基于退化数据的产品可靠性建模与剩余寿命预测方法研究

摘要

高可靠长寿命产品广泛存在于航空航天、电子工业、军事等可靠性和安全性要求较高的领域，由于其成本高、批量小以及失效机理复杂等特点，如何评估这类产品的可靠性和剩余寿命成为一个亟待解决的难题。随着传感器和信息技术的发展，对于具有退化型失效的高可靠长寿命产品，可以通过监测其性能退化过程中的关键特征参数获得退化数据，进而利用退化数据来实现产品的可靠性建模和剩余寿命预测的目的。退化数据不仅能够提供丰富的寿命信息，弥补了高可靠长寿命产品可靠性信息量不足的问题，而且其变化往往能够反映动态环境对产品的影响。因此，开展基于退化数据的可靠性建模和剩余寿命预测技术研究具有十分重要的理论意义和实际应用价值。本文主要采用随机过程与稀疏贝叶斯学习理论展开研究，主要研究内容如下：
　　(1)提出了一种基于期望最大化算法和Wiener过程的退化建模及寿命估计方法。该方法通过将Wiener过程中的漂移参数视为服从正态分布的随机变量来刻画一批产品个体之间的异质性，进而在首达时意义下给出了随机效应约束下对应的可靠度函数的表达式，然后采用期望最大化算法有效地解决了隐变量情况下的最大似然估计问题，最后通过数值仿真和在卫星用动量轮上的应用研究验证了所提出方法的有效性。
　　(2)针对具有线性单调退化过程的产品，提出了一种基于逆高斯过程的退化建模和剩余寿命预测方法。考虑到实时监测的退化数据不断变化的特点，设计了一种有效的基于Bayesian更新与期望最大化算法的参数估计方法，其中采用Bayesian方法来更新随机参数，进而利用期望最大化算法来估计模型中的非随机参数。该方法能够利用实时监测的退化数据通过不断更新来追踪产品的最新状态，并且可以获得剩余寿命分布函数的表达式，最后数值仿真和实例研究表明了该方法能够有效地对单个产品的退化过程进行建模，获得了较精确的剩余寿命估计结果。
　　(3)针对具有非线性退化过程的产品，从时间序列分析的角度提出了一种基于均熵和稀疏贝叶斯学习的剩余寿命预测方法。该方法首先利用小波阈值降噪的方法对监测的退化数据进行预处理，从而降低了噪声对预测结果的影响，其次为了实现正确的时间序列重构的目的，采用基于均熵的方法来确定最优的嵌入维，然后利用相关向量机预测未来的退化数据，通过结合失效阈值获得了剩余寿命的概率分布函数，有效地量化了剩余寿命预测的不确定性。最后通过在锂离子电池上的应用研究说明了所提出方法的有效性，取得了较精确的剩余寿命预测结果。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 研究背景和意义

1.2 研究内容和目标

1.3 本文的组织结构

2 退化模型与剩余寿命预测方法研究现状综述

2.1 退化模型研究现状

2.2 基于退化数据的剩余寿命预测方法研究现状

2.3 预测模型性能评估指标

2.4 本章小结

3 基于EM算法与Wiener过程的可靠性建模方法

3.1 引言

3.2 带随机效应的Wiener退化过程模型

3.3 随机效应约束下寿命分布函数的推导

3.4 基于EM算法的模型参数估计

3.5 仿真实验

3.6 实例研究

3.7 本章小结

4 基于逆高斯过程的剩余寿命预测方法

4.1 引言

4.2 基于逆高斯过程的退化建模

4.3 剩余寿命分布函数

4.4 Bayesian更新和EM算法协作下的模型参数估计

4.5 实验结果及分析

4.6 本章小结

5 基于均熵和稀疏贝叶斯学习的剩余寿命预测方法

5.1 引言

5.2 问题提出

5.3 剩余寿命预测方法

5.4 实例研究

5.5 本章小结

6 总结与展望

6.1 本论文工作总结

6.2 工作展望

致谢

参考文献

附录1 攻读博士学位期间发表的学术论文

附录2 公开发表的学术论文与博士学位论文的关系

附录3 攻读博士学位期间参与项目情况