CN102520669A - 一种面向多性能参数的数控装备性能可靠性评估方法 - Google Patents

Abstract

本发明提供了一种面向多性能参数的数控装备性能可靠性评估方法，包括收集的多项性能参数退化数据，计算各项性能之间的协方差，判断各性能参数的相关性；然后采用最小二乘支持向量机训练得到以时间和数控装备性能参数为输入和输出的最优非线性回归函数，即性能参数的退化轨迹函数；进而利用性能参数的退化轨迹函数计算出其临界失效寿命时间，并拟合临界失效寿命时间的概率分布函数，从而得到数控装备的可靠度。本发明能够在小样本条件下准确地评估与预测数控装备的性能可靠性，综合考虑多个性能参数对数控装备可靠性的影响，找出数控装备的薄弱环节，提高了可靠性评估的准确性和高效性。

Description

一种面向多性能参数的数控装备性能可靠性评估方法

技术领域

本发明涉及数控装备可靠性评估技术领域，具体是一种面向多性能参数的数控装备性能可靠性的评估方法。

背景技术

数控装备使用的高精度和高可靠性最终是要靠装备本身的性能来保证的，数控装备的性能可靠性是指：在正常使用条件下，数控装备在规定的工作时间内，其性能参数满足规定的允许限要求的能力。数控装备的性能可靠性关注的是数控装备在使用过程中功能和技术性能的保持性，强调数控装备在使用期间的质量特性。

数控装备性能可靠性评估技术是一种对数控装备可靠性进行定量化控制的必要手段之一，其主要目的是衡量数控装备是否达到预期的设计目标及使用要求，指出数控装备使用过程中的薄弱环节，为改进数控装备的设计、制造、工艺与维护等指明方向。

数控装备的性能主要包括精度(如几何精度，位置精度和传动精度等)、刚度(如精刚度和动刚度等)、动态响应特性(如上升时间，超调量，调节时间，动态降落和恢复时间等)等。现有的数控装备可靠性评估技术大多基于单一性能参数的，采用数控装备的历史故障与寿命数据，或者单一性能参数的劣化数据，推断数控装备寿命的概率分布曲线，从而确定数控装备的可靠性水平。实际上，数控装备在使用过程中，受加工工况、加工工艺参数、工件余量分布不均、环境温度和润滑等外部条件改变，多个性能参数会同时发生不同程度的劣化，导致数控装备功能和技术性能无法达到规定要求，数控装备可靠性下降。由于现有的可靠性评估技术没有考虑多个性能参数变化而引起可靠性发生变化的情况，导致可靠性评估结果的准确度和可信度下降，从而使终端用户多采用牺牲性能而保守使用的方式来使用数控装备，大大降低了数控装备生产效率和利用率。

发明内容

本发明的目的是针对现有技术的不足，提供一种面向多性能参数的数控装备性能可靠性评估方法，综合考虑多个性能参数对数控装备可靠性的影响，提高可靠性评估的准确性。

一种面向多性能参数的数控装备性能可靠性评估方法，具体包括如下步骤：

1)收集数控装备的m个性能参数的退化数据，判断各性能参数之间的相关性，得到相互独立的性能参数的个数p，性能参数不相互独立的个数q。

通过数控装备的性能测试实验，采集k(k＝1，2，…，L)个数控装备在时刻t_i(i＝1，2，…，n)的j(1，2，…，m)个性能参数值y_ijk。L为被观测数控装备的个数，n为测量的次数，m为测量的性能参数的个数。设性能参数退化量数据集Y＝(y₁(t)，y₂(t)，…，y_j(t)，…，y_m(t))由m个随机变量组成，y_j(t)为性能参数j在时刻t的观测数据集，即y_j(t)＝{(x₀，y₀)|x₀＝t_i，y₀＝y_ijk，i＝1，2，…n，k＝1，2，…L}。定义性能参数c和性能参数d的协方差为：Cov(y_c(t)，y_d(t))＝E[(y_c(t)-μ_c(t))(y_d(t)-μ_d(t))]，其中μ_j(t)是第j个性能参数在t时刻的均值或期望值，即均值为μ_j(t)＝E(y_j(t))，var(y_j(t))＝E[(y_j(t)-μ_j(t))²]为第j个性能参数的方差。第c个性能参数与第d个性能参数的相关性取决于协方差的相关性系数υ_cd，定义为：

