CN109145399B - 一种基于改进的粒子滤波算法的疲劳裂纹扩展预测方法 - Google Patents
一种基于改进的粒子滤波算法的疲劳裂纹扩展预测方法 Download PDFInfo
- Publication number
- CN109145399B CN109145399B CN201810853786.XA CN201810853786A CN109145399B CN 109145399 B CN109145399 B CN 109145399B CN 201810853786 A CN201810853786 A CN 201810853786A CN 109145399 B CN109145399 B CN 109145399B
- Authority
- CN
- China
- Prior art keywords
- particle
- crack
- model
- state
- crack length
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 239000002245 particle Substances 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 22
- 238000012546 transfer Methods 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 238000011161 development Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 230000007704 transition Effects 0.000 claims description 37
- 238000012952 Resampling Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 11
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- IAZDPXIOMUYVGZ-UHFFFAOYSA-N Dimethylsulphoxide Chemical compound CS(C)=O IAZDPXIOMUYVGZ-UHFFFAOYSA-N 0.000 claims description 3
- 238000001914 filtration Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进的粒子滤波算法的疲劳裂纹扩展预测方法,包括:A、定义状态模型与观测模型;B、进行模型参数转移;C、进行裂纹状态转移;D、当有新的裂纹监测值时,将粒子值带入观测似然概率密度中进行计算,得到粒子的归一化权值;得到裂纹长度的后验分布和模型参数的后验分布;E、将状态模型参数作为裂纹长度的扩展,得到新的裂纹长度与模型参数的粒子集;F、将裂纹长度与模型参数粒子集带入状态转移方程,实现裂纹发展趋势的预测,得到任意时刻下裂纹长度的概率分布;对于给定的裂纹长度阈值,计算得出任意时刻剩余寿命的概率分布。采用本发明,能够通过构造的新模型参数转移过程,提高参数的收敛速度,并提高预测精度。
Description
技术领域
本发明涉及故障预测与健康管理领域,尤其涉及一种基于改进的粒子滤波算法的疲劳裂纹扩展预测方法。
背景技术
状态预测是结构健康状态评估的重要环节,包括对结构损伤发展趋势和剩余寿命的预测。其中疲劳裂纹损伤是金属结构中最为常见的损伤形式之一,疲劳裂纹扩展的预测包括对裂纹发展趋势与剩余寿命的预测。目前主要采用基于断裂力学的疲劳裂纹扩展模型对其进行预测,如Paris模型、NASGRO模型等,其模型参数通常采用实验室数据拟合或根据经验得到。然而,由于疲劳裂纹扩展会受到多种不确定性因素的影响,如材料特性、载荷、环境因素以及其本身固有的随机性,即使相同结构在相同应力环境下其裂纹扩展也会存在差异,因此很难精确的估计疲劳裂纹长度与裂纹扩展模型参数。贝叶斯滤波技术可将物理模型与损伤监测数据相结合,对裂纹状态与模型参数进行准确的估计。
