本发明专利技术公开了一种基于灰色ＲＢＦ神经网络的加速寿命试验寿命预测方法，该方法通过收集试验数据，构造可靠度－失效时间原始曲线；对失效时间数据进行级比检验；构造可靠度－累积失效时间曲线；建立三层ＲＢＦ人工神经网络；训练ＲＢＦ人工神经网络；并利用训练好的神经网络进行预测；最后对预测得到的伪累积失效时间的预测值作还原处理，得到产品正常应力下的寿命信息。该方法不需要建立物理加速模型和求解复杂多元似然方程组；避免了寿命预测中系统误差的引入；解决了加速寿命试验中人工神经网络建模需要大量训练样本的问题，对于小样本试验数据同样适用，便于实际工程应用。与现有的ＢＰ神经网络预测方法相比，显著提高了寿命预测精度。
【技术实现步骤摘要】
本专利技术涉及一种加速寿命试验中的寿命预测方法，属于加速寿命试验评估
技术背景随着产品可靠性水平的不断提高，寿命评估面临着一个长寿命高可靠产品的评估课题。 如果按照传统的寿命试验技术进行评估，时间和费用将无法承受，甚至还来不及做完寿命试 验，该产品就会因性能落后而被淘汰。此外，由于科学技术的高速发展，产品更新换代的速 度愈来愈快，人们迫切需要在较短时间内获得产品的寿命信息，而加速寿命试验技术根据产 品的失效机理，有针对性地施加应力，将大大提高可靠性验证试验的费效比。因此，加速寿 命试验的研究在可靠性试验工程领域受到了广泛重视。加速寿命试验(Accelerated Life Test, ALT)是在假设产品失效机理不变的基础上，通过寻找产品寿命与应力之间的映射关系——加速模型,利用高(加速)应力水平下的寿命特征去外 推或评估正常应力水平下的寿命特征的试验技术。ALT的应力施加方式有三种恒定应力、 步进应力和序进应力。恒定应力ALT是把全部样品分为几组，每组样品都在某个恒定加速应 力水平下进行的寿命试验。工程实际中，由于恒定应力的ALT比较容易开展，且其估计精度 较高，因此这种应力施加方式较为常用。禾ij用加速寿命试验数据对产品正常应力水平下的寿命特征进行评估的关键就是确定加速 模型。加速模型的获得通常有两种途径 一是通过研究与产品失效机理相关的物理化学原理 推导而来，称为物理加速模型，比如关于温度的阿伦尼斯(Arrhenius)模型；二是通过寿命特 征与应力水平的多项式回归来建立，称为数学(经验)加速纟莫型，比如多项式加速，莫型。物理加 速模型的获得需要对失效机理进行深入而透彻的研究，目前应用较为成熟的也仅限于关于温 度应力的阿伦尼斯(Arrhenius)模型、关于电应力的艾琳(Egring)模型等，发现一个新的物理加速模型往往需要多年的基础研究，大量的实验，远远跟不上现代装备研制的更新速度，此 为本领域内现有技术存在的第一个问题。根据应力的施加方式不同，加速模型又可以分为单应力加速模型和多应力加速模型。单 应力加速模型的应用已经比较成熟，伹是多应力的情况下由于各种不同的应力引起的失效机 理不一样，同时不同应力之间也存在着相互耦合的作用，要将它们和寿命结合，找出一个能 真实描述客观情况的加速模型是相当困难的。另外，即使通过物理的或数学的方式确定了一 个加速模型，模型中也必然存在许多待定参数，求解这些参数往往通过极大似然估计或者最4小二乘方法，其计算结果的精确性也需要验证，这是现有技术面临的第二个问题。人工神经网络(Artificial Neural Network, ANN)是一个模拟大脑神经系统结构和功能， 由大量简单处理单元即神经元广泛连接组成的人工网络。它能从已知数据中自动归纳规则， 获得这些数据的内在规律，具有很强的非线性映射能力。人工神经网络具有以下几个突出优 点l.髙度的并行性；2.高度的非线性全局作用；3.良好的容错性和联想记忆功能；4.十分 强的自适应、自学习功能。按照结构类型，神经网络可以分为四类前向型、反馈型、随机 型和自组织竞争型。