${\mathrm{\υ}}_{\mathrm{cd}}=\left|\frac{\mathrm{Cov}(y_c\left(t\right),y_d\left(t\right))}{\sqrt{\mathrm{var}\left(y_c\left(t\right)\right)\·\mathrm{var}\left(y_d\left(t\right)\right)}}\right|$

υ_cd的取值在[0，+1]之间，当υ_cd＝1时，表明两个性能参数之间完全线性相关；当0＜υ_cd＜1时，υ_cd越接近1表明线性相关性越强，υ_cd越接近0表明线性相关性越弱，两个性能参数越接近于相互独立；当υ_cd＝0时，表明两个性能参数之间线性无关(假设各性能参数之间不存在内在的非线性函数关系)，相互独立。

2)p个性能参数相互独立，则根据单一性能参数的退化数据，拟合该性能参数的退化轨迹，并计算该性能参数达到其规定阈值的可靠度。

设性能参数j的极限允许值为失效水平D_fj，则对于L个试验样本，分别利用性能参数j的退化数据建立样本的时序模型(由某一时刻单个性能参数值组成的时序模型)，拟合第k(k＝1，2，…，L)个样本的退化轨迹函数，则可计算当y_ijk＝D_fj时的临界失效寿命数据T_jk＝(T_j1，T_j2，…，T_jL)。由于T_jk并不是样本的实际失效时间，而是由拟合的退化轨迹函数外推出来的，所以称之为临界失效寿命。对这L个临界失效寿命数据进行拟合，得到其服从的概率密度函数f_j(t)和可靠度函数R_j(t)，从而评估出数控装备的平均无故障时间MTBF。

3)q个性能参数相互不独立，则根据多性能参数的退化数据，拟合多性能参数的联合退化轨迹，并计算多性能参数达到规定阈值的联合可靠度和联合概率密度函数。

设q个相关的性能参数Y＝(y₁(t)，y₂(t)，…，y_q(t))的极限允许值为失效水平D_f＝(D_f1，D_f2，…，D_fq)，则对于L个试验样本，利用q个性能参数的退化数据建立样本的多元时序模型(由某一时刻多个性能参数值组成的时序模型)，拟合第k(k＝1，2，…，L)个样本的多元退化轨迹函数，则可计算当y_i(q)k＝Min(D_f)时的临界失效寿命数据T_k＝(T₁，T₂，…，T_L)。对这L个临界失效寿命数据进行拟合，得到其服从的联合分布函数f_(q)(t)和联合可靠度R_(q)(t)，从而评估出联合平均无故障时间MTBF。

4)最后，根据无相关的单一性能参数可靠度和相关的多性能参数的联合可靠度，计算出数控装备的可靠度和概率分布函数。

以性能退化轨迹曲线y_j为单调下降为例，设p个性能参数相互独立，q个性能参数不相互独立，p+q＝m，则数控装备的可靠度为：

$R\left(t\right)=1-P\{y_1\≤D_{f_1},y_2\≤D_{f_2},\·\·\·,y_m\≤D_{f_m}\}$

$=1-P\{y_1\≤D_{f_1}\}\·P\{y_2\≤D_{f_2}\}\·\·\·\·\·P\{y_p\≤D_{\mathrm{fp}}\}$

$\·P\{y_{(m-q+1)}\≤D_{f_{(m-q+1)}},y_{(m-q+2)}\≤D_{f_{(m-q+2)}},\·\·\·,y_m\≤D_{f_m}\}$

$=1-{\∫}_0^{D_{f_1}}g(y_1,t_i){\mathrm{dy}}_{i1}\·{\∫}_0^{D_{f_2}}g(y_2,t_i){\mathrm{dy}}_{i2}\·\·\·\·\·{\∫}_0^{D_{f_p}}g(y_p,t_i){\mathrm{dy}}_{\mathrm{ip}}$

