结合动态时间弯曲与决策树方法的液体火箭发动机故障诊断

对某大型液体火箭发动机的热试车数据及通过发动机模型仿真得到的故障数据进行动态时间弯曲分析,得到弯曲路径集,然后结合决策树方法进行了故障检测和诊断。对于故障试车没有出现漏报警和误报警,对于正常试车没有出现误报警。通过与神经网络、支持向量机等方法所得结果的对比,证明该方法可以成功地应用于火箭发动机的故障检测和诊断。     

基于数据的故障诊断更新问题分析及应用

机内测试被广泛应用于故障诊断,装备健康管理与预测等领域。本文针对机内测试设备在设计和升级时遇到的分类器更新,样本数量不平衡,硬件条件限制问题,提出了初步解决方案。首先,利用基于密度的聚类和人工免疫的方法处理原始数据,然后提出了基于代表样本点的混合学习方法,最后利用支持向量机和仿真案例验证了本文所提方法。结果表明本文所提方法能够解决上述问题,有助于基于数据的机内测试设备设计与升级。     

Optimal production ramp-up in the smartphone manufacturing industry

Motivated by challenges in the smartphone manufacturing industry, we develop a dynamic production ramp-up model that can be applied to economically satisfy nonstationary demand for short-life-cycle products by high-tech companies. Due to shorter life cycles and more rapid evolution of smartphones, production ramp-up has been increasingly critical to the success of a new smartphone. In the production ramp-up, the key challenge is to match the increasing capacity to nonstationary demand. The high-tech smartphone manufacturers are urged to jointly consider the effect of increasing capacity and decreasing demand. We study the production planning problem using a high-dimensional Markov decision process (MDP) model to characterize the production ramp-up. To address the curse of dimensionality, we refine Monte Carlo tree search (MCTS) algorithm and theoretically analyze its convergence and computational complexity. In a real case study, we find that the MDP model achieves revenue improvement by stopping producing the existing product earlier than the benchmark policy. In synthetic instances, we validate that the proposed MCTS algorithm saves computation time without loss of solution quality compared with traditional value iteration algorithm. As part of the Lenovo production solution, our MDP model enables high-tech smartphone manufacturers to better plan the production ramp-up.     

现代故障诊断技术研究现状与趋势

回顾了状态监测与故障诊断技术的发展历史,归纳和总结了基于系统数学模型、基于系统输入输出信号处理以及基于人工智能等途径的故障诊断方法。从混合智能诊断技术、BIT技术、远程协作诊断技术3个方面,对现代故障诊断技术的发展趋势和有待解决的问题进行了分析与探讨。提出了故障诊断领域目前和将来的研究方向。     

涡轮泵状态监控及传感器故障识别的新异类检测方法

为了在故障样本稀缺、故障模式不完备的情况下监控涡轮泵状态,并剔除传感器失效故障造成的虚警,提出用于涡轮泵状态监控及传感器故障识别的单类支持向量机新异类检测方法。该方法以正常状态为目标类构建单类支持向量机检测器,用于检测涡轮泵是否出现异常;以传感器故障为目标类构建单类支持向量机检测器,用于判断检测到的异常是否属于传感器故障。对涡轮泵试车数据的分析结果表明了该方法的有效性。     

求解旅行商问题的两步法

基于度约束最小树算法提出了一个解决旅行商问题的算法（即两步法）,针对这一算法我们进行了大量的数据实验,数据实验表明算法是非常有效的。     

基于球面映射和拆卸树的拆卸序列生成算法

拆卸序列生成是虚拟维修的核心之一,直接关系到虚拟维修的可行性及成本。搜索所有可行拆卸序列、避免组合爆炸并保持算法的通用性是序列生成算法的研究难点。通过引入球面映射概念,定义了局部和全局阻碍方向及可拆卸方向,克服了传统方法中基于六坐标轴方向创建干涉矩阵的局限性。提出了一种符合拆卸规则和拆卸关系表的拆卸树生成算法,求得所有可行的拆卸序列,并通过实例在虚拟维修平台上得到了实现。     

装备预测与健康管理体系结构及关键技术

结合预测与健康管理技术（PHM）在降低装备保障维修费用方面的明显优势,介绍了预测与健康管理技术的内涵及特点,分析了PHM系统的开放式流程,并将该开放式流程应用于装备的故障诊断和预测中,提出一种基于PHM的预测与健康管理体系框架。在此基础上,对诊断与预测技术以及传感器配置算法等关键技术进行了详细阐述,介绍了采用的诊断和预测模型及算法。     

基于模糊数学的炮射导弹制导装置故障诊断

为解决炮射导弹制导装置故障诊断的不确定性推理问题,有效提高故障诊断的准确性,将模糊数学中的综合评判方法用于炮射导弹制导装置的故障诊断。通过专家经验和故障试验统计数据,构建模糊诊断数学模型,对制导装置故障进行模糊运算和故障诊断,从而确定故障原因。通过具体故障模糊诊断实例验证表明:该方法能够给出定量的故障诊断结果,可较准确地实现故障定位。     

基于隐Markov树的序贯故障诊断模型

为了充分利用先验信息和实测信号,提高故障识别率,根据Bayes方法和序贯决策的思想,将实测信号分段,将前一段信号的诊断后验信息作为后一段信号的先验信息,提出了一种基于隐Markov树(hidden Markov tree,HMT)的序贯故障诊断模型.给出了诊断模型的建模步骤、HMT模型的建立方法和Bayes后验概率的计算方法.将模型应用于某型减速器故障诊断的结果表明,对于有先验信息和无先验情况,该序贯模型都可以有效地提高故障识别率.