基于狀態信息的可靠性預測方法的研究_畢業論文-資料下載頁

【導讀】可靠性的概率度量稱為可靠度。可靠性占主導地位。據1975年美國《質量進展》雜志預測，由于產品責任問題，當年請求賠償金額達500億美元。可靠性是機械零件設計時必須考慮的重要指標。第二次世界大戰期間，美國空軍由于飛行故障而損失的飛機為21000架，；運往遠東的作戰飛機上的電子設備60％在運輸中失效，在儲存期間有50％發生失效；海軍艦艇上的電子設備70％因“意外”事故而失效。這些事實引起美國軍方的高度重視，開始研究這些“意外”事故發生的規律，提出了可靠性的概念。其可靠性技術應用主要靠國家標準推動，發布了一系列可靠性國家標準。陳立周等提出了一種基于概率密度函數矩不等式的契貝雪夫點法。該方法既保證了概率計算的精度，同時又克服了一次二階

　　

【正文】 經網絡可靠性預測方法．該方法充分利用了設備退化過程中的狀態信息，能夠動態地反映設備的運行性能、精度，準確預測設備的可靠度。本章通過對滾動軸承的狀態指標的分析，決定用峭度值作為本課題的狀態指標。通過狀態指標的提取，瞬時可靠度的計算，利用BP神經網絡訓練學習，輸入第5組參數求出想得到的第五組的C5—C7的瞬時可靠度，再對其在進行計算與其比較，驗證了BP神經網絡訓練的可靠性的準確性，為了進一步驗證，讓BP神經網絡求出C6—C8的瞬時可靠度，再使C6，C7與原來訓練出來的進行比較，更加進一步驗證了該方法的可靠性。5 總結 本次畢業設計期間，作者通過現有機械可靠性預測的分析和比較，提出了一種新的機械可靠性分析的方案，并驗證其正確性。本課題是針對基于狀態信息的可靠性預測方法的研究。顧名思義，本課題是利用對滾動軸承的峭度值預測其可靠度。本文針對滾動軸承類退化型失效設備，提出了一種基于設備運行狀態信息的可靠性預測方法，其核心分為三個部分：一，狀態特征指標的選取；二，瞬時可靠度的求取；三，利用BP神經網絡訓練學習訓練預測可靠度。其中，瞬時可靠度計算是準確預測的關鍵，結合Bayes方法和KM估計器思想提出的基于狀態特征指標比例關聯關系的瞬時可靠度算法簡單高效。針對滾動軸承的峭度值的時變數據，以可靠度為評價標準，正確預測出滾動軸承未來的可靠度，該過程表明設備狀態信息用于可靠性預測的可行性和有效性，是未來可靠性發展的一個重要方向。畢業設計主要收獲和體會如下：(1) 學到了理論研究的方法。理論研究過程就是對一個問題進行分析，然后提出一種比較新型的方法去對問題進行解決。在此過程中，需要我們展現我們自己實驗過程，更重要的是還要有驗證過程，我們必須讓我們的方法有理有據。(2) 提高了綜合應用各門知識的能力。以前課程設計接觸課程知識比較窄，而且時間有限，即使發現了問題也不能及時改進，借用這次機會再次把專業知識做了系統的了解，特別是機械設計可靠性方面的知識。(3) 提高了收集資料和查閱能力。收集資料是做畢業設計的前期準備工作，資料是否全面、可靠，關系到整個畢業設計的進程。查閱手冊是設計過程中隨時要做的事情。只有廣泛收集有用的資料才能設計出比較好的產品。(4) 培養了嚴謹的科學作風。科學工作來不得半點虛假，在設計過程中每個數據計算都不容易有半點錯誤，在matlab編程中每個字母都不能寫錯，因此，在設計過程中必須要有高度的責任心，要有嚴肅認真的工作態度。總之，對我們每個學生來說，經過這次畢業設計，為今后從事生產第一線的技術發行工作、技術管理工作有非常大的幫助。謝辭在本論文的寫作即將完成之際，我的心情無法平靜，本文的完成既是我孜孜不倦努力的結果，更是導師武紅霞老師親切關懷和悉心指導的結果。在整個論文的選題、研究和撰寫過程中，導師都給了我精心的指導、熱忱的鼓勵和支持，她多次詢問論文的寫作進程，多次為我批閱文章并提出修改意見，她的精心點撥為我開拓了研究視野，修正了寫作思路，對論文的完善和質量的提高起到了關鍵性的作用。另外，導師嚴謹求實的治學態度、一絲不茍的工作作風和高尚的人格魅力，都給了學生很大感觸，使學生終生受益。在此，學生謹向導師致以最真摯的感激和最崇高的敬佩之情。另外，我還需要特別感謝孫老師、劉老師和陳老師在中期審核時候對我提的建議。俗話說：“教師是太陽底下最光輝的事業”。在您們身上，我看到了這句話的真諦，您們諄諄的教導，偉大的人格和無私奉獻的精神，讓我終生難忘，永遠鞭策我前進。在此，我要向諸位老師深深地鞠上一躬。再者，還要感謝四年來在學習和生活中所有給予我關心、支持和幫助的老師和同學們。特別是我寢室的姐妹們，四年來我們一起學習、一起玩耍，共同度過了太多的美好時光。我們始終是一個團結、友愛、積極向上的集體，我們六人中即將有一人出國，四人就讀研究生，即將走向工作崗位的阿薇也是我們心目中的全才。“天下沒有不散的宴席”。在我們即將分離的時刻，我別無他話，衷心的祝愿大家一路走好、前程似錦、一生平安幸福。最后，感謝我的爸爸媽媽，感謝您們賜予我生命，感謝您們二十多年來對我的養育之恩，更感謝您們不管多苦多難對我學業始終如一的理解與支持。