基于竞争失效模型的金属化膜脉冲电容器产品可靠性研究

在确定产品性能退化量分布模型的基础上,给出了突发型与退化型失效的竞争失效的一般模型,该模型考虑了突发失效率与退化量的相关性.通过分析金属化膜脉冲电容器的退化失效机理,利用该竞争失效模型,对金属化膜脉冲电容器进行了可靠性分析,确定了该型电容器的可靠度函数.     

自适应在线增量ELM的故障诊断模型研究

为满足现役装备根据故障样本数据集积累的特点进行自适应故障诊断的需求, 本文将极限学习机(extreme learning machine, ELM) 的数据增量学习、隐藏层增量学习和输出层增量学习(类增量学习)3种增量学习模式, 融合到一个统一的学习框架内, 提出一种凸最优自适应增量在线顺序ELM(convex optimal adaptive incremental online sequential ELM, COAIOS-ELM)。模型能够根据增量学习中误差的变化情况, 自适应地增加隐藏层神经元, 减小分类误差; 并可根据增量数据集中新出现的故障类别, 进行相应的类增量学习, 增加故障诊断的范围。有效解决了ELM增量学习过程中模型自适应动态选择最佳网络结构的问题, 提高模型的故障诊断的精度和故障诊断的范围。本文选择UCI数据集中公共数据集和Biquad低通滤波电路故障诊断数据集, 通过与类增量ELM (class incremental ELM, CI-ELM)模型对比实验, 验证了所提方法的有效性。     

加速应力下基于退化量分布的可靠性评估方法

基于退化量分布的方法是一种被广泛应用的可靠性评估方法,然而对此方法在加速退化试验中研究并不充分。为避免依据经验或主观判断建立可靠性模型容易造成评估结果不准确的问题,以退化量分成正态分布的情况为例研究了加速应力下的可靠性评估方法。其主要特点是利用加速因子不变原则推导出模型参数随加速应力的变化规律,从而建立可靠性模型。研究结论表明所提的评估方法克服了以往方法容易造成评估结果不准确的问题。     

周期性随机应力强度退化下的SSI可靠性模型研究

在随机应力作用下强度随使用时间不断退化时,给出了一个周期性随机应力-退化强度干涉可靠性模型及其点估计方法,该模型考虑了应力与强度退化的相关性,最后利用算例验证了该模型的有效性.     

基于改进稀疏KELM的在线非平稳动态系统状态预测方法

本文针对基于核的增量超限学习机(kernel based incremental extreme learning machine，KB-IELM)对非平稳动态系统的时变状态跟踪能力不足的问题，提出一种新型的状态预测方法。通过融合遗忘因子和自适应时变正则化因子构建新的目标函数。通过最小化字典的快速留一交叉验证(fast leave-one-out cross-validation, FLOO-CV)误差，选择具有预定规模的关键节点以构成字典。通过融合遗忘因子，为字典中各关键节点按时间顺序分配不同权重。基于FLOO-CV原则，使用天牛须搜索(beetle antennae search，BAS)算法为不同的非线性区域赋予不同的正则化参数。通过矩阵初等变换和分块求逆，实现核权重向量的在线递推更新。将模型应用于非平稳Mackey-Glass混沌时间序列预测和某型飞机发动机的状态预测。所提算法相比于最新的非平稳在线序列核超限学习机(non-stationary online sequential kernel extreme learning machine，NOS-KELM)和融合自适应正则化因子的在线稀疏核超限学习机(online sparse kernel extreme learning machine with adaptive regulation factor, OSKELM-ARF)两种方法，其训练精度分别提升了66.67%、50.72%、预测精度提升了67.02%、56.34%，最大预测误差减少了67.27%、51.09%，平均相对误差率分别减少了67.18%、59.62%。实验证明所提算法有效提升了在线预测的精度。     

可修系统混合多任务成功概率评估模型

装备任务成功性是指装备在给定的维修保障方案下成功完成规定任务的能力,其概率度量为任务成功概率,是重要的装备保障性评估指标。可修系统是装备系统重要的组成部分,当系统执行多个子任务构成的复杂任务时,其任务成功概率不仅与系统自身的任务可靠度、固有能力有关,还与每个子任务的准备时间和执行时间、任务成功要求、维修保障能力和数量等因素有关。在充分分析多任务执行过程的特点与可修系统任务成功性影响因素的基础上,给出了一种给定维修保障方案情况下可修系统混合多任务成功概率评估模型。最后,通过一个算例来说明该模型的有效性与实用性。     

基于改进稀疏KELM的在线非平稳动态系统状态预测方法

本文针对基于核的增量超限学习机(kernel based incremental extreme learning machine，KB-IELM)对非平稳动态系统的时变状态跟踪能力不足的问题，提出一种新型的状态预测方法。通过融合遗忘因子和自适应时变正则化因子构建新的目标函数。通过最小化字典的快速留一交叉验证(fast leave-one-out cross-validation, FLOO-CV)误差，选择具有预定规模的关键节点以构成字典。通过融合遗忘因子，为字典中各关键节点按时间顺序分配不同权重。基于FLOO-CV原则，使用天牛须搜索(beetle antennae search，BAS)算法为不同的非线性区域赋予不同的正则化参数。通过矩阵初等变换和分块求逆，实现核权重向量的在线递推更新。将模型应用于非平稳Mackey-Glass混沌时间序列预测和某型飞机发动机的状态预测。所提算法相比于最新的非平稳在线序列核超限学习机(non-stationary online sequential kernel extreme learning machine，NOS-KELM)和融合自适应正则化因子的在线稀疏核超限学习机(online sparse kernel extreme learning machine with adaptive regulation factor, OSKELM-ARF)两种方法，其训练精度分别提升了66.67%、50.72%、预测精度提升了67.02%、56.34%，最大预测误差减少了67.27%、51.09%，平均相对误差率分别减少了67.18%、59.62%。实验证明所提算法有效提升了在线预测的精度。     

可修系统任务分析与成功性评估模型

通过分析可修系统任务执行时间的特点、任务成功要求以及执行现场维修保障条件,在综合考虑影响任务成功性因素的基础上,给出了四种情况下的任务成功概率评估模型,前三种模型分别是任务执行现场不具备任何维修保障条件下、具备备件快速更换条件下、既具备备件快速更换又具备故障件修复的条件下,对于确定和随机任务执行时间,可修系统在规定最大任务时间内不发生故障的概率。最后一个模型是在任务执行现场既具备备件更换又具备故障件修复的条件下,对于确定和随机任务执行时间,可修系统在有无规定最大任务时间内可以发生故障但总停机时间小于规定最大停机时间的概率。最后,针对其中一个模型,给出了可修算例。