[发明专利]一种基于GA-Elman神经网络的可靠性增长预测方法

说明书

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：一、收集故障数据；二、将故障数据整理成训练数据组；三、设置GA‑Elman神经网络参数；四、建立可靠性增长模型；五、对产品进行可靠性增长预测；六、对产品进行可靠性增长跟踪预测；七、结果分析讨论；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。在历史故障数据的基础上，每产生新的故障数据都是可靠性增长的新状态，利用神经网络非线性拟合构建增长预测模型，利用自学习能力实现模型更新，解决传统模型应用范围受限，参数求解复杂，以及不能及时更新模型等问题，提高了在增长过程中预测的准确性、跟踪的有效性，为可靠性增长管理提供指导。

技术领域

本发明提供了一种基于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

背景技术

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，因此提高产品可靠性增长重点在于后面两个阶段。

现阶段，对于可靠性增长管理常采用可靠性增长模型来实现。目前已形成以Duane、AMSAA模型为主的多种增长模型。这些模型已经应用于工程实践中并取得了较好的效果。这些模型主要针对的是可修的电子产品，而且故障发生需要满足非齐次泊松分布，基于此逐渐分化形成了许多的新的模型。但是这类模型受限于应用范围，而且对产品事前的信息利用的较少。为改善这种现象，Bayes方法应用于可靠性增长过程中，称为可靠性增长Bayes模型。这种模型充分利用事前产品的各种信息，可以用来解决增长过程中存在的小子样的问题。不过这种做法也存在一定的问题：即过分注重先验信息，或者侧重假设的先验分布，这会对可靠性增长的评估和预测造成很大的影响。健康诊断与预测主要针对零部件进行，以制造设备性能或者寿命诊断(即可靠性分析)为主，忽略了对制造任务及被制造产品状态及数据的应用，并逐渐形成了基于模型的预测和基于数据的预测两种方法。而且将以往的经验和当前试验数据相结合进行推断需要满足两个原则：一是保证经验样本来自相同的试验条件；二是经验样本来自同一母体。而可靠性增长过程是一个变环境变母体的过程，因此这种方法也不能很好的描述可靠性增长过程。为此有人提出了应用BP神经网络构建可靠性增长模型。这种方法可以利用神经网络强大的自学习能力和非线性拟合能力实现对产品故障数据建模，从而描述产品可靠性增长过程。然而BP神经网络实际上属于静态前馈神经网络，当将其应用于可靠性增长中就会将增长过程中动态的时序序列转变成静态进行建模，这将无法客观的描述可靠性增长过程的动态特性。因此本发明利用 GA-Elman神经网络对可靠性增长过程进行建模，在实现可靠性增长预测的基础上还将增长预测与跟踪结合起来，实现在增长过程中实时预测产品可靠性增长，将每次预测结果与相应计划目标对比实现超前跟踪，从而调整试验资源保证产品可靠性在规定时间内增长到目标水平。

发明内容