在贝叶斯滤波方法中,粒子滤波由于不严格要求线性高斯的条件,对于裂纹扩展与剩余寿命预测问题具有良好的适用性。粒子滤波方法可将模型参数作为状态矢量的一部分,构建一个扩展状态矢量,从而实现对裂纹长度与模型参数的联合估计。对于模型参数的状态转移,为了缓解粒子贫瘠的问题,现有的方法通常采用加上一个人工动态噪声的方法,而这种方法造成模型参数收敛较慢。
发明内容
有鉴于此,本发明的主要目的在于提供一种基于改进的粒子滤波算法的疲劳裂纹扩展预测方法,通过构造新的模型参数转移过程,实现对疲劳剩余寿命更准确的估计,以提高参数的收敛速度,并提高预测精度。
为达到上述目的,本发明的技术方案如下:
一种基于改进的粒子滤波算法的疲劳裂纹扩展预测方法,包括:
A、定义状态模型与观测模型的步骤;
B、进行状态模型参数转移的步骤;
C、进行裂纹状态转移的步骤;
D、当有新的裂纹监测值时,将每一粒子值带入观测似然概率密度中进行计算,将其作为粒子权值,然后对所有粒子权值进行归一化处理,得到粒子的归一化权值;并通过裂纹长度粒子集及相应的归一化权值表示裂纹长度的后验分布,再通过模型参数粒子集及相应的归一化权值表示模型参数的后验分布;
E、将状态模型参数作为裂纹长度的扩展,裂纹长度与状态模型参数构成一个扩展状态变量,根据每个粒子的归一化权值,采用多项式重采样法进行重采样,得到新的裂纹长度与模型参数的粒子集,其中每一粒子的权值均变为粒子数之一;
F、将裂纹长度与模型参数粒子集带入状态转移方程,实现裂纹发展趋势的预测,得到任意时刻下裂纹长度的概率分布;
G、对于给定的裂纹长度阈值,计算得出任意时刻剩余寿命的概率分布。
其中,步骤D还包括:若无新的裂纹监测,则返回步骤C。
较佳地,进一步包括步骤H,即返回执行步骤B到步骤G。
其中,步骤A所述定义状态模型与观测模型,具体为:
其中,k为指第k个离散的时刻,Xk为系统的状态矢量,Xk=f(Xk-1,Ωk)为状态模型,Ωk为状态转移噪声,该状态模型定义了状态转移概率p(Xk|Xk-1),因此也称为状态转移方程;Zk为状态的观测矢量,Zk=g(Xk,Vk)为观测模型,Vk为观测噪声,该观测模型定义了似然概率p(Zk|Xk)。
步骤A具体包括:
A1、选择Paris模型作为疲劳裂纹扩展模型,并据此定义裂纹的状态转移方程即状态转移概率密度:
其中:k表示离散的时刻,xk是k时刻的裂纹长度,xk-1是k-1时刻的裂纹长度,ln C与m为与材料、环境因素相关的状态模型参数,ΔN表示两个相邻时刻之间的循环周次间隔,ΔK表示应力强度因子,ωk-1为k-1时刻的状态模型过程噪声,其服从均值为方差为的正态分布,p(xk|xk-1)为状态转移概率密度;
A2、将模型参数lnC作为待估参数,与裂纹长度共同构成扩展的状态矢量:
由于在Paris模型中,参数lnC为定参数,不随时间变化,则lnC的转移状态方程表示为:
A3、定义观测模型为:
其中,步骤B具体包括:
B1:求系统状态转移方程对模型参数的导数:
B2:计算k时刻模型参数lnC各个粒子的位置参数:
B3、计算k时刻模型参数转移噪声的方差:
B4:生成新的模型参数粒子群:
步骤C具体包括:由步骤A定义的状态转移概率密度p(xk|xk-1)中采样,即将步骤B得到的新的参数粒子集与上一时刻的裂纹长度粒子集带入状态转移方程,得到下一时刻的裂纹状态粒子集:
步骤D具体包括:当有新的裂纹监测值时,根据下式对粒子权值进行更新:
然后对所有粒子权值进行归一化处理,得到粒子的归一化权值:
则裂纹长度与模型参数的后验分布分别为:
步骤E具体包括:根据归一化权值对所有粒子进行重采样,重采样方法选用多项式重采样,得到新的粒子集及其相应权值:
步骤F具体包括:将裂纹长度与模型参数的后验粒子集带入裂纹长度的状态转移方程中,对裂纹扩展趋势进行预测,得到未来任意时刻的裂纹长度的概率分布:
其中,xk+p表示基于k时刻裂纹长度与状态模型参数的后验概率分布,预测的k+p时刻的裂纹长度。
步骤G具体包括:对于给定的裂纹阈值xth,对剩余寿命进行预测,剩余寿命的概率分布为:
剩余寿命的点估计值为:
本发明基于改进的粒子滤波算法的疲劳裂纹扩展预测方法,具有如下有益效果:
1)对于模型参数的状态转移,为了缓解粒子贫瘠的问题,标准粒子滤波算法通常采用加上一个人工动态噪声的方法,而这种参数转移方法引入了额外的不确定性,在参数初值与真实值相差较远的情况下,会导致模型参数收敛较慢。本发明通过在模型参数的转移过程中,引入观测值的信息,提出了一种改进的粒子滤波算法,与标准粒子滤波算法相比,提高了模型参数的收敛速度,可提供更加准确的早期预测。
