一种基于GA-Elman神经网络的可靠性增长预测方法与流程

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。

技术实现要素：

(1)本发明的目的：

针对传统可靠性增长模型的不足，本发明提供一种新的可靠性增长建模方法——一种基于ga-elman神经网络的可靠性增长预测方法。基于“中国制造2025”中“以质取胜”的生产理念，依据ga-elman神经网络的特性全面分析可靠性增长过程中产品的增长特性，在理论研究方面突破已有的增长模型体系，将研制产品的未来可靠性增长预测的状态考虑进来，在实现增长预测的同时，实现产品可靠性增长的超前跟踪，并提出基于ga-elman神经网络的可靠性增长预测方法，为科学地进行试验资源调配提供理论基础和依据。

(2)技术方案：

本发明一种基于ga-elman神经网络的可靠性增长预测方法，提出的基本假设如下：

假设1在产品研制过程中均有检测设备监控产品质量。检测结果是绝对可靠的；

假设2产品在研制过程中发生故障的原因是相互独立的；

假设3产品故障后采取维修或者替换元器件的方式使产品能恢复正常工作；

假设4在增长过程中会产生较多的故障；

假设5设备发生各类型故障中可修故障占80％以上；

基于上述假设，本发明提出的一种基于ga-elman神经网络的可靠性增长预测方法，其步骤如下：

步骤1、收集相关产品的故障数据；

步骤2、将故障数据整理成训练数据组；

步骤3、设置ga-elman神经网络参数；

步骤4、建立可靠性增长模型；

步骤5、；对产品进行可靠性增长预测；

步骤6、对产品进行可靠性增长跟踪预测；

步骤7、结果分析。

其中，在步骤1中所述的“收集相关产品的故障数据”，是指在产品增长过程阶段，产品发生的故障数及故障时间，并由此得到的产品平均故障间隔时间。

其中，在步骤2中所述的“将故障数据整理成训练数据组”，是指对步骤1中所得到的数据进行处理，设置嵌入维数m，预测步长p。得到输入输出矩阵。

其中，在步骤3中所述的“设置ga-elman神经网络参数”，是指根据步骤2中所得到的数据进行分析，初步确定遗传算法参数，elman神经网络结构及神经网络参数，如图1所示：

其具体做法如下：首先确定elman神经网络拓扑结构并初始化权值与阈值，利用遗传算法初始化种群并进行遗传操作，将经过优化后的权值和阈值传回elman神经网络，最后对elman神经网络进行训练，当达到预定目标值时停止训练。

其中，在步骤4中所述的“建立可靠性增长模型”，是指对步骤1得到的故障数据进行处理得到训练数据样本，然后将其输入到由步骤2设定好的神经网络中，经过设定的训练达到理想的训练结果后就建立起来了新的可靠性增长模型，如图2所示：

其具体做法如下：首先设可靠性增长过程中已有一系列的累计mtbf数据为{x1,x2,x3,...xn}，n为样本数据个数，建立输入与输出yn＝{xn}之间的映射关系：r^m→r，r为实数集，n为数据组个数，m为嵌入维数,p为预测步长。由此可以得到ga-elman神经网络的学习样本如下：

在得到训练样本之后再分别设置遗传算法参数与elman神经网络参数。将训练样本输入到elman神经网络中，设置训练次数，不断进行训练，当训练结果没有达到理想水平时对以上参数进行调节，直到达到理想目标。建立起来新的可靠性增长模型。

其中，在步骤5中所述的“对产品进行可靠性增长预测”，是指在经过步骤4建立起来可靠性增长模型后输入新的数据组从而可以得到预测的数据

其中，在步骤6中所述的“对产品进行超前可靠性增长跟踪”，是指将在可靠性增长跟踪阶段不断利用步骤4建立可靠性增长模型，同时利用步骤5进行可靠性增长预测，从而实现对产品进行超前可靠性增长跟踪。如图3所示：

其具体做法如下：首先对历史数据进行处理得到初始训练数据组然后经过不断训练和不断地参数调节得到初始可靠性增长模型，在此基础上进行可靠性增长预测，然后将预测结果与计划增长曲线相对比，检验增长趋势是否符合计划增长趋势从而实现超前跟踪；这是初始超前跟踪阶段。随着增长过程的不断进行，当产生一个新的故障数据后，它将与历史数据结合构成新的训练数据组，然后输入到elman神经网络中重新进行训练，重新对遗传算法参数与elman神经网络参数进行调节，直到达到最优结果，训练出新的可靠性增长模型。然后再进行预测，并与计划曲线对比，检验增长趋势是否符合计划增长趋势从而实现超前跟踪。因此当增长过程中不断产生新的数据时，神经网络也将会不断训练出的可靠性增长模型，不断进行预测，从而不断地实现超前跟踪。

