终利用加速模型外推正常温度下的寿命分布参数,进行正常温度下贮存期寿命和可靠性指标的评估,得到加速度计在贮存140 160 h(16 a)时的可靠度为0.988。     

高量程MEMS加速度计的热应力仿真与可靠性评估

硅压敏电阻阻值漂移过大导致输出失效是高量程MEMS加速度计在恶劣温度环境下工作的主要失效模式之一。通过模拟仿真加速度计悬臂梁、芯片结构和封装后整体模型的热应力分布情况,确定了压敏电阻所在结构梁区域是最容易失效的位置,且最大热应力分布在芯片梁与质量块倒角处,其值约为107 N/m2;通过设计的高温加速恒定应力试验验证了加速度计的温度敏感特性,根据试验数据的特征采用三种可靠度评估方法定量外推出高量程MEMS加速度计在规定应力条件下的可靠度指标。研究结果表明,加速性能退化试验和基于退化量的可靠性评估方法适用于高量程MEMS加速度计在温度环境中的可靠性研究,能够利用有限的试验数据获得可信度较高的评估结果。     

基于似然分布的样本数自适应UPF算法

针对粒子滤波算法的实时性较差,计算量随着粒子数的增加成级数增加,提出一种基于似然分布的样本数自适应UPF算法。该算法以UPF为基础,吸收了似然分布自适应和样本数自适应的优点,在每一步状态方差估计中规定样本数的下限,同时考虑状态方差过大和过小的情况,在重采样阶段嵌入似然采样,根据反映量测噪声实时统计性能的精度因子?自适应地调整似然分布状态,使之尾部更为平坦,增加先验和似然的重叠区,减少粒子退化。利用UT变换获得各个粒子的重要性密度函数,并将最新的量测信息引入到重要性密度函数设计以及重采样过程中,从而达到提高算法估计性能的目的。将提出的算法应用到SINS/SAR组合导航系统中进行仿真验证,结果表明,与PF和UPF算法相比,提出的基于似然分布的粒子数自适应UPF算法能有效改善滤波性能,提高解算精度。     

基于逆Gaussian过程的MEMS加速度计寿命融合预测方法

为了高效预测MEMS加速度计的总体寿命特征与个体剩余寿命,提出了一种基于性能退化数据融合的寿命预测方法。将MEMS加速度计的零位电压百分比增量作为性能退化参数,通过逆Gaussian随机过程对性能退化数据建模。为了提高寿命预测准确性,采用了随机参数退化建模方法,并设计了EM(Expectation Maximization)算法一体化估计随机参数的共轭先验分布超参数值,建立了基于逆Gaussian随机过程的个体剩余寿命预测模型。为了克服性能退化数据量少造成的预测结果不准的难题,以个体退化数据为现场信息并将总体退化数据作为先验信息,提出了基于Bayes信息融合的个体剩余寿命预测方法。通过以上方法预测出某型MEMS加速度计的可靠寿命t0.99=45.155?103 h,并在线预测出某个体剩余寿命为42.408?103 h,验证了所提一体化预测方法的可行性和有效性,表明此方法具有较好的工程应用价值。     

退化产品可靠性评估方法的研究

一般退化数据的分析是基于建立退化轨道模型进行的,这方法对于退化轨道未知的产品可靠性评估往往效果较差。本文提出的方法不假定退化轨道模型,利用试验得到的产品退化信息获得产品在各检测时刻的可靠度,通过分布拟合获得参数的估计值进行可靠性评估。并给出实例说明了本方法的可行性和有效性。     

一种高可靠捷联惯性测量单元布局

冗余传感器惯性测量单元通过传感器余度配置能够有效提高惯导系统的可靠性,同时对运动的重复测量为降低传感器测量误差和提高导航性能提供了必要条件。一种新型9传感器惯性测量单元,在实现9传感器最佳导航性能布局的同时,保障了每个方向的平动或者转动均可同时由5个传感器进行测量,使其可靠性等同于6套并行工作的单轴独立惯导系统。利用GLT(Generalized LikelihoodTest)方法和Monte Carlo模拟完成了该惯性测量单元故障检测、隔离性能研究。分析结果表明,该惯性测量单元的平均无故障时间为正十二面体6传感器惯性测量单元的1.4倍,为三轴正交配置惯性测量单元的3.8倍,传感器测量随机误差造成的影响分别降低13%和40%。因此,该布局特别适合于对长使用寿命、高安全性、高可用性有严格要求的应用领域。     

预测结构性能退化的混合粒子滤波方法

由于载荷,环境以及材料内部因素的作用,结构的性能一般随时间而逐渐退化. 为了评估结构服役期间的状态,常采用随机变量模型来描述结构性能的退化规律. 即,采用含不确定性模型参数的物理模型来逼近结构响应特性. 利用同类型结构的先知数据集信息可确定模型参数的先验分布. 结合结构服役期间的检测信息和贝叶斯原理,对模型参数进行更新,从而提高物理模型的准确性. 本文提出一种混合粒子滤波方法(particle filter-differential evolution adaptive Metropolis,PF-DREAM)用于模型更新,即:在确定参数先验分布时,采用证据理论(Dempster-shafer theory, DST)初始化模型参数;结合差分进化自适应 Metropolis 算法(differential evolution adaptive Metropolis, DREAM)和粒子滤波(particle filter, PF)算法,来计算更新公式中的复杂的高维积分. 相比于传统的 PF 算法,混合 PF-DREAM 方法可以有效提高样本粒子的多样性,解决重采样算法中粒子多样性匮乏的问题,从而得到更加合理的物理模型. 为了证明该方法的有效性,将提出的方法分别应用于电池性能退化和裂纹扩展规律预测. 算例表明采用本文提出的模型参数确定方法,使得物理模型更加合理,性能预测更加准确. 用于更新的数据越多,模型参数的分散性越小. 本文方法应用于高维问题或隐式函数问题时,计算原理和步骤不发生改变,但函数评价次数和计算时间会随之增大.      

预测结构性能退化的混合粒子滤波方法

由于载荷,环境以及材料内部因素的作用,结构的性能一般随时间而逐渐退化.为了评估结构服役期间的状态,常采用随机变量模型来描述结构性能的退化规律.即,采用含不确定性模型参数的物理模型来逼近结构响应特性.利用同类型结构的先知数据集信息可确定模型参数的先验分布.结合结构服役期间的检测信息和贝叶斯原理,对模型参数进行更新,从而提高物理模型的准确性.本文提出一种混合粒子滤波方法 (particle filterdifferential evolution adaptive Metropolis,PF-DREAM)用于模型更新,即:在确定参数先验分布时,采用证据理论(Dempster-shafer theory,DST)初始化模型参数;结合差分进化自适应Metropolis算法(differential evolution adaptive Metropolis,DREAM)和粒子滤波(particle filter,PF)算法,来计算更新公式中的复杂的高维积分.相比于传统的PF算法,混合PF-DREAM方法可以有效提高样本粒子的多样性,解决重采样算法中粒子多样性匮乏的问题,从而得到更加合理的物理模型.为了证明该方法的有效性,将提出的方法分别应用于电池性能退化和裂纹扩展规律预测.算例表明采用本文提出的模型参数确定方法,使得物理模型更加合理,性能预测更加准确.用于更新的数据越多,模型参数的分散性越小.本文方法应用于高维问题或隐式函数问题时,计算原理和步骤不发生改变,但函数评价次数和计算时间会随之增大.