CN107767019A - 一种产品可靠性鉴定的方法 - Google Patents

一种产品可靠性鉴定的方法 Download PDF

Info

Publication number
CN107767019A
CN107767019A CN201710814231.XA CN201710814231A CN107767019A CN 107767019 A CN107767019 A CN 107767019A CN 201710814231 A CN201710814231 A CN 201710814231A CN 107767019 A CN107767019 A CN 107767019A
Authority
CN
China
Prior art keywords
reliability
value
objective function
risk
success
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710814231.XA
Other languages
English (en)
Other versions
CN107767019B (zh
Inventor
郭志明
刘智慧
李长福
刘�英
杨春华
李阳
赵丹
陈岩
李娟�
孙勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Institute of Technical Physics of CAS
Ordnance Science and Research Academy of China
Original Assignee
Shanghai Institute of Technical Physics of CAS
Ordnance Science and Research Academy of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Institute of Technical Physics of CAS, Ordnance Science and Research Academy of China filed Critical Shanghai Institute of Technical Physics of CAS
Priority to CN201710814231.XA priority Critical patent/CN107767019B/zh
Publication of CN107767019A publication Critical patent/CN107767019A/zh
Application granted granted Critical
Publication of CN107767019B publication Critical patent/CN107767019B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种产品可靠性鉴定的方法，用以解决如何制定一个既能平衡双方风险，又能确保评估精度并降低检验成本的可靠性鉴定方案。该方案包括：以风险平衡、检验成本和可靠度评估精度构建一可靠性鉴定模型；根据针对成败型产品预设的关键因素参数和所述可靠性鉴定模型，确定合格判定数以及样本抽取量；从N个成败型产品中，按照所述样本抽取量选取相应数目的成败型产品进行可靠性鉴定，获得鉴定结果，确定所述鉴定结果表征的样本合格数量达到所述合格判定数时，确定所述N个成败型产品通过鉴定。

Description

一种产品可靠性鉴定的方法
技术领域
本发明涉及鉴定试验、可靠性试验领域，尤其是涉及一种产品可靠性鉴定的方法。
背景技术
可靠性鉴定是一种特殊的假设性检验方式，用于验证产品的设计是否达到了规定的最低可接收的可靠性要求。实际应用中，可靠性鉴定适用于各类产品，尤其以成败型产品最为典型。所谓成败型产品是指制造的产品要么成功要么失败，而不会出现其他情况，典型的如对制造的导弹进行试射时，试射的结果只有成功或失败两种情况而不会出现第三种情况。在对成败型产品进行可靠性鉴定时，通常是按生产方和使用方所协商的要求，用概率统计方法制定的方案对一批产品进行抽样检验，最后按抽样检验结果对这批产品做出接收或拒收的判断。