径向基函数(Radial Basis Function, RBF)网络是一种前向型人工神经网络，径向基的 理论最早由Hardy， Harder和Desmarais等人提出，Broomhead和Lowe最早将RBF 用于神经网络设计之中。RBF神经网络具有较高的运算速度，较强的非线性映射能力，具有 最佳的逼近性能，能以任意精度全局逼近一个非线性函数。RBF神经网络具有严格的三层网络结构，不存在像其他网络那样的输入层到隐含层的权 值矩阵，因此输入层只负责信号传递，不对信号做任何处理；隐含层采用径向基函数作为激 活函数，通常由较多的神经元个数，完成从输入空间到隐含层空间的非线性变换；输出层釆 用Purelin函数，对隐含层输出进行线性组合，产生最终对激励信号的响应信号。灰色系统理论是我国著名学者邓聚龙教授于上世纪八十年代创立，研究解决少数据不确 定性的理论，其主要的研究内容包括灰色系统分析、建模、预测、决策和控制，它把一般系 统论、信息论、控制论的观点和方法延伸到社会、经济、生态等抽象系统，结合运用数学方 法，发展了一套解决信息不完备系统即灰色系统的理论和方法，形成了完整的理论体系。设有原始数据序列x(。) -，定义级比一个n维的数据列，其级比覆盖范围是o"("e(e""，e""),如果级比序列超出覆盖范围 较大，则应该对原数据作变换处理，使其变换后的序列的级比落于可容覆盖，常用的变换处 理有平移变换、对数变换、方根变换。灰色系统理论认为， 一组符合级比覆盖条件的客观数据尽管表现出随机、离散的表象， 但是经过适当的方式挖掘其内在规律， 一定能够弱化随机性，增强规律性。灰色累加生成(AGO)就是这样一种处理方式。若x(1)(" = J>(°)(m) , A = l,2, "，则称x(1) =为原始序列的AGO生成序列。反之，由x("得到x(o)的过 程称为IAGO。灰色系统理论预测建模的步骤如下对生成序列x("建立一阶差分灰色模型GM(l,l)方程运用最小二乘法辨识方程的模,参数:<formula>formula see original document page 6</formula>其中，<formula>formula see original document page 6</formula>白化形式一阶微分方程的解为<formula>formula see original document page 6</formula>然后经过一次AGO反变换得到原始序列的预测值。参考文献U1:张蔚、姜同敏、李晓阳、黄领才，基于BP神经网络的多应力ALT试验预 测方法，航空学报，(刊号1000-6893)，为解决加速寿命试验多应力加速模型不充分的问题， 建立了 3层BP神经网络预测模型，为了得到足够多的训练样本使神经网络达到一定的精度， 利用了双参数指数函数对加速应力下的失效数据进行了拟合，对拟合曲线再抽样后，得到较 大样本的训练数据，其预测精度达到7%以内。这种方法虽然避免了前述加速寿命试验中存 在的两个问题，但是这种方法事先将失效数据进行了一次不可逆人为拟合，丢失了部分先验 信息，必将给预测结果带来系统误差。
技术实现思路
本专利技术的目的是为了解决传统加速寿命试验中寿命估计方法存在建立加速模型和求解多 元似然方程组比较困难的实际问题，解决现有的基于BP神经网络的寿命预测方法存在的丢 失部分经验数据、预测误差较大的问题，在汲取灰色系统理论和径向基函数(RBF)神经网 络各自预测优点的基础上，利用灰色累加生成操作(AGO)原理处理神经网络训练数据，形 成了一套基于灰色RBF神经网络的恒定应力加速寿命试验寿命预测的方法。人工神经网络的建模精度容易受到训练数据随机性的影响，随机性越大，建模精度越低， 反之规律性越强则建模精度越高，因此，对训练数据进行有效的预处理可以降低其随机性， 提高神经网络的建模精度；而在加速^试验中，我们往往只能获得非常有限的试验数据， 必须对本文档来自技高网...
