[發(fā)明專利]一種基于GA-Elman神經(jīng)網(wǎng)絡(luò)的可靠性增長預(yù)測方法

有效

• 申請?zhí)枺?/td>: 201711133837.3
• 申請日: 2017-11-16
• 公開（公告）號: CN109800866B
• 公開（公告）日: 2020-12-29
• 發(fā)明（設(shè)計）人: 趙新磊;王立志;王曉紅;陸大偉
• 申請（專利權(quán)）人: 北京航空航天大學(xué)
• 主分類號: G06N3/06
• 分類號: G06N3/06;G06N3/08;G06N3/12;G06Q10/04;G06Q50/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于GA-Elman神經(jīng)網(wǎng)絡(luò)的可靠性增長預(yù)測方法，提出的基本假設(shè)如下：

假設(shè)1、在產(chǎn)品研制過程中均有檢測設(shè)備監(jiān)控產(chǎn)品質(zhì)量，檢測結(jié)果是絕對可靠的；

假設(shè)2、產(chǎn)品在研制過程中發(fā)生故障的原因是相互獨立的；

假設(shè)3、產(chǎn)品故障后采取維修或者替換元器件的方式使產(chǎn)品能恢復(fù)正常工作；

假設(shè)4、在增長過程中會發(fā)生較多的故障；

假設(shè)5、設(shè)備發(fā)生各類型故障中可修故障占80％以上；

基于上述假設(shè)，本發(fā)明提出的一種基于GA-Elman神經(jīng)網(wǎng)絡(luò)的可靠性增長預(yù)測方法，其步驟如下：

步驟1、收集相關(guān)產(chǎn)品的故障數(shù)據(jù)；

步驟2、將故障數(shù)據(jù)整理成訓(xùn)練數(shù)據(jù)組；

步驟3、設(shè)置GA-Elman神經(jīng)網(wǎng)絡(luò)參數(shù)；

步驟4、建立可靠性增長模型；

步驟5、對產(chǎn)品進行可靠性增長預(yù)測；

步驟6、對產(chǎn)品進行超前可靠性增長跟蹤預(yù)測；

步驟7、結(jié)果分析；

通過以上步驟，建立了一種基于GA-Elman神經(jīng)網(wǎng)絡(luò)的可靠性增長預(yù)測方法，根據(jù)在歷史故障數(shù)據(jù)的基礎(chǔ)上，將每產(chǎn)生一個新的故障數(shù)據(jù)看做是一種新的狀態(tài)，然后利用神經(jīng)網(wǎng)絡(luò)非線性擬合構(gòu)建增長模型，利用自學(xué)習(xí)訓(xùn)練能力實現(xiàn)模型更新從而解決了傳統(tǒng)模型應(yīng)用范圍受限，參數(shù)求解復(fù)雜，以及不能及時實現(xiàn)模型更新，準確描述可靠性增長過程的問題，提高了在增長過程中預(yù)測的科學(xué)性、全面性，跟蹤的有效性，超前性；

在步驟4中所述的“建立可靠性增長模型”，是指對步驟1得到的故障數(shù)據(jù)進行處理得到訓(xùn)練數(shù)據(jù)樣本，然后將其輸入到由步驟2設(shè)定好的神經(jīng)網(wǎng)絡(luò)中，經(jīng)過步驟3設(shè)定的訓(xùn)練達到理想的訓(xùn)練結(jié)果后就建立起來了新的可靠性增長模型；其具體做法如下：

首先設(shè)可靠性增長過程中已有一系列的累計MTBF數(shù)據(jù)為{x₁,x₂,x₃,...x_n}，n為樣本數(shù)據(jù)個數(shù)，建立輸入與輸出y_n＝{x_n}之間的映射關(guān)系：R^m→R，R為實數(shù)集，n為數(shù)據(jù)組個數(shù)，m為嵌入維數(shù)P為預(yù)測步長；由此可以得到GA-Elman神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本如下：

在得到訓(xùn)練樣本之后再分別設(shè)置遺傳算法參數(shù)與Elman神經(jīng)網(wǎng)絡(luò)參數(shù)，將訓(xùn)練樣本輸入到Elman神經(jīng)網(wǎng)絡(luò)中，設(shè)置訓(xùn)練次數(shù)，不斷進行訓(xùn)練，當訓(xùn)練結(jié)果沒有達到理想水平時對以上參數(shù)進行調(diào)節(jié)，直到達到理想目標，建立起來新的可靠性增長模型；

在步驟6中所述的“對產(chǎn)品進行超前可靠性增長跟蹤”，是指將在可靠性增長跟蹤階段不斷利用步驟4建立可靠性增長模型，同時利用步驟5進行可靠性增長預(yù)測，從而實現(xiàn)對產(chǎn)品進行超前可靠性增長跟蹤；其具體做法如下：

首先對歷史數(shù)據(jù)進行處理得到初始訓(xùn)練數(shù)據(jù)組然后經(jīng)過不斷訓(xùn)練和不斷地參數(shù)調(diào)節(jié)得到初始可靠性增長模型，在此基礎(chǔ)上進行可靠性增長預(yù)測，然后將預(yù)測結(jié)果與計劃增長曲線相對比，檢驗增長趨勢是否符合計劃增長趨勢從而實現(xiàn)超前跟蹤；這是初始超前跟蹤階段；隨著增長過程的不斷進行，當產(chǎn)生一個新的故障數(shù)據(jù)后，它將與歷史數(shù)據(jù)結(jié)合構(gòu)成新的訓(xùn)練數(shù)據(jù)組，然后輸入到Elman神經(jīng)網(wǎng)絡(luò)中重新進行訓(xùn)練，重新對遺傳算法參數(shù)與Elman神經(jīng)網(wǎng)絡(luò)參數(shù)進行調(diào)節(jié)，直到達到最優(yōu)結(jié)果，訓(xùn)練出新的可靠性增長模型；然后再進行預(yù)測，并與計劃曲線對比，檢驗增長趨勢是否符合計劃增長趨勢從而實現(xiàn)超前跟蹤；因此當增長過程中不斷產(chǎn)生新的數(shù)據(jù)時，神經(jīng)網(wǎng)絡(luò)也將會不斷訓(xùn)練出的可靠性增長模型，不斷進行預(yù)測，從而不斷地實現(xiàn)超前跟蹤。

2.根據(jù)權(quán)利要求1所述的一種基于 GA-Elman神經(jīng)網(wǎng)絡(luò)的可靠性增長預(yù)測方法，其特征在于：

在步驟1中所述的“收集相關(guān)產(chǎn)品的故障數(shù)據(jù)”，是指在產(chǎn)品增長過程階段，產(chǎn)品發(fā)生的故障數(shù)及故障時間，并由此得到的產(chǎn)品平均故障間隔時間。

3.根據(jù)權(quán)利要求1所述的一種基于GA-Elman神經(jīng)網(wǎng)絡(luò)的可靠性增長預(yù)測方法，其特征在于：

在步驟2中所述的“將故障數(shù)據(jù)整理成訓(xùn)練數(shù)據(jù)組”，是指對步驟1中所得到的數(shù)據(jù)進行處理，設(shè)置嵌入維數(shù)m，預(yù)測步長P，得到輸入輸出矩陣。