目前，成败型产品可靠性鉴定方案的设计，是从行业规范中查取与生产方和使用方要求最接近的方案来制定的。但行业规范中也只给出了双方风险分别等于5％、10％、20％和30％四种情况的最优方案，实际应用中，风险还可能取其它值，如4％、7％、16％等，甚至双方风险并不相等。
并且，在现有技术中制定的可靠性鉴定方案是只考虑双方风险平衡。而在实际应用中，由于成败型产品大多数情况下属于不可重复使用的产品，这就使得在制定可靠性鉴定方案时，如果抽样太小会造成评估的精度太低，而当抽样太多时尽管评估精度提高了，但检验成本又太高，这让生产方和使用方都不能够接受。
因此，如何制定一个既能平衡双方风险，又能确保评估精度并降低检验成本的可靠性鉴定方案，成为了目前臻待解决的技术问题。
发明内容
本发明提供一种产品可靠性鉴定的方法，用以解决如何制定一个既能平衡双方风险，又能确保评估精度并降低检验成本的可靠性鉴定方案。
本发明实施例的第一方面，提供一种产品可靠性鉴定的方法，包括：
以风险平衡、检验成本和可靠度评估精度构建一可靠性鉴定模型；其中，所述风险平衡以生产方和使用方的风险值与额定风险值的欧氏距离最小为目标，所述检验成本以检验费用和检验时间最小为目标，所述可靠度评估精度以鉴定可靠度的贝叶斯点估计值与所述可靠度的真值之间的距离最小为目标；
根据针对成败型产品预设的关键因素参数和所述可靠性鉴定模型，确定合格判定数以及样本抽取量；
从N个成败型产品中，按照所述样本抽取量选取相应数目的成败型产品进行可靠性鉴定，获得鉴定结果，确定所述鉴定结果表征的样本合格数量达到所述合格判定数时，确定所述N个成败型产品通过鉴定。
结合第一方面，在第一方面的第一种可能的实施方式中，所述以风险平衡、检验成本和可靠度评估精度构建一可靠性鉴定模型，包括：
构建所述风险平衡、所述检验成本和所述可靠度评估精度的多目标函数；
对所述多目标函数进行归一化处理，获得归一化后的多目标函数；
通过经典加权法将所述归一化后的多目标函数拟合成单目标函数；
基于所述单目标函数及约束条件，获得可靠性鉴定模型。
结合第一方面的第一种可能的实施方式，在第一方面的第二种可能的实施方式中，所述构建所述风险平衡、所述检验成本和所述可靠度评估精度的多目标函数，包括：
基于生产方和使用方的风险值与额定风险值的欧氏距离，构建所述风险平衡的目标函数；
基于样本抽取量及总成本系数，构建检验成本目标函数；其中，所述总成本系数与所述样本抽取量成正相关；
基于鉴定可靠度的贝叶斯点估计值与所述可靠度的真值之间的距离，构建可靠度评估精度的目标函数。
结合第一方面的第二种可能的实施方式，在第一方面的第三种可能的实施方式中，基于鉴定可靠度的贝叶斯点估计值与所述可靠度的真值之间的距离，构建可靠度评估精度的目标函数时，具体采用以下公式：
其中，(n-Ac+1)/(n+2)为所述贝叶斯点估计值，1-(D+1)(1-R0)/2为所述可靠度的真值；n为所述样本抽取量，Ac为所述合格判定数，D＝(1-R1)/(1-R0)，D为所述成败型产品的鉴定比，R0为所述成败型产品可靠度的检验上限值，R1为所述成败型产品可靠度的检验下限值。
结合第一方面的第二种可能的实施方式，在第一方面的第四种可能的实施方式中，其特征在于，所述通过经典加权法将所述归一化后的多目标函数拟合成单目标函数，包括：
通过模糊层次分析法，计算所述归一化后的多目标函数中各目标函数对应的权重因子；
基于所述权重因子及所述归一化后的多目标函数拟合成单目标函数。
结合第一方面的第四种可能的实施方式，在第一方面的第五种可能的实施方式中，所述通过模糊层次分析法，计算所述归一化后的多目标函数中所述权重因子，包括：
基于一预设规则建立所述多目标函数的优先判断矩阵；其中，所述预设规则用于量化两目标函数之间的相对重要性；
将所述优先判断矩阵转化为模糊一致性矩阵，并对所述模糊一致性矩阵进行计算，以获得所述权重因子。
结合第一方面至第一方面第五种可能的实施方式的任一实施方式，在第一方面的第六种可能的实施方式中，所述根据针对成败型产品预设的关键因素参数和所述可靠性鉴定模型，确定合格判定数以及样本抽取量，包括：
基于所述关键因素参数初始化所述可靠性鉴定模型，以获得初始化后的可靠性鉴定模型；
