1.一种基于Copula函数多元退化的O型橡胶密封圈寿命预测方法,其特征在于,包括以下几个步骤:
步骤一:多元退化量的统计模型建立及数据统计分析;
(1)退化数据收集:
在进行多元加速退化试验数据收集时,一般假设每个样本都是从总体样本中随机抽取的,每个退化量都是在同一时刻进行测量的,假设产品具有m个性能参数,在每个应力Si(i=1,2,…k)水平下有ni个样本,在tih(h=1,2,…ci)时刻对第l个样本的m个性能参数测量,各个退化量数据记为(xil1h,xil2h,...,xilmh),其中xiljh表示Si应力水平下第l个样本的第j个性能参数在第h个时刻测量的退化值,因此,多元加速退化试验数据如下表所示:
<mrow>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>l</mi>
<mi>j</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<msub>
<mi>X</mi>
<mn>1</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>X</mi>
<mn>2</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>l</mi>
<mn>1</mn>
<mi>h</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>l</mi>
<mn>2</mn>
<mi>h</mi>
</mrow>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>...</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>l</mi>
<mi>m</mi>
<mi>h</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mi>l</mi>
<mn>1</mn>
<mi>h</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mi>l</mi>
<mn>2</mn>
<mi>h</mi>
</mrow>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>...</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mi>l</mi>
<mi>m</mi>
<mi>h</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>l</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>l</mi>
<mn>2</mn>
<mi>h</mi>
</mrow>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>...</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>l</mi>
<mi>m</mi>
<mi>h</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,l=1,2,…,ni个样本;j=1,2,…,m;h=1,2,…,ci次测量时刻;
为了得到验证方法正确性的试验数据,可以采用利用参数真值模拟生成二元退化量O型橡胶密封圈的退化数据,模拟生成二元退化数据的方法为:
(a)生成服从标准正态分布且独立的随机数z1,z2;
(b)
<mrow>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<msubsup>
<mi>a</mi>
<mn>2</mn>
<mn>0</mn>
</msubsup>
<mo>+</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>d</mi>
<mn>2</mn>
<mn>0</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>c</mi>
<mn>2</mn>
<mn>0</mn>
</msubsup>
<mo>/</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msup>
<mi>t</mi>
<msub>
<mi>&alpha;</mi>
<mn>2</mn>
</msub>
</msup>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>12</mn>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>z</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>22</mn>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>z</mi>
<mn>2</mn>
</msub>
<mo>;</mo>
</mrow>
其中c·cT=Σ,Σ为参数真值;
重复上述步骤(a)和(b)生成4个温度应力,每个应力下8个样本的退化数据;
(2)退化量分布的选择
对多元退化数据进行处理时,首先要确定各个性能参数所服从的边缘分布,一般正态分布和Weibull分布是描述产品退化量最常用的分布模型,同时具有很多优点;
对收集到的退化数据,要判断每个性能参数退化量xil1h,…,xilmh服从的分布,可以采用退化量分布的拟合优度检验的Anderson-Darling方法来分别判断各个性能参数退化量是否符合正态分布或Weibull分布,其中Anderson-Darling的检验假设统计量为:
对应的正态分布的假设检验统计量为:
<mrow>
<msubsup>
<mi>A</mi>
<mi>n</mi>
<mn>2</mn>
</msubsup>
<mo>=</mo>
<mo>-</mo>
<mi>n</mi>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mfrac>
<mrow>
<mn>2</mn>
<mi>l</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</mfrac>
<mo>{</mo>
<mi>l</mi>
<mi>n</mi>
<mi>&Phi;</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>l</mi>
<mi>j</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>h</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>h</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>l</mi>
<mi>n</mi>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&Phi;</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
<mo>-</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mi>j</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>h</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>h</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
对应的Weibull分布的假设检验统计量为:
<mrow>
<msubsup>
<mi>A</mi>
<mi>w</mi>
<mn>2</mn>
</msubsup>
<mo>=</mo>
<mo>-</mo>
<mi>n</mi>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mfrac>
<mrow>
<mn>2</mn>
<mi>l</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</mfrac>