$\·{\∫}_0^{D_{f_{(p+1)}}}{\∫}_0^{D_{f_{(p+2)}}}\·\·\·{\∫}_0^{D_{f_{(p+q)}}}\∫g(y_{(m-q+1)},y_{(m-q+2)},\·\·\·,y_m,t_i){\mathrm{dy}}_{i(m-q+1)}{\mathrm{dy}}_{i(m-q+2)}\·\·\·{\mathrm{dy}}_{\mathrm{im}}$

$=R_1\left(t\right)\·R_2\left(t\right)\·\·\·\·\·R_p\left(t\right)\·R_{\left(q\right)}\left(t\right)$

其中，R_j(t)，j＝1，2，…，p由步骤2得到，R_(q)(t)由步骤3得到。

本发明有益效果体现在：数控装备在使用期间或加工过程中受到各种不同的内/外部随机因素的影响，导致数控装备的各项性能发生不同程度的变化，从而影响了数控装备的可靠性。与现有的技术相比，本发明具有下列区别于传统方法的显著优势：

1)综合考虑数控装备当前的多项性能参数指标的变化量，直接得到数控装备当前的性能可靠性，而不需要收集和统计数控装备长期运行的故障数据，提高了可靠性评估的效率。

2)建立基于最小二乘支持向量机的非线性回归模型，不需要大量的可靠性数据，就能够进行小样本函数估计，较好地解决了性能可靠性评估遇到的非线性、评估准确性差等问题，提高了性能可靠性评估的效率。

附图说明

图1本发明的评估流程示意图。

图2性能测试实验原理图

图3拟合计算过程图。

图4单一性能参数退化轨迹拟合结果。

图5单一性能参数情况下的概率密度函数和可靠度函数。

图6多性能参数的多元回归拟合结果图。

图7Y3和Y4的联合概率密度函数和联合可靠度函数。

图8数控装备的可靠度函数曲线。

具体实施方式

随着科学技术的发展和制造工艺水平的不断提高，许多设备仪器都呈现出高可靠性、长寿命的趋势。在对这些设备进行寿命试验时，就会经常出现失效数据少或“零失效”的现象，乃至这些产品即使在加速寿命试验中也很少失效或无失效发生，这是传统的基于失效数据的可靠性评估方法所不能解决的，除非试验者愿意牺牲更多的时间和经费开支来得到足够多的失效数据，但试验费用昂贵，而且失效时间数据仍难以得到。而众所周知，产品规定完成的功能是由其性能参数表征的，并且动态环境对产品的影响也体现在性能参数的变化上，很多情况下，产品失效与性能退化存在着必然的联系，产品性能退化可导致失效，可见产品性能退化过程中包含着大量可信、精确而又有用的与产品寿命相关的关键信息，因此，通过对表征产品功能的某些特征量进行连续测量，取得退化数据，利用退化数据对产品功能的失效过程进行分析，就可以评估产品的可靠性。开展性能可靠性研究，掌握数控装备性能劣化程度与趋势，可以有效地避免装备突发故障，减小装备无计划故障停机率，这对于企业提高关键装备利用率，及时发现装备的薄弱环节，进行适时适当地维修和维护，延长装备使用寿命等都具有十分重要意义。

下面结合附图和具体实施例对本发明做进一步说明。

本发明的具体实施步骤如下(参照附图1)：

1)采集数控装备的多个性能参数的退化数据

经过多次数控装备的性能测试实验，得到多个性能参数的退化数据，退化过程中的性能参数y_j(j＝1，2，…，m)为随机向量。假设在性能退化试验中，有L个样本(即数控装备)，所有样本的各个性能退化参数的测量次数和测量时刻都是相同的，即在每个测量时刻t_i(i＝1，2，…，n)同时监测装备m个性能参数值。性能参数退化量数据集Y＝(y₁(t)，y₂(t)，…，y_j(t)，…，y_m(t))，其中y_j(t)＝{(x₀，y₀)|x₀＝t_i，y₀＝y_ijk，i＝1，2，…n，k＝1，2，…L}。通常i和k取值5～30，突出表现为小样本特征。

