基于加速鱼群算法的锂离子电池剩余寿命预测

针对极端学习机(ELM)方法在预测建模过程中因参数随机生成导致的结果不确定性,提出了一种加速鱼群算法(AAFSA)优化极端学习机的锂离子电池剩余寿命预测方法.针对基本人工鱼群算法(AFSA)存在的收敛速度慢、易陷入局部最优解,通过自适应确定感知距离和移动步长加快收敛速度,并在随机移动时增加混沌扰动提高种群多样性改善AF...     

装备经费预算管理存在的问题及对策

加强装备经费预算管理要立足于装备长远规划、滚动计划、草案计划和年度计划,以装备项目为基础,实行“寿命周期预算”、“合同工期预算”与“年度预算”相结合的三期预算制度,并注重数据的收集与分析。     

重点武器装备研制经费管理探讨

文章阐述了当前重点武器装备研制经费管理存在的问题,分析了研制经费升高的原因,提出了加强重点武器装备研制经费管理的建议,即科学论证决策,加强武器装备全寿命费用管理;引入竞争机制,培育武器装备价格竞争市场;加强经费预测,实现武器装备价格工作的前伸;建立健全法规,规范武器装备研制工作。     

恒定应力加速寿命试验的非参数统计方法

在恒定应力加速寿命试验 (简称恒加试验 )的统计分析中 ,非参数统计方法具有一定的实际价值 .在一定的假定下 ,文中给出了两种新估计 ,并证明了它们的优良性     

用能量法确定层状复合材料疲劳裂纹的扩展方向

含裂纹体疲劳寿命的预测,必须首先了解裂纹扩展路径的全过程,而在层状复合材料中,裂纹扩展的路径非常复杂,不仅可以拐弯,而且可以分叉.因此,首先提出一个简单、适用、统一的裂纹扩展方向的相对强度准则,即应变能释放率比值判据;然后,利用有效解决高梯度问题的数值方法--任意线法,对实测试件的关键时刻(例如,拐弯或进入界面),进行了数值分析;并对典型试件进行了疲劳断裂实验研究.3方面的结果,得到相互的验证.这种一致性,不仅初步证明了这一方法的正确性和适用性,而且为疲劳裂纹扩展全过程的解决,提供了必要的基础.     

寿命试验持续时间的预测

工程界中诸多电子元器件的寿命都可以看作或近似看作是服从指数分布的,只有经寿命试验掌握各类电子元器件寿命的分布情况,才能对整个电子系统的可靠度有较充分的认识,从而对整个电子系统中的电子设备进行合理布局,优化控制,使其在实际应用中最大程度地发挥其作用。分别给出服从单参数指数分布的样本在寿命试验的早期结果上预测寿命试验的总持续时间的精确与近似方法的证明,并对两种预测方法在不同情况下的预测结果进行比较。     

基于贝叶斯推断的指数型单元贮存效果评估方法研究

针对武器装备的贮存可靠性评估问题,首先分析了当前装备贮存检测数据的特点;然后,应用贝叶斯推断提出了一种利用贮存期间检测数据来对指数型单元贮存效果实现合理评估的方法。算例设计和大量仿真验证的结果表明:该方法的评估结果是令人满意的,且克服了传统贮存试验要求大量样本数据的弊端,具有较高的实际应用价值。     

系统可靠寿命的不确定性分析及其高效方法

为了分析元器件失效率的不确定性对系统可靠性的影响,借鉴Borgonovo的矩独立灵敏度分析思想,在充分考虑了系统可靠寿命完整不确定性信息的情况下,提出了基于系统可靠寿命的矩独立重要性测度,用来分析不确定性条件下系统元器件失效率对其可靠寿命的平均影响。但由于系统可靠寿命函数是系统可靠度函数的反函数,一般无法解析表达而以隐函数的形式存在,致使该矩独立重要性测度难以高效准确求解。为了解决这一问题,文章提出了一种新的Kriging自适应代理模型的高效算法,该算法以Kriging代理模型预测值的变异系数作为自适应学习函数,通过自主增加新的试验样本,增强代理模型的预测准确性。阀门控制系统和民用飞机电液舵机系统两个算例分析表明,在保证计算精度的情况下,通过变异系数自适应学习函数,仅需添加少量系统可靠寿命试验样本,就能够构建用来充分近似系统可靠寿命函数的Kriging代理模型,解决了重要性测度的高效求解问题,从而验证了所提方法的合理性和算法的高效性。     

多体动力学仿真车辆传动齿轮疲劳寿命灵敏度分析

齿轮是机械传动中重要的传力构件,由于测试手段和试验方法的限制,齿轮设计的时候多采用静强度设计理论,无法准确地反应实际情况下的动态特性,导致齿轮的实际寿命和设计寿命有较大的差距。基于多体动力学仿真分析方法建立履带式车辆传动系统虚拟行驶试验平台,获得齿轮在不同工况下的动载荷谱。基于疲劳分析软件MSC.Fatigue获得了齿轮的疲劳寿命,进而改变齿轮的结构参数分析不同结构齿轮的疲劳寿命,得到其疲劳寿命随不同结构参数变化的规律,进行齿轮疲劳寿命的灵敏度分析,为齿轮的结构优化作了一定的探索。     

基于多尺度融合预测模型的航空发动机剩余寿命预测

针对大多数基于数据驱动的航空发动机剩余寿命预测方法未细分其退化过程与复杂输入数据之间的关系,无法准确识别和提取关键特征的问题。提出一种基于多尺度融合预测模型(MSF)的航空发动机剩余寿命预测方法。该方法利用静态协变量编码网络(SCCN)和变量选择网络(VSN)针对输入数据类型进行特征选择,将SCCN生成的静态协变量连接到模型的不同位置,以提升模型捕捉不同尺度时间特征的能力,并融入门控残差机制构建模型基本框架,既能提高模型的适应性也能保证信息在网络中传递的效率,采用分位数误差作为损失函数实现了多尺度的预测,有效的提高了预测的准确性。在CMAPSS涡扇发动机数据集上进行实验分析,FD002、FD004测试集的预测精度分别达到91.9%和92.4%,通过与其他深度学习方法进行对比,RMSE最优值分别提高15.54%和16.91%,Score最优值分别提高83.21%和78.78%。