<mo>{</mo>
<mi>ln</mi>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>-</mo>
<mi>exp</mi>
<msup>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>l</mi>
<mi>j</mi>
<mi>h</mi>
</mrow>
</msub>
<mrow>
<msub>
<mi>&eta;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>h</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>h</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>&rsqb;</mo>
<mo>+</mo>
<mi>ln</mi>
<mo>&lsqb;</mo>
<mi>exp</mi>
<msup>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
<mo>-</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mi>j</mi>
<mi>h</mi>
</mrow>
</msub>
<mrow>
<msub>
<mi>&eta;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>h</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>h</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>&rsqb;</mo>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
将试验数据带入式(2)、(3),可以得到每个性能参数在应力水平Si下各个测试时刻的统计量值,然后对照正态分布和Weibull分布的Anderson-Darling检验临界值表,可以判断各个测试时刻的数据是否满足相应的分布,计算第j个性能参数在各应力水平下和各测试时刻点的统计量的平均值和对比和的大小,值越小说明数据与该分布的拟合效果更好,可以确定退化数据最符合的分布;
(3)退化轨迹拟合
由于试验对象是丁腈橡胶O型密封圈,所以根据老化动力学经验公式:
P=B·exp(-K·tα)
两边取对数形式为:-ln P=-ln B+K·tα
对压缩永久变形P=1-ε;对压缩应力松弛P=σ/σ0;
通过逐次逼近准则可以确定橡胶老化经验常数α的值,逼近准则为:
<mrow>
<msub>
<mi>I</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>4</mn>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>8</mn>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>h</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>l</mi>
<mi>j</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>4</mn>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>8</mn>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>h</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>l</mi>
<mi>j</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>B</mi>
<mo>^</mo>
</mover>
<mi>j</mi>
</msub>
<mi>exp</mi>
<mo>(</mo>
<mrow>
<mo>-</mo>
<msub>
<mi>K</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msup>
<msub>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mi>h</mi>
</mrow>
</msub>
<msub>
<mover>
<mi>&alpha;</mi>
<mo>^</mo>
</mover>
<mi>j</mi>
</msub>
</msup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中表示tih时刻第j个性能参数的预计值,将退化数据带入式(4),计算使得当I1和I2的值最小时α1和α2的值;
(4)加速方程的选择
本发明中的加速应力为温度,所以加速方程可以选择为阿伦尼斯方程,通常在研究退化量的寿命特征时,常常假设位置参数μi(t)是时间和应力的函数,而形状参数σ一般假设为常数处理,这种处理方法在很多时候会与实际情况不符,影响最终可靠性寿命的预测,因此,提出一种可以直观判断形状参数是否与时间和应力水平有关的方法:绘制各个应力水平下形状参数与测试时刻之间的曲线图,观察形状参数的变化趋势,若确定形状参数的值在各应力水平和测试时刻不同,将阿伦尼斯方程结合退化轨迹方程可以给出退化量分布参数与时间和应力水平的关系;
μi(t)=exp(b+a/Si)·t+βi
σi(t)=exp(d+c/Si)·t+γi
ηi(t)=exp(b+a/Si)·t+βi
mi(t)=exp(d+c/Si)·t+γi
其中μi(t)和σi(t)分别是正态分布时的位置参数和形状参数;ηi(t)和mi(t)分别是Weibull分布时的位置参数和形状参数;
步骤二:选择合适的Copula函数;
在可靠度计算当中需要用Copula函数来描述各变量之间的相关性,因此合理选择相应的Copula函数才能更好的反应各性能退化量之间的相关模式,总结出从以下三步选择合适Copula函数的方法:
(1)散点图法:通过绘制原始数据的散点图,大致可以确定退化数据是不是对称分布,以及上尾部和下尾部的变化情况,同时对比几种常用Copula函数的特征可以大致选择一种或几种合适的Copula函数;
(2)相关系数检验法:计算原始退化量之间的相关系数,与常用Copula函数相关系数Kendallτ对比,选择更接近的Copula函数;其中几种常用Copula函数的Kendallτ系数计算公式如表1所示:
表1 Copula函数相关系数
其中θ为各Copula函数模型参数;
(3)AIC信息准则:AIC准则适用于用极大似然估计法得到的Copula模型;
AIC=-2log(MLE)+2k (5)
其中,k表示Copula模型中参数个数;log(MLE)是整体对数似然函数值;如果计算的AIC值越小,说明模型的拟合程度更高;
步骤三:未知参数的估计;
以二元退化量为例,表示出整体似然函数为:
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</munderover>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>h</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
</munderover>
<mo>{</mo>
<mi>c</mi>
<mo>&lsqb;</mo>
<msub>
<mi>F</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>l</mi>
<mn>1</mn>
<mi>h</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>F</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>l</mi>
<mn>2</mn>
<mi>h</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>&CenterDot;</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>2</mn>