2)判断性能参数的相关性

分析性能参数退化量间的相关性和协方差变化是十分必要的，因为忽略相关性或认为协方差固定都将导致可靠性的偏低估计。因此首先要解决的问题是判断这多个性能参数在统计学上是否相关。如果这些性能参数是相互独立的，那么就可以用类似串联系统的可靠性评估方法来解决。如果这些性能参数是相关的，则需要估计相关的多个性能参数的联合概率分布函数和联合可靠度。

性能参数c和性能参数d的协方差为：Cov(y_ct)，y_d(t))＝E[(y_c(t)-μ_c(t))(y_d(t)-μ_d(t))]。第c个性能参数与第d个性能参数的相关性取决于协方差的相关性系数υ_cd，定义为：

${\mathrm{\υ}}_{\mathrm{cd}}=\left|\frac{\mathrm{Cov}(y_c\left(t\right),y_d\left(t\right))}{\sqrt{\mathrm{var}\left(y_c\left(t\right)\right)\·\mathrm{var}\left(y_d\left(t\right)\right)}}\right|$

υ_cd的取值在[0，+1]之间，当υ_cd＝1时，表明两个性能参数之间完全线性相关；当0＜υ_cd＜1时，υ_cd越接近1表明线性相关性越强，υ_cd越接近0表明线性相关性越弱，两个性能参数越接近于相互独立；当υ_cd＝0时，表明两个性能参数之间线性无关(假设各性能参数之间不存在内在的非线性函数关系)，相互独立。

3)基于支持向量机的退化轨迹拟合

●单一性能参数的退化轨迹拟合

假设p个性能参数之间不相关，则根据单一性能参数j的退化数据，拟合该性能参数的退化轨迹。

根据性能参数数据集y_j(t)，将输入向量x₀＝t_i作为函数输入，输出向量y₀＝y_ijk作为函数输出，拟合得到最优非线性回归函数y＝f(x)，x表示输入变量，y表示输出变量。因为在小样本条件下，支持向量机更优，本发明采用最小二乘支持向量机方法拟合性能参数退化轨迹。

最小二乘支持向量机寻找的非线性最优函数y＝f(x)，其训练模型是：

$f\left(x\right)={\mathrm{\α}}_i\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{e}^{-\frac{{(x-x_i)}^2}{{\mathrm{\σ}}^2}}+b---\left(1\right)$

通过训练，得到模型参数α_i和b，即拟合出第j个性能参数的L个样本退化轨迹函数f_jk(t)，k＝1，2，…L。在此过程中，运用网络搜索和留一交叉验证来选择最优的模型参数，以提高训练的准确性和泛化性。

●多性能参数的退化轨迹拟合

假设q个性能参数之间是相关的，则根据多性能参数的退化数据，拟合多性能参数的联合退化轨迹，并计算多性能参数达到规定阈值的联合可靠度和联合概率密度函数。

根据性能参数数据集Y＝(y₁(t)，y₂(t)，…，y_j(t)，…，y_q(t))和y_j(t)＝{(x₀，y₀)|x₀＝t_i，y₀＝y_ijk，i＝1，2，…n，k＝1，2，…L}，将输入向量x₀＝t_i作为函数输入，输出向量y₀＝(y_i1k，y_i2k，…y_iqk)作为函数输出，拟合得到最优非线性回归函数y＝f(x)，x表示输入变量，y表示输出向量。拟合采用多元支持向量机方法，同样利用上述式(1)得到最优的非线性回归函数。

与一般支持向量机不同，多元支持向量机得到的非线性回归函数，即q个相关性能参数的L个样本联合退化轨迹函数f_(q)k(t)，k＝1，2，…L是多维向量函数。

4)基于临界失效寿命的可靠性评估

得到L个样本的退化轨迹函数f_jk(t)或者f_(q)k(t)后，设性能参数y_j的极限允许值为失效水平D_fj，则：对于相互独立的p个性能参数j，将y＝D_fj代人到函数f_jk(t)，即可得到临界失效寿命数据T_jk＝(T_j1，T_j2，…，T_jL)；对于相互关联的q个性能参数，将y＝(D_f1，D_f2，…D_fq)代人到函数f_(q)k(t)，即可得到临界失效寿命数据T_jk＝(T_j1，T_j2，…，T_jL)。

