一种结合噪声辅助技术和现场数据的模拟电路实时可靠度预测方法

信号处理技术和信息融合技术是实时可靠度预测的关键。针对传统方法通常适用于特定的随机过程和数据分布的缺陷,提出一种新的实时可靠度预测方法。该方法采用一种基于卡尔曼滤波的噪声辅助技术来计算表征系统性能退化趋势的故障指示器,利用粒子滤波技术外推电路系统的伪失效性能,采用基于贝叶斯估计方法的信息融合技术更新性能分布的时变参数,从而预测电路的实时可靠度。引入基于真实的嵌入式平面电容器来加速退化实验所统计产生的电容器失效物理模型,并以真实数据代替理想仿真假设数据的例子,验证了结合噪声辅助技术和现场数据的实时可靠度预测方法的有效性。结果表明,现场数据信息越多,电路的实时可靠度预测准确性越高。

考虑奇点扰动问题的时间序列预测方法

目前,对于各种工业产品可靠性或者剩余寿命的预测方法通常都基于历史退化数据,这些历史数据的趋势变化可以为产品最终的维修和保障决策提供理论依据.然而,退化数据中出现的奇点扰动问题经常导致预测的准确性严重下降,这是可靠性预测领域的一个巨大挑战.为解决这个问题,该文采用样条函数方法作为数据趋势逼近模型,针对退化趋势中存在的各种奇点扰动情况,三次非多项式样条模型的二阶导数可以形成观测状态序列.引入了一种改进的结合粒子群优化算法的加权隐马尔科夫方法来外推样条函数所生成的观测序列,计算所产生的参数将更新样条函数的参数,组成一套综合完整的优化预测器.仿真和实例实验均证明了该方法的有效性.

联盟链下基于联邦学习聚合算法的入侵检测机制优化研究

近年来,联邦学习备受关注,因为它能在保护用户隐私的前提下训练和聚合入侵检测模型。联盟链作为一种高效且可控的分布式账本技术,与联邦学习技术结合被应用于多节点入侵检测场景。然而,传统的联盟链下基于联邦学习聚合入侵检测模型的算法存在缺陷,无法根据网络环境动态调整聚合算法参数,导致通信成本过高。因此,文章根据联盟链网络环境设计自适应联邦学习聚合算法,动态调整入侵检测模型聚合间隔,以平衡模型准确度与通信成本。理论分析和实验结果表明,相较于传统联邦学习聚合算法,该入侵检测模型的聚合过程在保证了模型准确度的前提下降低了系统通信成本,提高了模型聚合效率,具有良好的应用前景。