其中，在步骤7中所述的“结果分析”，是指与传统的可靠性增长预测方法对比，验证本专利方法有效性。

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，根据在历史故障数据的基础上，将每产生一个新的故障数据看做是可靠性增长过程中的新状态，然后利用神经网络非线性拟合构建增长模型，利用自学习训练能力实现模型更新从而解决了传统模型应用范围受限，参数求解复杂，以及不能及时实现模型更新，准确描述可靠性增长过程的问题。提高了在增长过程中预测的科学性、全面性，，跟踪的有效性，超前性，有利于指导研制单位在开展可靠性增长管理时提供科学的决策，提升研发效率。

(3)本发明所述的一种基于ga-elman神经网络的可靠性增长预测方法，其使用方法如下：

步骤1、根据产品的质量特性，确定相应的试验设备，确定相应的试验流程，进而收集针对该产品的故障数据；

步骤2、对步骤1中所得到的故障数据进行处理，将故障数据输入到计算设备中整理成训练数据组

步骤3、根据步骤2中所得到的训练数据组，初步确定遗传算法参数，elman神经网络结构及神经网络参数。

步骤4、建立相关产品的可靠性增长模型；

步骤5、利用构建的可靠性增长模型对相关产品进行可靠性增长预测；

步骤6、根据不断产生的故障数据不断训练出新的可靠性增长模型，进而对产品可靠性增长不断进行预测与超前跟踪

步骤7、对本发明提出的可靠性增长预测方法与传统可靠性增长预测方法作对比。

(4)优点和功效：

本发明是一种基于ga-elman神经网络的可靠性增长预测方法，其优点是：

1>.本发明在充分认识到增长过程变环境变母体的情况下，利用神经网络非线性拟合的特点对可靠性增长过程进行建模；

2>.利用神经网络的结构特性实现了对可靠性增长的多点预测。

3>.利用自学习的训练模式实现了对增长模型的迭代更新

4>.本发明提出的可靠性增长预测方法整合了增长过程的跟踪与预测，具有极高的科学性和实用性，克服了传统可靠性增长建模方法的应用范围窄，应用计算复杂等缺陷。

附图说明

图1是遗传算法优化elman神经网络图

图2是ga-elman可靠性增长模型与传统模型对比图

图3是ga-elman可靠性增长预测流程图

图4是本发明所述方法流程图

图5是真值与预测对比图

具体实施方式

下面结合附图和实例对本发明做进一步详细说明。

本发明是一种基于ga-elman神经网络的可靠性增长预测方法，具体步骤见图4所示，其实施步骤如下：

步骤1收集某型号发动机上的故障数据，见下表1。

表1.设备故障数据

步骤2假定刚开始只有34个故障数据，设置嵌入维数m为10，p为5，训练组数据为20，输入输出矩阵为：

步骤3设置ga-elman神经网络参数。设置ga-elman神经网络中的参数为：

a)输入神经元为10，延迟神经元为1:3，隐含层神经元为25，输出神经元为5，训练函数为traingdx；

b)设置遗传算法参数：迭代次数为100，种群规模为20，交叉概率为0.4，变异概率为0.2；

c)设置显示级别为1，最大迭代次数为2000，误差容限为0.00001，最多验证次数为5；

步骤4建立发动机产品可靠性增长模型。将步骤二中的训练数据组输入到设定好参数的ga-elman神经网络中，经过不断调节参数，训练得到合适的可靠性增长模型。

步骤5进行可靠性增长预测。应用已有的可靠性增长模型进行预测，预测的输入及输出矩阵为：

经过计算得到的可靠性预测值如下表所示：

表2预测数值

步骤6故障数据增多时的可靠性增长预测与超前跟踪。当试验数据不断增多时，可用于训练的数据也在增多，训练出来的模型也在不断变化，每新加入一个试验数据都会重新训练产生新的模型，产生新的预测结果将这种预测模型的迭代更新应用到可靠性增长跟踪过程中就可以实现对产品可靠性增长水平进行实时超前跟踪。为验证模型更新时的预测效果，再选择三个时刻对其预测结果进行验证。这三个时刻的试验数据个数是44/54/64。操作步骤如上，具体预测结果如下表所示：

表3预测值与真值对比图

步骤7、对本专利提出的预测方法与传统可靠性增长建模方法作对比。也对以下四次预测情况分别求其标准均方根误差并将结果与duane模型所求结果进行对比，具体结果如下：

表4标准均方根误差

对比发现，采用ga-elman神经网络方法后，每次更新预测所计算得到的标准均方根误差均小于采用duane模型得到的误差，因此基于ga-elman神经网络方法在预测方面更远胜于传统模型。而当将其应用于跟踪阶段，，每新加入一个试验数据都会重新训练产生新的模型，产生新的预测结果。这种预测模型的迭代更新恰好适合描述可靠性增长过程中的变动性。将这种预测模型的迭代更新应用到可靠性增长跟踪过程中就可以实现对产品可靠性增长水平进行实时超前跟踪，因此ga-elman神经网络可以更好地实现超前跟踪。较其传统模型具有更好的科学性和实用性，降低制造过程存在的风险，能够指导研制方制定合理的资源调配策略，降低研制成本。