基于狀態(tài)信息的可靠性預測方法的研究_畢業(yè)論文(編輯修改稿)

　

【文章內容簡介】 樣間隔影響，只要知道失效樣本和正常工作樣本的數目就可以估計出產品的可靠度。對于隨機樣本大小為N的乘積極限（PL）估計可以定義如下：列表和標簽的N觀察到的壽命（是否失效或失蹤）為了增加幅度，這樣一個有。那么，其中r假定這些值≤t和措施的時候失效。這估計是分布，無限制的形式，從而最大程度的意見的可能性。 基于bayes方法【4】和KM估計器的可靠度計算公式的推導 傳統(tǒng)的可靠度評估方法對于機床類設備，特別是少失效或零失效產品是不適宜的，有文獻提出從產品性能退化的角度進行可靠性評估，由擬合的性能退化軌跡曲線和失效閾值外推出各樣本的偽失效壽命，并求出，代人式（）求取設備可靠度。但是，這種方法求取的依然是設備的整體可靠度，而且需要對退化軌跡(退化規(guī)律)進行合適的假設。在此基礎上，有研究者提出先估計出狀態(tài)特征指標在不同時刻的PDF，然后由失效閾值和指標觀測值所界定的區(qū)間積分來計算相應的瞬時可靠度。假設 為時刻t所測得的m個產品的狀態(tài)特征指標值，x呈單調上升趨勢，其PDF為，失效閾值為，此時的整體可靠度可表示為 如果產品i在時刻的狀態(tài)特征參量為，其瞬時可靠度可表示為= () 式（）比值的連乘積體現(xiàn)了Bayes條件概率思想，表示設備在時刻可靠的前提條件是在時刻必須是可靠的。這種算法需要對x的PDF進行估計，并選擇PDF的分布形式。當設備接近失效時，如果樣本數太少，所估計出來的模型參數誤差就很大，會影響預測的準確性。KM評估器是一種非參數估計方法，它的最大優(yōu)點是不依賴于失效PDF的分布假設，且不受采樣間隔影響，只要知道失效樣本和正常工作樣本的數目就可以估計出產品的可靠度。結合KM思想，可將式（）改寫為 （)式中：表示在時刻X(t)中大于等于且小于失效閾值的樣本總數；表示在時刻X(t)中大于等于的樣本總數，但在時刻以前已經失效的樣本不記人中，以避免對可靠度的估計過于保守。 本章小結 機械產品的可靠性分析以應力——強度分布干涉理論為基礎, 應力——強度分布干涉模型主要是討論應力和強度相互作用的效果。應力定義為引起元件、裝置和材料失效的載荷。 強度定義為當承受外部載荷和環(huán)境時, 元件、裝置或材料能滿意地完成規(guī)定的任務而沒有失效的能力。一般地, 機械產品的強度和工作應力均為隨機變量, 呈分布狀態(tài)。可靠性定義為影響失效的應力沒有超過控制失效強度的概率。在已知或者推測其應力、強度分別符合什么狀態(tài)時候再去根據參數求解。有些麻煩。而本章提出一種新的結合貝葉斯方法和KM估計器思想而提出的一種新的求取瞬時可靠度的方法。只需要對一個使計算更加簡單方面，可靠。3 BP神經網絡 BP神經網絡及其原理 BP神經網絡定義 BP (Back Propagation)神經網絡【5】是一種神經網絡學習算法。其由輸入層、中間層、輸出層組成的階層型神經網絡，中間層可擴展為多層。相鄰層之間各神經元進行全連接，而每層各神經元之間無連接，網絡按有教師示教的方式進行學習，當一對學習模式提供給網絡后，各神經元獲得網絡的輸入響應產生連接權值（Weight）。然后按減小希望輸出與實際輸出誤差的方向，從輸出層經各中間層逐層修正各連接權，回到輸入層。此過程反復交替進行，直至網絡的全局誤差趨向給定的極小值，即完成學習的過程。 BP神經網絡模型及其基本原理 BP神經網絡是誤差反向傳播神經網絡的簡稱，它由一個輸入層，一個或多個隱含層和一個輸出層構成，每一次由一定數量的的神經元構成。這些神經元如同人的神經細胞一樣是互相關聯(lián)的。： BP神經網絡模型生物神經元信號的傳遞是通過突觸進行的一個復雜的電化學等過程, 在人工神經網絡中是將其簡化模擬成一組數字信號通過一定的學習規(guī)則而不斷變動更新的過程，這組數字儲存在神經元之間的連接權重。網絡的輸入層模擬的是神經系統(tǒng)中的感覺神經元，它接收輸入樣本信號。輸入信號經輸入層輸入， 通過隱含層的復雜計算由輸出層輸出，輸出信號與期望輸出相比較，若有誤差，再將誤差信號反向由輸出層通過隱含層處理后向輸入層傳播。在這個過程中，誤差通過梯度下降算法，分攤給各層的所有單元，從而獲得各單元的誤差信號，以此誤差信號為依據修正各單元權值，網絡權值因此被重新分布。此過程完成后， 輸入信號再次由輸入層輸入網絡，重復上述過程。這種信號正向傳播與誤差反向傳播的各層權值調整過程周而復始地進行著，直到網絡輸出的誤差減少到可以接受的程度，或進行到預先設定的學習次數為止。權值不斷調整的過程就是網絡的學習訓練過程。 BP神經網絡的信息處理方式具有的特點(1)信息分布存儲 人腦存儲信息的特點是利用突觸效能的變化來調整存儲內容， 即信息存儲在神經元之間的連接強度的分布上， BP神經網絡模擬人腦的這一特點，使信息以連接權值的形式分布于整個網絡。