基于状态信息的可靠性预测方法的研究_毕业论文(编辑修改稿)

基于状态信息的可靠性预测方法的研究_毕业论文(编辑修改稿)内容摘要：

样间隔影响，只要知道失效样本和正常工作样本的数目就可以估计出产品的可靠度。 对于随机样本大小为N的乘积极限（PL）估计可以定义如下：列表和标签的N观察到的寿命（是否失效或失踪）为了增加幅度，这样一个有。 那么，其中r假定这些值≤t和措施的时候失效。 这估计是分布，无限制的形式，从而最大程度的意见的可能性。 基于bayes方法【4】和KM估计器的可靠度计算公式的推导 传统的可靠度评估方法对于机床类设备，特别是少失效或零失效产品是不适宜的，有文献提出从产品性能退化的角度进行可靠性评估，由拟合的性能退化轨迹曲线和失效阈值外推出各样本的伪失效寿命，并求出，代人式（）求取设备可靠度。 但是，这种方法求取的依然是设备的整体可靠度，而且需要对退化轨迹(退化规律)进行合适的假设。 在此基础上，有研究者提出先估计出状态特征指标在不同时刻的PDF，然后由失效阈值和指标观测值所界定的区间积分来计算相应的瞬时可靠度。 假设 为时刻t所测得的m个产品的状态特征指标值，x呈单调上升趋势，其PDF为，失效阈值为，此时的整体可靠度可表示为 如果产品i在时刻的状态特征参量为，其瞬时可靠度可表示为= () 式（）比值的连乘积体现了Bayes条件概率思想，表示设备在时刻可靠的前提条件是在时刻必须是可靠的。 这种算法需要对x的PDF进行估计，并选择PDF的分布形式。 当设备接近失效时，如果样本数太少，所估计出来的模型参数误差就很大，会影响预测的准确性。 KM评估器是一种非参数估计方法，它的最大优点是不依赖于失效PDF的分布假设，且不受采样间隔影响，只要知道失效样本和正常工作样本的数目就可以估计出产品的可靠度。 结合KM思想，可将式（）改写为 （)式中：表示在时刻X(t)中大于等于且小于失效阈值的样本总数；表示在时刻X(t)中大于等于的样本总数，但在时刻以前已经失效的样本不记人中，以避免对可靠度的估计过于保守。 本章小结 机械产品的可靠性分析以应力——强度分布干涉理论为基础, 应力——强度分布干涉模型主要是讨论应力和强度相互作用的效果。 应力定义为引起元件、装置和材料失效的载荷。 强度定义为当承受外部载荷和环境时, 元件、装置或材料能满意地完成规定的任务而没有失效的能力。 一般地, 机械产品的强度和工作应力均为随机变量, 呈分布状态。 可靠性定义为影响失效的应力没有超过控制失效强度的概率。 在已知或者推测其应力、强度分别符合什么状态时候再去根据参数求解。 有些麻烦。 而本章提出一种新的结合贝叶斯方法和KM估计器思想而提出的一种新的求取瞬时可靠度的方法。 只需要对一个使计算更加简单方面，可靠。 3 BP神经网络 BP神经网络及其原理 BP神经网络定义 BP (Back Propagation)神经网络【5】是一种神经网络学习算法。 其由输入层、中间层、输出层组成的阶层型神经网络，中间层可扩展为多层。 相邻层之间各神经元进行全连接，而每层各神经元之间无连接，网络按有教师示教的方式进行学习，当一对学习模式提供给网络后，各神经元获得网络的输入响应产生连接权值（Weight）。 然后按减小希望输出与实际输出误差的方向，从输出层经各中间层逐层修正各连接权，回到输入层。 此过程反复交替进行，直至网络的全局误差趋向给定的极小值，即完成学习的过程。 BP神经网络模型及其基本原理 BP神经网络是误差反向传播神经网络的简称，它由一个输入层，一个或多个隐含层和一个输出层构成，每一次由一定数量的的神经元构成。 这些神经元如同人的神经细胞一样是互相关联的。 ： BP神经网络模型生物神经元信号的传递是通过突触进行的一个复杂的电化学等过程, 在人工神经网络中是将其简化模拟成一组数字信号通过一定的学习规则而不断变动更新的过程，这组数字储存在神经元之间的连接权重。 网络的输入层模拟的是神经系统中的感觉神经元，它接收输入样本信号。 输入信号经输入层输入， 通过隐含层的复杂计算由输出层输出，输出信号与期望输出相比较，若有误差，再将误差信号反向由输出层通过隐含层处理后向输入层传播。 在这个过程中，误差通过梯度下降算法，分摊给各层的所有单元，从而获得各单元的误差信号，以此误差信号为依据修正各单元权值，网络权值因此被重新分布。 此过程完成后， 输入信号再次由输入层输入网络，重复上述过程。 这种信号正向传播与误差反向传播的各层权值调整过程周而复始地进行着，直到网络输出的误差减少到可以接受的程度，或进行到预先设定的学习次数为止。 权值不断调整的过程就是网络的学习训练过程。 