针对高斯过程超参数使用共轭梯度法求解导致的依赖初始值以及容易陷入局部最优解的问题, 提出了一种基于参数非线性动态调整策略的改进粒子群算法, 并应用到超参数求解中。首先, 提出参数动态调整策略, 针对不同的搜索阶段采用不同的参数; 然后,根据免疫思想的浓度调节机制, 提高算法全局搜索能力。仿真实验结果表明,所提算法在最优化求解中能够快速收敛到函数最优值, 同时该算法在求解高斯过程超参数中具有有效性和优越性, 可以为后期预测模型的建立提供精度保障。
故障预测 高斯过程回归 粒子群优化 超参数求解 fault prediction Gaussian process regression particle swarm optimization hyperparameter solving
为了获得更高的预测精度,针对高斯过程回归(GPR)算法在具体应用中出现的依赖核函数的选择以及精度提升空间有限等问题,结合AdaBoost算法思想提出了一种基于AdaBoost.RT算法的GPR预测算法。该算法从统计学角度引入预置阈值的概念,将不同核函数的GPR算法预测结果定性分成正确和错误两部分,并经过两层训练,通过最终权值的大小反映出针对不同核函数的GPR算法的信度大小,最终融合各个核函数输出高质量的预测值。在锂电池的故障预测仿真实验中,该算法的预测相较于传统的GPR算法,平均误差下降了82.14%,证明该算法的合理性和实用性。
AdaBoost算法 高斯过程回归 故障预测 可靠性 AdaBoost algorithm Gaussian Process Regression (GPR) fault prediction reliability
针对现有DC/DC电路故障预测中以距离作为故障特征参数存在的不足, 提出了将分段动态时间弯曲距离作为DC/DC电路故障特征参数, 并将此特征参数与长短时记忆神经网络(Long Short-Term Memory,LSTM)算法相结合, 对DC/DC电路进行故障预测。首先, 选择电路输出电压作为监测信号; 然后,利用动态时间弯曲算法计算其与无故障输出电压的分段动态时间弯曲距离作为电路的故障特征参数; 最后, 基于LSTM预测模型实现电路故障特征参数时间序列预测。以Boost电路为例进行了仿真实验, 验证了该方法的有效性和准确性。
DC/DC电路 故障预测 动态时间弯曲 DC/DC circuit fault prediction dynamic time warping LSTM LSTM
中国电子科技集团公司光电研究院, 天津 300308
通过深入研究PHM技术的概念和内涵, 分析了构建机载模块BIT设计及故障诊断系统的基本条件, 提出了在现有机载模块和地面故障检测系统的基础上, 构建机载模块BIT设计及故障诊断系统的具体构架。通过分析总结, 从建模的角度提出基于PHM的故障预测模型设计的思路, 结合机载模块BIT设计及故障诊断的方法及流程, 为机载模块及的在线测试、产品测试性和维修性工作提供理论支持。
预测与健康管理 故障诊断 故障预测模型 机载模块 prognostics and health management (PHM) fault diagnosis fault prediction model airborne module
为实现装备的故障预测，把支持向量机(SVM)作为基础学习算法，采用加权支持向量机回归方法，对突变点赋予较大的权值，增强对突变点的训练，提高故障预测精度。采用权重自适应裁剪方法，通过计算样本点的回归权重，剔除权重较小的样本点，减少每次参与训练的样本个数，提高预测速度。选定合适的核函数及相关参数，建立故障预测模型，研究以某通信电台为例，验证了算法的有效性和优越性。
故障预测 支持向量回归 突变点 自适应裁剪算法 核函数 fault prediction support vector regression catastrophic point adaptive clipping algorithm kernel function
1 军械工程学院, 石家庄 050003
2 军械技术研究所, 石家庄 050003
针对指控网络设备种类繁多、网络管理复杂、故障诊断难度高的特点, 提出将故障预测和健康管理(PHM)技术与网络管理技术结合, 应用于指控网络保障。实现对指控网络的健康评估与故障预测, 增强指控系统的可靠性。重点讨论了指控网络PHM系统的构建及其管理模式, 对各模块功能进行了设计说明, 详细介绍网络健康评估流程和实现方法。然后通过对某指控子网性能指标进行仿真获取和统计分析, 验证了健康评估与故障预测技术在网络测试诊断中的有效性。最后总结了PHM对网络系统健康运行、保证战场通信的作用及意义。
指控网络 故障预测 健康评估 PHM体系结构 C2 network fault prediction health assessment network PHM architecture
1 武警工程大学信息工程系，西安 710086
2 西安交通大学制造系统工程国家重点实验室，西安 710049
**系统故障数据为小样本灰色序列,时常呈现摆动特性,研究发现,灰色摆动序列的建模不满足GM(1,1)模型的条件。为此,提出首先利用动态指数变换,使灰色摆动序列变换为具有一定灰指数律的单调增序列,然后再建立GM(1,1)模型,称之为灰色线性幂函数曲线模型（GIM(1)）。对于GIM(1)模型,利用一元线性回归优化建模法进行模型参数辨识。结果证明,GIM(1)模型对于**系统故障序列中的灰色摆动序列具有良好的拟合和预测精度,不仅融合了灰色辨识算法的优点,而且也能满足一般系统的辨识要求。
故障预报 **系统 灰色摆动序列 线性幂指数曲线 一元线性回归 fault prediction weapon system grey wobbly sequence linear power exponent curve unary linear regression
北京航空航天大学可靠性与系统工程学院可靠性与环境工程重点实验室, 北京 100191
故障诊断与健康管理(PHM)技术是提高系统可用性、维修效率和降低寿命周期成本的重要手段,已成为未来飞机航空电子系统的一项关键技术和重要目标之一.从航空电子系统和PHM技术的发展角度,总结了国内外PHM技术的发展现状,介绍了综合航空电子PHM系统OSA-CBM开放式体系架构,分析了综合航电PHM系统的关键技术,并对未来综合航空电子PHM技术的发展进行了探讨.
综合航空电子系统 故障诊断 健康管理 故障预测 integrated avionics system fault diagnosis health management fault prediction
对导弹退化故障预测方法进行了研究, 对测试数据进行统计推断, 确定了测试数据的分布规律, 并针对导弹测试数据分布参数存在小样本、非线性等特点, 应用最小二乘支持向量机预测算法对测试数据的分布参数进行预测, 确定了测试数据未来某一时刻的分布函数, 进而建立了导弹退化故障预测模型,得出了导弹未来一段时间内的退化故障概率。通过实例分析, 验证了退化故障预测模型的合理性。
导弹 故障预测 状态监测 最小二乘支持向量机 missile fault prediction condition monitoring least square support vector machine
1 军械工程学院，石家庄050003
2 总装沈阳军代局驻辽阳地区军代室，辽宁 辽阳111000
目前，基于性能退化数据的可靠性分析已成为有效而节约成本的可靠性评估方法，现有关于此方面研究的文献大多局限于研究单特征量的情形，而许多产品具有多个性能退化量。针对产品具有多个性能参数的特点，提出了基于多参数距离分析的可靠性分析方法，探讨并提出多性能参数距离、距离失效阈值的概念，给出参数加权因子的求解方法。弥补了现有方法基于多元正态联合概率密度函数假设致使求解过程较复杂等不足。最后通过仿真实例验证了方法的有效性。
故障预测 可靠性分析 多性能参数 距离分析 fault prediction reliability analysis multiple performance measures distance analysis