2)由于在参数转移过程中引入了观测值的信息,该方法与标准粒子滤波算法相比,缓解了粒子退化程度,提高了剩余寿命的预测精度。
附图说明
图1为本发明基于改进的粒子滤波算法的疲劳裂纹扩展预测方法流程图;
图2为仿真生成的裂纹真实值与裂纹监测值随循环周次的变化示意图;
图3为模型参数lnC随滤波时间的变化示意图;
图4为裂纹长度随循环周次的变化示意图;
图5为剩余寿命随循环周次的变化示意图;
图6为剩余寿命估计精度随循环周次的变化示意图。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
图1为本发明基于改进的粒子滤波算法的疲劳裂纹扩展预测方法流程图。
如图1所示,该基于改进的粒子滤波算法的疲劳裂纹扩展预测方法,具体包括如下步骤:
步骤11:定义状态模型与观测模型的步骤。
其中,k为指第k个离散的时刻,Xk为系统的状态矢量,Xk=f(Xk-1,Ωk)为状态模型,Ωk为状态转移噪声,该状态模型定义了状态转移概率p(Xk|Xk-1),因此也称为状态转移方程;Zk为状态的观测矢量,Zk=g(Xk,Vk)为观测模型,Vk为观测噪声,该观测模型定义了似然概率p(Zk|Xk)。
在具体实施例中,具体包括:
步骤111:选择Paris模型作为疲劳裂纹扩展模型,并据此定义裂纹的状态转移方程(状态转移概率密度):
上式中,k表示离散的时刻,xk是k时刻的裂纹长度,xk-1是k-1时刻的裂纹长度,lnC与m为与材料、环境因素相关的状态模型参数,ΔN是两个相邻时刻之间的循环周次间隔,ΔK是应力强度因子,ωk-1为k-1时刻的状态模型过程噪声,其服从均值为方差为的正态分布,p(xk|xk-1)为状态转移概率密度。
步骤112:将模型参数lnC作为待估参数,与裂纹长度共同构成扩展的状态矢量:
由于在Paris模型中,参数lnC为定参数,不随时间变化,则lnC的转移状态方程可写为:
步骤113:定义观测模型为:
zk=xk+νk
步骤12:进行状态模型参数转移的步骤。
首先,求取状态转移方程对状态模型参数的导数;然后,分别计算状态模型参数的位置参数与转移噪声方差;最后,由以位置参数为均值、转移噪声方差为方差的正态分布中抽样,得到新的参数粒子集。
在具体实施例中,将状态模型参数转移,生成新的参数粒子集。其步骤包括:
步骤121:求状态模型对状态模型参数的导数:
步骤122:计算k时刻状态模型参数lnC各个粒子的位置参数:
其中,α∈[0,1]为参数位置调整因子,且
步骤123:计算k时刻状态模型参数转移噪声的方差:
步骤124:生成新的状态模型参数粒子群:
进一步地,上述状态模型参数的建议分布可写为:
在本发明的实施例中,步骤12中在计算状态模型参数的位置参数时,参数位置调整因子的最优值为0.96。
步骤13:进行裂纹状态转移的步骤。
由步骤11中定义的状态转移概率密度p(xk|xk-1)中采样,即将步骤12中得到的新的参数粒子集与上一时刻的裂纹长度粒子集,带入状态转移方程,得到下一时刻的裂纹状态粒子集。
在具体实施例中,具体为:由步骤11中定义的状态转移概率密度p(xk|xk-1)中采样,即将步骤12得到的新的参数粒子集与上一时刻的裂纹长度粒子集,带入状态转移方程,得到下一时刻的裂纹状态粒子集:
步骤14:当有新的裂纹监测值时,将每一粒子值带入观测似然概率密度中进行计算,将其作为粒子权值,之后对所有粒子权值进行归一化处理,得到粒子的归一化权值。通过裂纹长度粒子集及相应的归一化权值表示裂纹长度的后验分布,通过模型参数粒子集及相应的归一化权值表示模型参数的后验分布。若无新的裂纹监测,则返回步骤13。
在具体实施例中,当有新的裂纹监测值时,根据下式对粒子权值进行更新:
之后,对所有粒子权值进行归一化处理,得到粒子的归一化权值:
则裂纹长度与模型参数的后验分布分别为:
若无新的裂纹监测值,返回步骤13。
步骤15:将模型参数作为裂纹长度的扩展,两者构成一个扩展状态变量,根据每个粒子的归一化权值,采用多项式重采样方法进行重采样,得到新的裂纹长度与模型参数的粒子集,其中每一粒子的权值均变为粒子数之一。
在具体实施例中,根据归一化权值对所有粒子进行重采样,重采样方法选用多项式重采样,得到新的粒子集及其相应权值:
步骤16:将裂纹长度与模型参数粒子集带入状态转移方程可实现裂纹发展趋势的预测,得到任意时刻下裂纹长度的概率分布。
