[发明专利]基于加速寿命试验的弹药贮存可靠性预测方法

摘要

本发明公开了一种基于加速寿命试验的弹药贮存可靠性预测方法，主要提高弹药贮存可靠性的预测精度，解决传统预测方法计算量大、对小子样数据预测精度难易保证问题。其规划步骤为：对加速寿命试验数据集建立改进的全局粒子群优化BP神经网络模型（简称IGPSO‑BP模型），将粒子群优化算法中的粒子位置定义为BP神经网络中的权值和阈值；通过寻找最优粒子位置的过程得到优化后的网络权值参数，最大程度利用粒子群优化算的全局搜索能力，并充分发挥BP神经网络的局部搜索能力；采用间接法对弹药贮存可靠性进行预测。本发明缩短试验时间，计算过程简单，不需要分析弹药产品具体的寿命分布类型及其具体函数关系，突破传统预测方法的局限。

主权项

1.一种基于加速寿命试验的弹药贮存可靠性预测方法，其特征在于：所述预测方法包括以下步骤：(1)选取合适的数据集，针对步进应力加速寿命试验，影响弹药贮存可靠度的指标主要有各级应力试验下的样本总量、加速环境应力、贮存时间以及相对应的失效数，需要收集合理指标数据进行预测研究；(2)基于环境因子法折合各级应力下的贮存时间，选用Bayes理论的环境因子法进行处理，环境因子定义为两级应力下寿命参数之比，通过求取寿命参数得到相对环境因子，进一步进行各级应力下贮存等效时间的折合，以Si和Si+1为例，其计算公式为：式中，为弹药应力S_i+1下等效贮存时间，为应力S_i下的贮存时间，η_i与η_i+1分别为应力S_i和S_i+1下的特征寿命参数；(3)基于Bayes理论对数据集进行“零失效”与“倒挂”处理；采用Bayes估计进行弹药“零失效”数据处理，选用增函数法确定先验分布；利用Bayes估计法，对“倒挂”数据的处理，选取均匀分布作为先验分布；(4)确定IGPSO‑BP网络的训练样本集与测试集，通过分析加速应力试验数集，输入层节点数为输入指标数n，输出层的节点数为预测指标个数m；根据经验公式h＝2n+1，和h＝(m+n)/2确定隐含层节点数h的取值范围[h₁：h₂]，用“试凑法”确定其具体值，α为[1,10]之间的常数；(5)对样本集进行归一化处理与扩充；①将每项指标按下式进行归一化处理，以温度应力为例，其计算公式为：式中，x_max和x_min分别是数据集温度应力的最大值和最小值，x_i是为第i组温度应力，为其归一化后的值，取值范围为[‑1,1]；②当选用的弹药试验数据集为小子样时，通过加入“人为噪声”扩充数据集；即将人为噪声信号加入到输入信号中，保持训练输出值不变，获取到新的训练数据集，来增加训练样本数目，提高网络的泛化能力；(6)初始化粒子群算法的参数，包括粒子种群大小N，维度D，最大迭代次数、最大权值和学习因子，粒子的最大速度vmax与最大位置xmax，N个粒子的初始位置与初始速度等参数；(7)根据神经网络输出目标函数式计算粒子的适应度值，其函数表达式为：式中，设Ep为在第p组样本输入时，网络的目标函数，取L2范数，ykp(t)是在第p组样本输入时，学习t次后输出层节点k的输出值；dkp为第p组样本输入中节点k的期望输出值；(8)采用改进的全局粒子群算法(IGPSO)，不断更新粒子的速度和位置，产生新的种群，其计算公式为：wt＝a exp(‑bt2)r4a＝wmaxexp(‑b)其中，表示t+1次迭代粒子i速度的第d维矢量，是t次迭代粒子i位置的第d维矢量，δ为扰动因子，r₁、r₂、r₃和r₄均为均匀分布U(0,1)之间的随机数，t为当前迭代次数，T_max为最大迭代次数，w_max和w_min分别是惯性权重的最大值和最小值；(9)更新粒子个体最优值Pb和全局最优值Pg，如果满足最大迭代次数，执行(10)，否则执行(7)；(10)将上述粒子群算法更新得到的全局最优值Pg映射到BP神经网络的初始权值和阈值，然后进行网络的训练，通过迭代循环训练进一步调节权值和阈值，当满足迭代次数达到最大值或训练误差小于期望设定值时，执行(11)；(11)利用测试样本进行BP神经网络的测试，输入测试样本，利用上述训练好的网络进行测试；(12)将测试结果按下式进行反归一化处理，其计算公式为：(13)根据预测的弹药失效数，计算弹药贮存可靠度，其可靠度定义为：式中，t表示规定的贮存时间，N0表示在t＝0时，规定条件下进行工作的弹药数，f(t)表示从0到t时刻的工作时间段内，弹药的累积失效数。