【技术保护点】
基于灰色ＲＢＦ神经网络的加速寿命试验寿命预测方法，其特征在于： 假设加速寿命试验有Ｋ个应力水平，且有Ｓ↓［１］＜Ｓ↓［２］＜…＜Ｓ↓［ｋ］，设在第ｉ个加速应力Ｓ↓［ｉ］下，ｉ＝１，２，……，ｋ，投入Ｎ↓［ｉ］个产品进行试验，则试验截止时间为τ↓［Ｎ↓［ｉ］］，在第ｉ个应力水平下第ｊ个产品发生失效的时间为ｔ↓［ｉｊ］，ｊ＝１，２，……，Ｎ↓［ｉ］；利用Ｓ↓［１］，Ｓ↓［２］，…，Ｓ↓［ｋ－１］，Ｓ↓［ｋ］加速应力下产品的试验数据来预测正常应力水平Ｓ↓［０］下的产品的寿命信息，具体步骤如下： 步骤一、收集试验数据； 通过加速寿命试验，收集到产品在加速应力水平下的失效时间数据； 步骤二、构造可靠度－失效时间原始曲线； 根据步骤一中的产品失效时间数据，采用经验分布函数的方法得到产品在第ｉ个应力水平Ｓ↓［ｉ］下的可靠度，记为Ｒ↓［ｉ］（ｔ↓［ｉｊ］），其中ｉ＝１，２，…，ｋ，ｊ＝１，２，…，Ｎ↓［ｉ］；从而得到应力水平Ｓ↓［ｉ］下的可靠度－失效时间原始曲线； 步骤三、对失效时间数据进行级比检验； 将加速寿命试验中收集到的各加速应力下的失效时间数据分别看作一维时间序列，并计算级比，判断级比是否落入级比覆盖范围内，即σ（ｋ）∈（ｅ↑［－２／（ｎ＋１）］，ｅ↑［２／（ｎ＋１）］），ｎ为一维时间序列维数，如果级比没有落入覆盖范围内，需要对失效时间数据进行开平方处理，直至满足级比要求； 步骤四、构造可靠度－累积失效时间曲线； 将加速应力Ｓ↓［１］，Ｓ↓［２］，…，Ｓ↓［ｋ－１］，Ｓ↓［ｋ］下产品的失效时间ｔ↓［ｉ］＝［ｔ↓［ｉ１］，ｔ↓［ｉ２］，…，ｔ↓［ｉｊ］，…ｔ↓［ｉＮｉ］］作ＡＧＯ处理，得到处理后的累积失效时间ｔ’↓［ｉ］，与失效时间ｔ↓［ｉ］相应的可靠度不变，记为Ｒ′↓［ｉ］（ｔ′↓［ｉｊ］），根据累积失效时间ｔ’↓［ｉ］，与可靠度Ｒ′↓［ｉ］（ｔ′↓［ｉｊ］）得到可靠度－累积失效时间曲线； 步骤五、建立三层ＲＢＦ人工神经网络； 确定网络的训练样本，包括输入向量和目标向量：将Ｓ↓［ｉ］和Ｒ′↓［ｉ］（ｔ′↓［ｉｊ］）作为训练网络的输入向量，相应的ｔ’↓［ｉｊ］作为目标向量，建立２个输入单元、１个输出单元的ＲＢＦ神经网络，根据经验确定网络的初始参数值； 步骤六、训练ＲＢＦ人工神经网络； 将输入向量、目标向量进行归一化处理，然后输入网络对其进行训练； 步骤七、利用训练好的神经网络进行预测； 采用经验分布函数的方法得到产品在正...
【技术特征摘要】
【专利技术属性】
技术研发人员：李树桢，李晓阳，姜同敏，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：11[中国|北京]
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。