随着现代工业的不断发展,人们对产品的可靠性要求越来越高。而对工业产品可靠性的精确预测可以及早发现产品在使用过程中可能产生的一系列问题,从而可以使人们更好地把握产品使用寿命。因此,可靠性预测在现代工程系统中占有非常重要的地位。传统的可靠性预测方法主要包括寿命分布模型、故障树分析、蒙特卡罗模型和人工神经网络等,这些模型在非线性回归方面已经取得了很好的应用。特别是神经网络由于在样本拟合方面能够达到较高的精度,已成为国内外学者研究的一个重要领域,并得到了众多改进的模型。但是,神经网络在其自身的理论方面仍然存在着一些缺陷,主要在于神经网络采用经验风险最小化原则,往往造成“过拟合”,使得训练机器缺乏泛化能力;同时,对神经网络的训练需要大量的样本数据,而现实当中样本数一般都是有限的。因此,在样本数比较少的情况下,基于神经网络的模型往往无法得到满意的预测精度。支持向量机是90年代初由Vapnik等人利用统计学习原理提出的一种新的机器学习方法,最初主要用于模式识别问题。随着ε不敏感损失函数的引入,支持向量机已推广到非线性系统的回归估计,并在解决小样本情况下的回归方面展现了良好的学习性能。支持向量机以结构风险最小化为准则,在对数据的拟合方面既能达到满意的精度,又有比较好的泛化能力。另外,支持向量机的求解最后转化成二次规划问题的求解,因此支持向量机的解是唯一的也是全局最优解。随着人们对支持向量机理论研究的深入,一些新的支持向量机模型被不断提出。在可靠性的预测当中,不同时间的样本数据对预测结果的影响不同。近期的样本数据对预测结果的影响要高于早期样本数据对预测结果的影响。基于可靠性预测这一特性,本文采用支持向量机的一种新模型——加权支持向量机对系统可靠性进行建模和预测。与标准支持向量机对所有样本实施相同的惩罚参数不同,加权支持向量机通过对不同时期的样本实施不同的惩罚参数,从而能显著提高近期样本在结果预测中所占比重。同时,通过遗传算法对加权支持向量机的相关参数进行优化,进一步提高了加权支持向量机的预测精度。对结果均方差的分析显示,加权支持向量机的预测精度优于人工神经网络和标准支持向量机模型。