电子系统可靠性增长与失效密度自适应神经网络模型.pdfVIP

1l(3 信号处理 电子系统可靠性增长和失效密度自适应神经网络模型 史彩成赵保军韩月秋 (北京理工大学电子工程系) 【摘要】本文利用自适应神经网络对电子系统可靠性增长和失效密度分布进行拟合。对电子系统失效时间序 列进行分析，可以发现时间序列存在混沌吸引子。根据时间序列的嵌入维，确定神经网络的输入数，建立三 层BP神经刚络．分析和仿真结果表明：此方法比其它方法有更好的拟台和预测结果。 关键词：自适应神经网络、可靠性增长、失效密度、混沌吸引子 0前言 可靠性、性能和价格是评价一个电子系统好坏的三大要素，其中可靠性起主要作用。系统可靠性增长过 程是一个设计、实验、改进和再实验的反馈过程。通过对电子系统失效过程分析，发现失效时间序列的相空 间存在简单的混沌吸引子。表明电子系统失效随机性含有某种确定性的内涵，服从一定的规律，因此具有有 限的预测能力。根据这个规律，在失去预测能力之前，可以对可靠性增长和失效密度分布进行预测，井有町 能获得比基于统计方法更好的预测结果． 可靠性增长模型应用最广的是Ouane模型和AMSAA模型．但Duane模型没有将累积失效数作为一个随机 过程来处理，模型参数及BTBF的点估计精度不高；AMSAA模型虽然将概率引入到模型之中，但当可靠性增K 特性曲线复杂或出现突变时，用一种AMSAA模型拟合，其效果很差，郭建英等…提出用MLSAA模型分段拟台 具有突变点的可靠性增长故障数据的方法。失效密度函数有如负指数分布、正态分布和Weibull分布等多种 分布形式．但当失散密度函数发生平移、伸缩和折迭，则失散密度函数不能进行拟合。 神经网络从理论l：讲口丁以实现任意的非线性映射，具有非线性、非局域性、自适应、自组织、自学习、 联想等特性，因此将神经网络用于拟台象失效行为十分复杂，失效机理不明，影响因素众多，很难或无法用 一个确定的数学模型表达的电子系统可靠性增长和失效密度分布是合适的。 1 自适应神经网络模型拟合和预测 1．1时间序列的相空间重构和确定神经网络的输入数 在建立自适应神经网络模型之前，首先根据混沌理论，对所要拟台的时间序列进行相空间重构，粗略估 计神经网络的输入数．如果维数为无穷太，则它完全是随机的；否则这类随机现象是混沌的．而混沌至少在 短的未来时间内是可预测的。对维数较低的时问序列，它遵循某种确定的规则。对这样的时间序列就可以进 行预测。 嵌入维就是能完全包容状态转移构成的吸引子的最小相空间的维数．设时间序列为：x”…x．，x。。，xnt2． x删……，如果时间序列是三维相空间，则点的坐标是(x。x-巾K+：)。初步确定的神经网络输入数一般应大 于相空间的嵌入维。 1．2自适应神经网络模型 建立三层BP自适应神经网络，各层神经元功能函数为： 信号处理 】，=——————二————一 (2j 1+exp(一(∑w；川)) ，=l 可靠性增长的过程是一个反复设计的过程，检测和修正电子系统故障的状况不周，可靠性增长模型也不 同．因此每当试验获得一个新数据，神经网络就应进行一次自适应学习，以适应系统状态的变化。 进行可靠性增长模型拟合和预测．首先要获得足够多的样本．把所得到的时间序列分成两部分：前一部 分大致为后一部分的两倍。前一部分用来训练网络，后一部分用来验证网络．如果时间序列复杂，可通过增 加隐含层的神经元数来改善网络性能，提高模型拟和精度。 逐步增加网络输入数，用第一部分进行训练，预测出第二部分，记录预测误差，比较每次预测误差。当 再增加输入数后，不能进一步减少预测误差，则此时的输入数为最佳输入数。再将整个时间序列和起来进行 训练。当晟太误差或方差小于预定值时，所得到的神经网络就是可靠性增长模型。神经网络用误差校正学习 算法。 由于神经网络所具有的自学习、联想等功能，失效密度发生平移其联想功能能重现密度分布；对发生伸 缩和折迭．用自适应方法能拟台密