基于深度强化学习的机械装备剩余使用寿命预测方法

随着机械装备发展的日益大型化和复杂化,其使用安全性和可靠性也越来越受到重视.剩余使用寿命(remaining useful life, RUL)预测技术,通过分析设备的运行数据,预测设备还能正常运行的时间,利用该技术可有效提升设备运行的安全性和可靠性,同时可为设备的后续维修决策提供关键依据.本文提出一种基于深度强化学习(deep reinforcement learning, DRL)的RUL预测方法,首先通过自编码器(autoencoder, AE)对机械装备的原始信号进行特征提取,利用提取到的特征构成强化学习的状态变量,通过设置合适的动作空间和奖励函数训练强化学习模型,使其能依据样本间的时序相关性对装备的RUL进行准确预测.与其他方法相比,强化学习方法的时序交互决策逻辑可以自然地保留样本间的时序依赖关系,降低了RUL预测的波动性.最后利用涡轮发动机数据集CMPASS对提出的方法进行实验验证,所提出的方法在RMSE和Score两项指标上均优于目前多种RUL预测方法,且所提出方法对于接近退化末期的装备预测效果有明显提升.     

基于证据推理的故障预报模型

为处理存在定量与定性不确定性信息的非线性复杂系统故障预报问题,建立了基于证据推理(evidential reasoning,ER)的故障预报模型,提出了ER预测模型的参数优化方法.该模型利用ER算法可以处理精确数据、不完整数据、模糊数据的能力,及其非线性融合的特性,对模型的输入信号,通过信息变换技术转化到信度结构框架下,应用解析ER算法对输入信息融合,根据输出数据的类型,构造相应的预测输出,给出了故障识别方法.针对ER预测模型参数难以精确的主观确定的困难,建立了非线性优化模型,对模型参数进行优化学习,获取最优模型参数.通过实验对ER预测模型的性能进行了分析,结果表明,建立的预测模型和参数优化模型可以有效的处理故障预报问题.     

基于自适应多特征融合的双重图像退化修复网络

当前图像修复方法大多局限于处理某个单一特定任务,如超分辨率、去噪、着色等,很少有网络模型同时具备处理双重退化的能力.而现存可以解决多重图像退化问题的算法普遍结构复杂、训练时间长、人力成本较大.本文提出一种基于自适应多特征融合的双重退化修复网络(adaptive multi-feature fusion dual degradation restoration network, AMFNet),利用自引导模块(SGM)融合图像的多尺度信息,有效去除了图像中的部分缺陷;使用带有空洞卷积的编码解码器模块巩固图像的语义信息,实现了中间图像的着色;引入带有自适应多特征融合模块(AMF)的中间信息传输机制(ITM)链接以上两大结构,自适应选择保留网络递进过程的图像特征以避免有用信息的丢失.实验结果表明,基于自适应多特征融合的双重图像退化修复网络模型视觉生成效果最优,通过在CelebA和Landscape数据集上的测试分析,其结构相似度(SSIM)与感知图像补丁相似度(LPIPS)优于同类方法,而峰值信噪比(PSNR)则远超同类方法高达5 dB.     

大型捆绑火箭姿态动力学模型研究

针对大型捆绑运载火箭所呈现出的低频密频模态、纵-横-扭强耦合、复杂局部变形和发动机低频谐振以及多贮箱液体晃动的特点,推导建立了工程实用的姿态动力学模型.基于牛顿-欧拉法建立了刚体质心和绕质心运动方程、液体晃动方程以及发动机振动方程,基于有限元方法建立了火箭弹性振动方程.模型充分反映了发动机摆动、液体晃动等活动质量相对箭体运动时对刚体运动和弹性振动的影响,充分反映了刚-晃-弹以及发动机低频谐振之间的耦合,同时保留了工程上所熟悉的形式.基于坐标变换思想提出了弹性旋转矩阵方法求解复杂弹性变形后外力的大小和作用点,推导过程中严格按照定义求解,避免了错项和漏项,推导原理简明、概念清晰,过程规范,易于设计人员理解.基于ADAMS的虚拟样机仿真结果验证了本文推导模型的正确性.     

天问一号火星探测器气动热防护系统设计与实现

本文采用基于热解层模型的烧蚀热响应计算方法,对轻质防热材料的烧蚀机理进行分析,预测了防热材料在火星气动热环境下的烧蚀、热解及传热特性.开展地面风洞试验设计,获取了多状态下的防热材料烧蚀数据.通过与地面试验数据的比对分析,对烧蚀传热计算模型中的不确定性参数进行了修正,最终确定了气动热防护系统的设计状态.飞行任务表明,天问...     