在具体实施例中,将裂纹长度与模型参数的后验粒子集带入裂纹长度的状态转移方程中,对裂纹扩展趋势进行预测,得到未来任意时刻的裂纹长度的概率分布:
其中,xk+p表示基于k时刻裂纹长度与状态模型参数的后验概率分布,预测的k+p时刻的裂纹长度。
步骤17:对于给定的裂纹长度阈值,可得到任意时刻剩余寿命的概率分布。
在具体实施例中,对于给定的裂纹阈值xth,可对剩余寿命进行预测,剩余寿命的概率分布为:
剩余寿命的点估计值为:
进一步的,还可以包括:
步骤18:返回执行步骤12到步骤17。
其中,本说明书上下文中所列公式中的参数的物理意义或含义,前后均相同或一致,故不再赘述。
下面以仿真的铝合金裂纹扩展为例来具体说明本发明上述方法的具体实验数据和有益效果。
图2为仿真生成的裂纹真实值与裂纹监测值随循环周次的变化示意图。
如图2所示为仿真的裂纹扩展数据与裂纹长度监测数据,相关参数设置如表1所示。
表1:仿真参数设置
之后,对改进的粒子滤波算法的进行初始化,相关参数如表2所示。
图3为模型参数lnC随滤波时间的变化示意图;图4为裂纹长度随循环周次的变化示意图;图5为剩余寿命随循环周次的变化示意图。
滤波结果如图3、图4、图5所示,从图3~图5中可以看出,经过少量迭代,模型参数与剩余寿命就迅速收敛于真实值。
图6为剩余寿命估计精度随循环周次的变化示意图。
采用如下精度指标评价剩余寿命的估计精度:
如图6所示,显示了剩余寿命估计精度随循环周次的变化过程。
由此可见,采用上述的仿真实验验证了本发明方法的有效性,该方法能够适用于对含有裂纹损伤的结构进行实时的损伤发展趋势和剩余寿命预测。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (7)
1.一种基于改进的粒子滤波算法的疲劳裂纹扩展预测方法,其特征在于,包括:
A、定义状态模型与观测模型的步骤;
B、进行状态模型参数转移的步骤;
C、进行裂纹状态转移的步骤;
D、当有新的裂纹监测值时,将每一粒子值带入观测似然概率密度中进行计算,将其作为粒子权值,然后对所有粒子权值进行归一化处理,得到粒子的归一化权值;并通过裂纹长度粒子集及相应的归一化权值表示裂纹长度的后验分布,再通过模型参数粒子集及相应的归一化权值表示模型参数的后验分布;
E、将状态模型参数作为裂纹长度的扩展,裂纹长度与状态模型参数构成一个扩展状态变量,根据每个粒子的归一化权值,采用多项式重采样法进行重采样,得到新的裂纹长度与模型参数的粒子集,其中每一粒子的权值均变为粒子数之一;
F、将裂纹长度与模型参数粒子集带入状态转移方程,实现裂纹发展趋势的预测,得到任意时刻下裂纹长度的概率分布;
G、对于给定的裂纹长度阈值,计算得出任意时刻剩余寿命的概率分布,
其中步骤A所述定义状态模型与观测模型,具体为:
其中,k为指第k个离散的时刻,Xk为系统的状态矢量,Xk=f(Xk-1,Ωk)为状态模型,Ωk为状态转移噪声,该状态模型定义了状态转移概率p(Xk|Xk-1)即状态转移方程;Zk为状态的观测矢量,Zk=g(Xk,Vk)为观测模型,Vk为观测噪声,该观测模型定义了似然概率p(Zk|Xk),
A具体包括:
A1、选择Paris模型作为疲劳裂纹扩展模型,并据此定义裂纹的状态转移方程即状态转移概率密度:
其中:k表示离散的时刻,xk是k时刻的裂纹长度,xk-1是k-1时刻的裂纹长度,lnC与m为与材料、环境因素相关的状态模型参数,ΔN表示两个相邻时刻之间的循环周次间隔,ΔK表示应力强度因子,ωk-1为k-1时刻的状态模型过程噪声,其服从均值为方差为的正态分布,p(xk|xk-1)为状态转移概率密度;
A2、将模型参数lnC作为待估参数,与裂纹长度共同构成扩展的状态矢量:
由于在Paris模型中,参数lnC为定参数,不随时间变化,则lnC的转移状态方程表示为:
A3、定义观测模型为:
其中,zk为裂纹长度的观测量,vk为观测噪声,N(0,δv 2)表示vk服从均值为0、方差为的正态分布,
步骤B具体包括:
B1:求系统状态转移方程对模型参数的导数:
B2:计算k时刻模型参数lnC各个粒子的位置参数:
B3、计算k时刻模型参数转移噪声的方差:
B4:生成新的模型参数粒子群:
步骤C具体包括:
由步骤A定义的状态转移概率密度p(xk|xk-1)中采样,即将步骤B得到的新的参数粒子集与上一时刻的裂纹长度粒子集带入状态转移方程,得到下一时刻的裂纹状态粒子集:
