A reliability growth prediction method based on GA Elman neural network is presented. The steps are as follows: 1. collecting fault data; 2. arranging fault data into training data sets; 3. setting up parameters of GA Elman neural network; 4. establishing reliability growth model; 5. predicting reliability growth of products; 6. tracking and predicting reliability growth of products; 7. results. Through the above steps, a reliability growth prediction method based on GA Elman neural network is established. On the basis of historical fault data, every new fault data is a new state of reliability growth. The growth prediction model is constructed by using the non-linear fitting of neural network, and the model updating is realized by using self-learning ability. The problems such as the limited application scope of traditional models, the complex solution of parameters, and the inability to update the model in time are solved, which improves the accuracy of prediction in the process of growth. The effectiveness of tracking provides guidance for reliability growth management.
【技术实现步骤摘要】
一种基于GA-Elman神经网络的可靠性增长预测方法
本专利技术提供了一种基于GA-Elman神经网络的可靠性增长预测方法,属于可靠性增长领域
技术介绍
近些年来随着我国经济的快速增长,我国制造业持续快速发展,目前我国已经建成了世界上门类齐全、独立完善的产业体系,有力推动了我国工业化和现代化的发展,然而与世界先进水平相比,我国制造业仍然大而不强,在质量效益等方面差距仍然十分明显。为此我国提出“中国制造2025”的理念,致力于全面提高产品的质量水平。在“中国制造2025”中指出要坚持把质量作为建设制造强国的生命线,加强质量技术攻关、质量监管体系建成,坚持走以质取胜的发展道路。显然,提高产品的质量已然成为实现“中国制造2025”的必然要求。而可靠性增长技术作为实现产品可靠性定量增长的关键技术,在指导产品质量控制、试验资源调控中起着举足轻重的作用。近些年来,随着产品的功能不断增加,产品的复杂度不断变大,对于产品可靠性的要求也不断提高。然而由于市场竞争激烈,产品生产周期不断变短,在规定时间内达到产品规定可靠性越来越难。而一味地增加试验资源并不能有效解决产品可靠性增长问题。事实上产品的可靠性增长是由人力、设备、以及试验资源等因素共同决定的。因此有效地对产品可靠性增长过程进行管理对提高产品可靠性至关重要。可靠性增长管理分为三个阶段:计划阶段、跟踪阶段、预测阶段。首先在计划阶段确定一条产品可靠性的增长曲线;然后在增长过程中对产品不断采取纠正措施,并将产品的故障信息绘制成一条跟踪曲线,监控产品可靠性的增长信息;最后进行可靠性增长预测。由于计划阶段属于制造前的准备阶段,因此 ...
【技术保护点】
1.一种基于GA‑Elman神经网络的可靠性增长预测方法,提出的基本假设如下:假设1、在产品研制过程中均有检测设备监控产品质量。检测结果是绝对可靠的;假设2、产品在研制过程中发生故障的原因是相互独立的;假设3、产品故障后采取维修或者替换元器件的方式使产品能恢复正常工作;假设4、在增长过程中会发生较多的故障;假设5、设备发生各类型故障中可修故障占80%以上;基于上述假设,本专利技术提出的一种基于GA‑Elman神经网络的可靠性增长预测方法,其步骤如下:步骤1、收集相关产品的故障数据;步骤2、将故障数据整理成训练数据组;步骤3、设置GA‑Elman神经网络参数;步骤4、建立可靠性增长模型;步骤5、;对产品进行可靠性增长预测;步骤6、对产品进行可靠性增长跟踪预测;步骤7、结果分析。通过以上步骤,建立了一种基于GA‑Elman神经网络的可靠性增长预测方法,根据在历史故障数据的基础上,将每产生一个新的故障数据看做是一种新的状态,然后利用神经网络非线性拟合构建增长模型,利用自学习训练能力实现模型更新从而解决了传统模型应用范围受限,参数求解复杂,以及不能及时实现模型更新,准确描述可靠性增长过程的问题 ...
【技术特征摘要】
1.一种基于GA-Elman神经网络的可靠性增长预测方法,提出的基本假设如下:假设1、在产品研制过程中均有检测设备监控产品质量。检测结果是绝对可靠的;假设2、产品在研制过程中发生故障的原因是相互独立的;假设3、产品故障后采取维修或者替换元器件的方式使产品能恢复正常工作;假设4、在增长过程中会发生较多的故障;假设5、设备发生各类型故障中可修故障占80%以上;基于上述假设,本发明提出的一种基于GA-Elman神经网络的可靠性增长预测方法,其步骤如下:步骤1、收集相关产品的故障数据;步骤2、将故障数据整理成训练数据组;步骤3、设置GA-Elman神经网络参数;步骤4、建立可靠性增长模型;步骤5、;对产品进行可靠性增长预测;步骤6、对产品进行可靠性增长跟踪预测;步骤7、结果分析。通过以上步骤,建立了一种基于GA-Elman神经网络的可靠性增长预测方法,根据在历史故障数据的基础上,将每产生一个新的故障数据看做是一种新的状态,然后利用神经网络非线性拟合构建增长模型,利用自学习训练能力实现模型更新从而解决了传统模型应用范围受限,参数求解复杂,以及不能及时实现模型更新,准确描述可靠性增长过程的问题。提高了在增长过程中预测的科学性、全面性,,跟踪的有效性,超前性,有利于指导研制单位在开展可靠性增长管理时提供科学的决策,提升研发效率。2.根据权利要求1所述的一种GA-Elman神经网络的可靠性增长预测方法,其特征在于:在步骤1中所述的在步骤1中所述的“收集相关产品的故障数据”,是指在产品增长过程阶段,产品发生的故障数及故障时间,并由此得到的产品平均故障间隔时间。3.根据权利要求1所述的一种基于GA-Elman神经网络的可靠性增长预测方法,其特征在于:在步骤2中所述的“将故障数据整理成训练数据组”,是指对步骤1中所得到的数据进行处理,设置嵌入维数m,预测步长P。得到输入输出矩阵。4.根据权利要求1所述的一种基于GA-Elman神经网络的可靠性增长预测方法,其特征在于:在步骤3中所述的“设置GA-Elman神经网络参数”是指根据步骤2中所得到的数据进行分析,初步确定遗传算法参数,Elman神经网络结构及神经网络参数;其具体做法如下:首先确定Elman神经网络拓扑结构并初始化权值与阈值,利用遗传算法初始化种群并进行遗传操作,将经过优化后的权值和阈值传回Elman神经网络,最后对Elman神经网络进行训练,当达到预定目标值时停止训练。5.根据权利要求1所述的一种基于GA-Elman神经网络的可靠性增长预测方法,其特征在于:在步骤4中所述的“建立可靠性增长模型”,是指对步骤1得到的故障数据进行处理得到训练数据样本,然后将其输入到由步骤2设定好的神经网络中,经过步骤3设定的训练达到理想的训练结果后就建立起来了新的可靠性增长模型;其具体...
【专利技术属性】
技术研发人员:赵新磊,王立志,王晓红,陆大伟,
申请(专利权)人:北京航空航天大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。