基于多尺度卷积网络的非朗伯光度立体视觉方法

光度立体视觉作为一种精细三维测量技术广泛应用于三维重构、缺陷检测、生物医疗等领域,但传统反射模型对材质真实物理特性的反映能力有限,对于如光亮金属等具有非线性光反射特性的非朗伯表面适应性不佳,极大地限制了该技术的进一步应用.本文提出了一种基于深度学习多尺度卷积架构的光度立体视觉算法,实现了对非透明材质表面在任意光照条件下的高精度法向量恢复.算法在深度网络中设计了多尺度卷积结构,小尺寸卷积核强化了模型在光度物理原理上的表达,使得模型在细节预测上具备优势,大尺寸卷积核鼓励深度网络利用邻域特征,提升模型克服阴影和区分多种材质的能力.为进一步处理任意光照条件的问题,算法设计了对入射光照向量空间的多分辨三维极坐标划分方法,在整合输入图像信息的同时,充分发挥了多尺度卷积的效能.实验结果表明,多尺度卷积深度学习架构有效集成了光度原理和深度学习二者的优势,在保留精细三维形貌恢复能力的同时,极大提高了针对非朗伯表面的适应性,为光度技术的广泛应用提供了有力的技术支持.     

不确定性气动弹性系统辨识及鲁棒极限环分析

模型的不确定性直接影响鲁棒颤振和极限环分析的准确性．从基于数据的角度提出考虑非线性环节和模型不确定性的鲁棒极限环分析框架．采用时域方法辨识包含非线性环节的Block—oriented结构的气动弹性系统模型集合的不确定度大小．以在线弹性结构的极点构造正交基底,将不确定性模型集合辨识问题转化为不确定性参数上下界估计的优化问题,通过求解非线性优化得到不确定性模型集合．将辨识后的无记忆非线性算子用正弦输入描述函数表示,利用线性分式变换技术对辨识后的不确定性模型进行重新建模,最后采用结构奇异值（μ）理论对系统集合进行鲁棒极限环分析．采用某二元翼段气动弹性算例验证该辨识和分析框架的准确性．结果表明辨识的不确定性的模型集合能够刻画气动弹性动力学特性．在相同速度下,考虑不确定性的模型集合的鲁棒极限环幅值比标称系统极限环幅值要小．该方法可以应用于鲁棒颤振和极限环预测．     

桥梁结构固有频率不确定性量化的高斯过程模型方法

桥梁结构参数的不确定性必然导致其固有频率具有不确定性,量化固有频率的不确定性可为与动力特性相关的桥梁结构分析与设计工作提供更为准确的动力特性信息.均值和方差是刻画固有频率不确定性的两个非常重要的统计特性,本文旨在探讨一种可用于快速有效计算桥梁结构固有频率的均值和方差的方法.桥梁结构通常具有结构形式复杂,尺寸大等特点,传统的蒙特卡洛方法因计算花费高而使用受限.本文采用高斯过程模型取代复杂的桥梁结构有限元模型来表征不确定参数与固有频率的关系,快速有效地计算固有频率的均值和方差.该方法适用于参数服从任意概率分布的情形,其可靠性通过具有解析均值和方差的函数得到验证.最后,本文的高斯过程模型方法用来计算安庆铁路长江大桥固有频率的统计特性.     

孪生数据与特征增强融合驱动的装备小样本诊断方法

近年来,得益于新一代信息技术的快速发展,智能故障诊断技术在航空航天、海洋工程、汽车工业等领域得到了广泛的关注与应用.然而,一方面,智能故障诊断模型在实际应用部署时,面临着故障样本不足的难题,导致所构建的模型诊断可靠性较低;另一方面,现有面向小样本问题的智能诊断方法往往需要相关性较强的实测数据作为支撑,这极大限制了该方法的实用性.基于此,本文提出了一种孪生数据与特征增强融合驱动的机械装备小样本故障诊断方法.首先,构建机械装备的虚拟模型,并结合装备的运行机理知识和健康状态的实测数据对模型进行优化修正,以获取高保真模型,进而基于该模型获取高质量的孪生故障数据;其次,以孪生故障数据为输入,利用生成对抗网络进行装备孪生故障数据的特征增强,并将增强后的数据用于卷积神经网络模型的训练,从而实现装备的智能故障诊断;最后,以某汽车用变速器为研究对象,验证所提方法的可行性.该方法丰富了新一代工业人工智能与大数据分析理论,为现代装备的小样本智能故障诊断提供了一种新的解决思路.     

