本文通过某柴油机公司5个月来发生过故障的发动机产品数据的统计记录,使用故障树分析方法及原理对该公司产品的故障原因事件做了精确、细致的分析比较。根据分析比较的结果,识别出该发动机产品出现故障的所有原因,对其原因做出了定性分析和定量的计算,通过对故障树最小割集的定性分析找到了导致顶事件的底事件。据此对该公司的质量管理方面提出整改措施,以便以后避免出现或减少出现类似问题,从而提高产品的可靠性、安全性,提高公司的效益。

渔船柴油机,不论功率大小,在运营过程中,难免要出现些故障。因此,轮机长和轮机员应时常注意观察主机的运营情况,及时发现和排除故障,以利安全航行与生产。现将渔船柴油机的常见故障产生的原因简要介绍如下。 1.产生敲缸的原因 (1)喷油时间过早; (2)轴承间隙过大; (3)活塞与气缸间隙过大或活塞环咬死在环槽内; (4)活塞连杆组中心线与曲轴中心线安装不垂直; (5)超过负荷运转或暴发压力过高; (6)突然的机械损坏,如活塞、活塞销、连

研究了产品在形成过程中的质量波动—不合格零件和安装误差对其可靠性影响的问题。首先，引入三种质量波动下的产品可靠性模型；然后，基于ｌｏｇ－ｌｏｇｉｓｔｉｃ概率分布对模型进行分析；最后，通过参数分析绘制三种质量波动下的失效率图和转换后的ｌｏｇ－ｌｏｇｉｓｔｉｃ图，通过非参数分析描述失效率图的形状特征。研究结果表明，在三种可靠性模型下绘制出的图形具有显著的形状特征，这些特征图能够监测产品在形成过程中的质量波动，进而有效地控制波动，提高产品的可靠性。

[目的]针对传统机器学习在拖拉机柴油机故障诊断应用中的局限性，本研究提出一种HPO-SVM（Hybrid Population Optimization-Support Vector Machine）拖拉机柴油机故障诊断模型。[方法]首先，采用SVM（Support Vector Machine）作为故障诊断模型的基体，针对SVM优化问题，以PSO（Particle Swarm Optimization）和GWO（Grey Wolf Optimization）算法为基础提出了HPO（Hybrid Population Optimization）算法对SVM的重要参数c、g进行优化；然后，分析柴油机的故障机理，确定反映故障发生的数据信号；最后，基于CAN（Controller Area Network）总线和Arduino UNO-MCP 2551组合模块采集潍柴WP6型拖拉机柴油机传感器信号数据对HPO-SVM的性能进行测试，并将测试结果与SVM、PSO-SVM（Particle Swarm Optimization-Support Vector Machine）、GWO-SVM（Grey Wolf Optimization-Support Vector Machine）、GWOPSO-SVM（Grey Wolf Optimization Particle Swarm Optimization-Support Vector Machine）、LWD-QPSO-SOMBP（Linear Weight Decrease-Quantum Particle Swarm Optimization-Self Organizing Maps Back Propagation）神经网络的测试结果进行对比。[结果]相比于其他4种SVM模型，HPO-SVM充分发挥了GWO算法和PSO算法在SVM参数寻优方面的优势，故障诊断准确率大幅度提升，相比于SVM，诊断总准确率由80.00%上升至100.00%，上升了20.00%；HPO算法提高了单种群优化算法的寻优性能，相较于PSO算法，HPO算法最佳适应度由70提升至90，提高了22.22%，达到最佳适应度时的迭代次数由105下降至27，下降了74.29%；为避免偶然性对5种SVM模型采取了6次重复试验，试验结果表明，相较于其他4种模型HPO-SVM模型的性能更稳定，HPO-SVM的6次诊断总准确率均为100.00%；HPO-SVM采用SVM作为故障诊断模型，缓解了优化算法的寻优压力，提高了模型的效率，相比于LWD-QPSO-SOMBP神经网络，HPO-SVM模型的运行时间由45 s降低至15 s，下降了66.67%。[结论]本文研究可为高效率拖拉机柴油机故障诊断提供参考。

[目的]针对传统机器学习在拖拉机柴油机故障诊断应用中的局限性，本研究提出一种HPO-SVM（Hybrid Population Optimization-Support Vector Machine）拖拉机柴油机故障诊断模型。[方法]首先，采用SVM（Support Vector Machine）作为故障诊断模型的基体，针对SVM优化问题，以PSO（Particle Swarm Optimization）和GWO（Grey Wolf Optimization）算法为基础提出了HPO（Hybrid Population Optimization）算法对SVM的重要参数c、g进行优化；然后，分析柴油机的故障机理，确定反映故障发生的数据信号；最后，基于CAN（Controller Area Network）总线和Arduino UNO-MCP 2551组合模块采集潍柴WP6型拖拉机柴油机传感器信号数据对HPO-SVM的性能进行测试，并将测试结果与SVM、PSO-SVM（Particle Swarm Optimization-Support Vector Machine）、GWO-SVM（Grey Wolf Optimization-Support Vector Machine）、GWOPSO-SVM（Grey Wolf Optimization Particle Swarm Optimization-Support Vector Machine）、LWD-QPSO-SOMBP（Linear Weight Decrease-Quantum Particle Swarm Optimization-Self Organizing Maps Back Propagation）神经网络的测试结果进行对比。[结果]相比于其他4种SVM模型，HPO-SVM充分发挥了GWO算法和PSO算法在SVM参数寻优方面的优势，故障诊断准确率大幅度提升，相比于SVM，诊断总准确率由80.00%上升至100.00%，上升了20.00%；HPO算法提高了单种群优化算法的寻优性能，相较于PSO算法，HPO算法最佳适应度由70提升至90，提高了22.22%，达到最佳适应度时的迭代次数由105下降至27，下降了74.29%；为避免偶然性对5种SVM模型采取了6次重复试验，试验结果表明，相较于其他4种模型HPO-SVM模型的性能更稳定，HPO-SVM的6次诊断总准确率均为100.00%；HPO-SVM采用SVM作为故障诊断模型，缓解了优化算法的寻优压力，提高了模型的效率，相比于LWD-QPSO-SOMBP神经网络，HPO-SVM模型的运行时间由45 s降低至15 s，下降了66.67%。[结论]本文研究可为高效率拖拉机柴油机故障诊断提供参考。

