故障预测和健康管理(PHM)系统

介绍了电子设备保障体系的现状和PHM系统的基本内容,以及PHM系统作为保障体系的一支新生力量在今后的发展方向等。从介绍PHM系统的功能、流程开始,阐明了PHM系统的体系结构等,在应用PHM系统需要解决的关键技术中重点论述了故障预测技术、预测的难点及方法。     

基于量子天牛群算法的高桩码头横向排架结构损伤识别

针对高桩码头损伤识别问题,引入量子行为优化天牛群(BSO)算法,利用结构模态参数(固有频率和振型)的差别构造目标函数,提出了一种基于量子天牛群(QBSO)算法的损伤识别方法。采用所提方法对一高桩码头模型单直桩、单叉桩的单损伤,双直桩、双叉桩、直桩+叉桩的双损伤进行了计算,并与天牛群(BSO)算法与粒子群(PSO)算法进行对比;对振型添加噪声后单叉桩的单损伤进行了计算。结果表明:所提方法计算效率高、收敛速度快,具有较强的稳定性和抗噪性,能够快速精准地识别出损伤位置与损伤程度。     

铁道信号系统安全计算机状态监测方法

基于隐马尔科夫模型(Hidden Markov Model,HMM)提出了状态监测和故障诊断的原理与基本流程。通过观测数据的提取与降维,正常态模型训练与改进,故障态模型训练等一系列措施,实现了两模冗余安全计算机的状态监测,对正常态与时钟偏离1%～10%等7种不同条件进行监测。监测结果表明:对数似然概率均值从-228.98降至-1 385.60,健康状态不断恶化。对1号处理单元(PU1)故障状态进行仿真监测时,将PU1故障与PU1故障态、正常态、安全容错管理单元(FTSM)故障态、通信控制器(CC)故障态以及系统受扰故障态进行比较,得到对数似然概率均值分别为-161.95、-13.72、-14.13、-40.17及-35.69,证明了系统所发生的故障是因PU1所致。监测方法能够有效实现安全计算机健康状态的检测,为铁道信号安全计算机监测技术提供理论支撑。     

基于特征提取和机器学习的异常数据识别算法

结构健康监测系统的大力发展每天都在产生大量的监测数据。对于结构健康监测系统来说，判断这些产生的监测数据是否正常是对结构健康状态进行分析的第一步，也是关键的一步。同时，监测数据的异常与否也是判断传感器、采集设备、传输设备等是否正常工作的关键性依据。对于一段数据进行识别，判断数据是属于什么样的异常，是一个多分类的问题。采用基于特征提取和机器学习相结合的算法，对时序数据进行分类，能够快速地判断数据是否异常和异常的类型。     

长联大跨桥梁无缝线路力学特性与结构设计

随着桥梁跨度、联长的不断增加,复杂的梁轨相互作用给桥上无缝线路设计带来了巨大挑战。本文在总结桥上无缝线路计算理论和求解模型的基础上,以某长联大跨桥上无缝线路为例,对其力学特性和结构设计进行了系统研究。研究表明:(1)长联大跨桥上无缝线路纵向附加力较大,钢轨强度往往难以满足规范要求;(2)梁端设置伸缩调节器,可有效减小梁轨相互作用,放散钢轨纵向力;(3)梁端设置抬枕装置可有效缓解梁缝增大导致的轨道刚度不均匀问题,需与伸缩调节器配套使用;(4)长联大跨桥上轨道设置健康监测系统十分必要。     

基于容量增量变化量曲线的锂电池健康状态估计

提出了基于容量增量变化量曲线的电池健康状态估计新方法，该曲线具有随电池老化平移不明显的特点，并有利于特征参数的确定和提取。利用随机森林方法分析该曲线上各个函数值的重要性，根据重要性筛选出曲线上可以作为表征参数的函数值，并使用神经网络建立起表征参数与健康状态的映射关系。利用马里兰大学老化数据验证该方法的平均绝对百分比误差为0.77%，健康状态估计值误差基本控制在2%以内，具有较高的精度。