[发明专利]一种基于Bayes因子优化的动态可靠性模型更新方法

说明书

技术领域

本发明属于可靠性分析技术领域，尤其涉及机电产品的可靠性分析技术领域。

背景技术

目前产品可靠性分析多是基于统计数据或者通过经验确定的失效模型来实现的，因此 也称为统计可靠性分析方法。这是一种自上而下的可靠性分析方法，需要大量的现场或试 验数据做支撑。同时该可靠性分析方法无法建立统计数据与产品失效物理之间的联系，因 此无法满足新材料和新技术应用下的可靠性评估要求。

基于失效物理的可靠性分析方法主要是从影响材料和系统退化和失效的机理出发，充 分考虑材料性能和状态的变化规律、来自外部和内部各种能量的作用以及影响这些过程的 不确定性因素，实现基于失效物理的可靠性分析。这是一种自下而上的可靠性分析方法， 它能够从根本上处理产品的退化、失效过程，且同时将对产品性能产生影响的因素考虑进 去，从而可以实现新材料、新技术下的产品可靠性分析与设计。

随着科学技术的不断发展，产品的高可靠、长寿命的特点表现的越来越明显，导致可 用的现场数据越来越少，这给数据统计可靠性分析工作带来了很大困难。因此，为了克服 对现场数据的依赖性，基于失效物理的可靠性分析方法逐渐成为研究的热点。但在对失效 机理的推理分析及计算机仿真的过程中经常采用简化模型或近似加载来替代产品的真实 状况。为了能够减少基于失效物理的可靠性模型与真实状况下产品可靠性模型之间的差 别，许多研究者开展了可靠性模型更新方面的研究工作。目前普遍使用的可靠性模型更新 方法多是基于贝叶斯方法或极大似然估计方法。为了能够表征更新后的可靠性模型与真实 状况下的可靠性模型之间的吻合程度，业已提出了各种验证指标，包括：传统假设检验、 贝叶斯因子指标、Frequentist指标和Area指标。传统假设检验和Frequentist指标是 采用置信区间进行验证的；贝叶斯因子指标是通过建立在贝叶斯假设检验基础上的贝叶斯 因子的取值大小进行验证的；Area指标是通过预测分布函数与观察分布函数之间的干涉 面积进行验证的。目前的研究工作主要关注在可靠性模型更新方法和验证指标的表达上， 而尚未开展更新信息需求与可靠性预测精度之间的关系问题的研究。

发明内容

本发明的目的是针对目前可靠性模型更新技术存在的缺陷，提出了一种基于Bayes 因子优化的动态可靠性模型更新方法，本方法通过Bayes因子优化方法建立信息更新与可 靠性预测精度的关系，从而获取满足精度要求的失效物理可靠性模型参数，为产品可靠性 设计、监测及维修策略的制定奠定理论基础和技术支撑。

本发明的技术方案是：一种基于Bayes因子优化的动态可靠性模型更新方法，包括如 下步骤：

步骤1：分析产品的失效物理，建立产品的失效物理可靠性模型，其全称为基于失效 物理的动态可靠性近似模型，利用蒙特卡洛仿真对失效物理可靠性模型进行动态可靠性分 析，估计在某些给定时刻t_i(i＝1,2,...,l)点处的可靠度R₀(t_i)；

其中，l为自然数；

步骤2：现场收集产品相关的可靠性信息，对可靠性信息进行统计和物理特性分析， 建立统计可靠性模型，也称动态可靠性模型，估计在某些给定时刻t_i(i＝1,2,...,l)点处的可 靠度R₁(t_i)；

步骤3：将失效物理可靠性模型作为选择模型，结合现场可靠性数据和可靠性试验数 据，建立不同时间区间的Bayes因子表达式，并将不同时间区间的Bayes因子作为Bayes 因子优化模型中的约束条件；

步骤4:以失效物理可靠性模型中的模型参数为设计变量，模型参数主要指表征系统 性能的相关参数，失效物理可靠度和统计可靠度之差平方和最小为目标，各时间区间内 Bayes因子为约束条件，建立基于Bayes因子的可靠性模型参数更新的优化模型；

步骤5：利用Matlab中的fmincon函数对步骤4中的优化模型进行求解，若得到最 优解，则此最优解为满足要求的失效物理模型更新参数；若无解，则继续制定可靠性试验 方案，通过可靠性试验增加现场可靠性数据作为原有现场可靠性数据的补充，再重复步骤 2到步骤4，直至Bayes因子优化模型找到最优解。