● 摘要
加速退化试验是解决长寿命、高可靠产品寿命与可靠性评估的有效方法之一。传统的加速退化数据的处理方法一直注重于建立物理或数学退化模型，应用参数评估方法给出产品的寿命与可靠性估计值。然而，在实际中，我们并非能够透彻地了解每一类产品的失效机理和退化机制，这影响了建立退化模型的客观性；同时，对于多参数的估计往往也伴随着大量的计算，很难搜索到最优解。本论文基于人工神经网络在非线性函数逼近上的优越性能，提出了应用加速退化数据建立人工神经网络模型预测产品寿命与可靠性的方法。 首先在加速寿命试验上，充分利用寿命失效数据，结合灰色系统理论的累加生成思想，建立了应力水平、经验可靠度与累加失效时间之间的神经网络模型，外推正常应力水平下的可靠度。经过仿真验证了模型方法的合理性。 其次，对恒定应力加速退化试验建立基于人工神经网络的性能退化模型，将每个加速应力下的性能值预测到失效，得到失效寿命数据，从而将恒定应力加速退化试验转化为完全寿命数据的加速寿命试验进行评估。对步进应力加速退化试验，经过加速应力时间的折合，建立应力水平、应力作用时间和性能退化率之间的神经网络模型，预测正常应力水平下的性能退化率，进而评估产品寿命值。 最后，在课题研究过程中，发现基于统计学习理论的支持向量机在某些方面具有比神经网络更稳定的性能，因此，对文中的仿真算例用支持向量机进行了重新计算，得到了结果误差更小，指出了今后应关注的新方向。