摘要：得益于机器学习理论及技术的高速发展,数据驱动的预测及健康管理(Prognostic and Health Management, PHM)系统能从高维的多源异构数据中学习设备不同状态的特征和趋势,进而完成诊断和预测任务。然而,复杂机器学习模型的不透明性也引发了使用者对模型的信任问题,且设计者难以根据自身知识针对性改进模型。为此,本文总结了机器学习可解释性研究进展,归纳了其研究范式,概述了模型可解释性在PHM领域中的应用,并对比了当前可解释性研究在机器学习和PHM中的研究模式,提出未来的一些研究设想。

摘要：由于无人机旋翼叶片的复杂几何形状及其空气动力学性能对其三维外形的高灵敏度,当前小型无人机旋翼叶片的优化设计普遍存在由维度灾难(Curse of Dimensionality)带来的高计算成本的问题。为了解决这一问题,提出了一种基于类函数/形状函数变换方法(Class/Shape Function Transformation)的高效三维叶片参数化模型;建立了高精度计算流体力学(Computational Fluid Dynamics)模型,与实验数据相比,所有转速下旋翼推力的仿真结果的误差在5%以内;基于仿真数据构建了旋翼扭矩和推力的高保真自扩展自适应混合代理模型(Extended Adaptive Hybrid Functions);应用了遗传算法(Genetic Algorithm)执行以悬停推力水平为约束,最小化旋翼扭矩为目标的旋翼外形优化设计。与基于翼型E387的原旋翼相比,优化模型的扭矩减少12.5%,悬停效率提高了8.32%,总重相对减少24.23%。最终,对优化后的旋翼叶片进行了流固耦合分析以验证其结构安全性与上述优化框架的可行性。