基于预测-矫正技术的超临界流体强迫对流传热能力预测方法

拟临界区剧烈变物性导致超临界流体强迫对流传热特性规律复杂.已有超临界流体传热关联式的预测能力和应用范围难以同时改善.借鉴亚临界两(多)相流分流型预测传热能力的思路,本文尝试提出了基于预测-矫正技术的超临界流体传热能力预测方法.该方法的基础包括可合理表征浮升力效应和流动加速效应强度的无量纲数Bu和Ac,以及一套完善的超临界流体对流传热关联.通过超临界二氧化碳强迫对流传热实验研究,获得了传热数据库(3696组数据),建立了一套(10个)超临界二氧化碳强迫对流传热关联式,并对新建立的传热关联式和新提出的预测-矫正预测方法进行了评价.结果表明预测-矫正计算方法可大幅提高加热段壁面温度预测精度,并有效纠正单一传热关联式预测时出现的粗大偏差.     

一种基于自适应神经网络的航空发动机故障诊断方法

航空发动机在使用过程中,气路部件的性能不可避免地发生了蜕化,相应的故障诊断技术对发动机的健康管理系统具有重要意义.本文针对发动机在设计点的非线性部件级模型,借助PCC(Pearson correlation coefficient)相关分析方法,对神经网络的输入参数和输出参数的选取方式进行了优化.以前馈型神经网络为基础,针对常规BP(back propagation)神经网络收敛速度不稳定、且容易陷入极小值的缺陷,设计了一种新的自适应神经网络,准确估计了发动机部件的蜕化情况.这种算法融合了比例因子和动量因子,改善了网络的学习速率,提高了神经网络置信度和对发动机模型参数的泛化能力.结果表明,本文设计的自适应神经网络的精度优于常规BP神经网络,并且在训练样本数较少时,依然能够通过训练得到理想的网络,保证发动机健康参数的故障检测具有较高精度.     

移动计算环境下不确定性组合服务的事务建模与执行分析

移动计算环境中,服务面临资源受限与连接波动,同时存在越区切换和弱一致性需求等事务性挑战.为了确保移动环境下组合服务的事务有效性,本文以服务的不确定性和事务属性为基础,提出了一种基于Markov链的移动组合事务模型.首先通过形式化方法构建移动环境下原子服务模型和原子服务的事务机制,并基于状态概率实现了原子服务的2维不确定性表征,然后运用Markov链完成移动组合服务的模型表达,提出了该模型下的不确定性处理与事务方法,最后基于典型业务结构分析了移动组合事务的执行语义与实施.实验表明:该事务模型能有效描述移动环境下组合服务的事务需求,且服务不确定性的不同指标和各事务架构皆对组合事务成功率产生较大影响.     

航空发动机发展简述与思考

本文简要回顾航空发动机发展的历程，对当前航空发动机发展的特点和展望进行简述，主要是从我国航空发动机发展的现状，思考和分析其落后的根本原因，为了我国航空事业的更快发展，提出了我国航空发动机发展的关键是管理的论点和建议。     

基于ARMA-GARCH模型的水文过程不确定性分析

不确定性分析和风险分析是现代水资源管理研究的一个重要领域,即需要对预测方差做精确估计.然而传统的径流模型是在方差恒定或者方差随季节变化的假设下进行建模的.但实际情况中,水文过程往往存在异方差性,通过McLeod-Li检验和Engle拉格朗日乘数检验证明了这一点.针对此种情况,本文建立了水文过程的GARCH模型.首先,对序列进行了剔除季节因素的处理;其次,对处理后的序列建立了传统的ARMA模型;再次,在ARMA模型的基础上,建立了GARCH模型对残差的方差进行了修正.最后,以宜昌水文站1949年～2001年日径流数据为例进行了应用验证.研究结果表明,与传统ARMA模型相比,在不影响信度的情况下,GARCH模型能够更加精确的预测置信区间,从而为不确定性分析和风险分析提供更加可靠的基础.     

大型液体运载火箭POGO动力学模型研究

本文基于键合图理论的建模思想提出新的液体火箭跷振（POGO）稳定性分析状态变量模型,该模型的系数矩阵线性且非奇异,与以往模型相比更有利于实现模块化建模和时域仿真分析.在此基础上通过模型研究给出补燃发动机燃气系统的动力学模型,使该分析模型可以对采用补燃循环发动机的火箭进行POGO稳定性分析,是对目前POGO理论分析模型的一个重要完善.     