2.根据权利要求1所述基于改进的粒子滤波算法的疲劳裂纹扩展预测方法,其特征在于,步骤D还包括:若无新的裂纹监测,则返回步骤C。
3.根据权利要求1所述基于改进的粒子滤波算法的疲劳裂纹扩展预测方法,其特征在于,进一步包括步骤H,即返回执行步骤B到步骤G。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810326697X | 2018-04-12 | ||
CN201810326697 | 2018-04-12 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109145399A CN109145399A (zh) | 2019-01-04 |
CN109145399B true CN109145399B (zh) | 2020-01-24 |
Family
ID=64798529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810853786.XA Expired - Fee Related CN109145399B (zh) | 2018-04-12 | 2018-07-30 | 一种基于改进的粒子滤波算法的疲劳裂纹扩展预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109145399B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135085B (zh) * | 2019-05-20 | 2020-10-09 | 北京航空航天大学 | 基于自适应核密度估计辅助粒子滤波的疲劳裂纹评估方法 |
CN110261539B (zh) * | 2019-05-21 | 2021-06-22 | 南京航空航天大学 | 基于指数增量裂纹扩展系数的多裂纹扩展预测方法 |
CN110532620B (zh) * | 2019-07-30 | 2023-01-13 | 北京航空航天大学 | 一种基于递推最小二乘-核平滑粒子滤波的疲劳裂纹扩展预测方法 |
CN113899746B (zh) * | 2021-09-30 | 2024-05-17 | 江苏纹动测控科技有限公司 | 一种基于dic的钢结构疲劳裂纹扩展形态测量方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102262701B (zh) * | 2011-08-02 | 2013-03-13 | 北京航空航天大学 | 基于线弹性断裂力学及声发射参数的在役16锰钢承力件疲劳裂纹扩展阶段评估系统 |
CN104392122A (zh) * | 2014-11-17 | 2015-03-04 | 北京航空航天大学 | 基于裂纹检出概率模型的概率寿命评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9963941B2 (en) * | 2015-06-22 | 2018-05-08 | Baker Hughes Incorporated | Methods of forming cutting elements and earth-boring tools carrying such cutting elements |
-
2018
- 2018-07-30 CN CN201810853786.XA patent/CN109145399B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102262701B (zh) * | 2011-08-02 | 2013-03-13 | 北京航空航天大学 | 基于线弹性断裂力学及声发射参数的在役16锰钢承力件疲劳裂纹扩展阶段评估系统 |
CN104392122A (zh) * | 2014-11-17 | 2015-03-04 | 北京航空航天大学 | 基于裂纹检出概率模型的概率寿命评估方法 |
Non-Patent Citations (3)
Title |
---|
激光快速修复发动机叶片疲劳性能研究;贾晨雪 等;《计算机仿真》;20170831;第34卷(第8期);第59-63、88页 * |