</munderover>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>l</mi>
<mi>j</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>}</mo>
</mrow>
相应的表示成对数似然函数为:
<mrow>
<mi>ln</mi>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>h</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
</munderover>
<mo>{</mo>
<mi>ln</mi>
<mi>c</mi>
<mo>&lsqb;</mo>
<msub>
<mi>F</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>l</mi>
<mn>1</mn>
<mi>h</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>F</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>l</mi>
<mn>2</mn>
<mi>h</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>}</mo>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>h</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>2</mn>
</munderover>
<mi>ln</mi>
<mi> </mi>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>l</mi>
<mi>j</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
因此,在整体对数似然函数中要估计的所有未知参数为:
Θ=(a1,b1,β1,c1,d1,γ1,a2,b2,β2,c2,d2,γ2,θ)
其中ζj=(aj,bj,βj,cj,dj,γj)为要估计的边缘分布中的未知参数,θ为Copula函数中的未知参数;
由于IFM参数估计法相对计算比较简单、适用性比较强,所以采用IFM方法对未知参数进行估计;
(1)边缘分布的参数估计
根据边缘分布服从的分布类型,可以得到边缘分布的对数似然函数如下:
当边缘分布服从正态分布时:
<mrow>
<mi>ln</mi>
<mi> </mi>
<msub>
<mi>L</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&zeta;</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>h</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
</munderover>
<mo>{</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mi>ln</mi>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mi>&pi;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>ln</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&sigma;</mi>
<mi>j</mi>
</msub>
<mo>(</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>l</mi>
<mi>j</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&sigma;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
当边缘分布服从Weibull分布时:
<mrow>
<mi>ln</mi>
<mi> </mi>
<msub>
<mi>L</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&zeta;</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>h</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
</munderover>
<mo>{</mo>
<mi>ln</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mi>j</mi>
</msub>
<mo>(</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mi>j</mi>
</msub>
<mo>(</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>)</mo>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mi>ln</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>l</mi>
<mi>j</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>m</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mi>ln</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&eta;</mi>
<mi>j</mi>
</msub>
<mo>(</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>l</mi>
<mi>j</mi>
<mi>h</mi>
</mrow>
</msub>
<mrow>
<msub>
<mi>&eta;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>m</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
其中正态分布和Weibull分布函数中的参数的估计公式为:
<mrow>
<msub>
<mover>
<mi>&mu;</mi>
<mo>^</mo>
</mover>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</munderover>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>l</mi>
<mi>j</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mover>
<mi>&sigma;</mi>
<mo>^</mo>
</mover>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>l</mi>
<mi>j</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
其中
采用最佳线性无偏估计(BLUE)可以得到Weibull分布的参数估计:
其中C(ni,ni,l)和D(ni,ni,l)由查可靠性试验表获得,yiljh=lnxiljh为退化数据xiljh从小到大排序后的结果;
得到:gn,n也是查可靠性试验表获得。
分别对式(8)采用极大似然估计法可以得到各个边缘分布函数的参数估计值为:和
(2)Copula函数模型的参数估计:
将求得的边缘分布函数的参数估计值和带入Copula密度函数部分:
<mrow>
<mi>ln</mi>
<mi> </mi>
<msub>
<mi>L</mi>
<mi>c</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>h</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
</munderover>
<mo>{</mo>
<mi>ln</mi>
