[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

摘要

本发明涉及一种基于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，估计在某些给定时刻点处的可靠度R₀(t_i)；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，估计在某些给定时刻点处的可靠度；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；本发明的有益效果是：实现小样本下的动态可靠性模型更新，同时可为新技术、新材料下新一代产品的可靠性设计优化，具有较高的实用价值和较强的工程意义。

主权项

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(ti)；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；所述建立不同时间区间的Bayes因子表达式的具体过程为：$\begin{array}{c}{B}_i=(n+1)P\left(k_i\right|x_{0i}^{k_i},n)\\ =x_{0i}^{k_i}{(1-x_{0i}^{k_i})}^{n-k_i}(n+1)\left(\begin{array}{c}n\\ k_i\end{array}\right)\end{array}$公式(3)公式(3)中：表示基于失效物理可靠性模型得到的产品寿命落在第i个时间区间[t_i‑1,t_i]内的概率；n表示从现场和可靠性试验数据中获取的产品寿命样本总量，其中k_i表示从现场和可靠性试验数据中获取的产品寿命落在第i个时间区间[t_i‑1,t_i]内的样本量；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。