假设临界失效寿命数据符合weibull分布，累积分布函数为 $F\left(t\right)=1-e^{-{(t/\mathrm{\θ})}^{\mathrm{\β}}},$ 则 $\ln \left[\frac{1}{1-F\left(t\right)}\right]={\left(\frac{t}{\mathrm{\θ}}\right)}^{\mathrm{\β}},$ 继续两边取对数，得：

$\ln \ln \left[\frac{1}{1-F\left(t\right)}\right]=\mathrm{\β}\ln t-\mathrm{\β}\ln \mathrm{\θ}$

利用最小二乘进行拟合，则令：

x′_jk＝lnT_jk

${y^{\′}}_{\mathrm{jk}}=\ln \ln \left(\frac{1}{1-\hat{F}\left(T_{\mathrm{jk}}\right)}\right)$

其中

经过拟合，得到斜率b＝β，截距a＝βlnθ，则weibull分布的形状参数尺度参数

为了验证分布的拟合程度，可以计算其拟合度r，其公式为：

$r=\sqrt{\frac{\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{({x^{\′}}_{\mathrm{jk}}-a-{{\mathrm{bx}}^{\′}}_{\mathrm{jk}})}^2}{\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{({y^{\′}}_{\mathrm{jk}}-{{\stackrel{\‾}{y}}_j}^{\′})}^2}}$

拟合度r反映由于x′变量导致y′的变化比例，r在0～1之间取值，越接近1表示拟合越好。

当得到weibull分布的形状参数β，尺度参数θ后，则得到临界失效寿命的分布函数，即对于相互独立的单一性能参数，概率密度函数

和可靠度函数

对于相互关联的多个性能参数，联合概率密度函数f_(q)(t)和联合可靠度

也可以得到MTBF＝θΓ(1+1/β)，其中Γ(z)是伽马函数，可查表得到与z对应的Γ(z)值。

5)数控装备的性能可靠性评估

根据相互独立的单一性能参数可靠度和相关的多性能参数的联合可靠度，计算出数控装备的可靠度和概率分布函数。

以性能退化轨迹曲线y_j为单调下降为例，设p个性能参数相互独立，q个性能参数不相互独立，则数控装备的可靠度为：

R(t)＝R₁(t)·R₂(t)·…·R_p(t)·R_(q)(t)

其中，R_j(t)，(j＝1，2，…，p)可以步骤3的方法得到，R_(q)(t)可以步骤4的方法得到。

综上所述，通过这种基于最小二乘支持向量机和临界失效寿命的数控装备性能可靠性评估方法，完成了面向多性能参数的数控装备可靠性评估工作，得到可靠性指标，从而获知数控装备在一定的时间和条件下完成规定功能的概率。

下面通过具体应用实例对本实施例的方法进行具体验证。

1)收集精度退化数据

为验证上述方法，利用球杆仪QC20-W进行性能测试实验，如附图2所示，由球杆仪附带软件，提取各项性能指标。对某制造机床企业生产的8台数控铣床的精度检测进行跟踪，自机床安装完验收之后开始跟踪，每隔3个月(90天)进行一次检测，选取用户最关心的四项铣床精度指标。这四项精度分别是Y轴定位精度(Y1)，Y轴重复定位精度(Y2)，主轴(Z轴)径向跳动(Y3)，主轴(Z轴)锥孔的径向跳动(Y4)，测得的精度退化数据如表1所示，表中最后第二列为检测精度的允许值。

表18台铣床的精度测量值

2)相关性分析

首先分别计算不同时间，4个性能参数的相关性。得到各时刻的各性能参数之间的相关性，如表2，其中υ_ij为精度i和j的相关系数。

表2性能参数之间的相关系数表

可见，Y轴定位精度(Y1)和重复定位精度(Y2)不仅相互独立，而且独立于主轴(Z轴)径向跳动(Y3)和锥孔的径向跳动(Y4)，而主轴(Z轴)径向跳动(Y3)和锥孔的径向跳动(Y4)是相互不独立的。