疲劳裂纹扩展行为的数字仿真研究;林立 等;《甘肃工业大学学报》;19911231;第17卷(第4期);第47-53页 * |
高温受弯构件三维表面裂纹扩展寿命预测;黄培彦 等;《疲劳与断裂2000——第十届全国疲劳与断裂学术会议论文集》;20001231;第284-285页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109145399A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145399B (zh) | 一种基于改进的粒子滤波算法的疲劳裂纹扩展预测方法 | |
JP6922284B2 (ja) | 情報処理装置及びプログラム | |
Colburn et al. | State estimation in wall-bounded flow systems. Part 3. The ensemble Kalman filter | |
CN109034225B (zh) | 一种结合随机变量灰性和贝叶斯模型修正的不确定性参数估计方法 | |
CN110659722A (zh) | 基于AdaBoost-CBP神经网络的电动汽车锂离子电池健康状态估算方法 | |
CN107704962B (zh) | 一种基于不完整训练数据集的蒸汽流量区间预测方法 | |
CN104615866B (zh) | 一种基于物理统计模型的寿命预测方法 | |
CN113239022B (zh) | 医疗诊断缺失数据补全方法及补全装置、电子设备、介质 | |
CN110532620B (zh) | 一种基于递推最小二乘-核平滑粒子滤波的疲劳裂纹扩展预测方法 | |
Abudu et al. | Modeling of daily pan evaporation using partial least squares regression | |
CN111931983A (zh) | 一种降水量预测方法及系统 | |
CN114818345B (zh) | 一种光伏组件剩余寿命预测方法及预测系统 | |
JP2020086778A (ja) | 機械学習モデル構築装置および機械学習モデル構築方法 | |
CN115270239A (zh) | 基于动力特性和智能算法响应面法的桥梁可靠性预测方法 | |
CN106228026A (zh) | 一种基于最优退化特征量的剩余寿命预测算法 | |
JP7097541B2 (ja) | 情報処理装置、情報処理システム、情報処理方法及びプログラム | |
CN111523727A (zh) | 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法 | |
CN113884936A (zh) | 一种基于issa耦合delm的锂离子电池健康状态预测方法 | |
Zhang | Artificial neural network model-based design and fixed-point FPGA implementation of hénon map chaotic system for brain research | |
CN110135085B (zh) | 基于自适应核密度估计辅助粒子滤波的疲劳裂纹评估方法 | |
CN117113068A (zh) | 一种桥梁支座纵向位移的模拟方法及系统 | |
Lu et al. | Parameter estimation of software reliability growth models by a modified whale optimization algorithm | |
CN115481554A (zh) | 炸药熔铸固化过程热扩散数字孪生模型、温度场实时优化控制模型及方法 | |
Leser et al. | Sequential monte carlo: Enabling real-time and high-fidelity prognostics | |
JP4461245B2 (ja) | 株価変動数値解析装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200124 Termination date: 20210730 |