为了解决传统UGF方法只适用于具有稳态参数的多状态模型,不适用于多状态的瞬态模型的问题,学界提出了一种结合随机过程和UGF的方法,并称Lz变换。Lz变换方法的运用,使得多状态系统的瞬时可用度得到了有效的评估和度量。文章提出了一种改进的多参数Lz变换—向量Lz变换,对多性能参数部件构成的多状态系统进行可靠性分析,并给出算例,与蒙特卡洛方法进行对比,得出效用较高的结论。

文章针对多级物流服务供应链(LSSC)系统的可靠性问题,将GO法引入到多级LSSC系统的可靠性分析中,并对系统可靠性进行精确计算与故障状态诊断。构建了多级LSSC系统的运行全过程结构模型,对多级物流服务集成商进行层次化分析,根据GO法思路建立了多级LSSC系统的GO图模型,分析不同物流商间的逻辑关系,最后利用GO运算对多级LSSC系统进行可靠性精确计算,通过分析最小割集找出影响系统可靠性的薄弱环节。结果表明,GO法可以为多级系统的可靠性分析提供有效的思路,具有可行性与准确性。

依据陕西华山的华山松树木年轮宽度、最大密度与最小密度年表，以及对树木生长模拟结果，本文分析了树木径向生长对气候因子（气温和降水）的响应状况。结果表明树木年轮生长的多种指标均能相互印证，并具有生理学意义，从而证实了它们作为气候变化的代用资料是可靠的。这不仅强调了树木年轮多途径分析的必要性，而且为重建过去气候变化提供了依据。

采用对比分析方法,根据柴油机活塞环的结构等因素对活塞环安装方向的要求,比较分析了一些柴油机活塞环开口的安装方向,明确了柴油机活塞环开口的正确安装方向.

本文依据柴油机功率的定性表达式，从理论循环的研究角度分析指示热效率对柴油机功率的影响，从而找出提高性能指标的途径．

水势是植物细胞和组织的重要水分生理参数之一,水势大小影响着植物的代谢、生长发育及抗逆性,也是合理灌溉的生理指标(李德全等,1990)。目前国内在教学、科研中植物水势的测定主要采用小液流法、压力势法、热电偶法和木质部压力探针法。小液流法和压力室法测定水势简便易行,但2种方法都存在难以克服的弊端(王军等,1997)。热电偶法测定水势具有应用范围广、使用样品量少等

文章针对企业经营管理中的群决策,引入熵方法,分析和解决专家群组决策水平的可靠性问题。该方法基于"个体决策与群体决策趋于一致"以及"大多数人的决策意见是正确的"的思想,计算个体决策信息与群体决策信息的"距离",用K-L测度值表示,并剔除掉个体决策与群体决策距离较大的专家成员;然后根据个体决策信息和群体决策信息之间的平衡程度,计算各专家的决策熵,进而分析其可靠程度。

多项式混沌拓展(polynomial chaos expansion,PCE)模型现已发展为全局灵敏度分析的强大工具,却很少作为替代模型用于可靠性分析。针对该模型缺乏误差项从而很难构造主动学习函数来逐步更新的事实,在结构可靠性分析的框架下提出了基于PCE模型和bootstrap重抽样的仿真方法来计算失效概率。首先,对试验设计(experimental design)使用bootstrap重抽样步骤以刻画PCE模型的预测误差;其次,基于这个局部误差构造主动学习函数,通过不断填充试验设计以自适应地更新模型,直到能够精确地逼近真实的功能函数;最后,当PCE模型具有足够精确的拟合、预测能力,再使用蒙特卡洛仿真方法来计算失效概率。提出的平行加点策略既能在模型更新过程中找到改进模型拟合能力的"最好"的点,又考虑了模型拟合的计算量;而且,当失效概率的数量级较低时,PCE-bootstrap步骤与子集仿真(subset simulation)的结合能进一步加速失效概率估计量的收敛。本文方法将PCE模型在概率可靠性领域的应用从灵敏度分析延伸到了可靠性分析,同时,算例分析结果显示了该方法的精确性和高效性。

针对数控转台可靠性高、寿命长、失效样本数据少的情况,采用基于性能退化数据的可靠性评估方法进行研究。在试验过程中通过测量转台不同角度回转精度的性能退化量扩充试验数据,根据试验数据计算得出数控转台的伪失效寿命值。为了提高转台可靠性评估结果的准确率,采用虚拟增广原理扩展试验数据,再对扩展试验数据采用数学方法进行分析。结果表明:该方法可对数控转台的可靠性进行评估,得到数控转台的可靠度、失效分布密度函数和预期平均寿命等可靠性指标。该方法节省了试验成本与时间。