基于预设参数、改进的布谷鸟算法及所述初始化后的可靠性鉴定模型，确定所述合格判定数及所述样本抽取量；其中，所述预设参数包括至少一组预设的合格判定数和预设的样本抽取量；所述改进的布谷鸟算法的自适应概率为所述自适应概率的最大值与所述自适应概率的步长之差，所述步长与所述自适应概率的最大值和最小值之差成正弦相关，所述改进的布谷鸟算法具体遵循如下规则：
其中，Pa为所述自适应发现概率，pa,min-pa,max为所述步长；pa,min为所述自适应发现概率的最小值，pa,max为所述自适应发现概率的最大值，G为最大迭代次数，g为当前迭代次数，且1≤g≤G。
通过本发明实施例的上述一个或多个实施例中的技术方案，本发明实施例至少具有如下技术效果：
附图说明
图1为莱维飞行示意图；
图2为本发明实施例提供的一种产品可靠性鉴定的流程图；
图3为本发明实施例提供的构建可靠性鉴定模型的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
首先介绍本发明实施例的技术背景。
在产品进行可靠性鉴定时，通常采取抽样的方式从一批产品中抽取适量的样本，然后对样本进行可靠性鉴定，通常情况下，为了确保足够的可靠度评估精度会抽取大量的样本。
然而，在对弹药、导弹、火箭等不可重复使用的成败型产品进行可靠性鉴定时，由于产品的不可重复使用性及产品单价较高，就会导致如果抽取的样本量过大，那么进行可靠性鉴定的检验成本就会较高，如果抽取的样本量过小又会造成可靠度评估精度较低。
进一步的，较低的可靠度评估精度还可能造成合格产品被判定为不合格产品的概率增大，这将增加生产方的风险；也可能是不合格产品被判定位合格产品，这将造成使用方的风险增大。
如何在制定可靠性鉴定方案过程中，综合考虑生产方和使用方的风险平衡、检验成本、可靠度评估精度等因素之后，制定出一个让生产方和使用方都满意的鉴定试验方案成为一个急需解决的问题。
有鉴于此，在本发明的实施例中，通过使用综合考虑了生产方和使用方的风险平衡、检验成本、可靠度评估精度的可靠性鉴定模型，确定应当从当前批的N个成败型产品中抽取样本抽取量的成败型产品进行鉴定，并根据鉴定结果是否达到可靠性鉴定模型确定出的合格判定数进行判定，实现在确保风险平衡、检验成本和可靠度评估精度的情况下抽取最少的样本抽取量及最合理的合格判定数，进而有效的节约了成本、控制双方风险并确保有足够的可靠度评估精度。
在介绍本发明实施例提供的基数方案之前，先介绍与本发明技术方案相关的关键知识。
布谷鸟算法(Cuckoo search algorithm，CK)
2009年，剑桥大学的Yang和拉曼工程大学的Deb模拟布谷鸟的寻窝产卵行为，提出一种新的智能优化算法——布谷鸟搜索算法(Cuckoo Search)，与粒子群算法和蜂群算法相比易实现、参数设置少，且具有较强的鲁棒性和精确性。布谷鸟算法属于元启发式算法，具有元启发式框架的智能算法。
布谷鸟是典型的巢寄生鸟类，即把自己的蛋产到其它鸟类的鸟巢中，让鸟巢的主人孵化养育布谷鸟。为了降低自己的鸟蛋被寄居的鸟巢的主人发现的概率，布谷鸟会把它们自己的蛋产于相似的鸟类的窝中，但仍可能被鸟巢的主人发现，当鸟巢的主人发现有布谷鸟蛋在自己的鸟巢时，就把布谷鸟蛋毁坏或者丢弃自己的鸟巢，然后重新建巢。把布谷鸟巢寄生繁殖机理形成理论，可以设计出布谷鸟算法，简单说来可以使用以下三个理想化的规则：
1)每只布谷鸟一次产一个卵，并随机选择寄生巢来孵化它；
2)在随机选择的一组寄生巢中，最好的寄生巢将会被保留到下一代；
3)可利用的寄生巢数量是固定的,一个寄生巢的主人能发现一个外来鸟蛋的概率为pa。
布谷鸟算法新解的更新采用莱维飞行策略，莱维飞行示意图如图1所示，不难看出莱维飞行的特点是在飞行中可以意外地90度转弯，这样飞行可以使动物更有效地搜索到食物。采用莱维飞行策略的解的迭代方程为：
pj+1＝pj+randn[D]·stepsizej (Ⅰ)
式中pj代表上一代可行解，pj+1代表更新后的可行解，randn[D]为比例系数，值为区间[1,D]上的一个均匀分布的随机数，D可取约束变量的个数，stepsizej为步长，由式(Ⅱ)确定。
式中υ＝randn[D]，u＝δ·randn[D]，δ由式(Ⅲ)确定，其中q＝3/2。