BP神经网络的信息处理方式具有的特点(1)信息分布存储 人脑存储信息的特点是利用突触效能的变化来调整存储内容， 即信息存储在神经元之间的连接强度的分布上， BP神经网络模拟人脑的这一特点，使信息以连接权值的形式分布于整个网络。 (2) 信息并行处理 人脑神经元之间传递脉冲信号的速度远低于冯诺依曼计算机的工作速度,但是在很多问题上却可以做出快速的判断、决策和处理，这是由于人脑是一个大规模并行与串行组合的处理系统。 BP神经网络的基本结构模仿人脑，具有并行处理的特征，大大提高了网络功能。 (3) 具有容错性 生物神经系统部分不严重损伤并不影响整体功能，BP神经网络也具有这种特性，网络的高度连接意味着少量的误差可能不会产生严重的后果，部分神经元的损伤不破坏整体，它可以自动修正误差。 这与现代计算机的脆弱性形成鲜明对比。 (4) 具有自学习、自组织、自适应的能力 BP神经网络具有初步的自适应与自组织能力，在学习或训练中改变突触权值以适应环境，可以在使用过程中不断学习完善自己的功能，并且同一网络因学习方式的不同可以具有不同的功能，它甚至具有创新能力，可以发展知识，以至超过设计者原有的知识水平。 BP神经网络的主要功能目前，在人工神经网络的实际应用中。 绝大部分的神经网络模型都采用BP神经网络及其变化形式。 它也是前向网络的核心部分，体现了人工神经网络的精华。 BP网络主要用于以下四方面： (1)函数逼近：用输入向量和相应的输出向量训练一个网络以逼近一个函数。 (2)模式识别：用一个待定的输出向量将它与输入向量联系起来。 (3)分类：把输入向量所定义的合适方式进行分类。 (4)数据压缩：减少输出向量维数以便传输或存储。 BP网络的优点BP神经网络最主要的优点是具有极强的非线性映射能力。 理论上，对于一个三层和三层以上的BP网络，只要隐层神经元数目足够多，该网络就能以任意精度逼近一个非线性函数。 其次，BP神经网络具有对外界刺激和输入信息进行联想记忆的能力。 这是因为它采用了分布并行的信息处理方式，对信息的提取必须采用联想的方式，才能将相关神经元全部调动起来。 BP 神经网络通过预先存储信息和学习机制进行自适应训练，可以从不完整的信息和噪声干扰中恢复原始的完整信息。 这种能力使其在图像复原、语言处理、模式识别等方面具有重要应用。 再次，BP 神经网络对外界输入样本有很强的识别与分类能力。 由于它具有强大的非线性处理能力，因此可以较好地进行非线性分类, 解决了神经网络发展史上的非线性分类难题。 另外， BP 神经网络具有优化计算能力。 BP神经网络本质上是一个非线性优化问题, 它可以在已知的约束条件下，寻找一组参数组合，使该组合确定的目标函数达到最小。 BP神经网络可靠性预测模型 BP网络是一种前向多层网络，利用误差反向传播算法对网络进行训练，结构简单，步骤明确。 通过自学习，BP网络可从数据中自动总结规律，把具有复杂因果关系的物理量在经过适当数量的训练之后比较准确地反映出来，并可用总结出的规律来预测未知的信息。 本文所采用的预测模型为1个3层BP神经网络，其结构如图l所示，输入神经元个数为d+1，输出神经元个数为h．网络输入为设备状态的特征向量 它由当前测量值和其前d个测量值组成．网络输出为预测的未来h个时间间隔的可靠度向量 为了实现网络的预测功能，必须确定网络的输入和输出，即确定在不同特征向量下的瞬时可靠度，然后设定网络参数，对其进行训练，将网络模型所需知识记忆在网络的权值中。 最后，利用训练好的网络模型进行实际设备的可靠性预测。 R（t+3Δt）R（t+2Δt）R（t+Δt）x（t） 本章本章主要对BP神经网络进行了简单的讲解。 BP神经网络在实现时间等预测方面有很大的优势，并且简单方便、可靠、精确。 BP神经网络最主要的优点是具有极强的非线性映射能力。 本课题就是利用BP神经网络对未来可靠度进行预测。 利用误差反向传播算法对网络进行训练，结构简单，步骤明确。 通过自学习，BP网络可从数据中自动总结规律，把具有复杂因果关系的物理量在经过适当数量的训练之后比较准确地反映出来，并可用总结出的规律来预测未知的信息。 4 滚动轴承的可靠性预测 状态指标的选取 滚动轴承中状态指标分类及应用滚动轴承是各类回转机械中应用最广的一种通用机械部件,它的工作状态直接影响整台设备的工作性能和效率,因此,对滚动轴承故障的快速高效诊断和预知维修将大大提高设备运行的可靠性。 滚动轴承故障【6】的种类很多, 主要有表面疲劳损伤、磨损和胶合等几种类型, 其中以表面疲劳损伤为主, 包括表面剥落、表面裂纹等滚动面发生局部损伤等异常状态。 当轴承元件表面发生局部损伤时, 在滚动体和内、外环相互运动。