<mi>c</mi>
<mo>&lsqb;</mo>
<msub>
<mi>F</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>l</mi>
<mn>1</mn>
<mi>h</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>F</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>l</mi>
<mn>2</mn>
<mi>h</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
<mi>&theta;</mi>
<mo>&rsqb;</mo>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
采用极大似然估计法可得到Copula密度函数的参数估计值至此,已求出了所有的未知参数估计值:
步骤四:建立可靠度计算模型;
若产品的第j个性能退化量的失效阈值为Dj,正常条件下的应力为S0,则各个性能退化量对应的可靠度函数为:
当边缘分布服从正态分布时:
<mrow>
<msub>
<mi>R</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>/</mo>
<msub>
<mi>S</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&Phi;</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>D</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<msub>
<mi>S</mi>
<mn>0</mn>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&sigma;</mi>
<msub>
<mi>S</mi>
<mn>0</mn>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&Phi;</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>D</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mo>&lsqb;</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mi>b</mi>
<mo>+</mo>
<mi>a</mi>
<mo>/</mo>
<msub>
<mi>S</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mi>t</mi>
<mo>+</mo>
<mi>&beta;</mi>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mi>d</mi>
<mo>+</mo>
<mi>c</mi>
<mo>/</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mi>t</mi>
<mo>+</mo>
<mi>&gamma;</mi>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
当边缘分布服从Weibull分布时:
<mrow>
<msub>
<mi>R</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>/</mo>
<msub>
<mi>S</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>D</mi>
<mi>j</mi>
</msub>
<mrow>
<msub>
<mi>&eta;</mi>
<msub>
<mi>S</mi>
<mn>0</mn>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>m</mi>
<msub>
<mi>S</mi>
<mn>0</mn>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>&rsqb;</mo>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>D</mi>
<mi>j</mi>
</msub>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mi>b</mi>
<mo>+</mo>
<mi>a</mi>
<mo>/</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mi>t</mi>
<mo>+</mo>
<mi>&beta;</mi>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mi>d</mi>
<mo>+</mo>
<mi>c</mi>
<mo>/</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mi>t</mi>
<mo>+</mo>
<mi>&gamma;</mi>
</mrow>
</msup>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
若各性能参数之间相互独立,则产品的可靠度可以表示为:
R(t/S0)=R1(t/S0)×R2(t/S0)×…×Rm(t/S0)
若各性能参数之间相关,则用Copula函数可以表示产品可靠度为:
R(t/S0)=C(R1(t/S0),R2(t/S0),…,Rm(t/S0);θ)
步骤五:预测正常温度应力下O型橡胶密封圈的贮存寿命;
根据可靠度计算公式,将参数估计值带入式(11)得到:
<mrow>
<msub>
<mover>
<mi>R</mi>
<mo>^</mo>
</mover>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>/</mo>
<msub>
<mi>S</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>D</mi>
<mn>1</mn>
</msub>
<mrow>
<msub>
<mover>
<mi>&eta;</mi>
<mo>^</mo>
</mover>
<msub>
<mi>S</mi>
<mn>0</mn>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mover>
<mi>m</mi>
<mo>^</mo>
</mover>
<msub>
<mi>S</mi>
<mn>0</mn>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>&rsqb;</mo>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>D</mi>
<mn>1</mn>
</msub>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>b</mi>
<mo>^</mo>
</mover>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mover>
<mi>a</mi>
<mo>^</mo>
</mover>
<mn>1</mn>
</msub>
<mo>/</mo>
<msub>
<mi>S</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msup>
<mi>t</mi>
<msub>
<mi>&alpha;</mi>
<mn>1</mn>
</msub>
</msup>
<mo>+</mo>
<msub>
<mover>
<mi>&beta;</mi>
<mo>^</mo>
</mover>
<mn>1</mn>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>d</mi>
<mo>^</mo>
</mover>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mover>
