[发明专利]一种基于GA-Elman神经网络的可靠性增长预测方法

权利要求书

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、对产品进行超前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；

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；其具体做法如下：

首先设可靠性增长过程中已有一系列的累计MTBF数据为{x₁,x₂,x₃,...x_n}，n为样本数据个数，建立输入与输出y_n＝{x_n}之间的映射关系：R^m→R，R为实数集，n为数据组个数，m为嵌入维数P为预测步长；由此可以得到GA-Elman神经网络的学习样本如下：

在得到训练样本之后再分别设置遗传算法参数与Elman神经网络参数，将训练样本输入到Elman神经网络中，设置训练次数，不断进行训练，当训练结果没有达到理想水平时对以上参数进行调节，直到达到理想目标，建立起来新的可靠性增长模型；

在步骤6中所述的“对产品进行超前可靠性增长跟踪”，是指将在可靠性增长跟踪阶段不断利用步骤4建立可靠性增长模型，同时利用步骤5进行可靠性增长预测，从而实现对产品进行超前可靠性增长跟踪；其具体做法如下：

首先对历史数据进行处理得到初始训练数据组然后经过不断训练和不断地参数调节得到初始可靠性增长模型，在此基础上进行可靠性增长预测，然后将预测结果与计划增长曲线相对比，检验增长趋势是否符合计划增长趋势从而实现超前跟踪；这是初始超前跟踪阶段；随着增长过程的不断进行，当产生一个新的故障数据后，它将与历史数据结合构成新的训练数据组，然后输入到Elman神经网络中重新进行训练，重新对遗传算法参数与Elman神经网络参数进行调节，直到达到最优结果，训练出新的可靠性增长模型；然后再进行预测，并与计划曲线对比，检验增长趋势是否符合计划增长趋势从而实现超前跟踪；因此当增长过程中不断产生新的数据时，神经网络也将会不断训练出的可靠性增长模型，不断进行预测，从而不断地实现超前跟踪。

2.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。