基于随机-区间混合不确定性的风机性能可靠性分析

针对抑制风机性能失效的工程问题,基于可靠性分析理论,将拉丁超立方试验设计、近似模型与计算流体动力学分析技术相结合,研究了一种基于响应面的风机性能混合不确定性分析方法.该方法通过引入区间不确定性,有效地解决了由于缺乏实验样本而导致的知识不确定性建模问题,极大地扩展了可靠性分析技术在流体机械研究中的适用性.引入随机和区间不确定性参数对风机系统进行描述,基于传统的一阶可靠性分析方法,建立了风机性能的随机-区间混合可靠性分析模型.采用重整化群湍流模型计算了风机的流量、压力、轴功率、效率等性能参数,得到了性能函数.由于计算流体动力学的计算效率较低,研究了响应面求解混合可靠性模型的有效迭代算法,并计算了风机性能失效概率区间.应用该方法对某轨道交通列车风机性能进行研究,分析了风机全压的失效概率和可靠性指标与不确定参数的灵敏度问题,甄别了不确定性参数对系统可靠性的影响,并从可靠性角度提出了提高风机性能可靠性的工程措施.     

基于证据理论的结构非概率可靠性拓扑优化设计

考虑数据信息较少以及认知水平有限情况下的不确定性对于结构拓扑优化具有重要意义.本文引入证据理论处理不精确的数据信息,采用证据理论的不确定测度克服精确概率约束模型建立的困难,并结合拓扑优化策略,形成了基于证据理论的可靠性拓扑优化设计模型.为了提高不确定测度的计算效率,提出了仿生智能优化算法和不精确极值思想相结合的改进优化算法来降低焦元数目和极限状态函数极值求解所导致的计算量.通过两个桁架算例对所提方法进行验证,结果表明,确定性优化结果可能是不确定情况下的失效解,虽然基于证据理论的最优设计在重量和拓扑形式上相对于确定性优化结果偏保守,但具备抵抗不确定波动的能力.     

工业大数据驱动的核电装备智能设计-制造-服务技术与应用

针对核电大数据集成管理缺乏适应性和应用价值有限的问题,提出了一种基于工业大数据分析架构的核电装备智能设计制造服务体系.首先,基于核电大数据的领域特性设计了核电装备全生命周期数据空间,通过业务系统数据与主数据两个层次,实现海量多源异构数据分布式存储,并提出模型驱动的核电大数据应用模式.在此基础上,基于数据空间提出了核电装备智能设计制造服务体系框架和关键技术,包括基于模型数据知识联合学习的智能协同设计、多阶段数据融合驱动的质量管控与精准追溯、高维动态边缘数据驱动的运行服务智能诊断预测等技术,为生产决策和运作管理提供依据,促进核电装备安全性、可靠性和经济性指标持续优化.最后通过核电装备典型业务场景来验证所提框架和技术的有效性,并取得了良好的应用效果,为未来核电大数据协同管理和智能应用提供参考.     

基于模型融合的复杂生产过程产品质量预测

复杂生产过程中产品质量与工艺参数间存在复杂的非线性关系,为提高产品质量预测准确性,本文提出了一种基于模型融合的复杂生产过程产品质量预测方法.首先,分别对复杂生产过程建立基于改进随机森林算法的整体预测模型与分段预测模型,其中,针对整体预测模型特征选择问题,提出了一种相关性分析与去冗余处理相结合的特征选择方法,针对分阶段预测模型存在误差累积问题,提出了一种误差修正机制.其次,利用Stacking集成学习算法实现整体预测模型与分阶段预测模型的融合,综合利用二者的预测优势得到对产品质量的最终预测结果.最后,以烟丝生产过程烘丝机入口烟丝含水率的预测为例,通过对比传统单模型的预测方法,验证了本文所提基于模型融合预测方法的准确性.     

基于深度强化学习与演化计算的风-水-火混合增强智能调度

火电、水电和风电是我国电力工业系统的三大能源主体,根据风-水-火发电互补特性,建立联合优化调度模型对于降低电力系统运行成本以及促进新能源消纳具有重要意义.然而梯级水电站间的时空耦合性、风电的不确定性以及风-水-火多能源相互关联的复杂约束使得联合调度模型求解较为困难.因此,本文提出了一种基于深度强化学习(deep reinforcement learning, DRL)与演化计算的混合增强智能优化框架.该框架首先利用深度强化学习与风-水-火联合调度模型进行交互,并根据交互数据对联合调度模型复杂规律进行持续学习,优化自身控制策略,提高智能体泛化能力.此后,在解决实际调度问题时,为进一步提升算法的个性化能力,利用演化计算算法(particle swarm optimization, PSO)在经过训练的DRL上进一步优化调度方案,实现风-水-火联合调度的快速决策.算例分析表明,所提出的混合增强智能优化框架求解速度快、寻优能力强,提升了DRL优化性能的鲁棒性,提高了风-水-火系统运行的经济性及风电消纳能力.