針對(duì)復(fù)雜裝備故障呈現(xiàn)出多重性、相關(guān)性及模糊性的特點(diǎn),本文分析了裝備健康狀態(tài)演化規(guī)律,利用自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)、故障模式、影響及危害性分析構(gòu)建故障風(fēng)險(xiǎn)標(biāo)尺,實(shí)現(xiàn)了對(duì)復(fù)雜裝備故障風(fēng)險(xiǎn)程度的定量化描述及裝備健康狀態(tài)的分類。通過實(shí)驗(yàn)分析,本文提出的模型相比于傳統(tǒng)的故障預(yù)測(cè)以及故障風(fēng)險(xiǎn)程度定量方法具有顯著優(yōu)勢(shì),實(shí)現(xiàn)了對(duì)裝備從設(shè)計(jì)生產(chǎn)、部署使用以及退役報(bào)廢全壽命周期的動(dòng)態(tài)反饋,對(duì)提高復(fù)雜裝備綜合保障能力具有重要意義。 

【文章來源】：系統(tǒng)工程與電子技術(shù). 2020,42(02)北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

裝備故障率服從正態(tài)分布三維示意圖

自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)（adaptive fuzzy neural network,AFNN）是將神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力與模糊系統(tǒng)相結(jié)合，以神經(jīng)網(wǎng)絡(luò)分布式結(jié)構(gòu)表示模糊系統(tǒng)的模糊化處理、模糊推理以及精確化計(jì)算，從而實(shí)現(xiàn)模糊系統(tǒng)自組織、自學(xué)習(xí)的混合型神經(jīng)網(wǎng)絡(luò)。由于AFNN有較強(qiáng)的自適應(yīng)、魯棒性以及容錯(cuò)性，已經(jīng)廣泛應(yīng)用于故障預(yù)測(cè)領(lǐng)域[21-22]，其結(jié)構(gòu)如圖2所示。(1）輸入層：本層為輸入層，共有n個(gè)輸入節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)均代表一個(gè)輸入變量，該層的輸出為

DL-AFNN部分輸出結(jié)果截圖

【參考文獻(xiàn)】：
期刊論文
[1]Modeling of Energy Consumption and Effluent Quality Using Density Peaks-based Adaptive Fuzzy Neural Network[J]. Junfei Qiao,Hongbiao Zhou.  IEEE/CAA Journal of Automatica Sinica. 2018(05)
[2]基于HSGT的裝備健康狀態(tài)評(píng)估技術(shù)[J]. 譚曉棟,邱靜,羅建祿,李慶,呂克洪.  振動(dòng).測(cè)試與診斷. 2017(05)
[3]Test selection and optimization for PHM based on failure evolution mechanism model[J]. Jing Qiu,Xiaodong Tan,Guanjun Liu,Kehong L.  Journal of Systems Engineering and Electronics. 2013(05)
[4]基于測(cè)試數(shù)據(jù)的長(zhǎng)期貯存裝備實(shí)時(shí)健康狀態(tài)評(píng)估[J]. 王亮,呂衛(wèi)民,滕克難.  系統(tǒng)工程與電子技術(shù). 2013(06)



本文編號(hào)：3063640