<mi>c</mi>
<mo>^</mo>
</mover>
<mn>1</mn>
</msub>
<mo>/</mo>
<msub>
<mi>S</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msup>
<mi>t</mi>
<msub>
<mi>&alpha;</mi>
<mn>1</mn>
</msub>
</msup>
<mo>+</mo>
<msub>
<mover>
<mi>&gamma;</mi>
<mo>^</mo>
</mover>
<mn>1</mn>
</msub>
</mrow>
</msup>
<mo>&rsqb;</mo>
</mrow>
4
<mrow>
<msub>
<mover>
<mi>R</mi>
<mo>^</mo>
</mover>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>/</mo>
<msub>
<mi>S</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>D</mi>
<mn>2</mn>
</msub>
<mrow>
<msub>
<mover>
<mi>&eta;</mi>
<mo>^</mo>
</mover>
<msub>
<mi>S</mi>
<mn>0</mn>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mover>
<mi>m</mi>
<mo>^</mo>
</mover>
<msub>
<mi>S</mi>
<mn>0</mn>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>&rsqb;</mo>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>D</mi>
<mn>2</mn>
</msub>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>b</mi>
<mo>^</mo>
</mover>
<mn>2</mn>
</msub>
<mo>+</mo>
<msub>
<mover>
<mi>a</mi>
<mo>^</mo>
</mover>
<mn>2</mn>
</msub>
<mo>/</mo>
<msub>
<mi>S</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msup>
<mi>t</mi>
<msub>
<mi>&alpha;</mi>
<mn>2</mn>
</msub>
</msup>
<mo>+</mo>
<msub>
<mover>
<mi>&beta;</mi>
<mo>^</mo>
</mover>
<mn>2</mn>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>d</mi>
<mo>^</mo>
</mover>
<mn>2</mn>
</msub>
<mo>+</mo>
<msub>
<mover>
<mi>c</mi>
<mo>^</mo>
</mover>
<mn>2</mn>
</msub>
<mo>/</mo>
<msub>
<mi>S</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msup>
<mi>t</mi>
<msub>
<mi>&alpha;</mi>
<mn>2</mn>
</msub>
</msup>
<mo>+</mo>
<msub>
<mover>
<mi>&gamma;</mi>
<mo>^</mo>
</mover>
<mn>2</mn>
</msub>
</mrow>
</msup>
<mo>&rsqb;</mo>
</mrow>
当性能退化量之间独立时:
<mrow>
<mover>
<mi>R</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mover>
<mi>R</mi>
<mo>^</mo>
</mover>
<mn>1</mn>
</msub>
<mo>&times;</mo>
<msub>
<mover>
<mi>R</mi>
<mo>^</mo>
</mover>
<mn>2</mn>
</msub>
</mrow>
当性能退化量之间相关,用Frank Copula函数描述相关性时:
<mrow>
<mover>
<mi>R</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mover>
<mi>&theta;</mi>
<mo>^</mo>
</mover>
</mfrac>
<mi>l</mi>
<mi>n</mi>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mover>
<mi>&theta;</mi>
<mo>^</mo>
</mover>
<mo>&CenterDot;</mo>
<msub>
<mover>
<mi>R</mi>
<mo>^</mo>
</mover>
<mn>1</mn>
</msub>
</mrow>
</msup>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
<mo>(</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mover>
<mi>&theta;</mi>
<mo>^</mo>
</mover>
<mo>&CenterDot;</mo>
<msub>
<mover>
<mi>R</mi>
<mo>^</mo>
</mover>
<mn>2</mn>
</msub>
</mrow>
</msup>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mover>
<mi>&theta;</mi>
<mo>^</mo>
</mover>
</mrow>
</msup>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
当用二元正态联合分布函数求解可靠度:
<mrow>
<mover>
<mi>R</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<msub>
<mi>D</mi>
<mn>2</mn>
</msub>
</msubsup>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<msub>
<mi>D</mi>
<mn>1</mn>
</msub>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mi>&pi;</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>|</mo>
<mi>&Sigma;</mi>
<msup>
<mo>|</mo>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
</mrow>
</msup>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>-</mo>
<mi>&mu;</mi>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<msup>
<mi>&Sigma;</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>-</mo>
<mi>&mu;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<msup>
<mi>dx</mi>
<mn>1</mn>
</msup>
<msup>
<mi>dx</mi>
<mn>2</mn>
</msup>
</mrow>
外推正常温度应力下T0=25时的形状参数和位置参数值,可以计算正常温度应力下的可靠度,其中根据O型橡胶密封圈失效定义为当压缩永久变形率ε≥40%或压缩应力松弛率δ≤80%判定产品失效,则失效阈值可以选择为D1=0.511,D2=0.223;将数据分别带入各可靠度计算公式可以得到O型橡胶密封圈在单性能参数、独立、二维正态分布和Frank Copula相关时的可靠度寿命。