向百忙之中抽出時間審稿和參加本論文答辯的老師致以深深的謝意。向您們說一聲：敬愛的老師，您辛苦了！參考文獻【1】：科學出版社，.【2】CAO H .End milling tool beakage detection using lifting scheme and Mahalanobis distance ,.【3】KAPLAN E L。MEIER P ,Nonparametric estimation from inplete observations .【4】 強度模型的Bayes ：國防科技大學機電工程與自動化學，2000,22(3):8589.【5】:湛江師范學院數學與計算科學學院,2004,25(3):8084.【6】:寧波工程學院機械學院,2008,10(7):6268.【7】萬書亭, 　保定：華北電力大學機械工程系,2010,5(3):109113.【8】：：機械工業出版社，2011【9】保家，陳雪峰，何正嘉，李兵利. ：西安交通大學機械制造系統工程國家重點實驗室，2010，44（9）:75121.【10】蔡金燕，于志堅，韓春輝，:北京跟蹤與通信技術研究所，2008，29（10）:12471248【11】 　王肇琪, 付勤毅. 滾動軸承故障的振動檢測方法[J] . 有色礦山, 1991(1) : 3640.【12】　武和雷, 朱善安, 林瑞仲, 等. 滾動軸承故障診斷虛擬儀器系統[J] . 軸承, 2002(12) : 3439.【13】　趙曉玲. 滾動軸承故障振動檢測方法[J] . 重慶科技學院學報, 2007, 9(1) : 4144.【14】陳珊珊. 時域分析技術在機械設備故障診斷中的應用[J] . 機械傳動, 2007, 31(3) : 7983.【15】蔡改改，陳雪峰，陳保家，李兵．：西安交通大學機械制造系統工程國家重點實驗室，2012，46（1）:109113.【16】 :中南大學機電工程學院,2006，3（2）：4547.【17】閆 欣，肖春英，朱春來，徐 東， 邯鄲:中國船舶重工集團公司第七一八研究所,2010,23(2):3337.【18】Philippe WEBER, Didier THEILLIOL, Christophe Reliability in Fault Diagnosis DecisionMaking based on Dynamic Bayesian des Sciences et Techniques BP 239 54506 Vandoeuvre Cedex France:Centre de Recherche en Automatique de Nancy CNRS UMR 7039 Nancy Universit233。,程序清單clearclc%%輸入訓練樣本p=[ 。 。 。 ]39。%%輸出訓練樣本t= [1 。1 。1 0 0。1 ]39。%%神經網絡結構inputNums=4。newhideNums=10。outputNums=3。net=newff(minmax(p),[newhideNums,outputNums],{39。logsig39。,39。logsig39。})。%bp神經網絡的建立=1500。 % 訓練次數 =。 % 誤差期望值net=train(net,p,t)。%訓練網絡y=sim(net,p)。e=ty。error=mse(e,net)。%error為網絡的均方差%%測試樣本PP=[ ]39。%需要預測樣本的個數b=size(PP)。jishuqi=b(2)。%輸出BP神經網絡訓練的結果,權值和閾值w_heni={1,1}。w_he=w_heni39。 %隱層權值w_out={2,1}。 %輸出層權值b_heni={1,1}。b_he=b_heni39。 %隱層閾值b_out={2,1}。 %輸出層閾值%預測c=1。 for i=1:inputNums gg(i)=PP(i,c)。 %第一組輸入向量 end for j=1:newhideNums net1=0。 for i=1:inputNums net1=net1+gg(i)*w_he(i,j)。 %輸入層到隱層的加權和 end net1=net1+b_he(j)。 gg1(j)=1/(1+exp(net1))。 end for k=1:outputNums net1=。 for j=1:newhideNums net1=net1+gg1(j)*w_out(k,j)。 end net1=net1+b_out。 o=1/(1+exp(net1))。 o=[1 ] %測試樣本的輸出 end o%%預測結果figure(1)plot(1:jishuqi,o,39。*39。)。 %實際值xlabel(39。預測樣本39。)。ylabel(39。預測結果39。)。 legend(39。預測值39。)。25