3)单一性能参数的可靠性评估

首先利用LSSVM.M工具，根据测量的精度值，进行回归拟合。例如，对于第1台机床的Y1精度，经过拟合，得到γ＝206.60，σ²＝10.882，α＝[-54.5937，48.7074，7.7053，1.2694，-36.9720，31.8368，2.0468]，b＝0.1369，y_i11达到D_f1允许值的时间为T(D_f1)＝583.85天，其SVM计算过程如附图3，拟合结果图如附图4。表1的最后一列就是退化轨迹达到精度允许值的时间，即临界失效寿命。

在得到各退化轨迹的临界失效寿命后，利用最小二乘法拟合weibull分布，计算得到形状参数

尺度参数

并计算拟合度r，比较拟合程度，最后计算MTBF值。例如：对于性能参数Y1，如表3所示，拟合得到形状参数

尺度参数

拟合度r＝0.9073，拟合较好。则，

MTBF＝θΓ(1+1/β)＝655.49*Γ(1+1/3.8805)

＝655.49*0.9049＝593.15(天)

表3采用最小二乘拟合性能参数Y1的weilbull分布参数

同样，也可以利用最小二乘拟合正态分布，计算得到方差σ和均值μ，得到MTBF。如表4所示，由测量数据拟合得到的分布，既可以是weibull分布，也可以是正态分布，其拟合度相近，MTBF值也相近，而且拟合度都在90％以上，拟合较好，其概率密度函数f_j(t)和可靠度函数R_j(t)如附图5所示。

表4单一性能参数情况下的分布参数及MTBF

4)多性能参数的可靠性评估

由前面的性能参数的相关性分析可知，主轴(Z轴)径向跳动(Y3)和锥孔的径向跳动(Y4)是相互不独立的，因此必须采用性能参数相关联的情况下的可靠性评估方法。首先，利用LSSVM.M工具，根据测量的Y3和Y4精度值，进行多元回归拟合。例如，对于第1台机床的Y3和Y4精度，经过拟合，得到γ＝151.0388，σ²＝8.3406，α＝[-1.0733，1.4681，-22.6386，23.4161，-3.7150，2.5427]，b＝-0.17，劣化轨迹达到D_f34允许值(同时考虑Y3和Y4的D_f允许值)的时间为T(D_f34)＝531.5125天。表5的倒数第3列和第2列是SVM拟合参数γ和σ²，最后一列就是退化轨迹达到精度允许值的时间。附图6为SVM拟合第1台机床的多性能参数退化轨迹的拟合结果图。

表58台铣床的精度测量值

在得到各退化轨迹的临界失效时间后，假设临界失效时间分布为weibull分布，利用最小二乘法拟合weibull分布，计算得到形状参数

尺度参数并计算拟合度r，比较拟合程度，最后计算MTBF值。同样可以假设临界失效时间分布为正态分布，利用最小二乘法拟合正态分布，计算得到方差σ，均值μ，并计算拟合度r，比较拟合程度，最后计算MTBF值。如表6所示，由测量数据拟合得到的分布更接近正态分布，其拟合度90％，拟合较好。附图7为Y3和Y4的联合概率密度函数和联合可靠度函数。

表6多性能参数情况下的分布参数及MTBF

5)数控装备的可靠度评估

综合以上的分析和计算，由于各性能参数值都是单调下降的，因此数控装备的可靠度为：

$R\left(t\right)=1-P\{y_1\≤D_{f_1},y_2\≤D_{f_2},y_3\≤D_{f_3},y_4\≤D_{f_4}\}$

$=1-P\{y_1\≤D_{f_1}\}P\{y_2\≤D_{f_2}\}P\{y_{f_3}\≤D_{f_3},y_{f_4}\≤D_{f_4}\}$

$=1-{\∫}_0^{D_{f_1}}g(y_1,t_i){\mathrm{dy}}_{i1}{\∫}_0^{D_{f_2}}g(y_2,t_i){\mathrm{dy}}_{i2}{\∫}_0^{D_{f_3}}{\∫}_0^{D_{f_4}}g(y_3,y_4,t_i){\mathrm{dy}}_{i3}{\mathrm{dy}}_{i4}$