(2) 信息并行處理 人腦神經元之間傳遞脈沖信號的速度遠低于馮諾依曼計算機的工作速度,但是在很多問題上卻可以做出快速的判斷、決策和處理，這是由于人腦是一個大規(guī)模并行與串行組合的處理系統(tǒng)。BP神經網絡的基本結構模仿人腦，具有并行處理的特征，大大提高了網絡功能。(3) 具有容錯性 生物神經系統(tǒng)部分不嚴重損傷并不影響整體功能，BP神經網絡也具有這種特性，網絡的高度連接意味著少量的誤差可能不會產生嚴重的后果，部分神經元的損傷不破壞整體，它可以自動修正誤差。這與現(xiàn)代計算機的脆弱性形成鮮明對比。(4) 具有自學習、自組織、自適應的能力 BP神經網絡具有初步的自適應與自組織能力，在學習或訓練中改變突觸權值以適應環(huán)境，可以在使用過程中不斷學習完善自己的功能，并且同一網絡因學習方式的不同可以具有不同的功能，它甚至具有創(chuàng)新能力，可以發(fā)展知識，以至超過設計者原有的知識水平。 BP神經網絡的主要功能目前，在人工神經網絡的實際應用中。絕大部分的神經網絡模型都采用BP神經網絡及其變化形式。它也是前向網絡的核心部分，體現(xiàn)了人工神經網絡的精華。BP網絡主要用于以下四方面： (1)函數逼近：用輸入向量和相應的輸出向量訓練一個網絡以逼近一個函數。 (2)模式識別：用一個待定的輸出向量將它與輸入向量聯(lián)系起來。 (3)分類：把輸入向量所定義的合適方式進行分類。 (4)數據壓縮：減少輸出向量維數以便傳輸或存儲。 BP網絡的優(yōu)點BP神經網絡最主要的優(yōu)點是具有極強的非線性映射能力。理論上，對于一個三層和三層以上的BP網絡，只要隱層神經元數目足夠多，該網絡就能以任意精度逼近一個非線性函數。其次，BP神經網絡具有對外界刺激和輸入信息進行聯(lián)想記憶的能力。這是因為它采用了分布并行的信息處理方式，對信息的提取必須采用聯(lián)想的方式，才能將相關神經元全部調動起來。BP 神經網絡通過預先存儲信息和學習機制進行自適應訓練，可以從不完整的信息和噪聲干擾中恢復原始的完整信息。這種能力使其在圖像復原、語言處理、模式識別等方面具有重要應用。再次，BP 神經網絡對外界輸入樣本有很強的識別與分類能力。由于它具有強大的非線性處理能力，因此可以較好地進行非線性分類, 解決了神經網絡發(fā)展史上的非線性分類難題。另外， BP 神經網絡具有優(yōu)化計算能力。BP神經網絡本質上是一個非線性優(yōu)化問題, 它可以在已知的約束條件下，尋找一組參數組合，使該組合確定的目標函數達到最小。 BP神經網絡可靠性預測模型 BP網絡是一種前向多層網絡，利用誤差反向傳播算法對網絡進行訓練，結構簡單，步驟明確。通過自學習，BP網絡可從數據中自動總結規(guī)律，把具有復雜因果關系的物理量在經過適當數量的訓練之后比較準確地反映出來，并可用總結出的規(guī)律來預測未知的信息。本文所采用的預測模型為1個3層BP神經網絡，其結構如圖l所示，輸入神經元個數為d+1，輸出神經元個數為h．網絡輸入為設備狀態(tài)的特征向量 它由當前測量值和其前d個測量值組成．網絡輸出為預測的未來h個時間間隔的可靠度向量 為了實現(xiàn)網絡的預測功能，必須確定網絡的輸入和輸出，即確定在不同特征向量下的瞬時可靠度，然后設定網絡參數，對其進行訓練，將網絡模型所需知識記憶在網絡的權值中。最后，利用訓練好的網絡模型進行實際設備的可靠性預測。R（t+3Δt）R（t+2Δt）R（t+Δt）x（t） 本章本章主要對BP神經網絡進行了簡單的講解。BP神經網絡在實現(xiàn)時間等預測方面有很大的優(yōu)勢，并且簡單方便、可靠、精確。BP神經網絡最主要的優(yōu)點是具有極強的非線性映射能力。本課題就是利用BP神經網絡對未來可靠度進行預測。利用誤差反向傳播算法對網絡進行訓練，結構簡單，步驟明確。通過自學習，BP網絡可從數據中自動總結規(guī)律，把具有復雜因果關系的物理量在經過適當數量的訓練之后比較準確地反映出來，并可用總結出的規(guī)律來預測未知的信息。4 滾動軸承的可靠性預測 狀態(tài)指標的選取 滾動軸承中狀態(tài)指標分類及應用滾動軸承是各類回轉機械中應用最廣的一種通用機械部件,它的工作狀態(tài)直接影響整臺設備的工作性能和效率,因此,對滾動軸承故障的快速高效診斷和預知維修將大大提高設備運行的可靠性。滾動軸承故障【6】的種類很多, 主要有表面疲勞損傷、磨損和膠合等幾種類型, 其中以表面疲勞損傷為主, 包括表面剝落、表面裂紋等滾動面發(fā)生局部損傷等異常狀態(tài)。當軸承元件表面發(fā)生局部損傷時, 在滾動體和內、外環(huán)相互運動