[发明专利]基于灰色RBF神经网络的加速寿命试验寿命预测方法

摘要

本发明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。

主权项

1、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S₁＜S₂＜…＜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S₁，S₂，…，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S₀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-2n+1,e2n+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S₁，S₂，…，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常应力水平S₀下的可靠度R′₀(t′_0j)，把S₀和可靠度值R′₀(t′_0j)输入网络，得到正常应力水平S₀对应的伪累积失效时间的预测值t’_0j；步骤八、对预测得到的伪累积失效时间的预测值t′_0j作还原处理；对训练样本得到的正常应力下的伪累积失效时间做反归一化和IAGO变换得到伪失效时间t0_j，最后再根据步骤三中的开平方次数，对伪失效时间t_0j反变换，得到正常应力下的真实的失效时间数据，即不可修产品的寿命，对不可修产品的寿命进行寿命分布检验，用最小二乘法拟合，得到可靠度曲线，从而得到反映产品寿命信息的特征寿命和中位寿命的预测值。