$=R_1\·R_2\·R_{\left(2\right)}$

可靠度计算结果如表7所示，可靠度函数曲线如附图8所示。

表7数控装备的可靠度

Claims (5)

1.一种面向多性能参数的数控装备性能可靠性分析方法，具体包括如下步骤：

(1)首先采集k个数控装备在时刻t_i的j个性能参数值y_ijk，其中，k＝1，2，…，L，i＝1，2，…，n，j＝1，2，…，m，L为被观测数控装备的个数，n为测量的次数，m为测量的性能参数的个数，并建立性能参数退化量数据集Y＝(y₁(t)，y₂(t)，…，y_j(t)，…，y_m(t))，Y由m个随机变量组成，其中y_j(t)为性能参数j在时刻t的观测数据集，即y_j(t)＝{(x₀，y₀)|x₀＝t_i，y₀＝y_ijk，i＝1，2，…n，k＝1，2，…L}；

(2)计算性能参数数据集Y中各性能参数之间的相关性，得到相互独立的性能参数的个数p，以及性能参数不相互独立的个数q；

(3)分别针对相互独立的性能参数以及不相互独立的性能参数，拟合性能参数的退化轨迹，计算性能参数达到其规定阈值的可靠度和联合可靠度；

(4)根据相互独立的单一性能参数可靠度和不相互独立的多性能参数的联合可靠度，计算出数控装备的可靠度和概率分布函数，即实现对数控装备性能的可靠性评估。

2.根据权利要求1所述的面向多性能参数的数控装备性能可靠性评估方法，其特征在于，所述的步骤(3)中，对于相互独立的性能参数的可靠度计算具体为：

首先，利用退化数据建立样本的时序模型，并拟合第k个样本的退化轨迹函数f_jk(t)，进而计算当y_ijk＝D_fj时的临界失效寿命数据T_jk＝(T_j1，T_j2，…，T_jL)，其中，性能参数y_j的极限允许值为失效水平D_fj；

然后，对这L个临界失效寿命数据进行拟合，即得到其服从的分布函数f_j(t)和可靠度R_j(t)。

3.根据权利要求1或2所述的面向多性能参数的数控装备性能可靠性评估方法，其特征在于，所述的步骤(3)中，对于不相互独立的性能参数的可靠度计算具体为：

首先，采用多元支持向量机，训练得到最优非线性回归函数f_(q)k(t)，k＝1，2，…，L，即第k个样本的多维退化轨迹函数；

然后，计算当y_i(q)k＝Max(D_(q)f)时的临界失效寿命数据T_(q)k＝(T_(q)1，T_(q)2，…，T_(q)L)，其中，Max(D_(q)f)为q个性能参数的极限允许值的最大值；

对L个临界失效寿命数据进行拟合，即得到其服从的联合分布函数f_(q)(t)和联合可靠度R_(q)(t)。

4.根据权利要求1-3之一所述的面向多性能参数的数控装备性能可靠性评估方法，其特征在于，所述两性能参数的相关性通过相关系数υ_cd得到，即υ_cd＝0时，该两性能参数相互独立，否则两性能参数不相互独立，其中，相关系数υ_cd具体公式为：

${\mathrm{\υ}}_{\mathrm{cd}}=\left|\frac{\mathrm{Cov}(y_c\left(t\right),y_d\left(t\right))}{\sqrt{\mathrm{var}\left(y_c\left(t\right)\right)\·\mathrm{var}\left(y_d\left(t\right)\right)}}\right|$

式中，Cov(y_c(t)，y_d(t))＝E[(y_c(t)-μ_c(t))(y_d(t)-μ_d(t))]为任意性能参数c和性能参数d的协方差，μ_j(t)是其第j个性能参数在t时刻的期望值，即均值为μ_j(t)＝E(y_j(t))，var(y_j(t))＝E[(y_j(t)-μ_j(t))²]为方差。

5.根据权利要求1-4之一所述的面向多性能参数的数控装备性能可靠性评估方法，其特征在于，所述数控装备的可靠度为各性能参数的可靠度或联合可靠度的乘积。

Images