论文部分内容阅读
随着科学技术的迅速发展,产品结构日益复杂,使用环境更加恶劣,因而对产品的可靠性要求也越来越高。在这些有高可靠性要求的系统中,为了提高系统的可靠性,常常设计成冗余结构,然而由于相关失效的存在极大削弱了冗余结构的安全作用。因此,关于相关失效的研究,越来越受到人们的重视。目前多数相关失效概率模型都是以系统出现过的相关失效事件为依据的经验模型。由于相关失效事件稀少,所以应用经验模型预测相关失效概率,存在精度、适用范围等诸多问题。本文充分利用神经网络技术强大的函数逼近功能、非线性映射功能和容错能力,对系统失效概率模型进行离散化处理,建立系统失效概率与零件失效数据之间的非线性关系,进而构建基于神经网络的机械系统可靠性评价的参数化模型,为进行相关失效的系统可靠性评价提供了一种新途径。本文具体研究内容如下(1)使用Monte-Carlo法产生K/N系统的失效数据。主要考虑不同强度不同应力条件下的静态K/N系统的可靠性仿真和只考虑强度退化时的K/N系统可靠性仿真；(2)以K/N系统为研究对象,以系统层的应力-强度干涉模型为出发点,分析了影响系统失效的主要因素,认为系统零件个数、系统失效阶数、零件强度和工作载荷是影响系统失效的主要因素；(3)根据影响系统失效概率的主要因素,从已知的低阶失效数据中提取相关失效的信息,利用人工神经网络中的BP算法分别构建K/N系统的静态和动态神经网络模型,建立系统失效概率与零件失效数据之间的非线性关系,研究了如何利用BP网络工具箱对该网络模型进行实现；(4)利用Monte-Carlo模拟方法和工程实例分析,验证了神经网络模型对K/N系统进行可靠度预测的可行性。