论文摘要：基于小波神经网络的产品退化信息寿命预测

随着科技的进步和现代工业水平的发展，航空航天、核电和化工等行业应用尖端科技的装备系统越来越向着大型化、复杂化的方向发展。系统越复杂，出故障的可能性就越大、不可靠的代价也越大。核电机组、人造卫星、军用装备等重大技术装备的可靠性问题，则直接威胁国家能源、动力、信息等重大基础设施与国防安全，甚至引起重大环境灾难。

产品性能变坏到其完全失效通常要经历一系列不同的性能退化状态。因此，如果能够在设备性能退化的过程中，根据监测数据预测得到设备或系统发生失效前的剩余寿命，那么就可以制定基于状态的预防维修计划，减少维修费用和停产风险，提升企业在当前经济低迷背景下的竞争力。另外，对于高可靠长寿命产品，在研发周期允许的试验时间内很难获得足够的故障与寿命信息。为了在研发阶段获得对产品寿命的预测，进而指导维修保障规划，可以对具有耗损性失效特征的产品进行退化试验，预测产品寿命与可靠性。本论文以缺乏寿命数据的高可靠长寿命产品为研究对象，以小波分析和小波神经网络为理论基础，构建适用于产品全寿命周期的寿命预测方法，深入研究和发展基于退化信息寿命预测理论，主要包括如下研究内容：


为了防止因设备异常造成事故，实现设备效率的最大化，本文以小波分析和小波神经网络为基础，通过理论推导，在多分辨率分析理论框架下构建了适合于复杂退化数据的两种广义小波神经网络模型，弥补了传统方法在剩余寿命预测过程中难以兼顾预测精度与预测距离的弊端。

无论是外场收集的退化数据，还是实验室试验的退化数据，都可能存在退化信息的部分丢失的问题，给性能退化数据的处理带来了困难。本文对退化缺失数据进行插补处理，首先对退化数据趋势进行回归建模，实现缺失段与现有数据在整体趋势上的一致性；然后根据现有数据的残差序列，建立广义小波神经网络残差插补模型；最后分析插补方式对插补效果的影响，给出了有效的退化数据插补的方法。

退化数据蕴含着比寿命数据更加丰富的产品可靠性与寿命信息，研究利用退化信息是解决高可靠长寿命产品评估问题的一个重要研究方向。常见退化轨迹模型的选择过程受主观影响较大，并且随着模型中参数的增多，则又出现计算上的困难。本文以所提广义小波神经网络模型取代传统模型，建立退化轨迹多步递推预测模型。另外，采用退化轨迹预测伪寿命的方法在退化信息利用上并不充分，本文研究了基于退化量分布的处理方法，为分布参数建立相应的广义小波神经网络预测模型。

现有加速退化试验寿命预测方法中，存在着退化轨迹模型选择缺乏依据、未知参数求解困难以及退化量分布参数与应力的关系过多依赖假设模型等问题。本文以加速寿命试验中的物理加速模型和经验加速模型为基础，通过理论推导，给出了对应应力下的退化量分布参数加速模型，避免了由于模型假设带来的误差。提出了基于广义小波神经网络的加速退化试验寿命预测方法，并通过与工作应力下退化数据处理结果的对比，对所提方法的适用性进行分析，给出了应用建议。

来源：半壳优胜育转载请保留出处和链接！

本文链接：http://87cpy.com/293838.html