如果布谷鸟蛋被外来鸟发现，则布谷鸟迁徙策略为：
pj+1＝pj+rand·(pj,r1-pj,r2) (Ⅳ)
式中rand为(0,1)区间内服从均匀分布的随机数，pj,r1和pj,r2为第j代的两个随机解。每次迭代产生新的鸟巢位置后，将鸟巢主人发现布谷鸟蛋的概率pa与随机产生的一个随机数r～U(0,1)进行比对，若r>pa，则按公式(5)进行位置更新，否则解保持不变。综上，布谷鸟优化算法求解流程为：
步骤1：算法参数初始化，鸟蛋被发现的概率pa，寄生巢的个数；
步骤2：初始化布谷鸟种群、最优解；
步骤3：开始迭代过程，对解实施莱维飞行，然后计算适应度，并与最优解进行比较，若当前解优于最优解，则将最优解替换为当前解；
步骤4：执行鸟窝是否被发现过程，若不被发现，解不变，否则随机生成新解，评估适应度，若当前解优于最优解，则将最优解替换为当前解；
步骤5：重复进行步骤3和4直至最优解满足结束条件结束。
下面结合附图介绍本发明实施例提供的技术方案。
请参见图2，本发明实施例提供一种产品可靠性鉴定的方法，该方法的处理过程如下。
步骤101：以风险平衡、检验成本和可靠度评估精度构建一可靠性鉴定模型；其中，风险平衡以生产方和使用方的风险值与额定风险值的欧氏距离最小为目标，检验成本以检验费用和检验时间最小为目标，可靠度评估精度以鉴定可靠度的贝叶斯点估计值与可靠度的真值之间的距离最小为目标。
在对产品进行可靠性鉴定时，通常存在两类风险：生产方风险和使用方风险；其中，生产方的风险值记为α，使用方的风险值记为β。生产方风险是把合格产品判定为不合格的概率，使用方风险是把不合格产品判定为合格的概率。
而要使α小必导致β大，要使β小必导致α大，要使二者都减小，只有加大抽样的样本量，但这在不少场合中并不可行，尤其是抽样产品单价高的情况。因此，在实际中生产方和使用方一般是通过指定一个双方都能接受的额定风险值，即生产方额定风险值α0和使用方额定风险值β0。
请参见图3，在本实施例中，以风险平衡、检验成本和可靠度评估精度构建一可靠性鉴定模型的具体方式为：
步骤201：构建风险平衡、检验成本和可靠度评估精度的多目标函数。
其中，多目标函数包括风险平衡的目标函数、检验成本的目标函数、可靠度评估精度的目标函数。这些目标函数的具体构建方式如下：
基于生产方和使用方的风险值与额定风险值的欧氏距离，构建风险平衡的目标函数；具体为：
其中，R(n，Ac)为生产方和使用方的风险值与额定风险值的欧氏距离，α为生产方风险，α0为生产方额定风险，β为使用方风险，β0为使用方额定风险，Ac为合格判定数，n为样本抽取量，R0为成败型产品的检验上限值，R1为成败型产品的检验下限值，i为取值范围为0至Ac的变量；检验上限值为成败型产品可靠度的上限值，检验下限值为成败型产品可靠度的下限值。
在本申请提供的实施例中，以双方风险的平衡为目标，即生产方和使用方的风险值与额定风险值的欧氏距离最小为目标，这样可以使双方风险值与额定风险值更接近，确保得到全局最优解。
示例性的，现有技术和本申请实施例中提供的方案，求解范围对比如图2所示，假设最优解为α0＝20％，β0＝20％，阴影部分为二者的求解范围，可以看出本申请的求解范围更全面，确保得出的解为全局最优。
进一步的，基于样本抽取量及总成本系数，构建检验成本目标函数；其中，总成本系数与样本抽取量成正相关，具体为：
Cost(n)＝K×n (3)
其中，K为总成本系数，n为样本抽取量。
进一步的，基于鉴定可靠度的贝叶斯点估计值与可靠度的真值之间的距离，构建可靠度评估精度的目标函数；具体为：
其中，(n-Ac+1)/(n+2)为所述贝叶斯点估计值，1-(D+1)(1-R0)/2为所述可靠度的真值；D＝(1-R1)/(1-R0)(4)，D为成败型产品的鉴定比。
步骤202：对多目标函数进行归一化处理，获得归一化后的多目标函数。
归一化处理的具体方法为：
示例性的，对风险平衡的目标函数进行归一化处理的方式为：
其中，R'(n,Ac)代表归一化后的风险平衡函数，对检验成本的目标函数和可靠度评估精度的目标函数的归一化处理过程与式(6)类似，在此不再赘述。通过此方式，便可得到归一化后的多目标函数。
步骤203：通过经典加权法将归一化后的多目标函数拟合成单目标函数。
通过步骤202将不同量纲的目标函数进行归一化处理后，便可通过经典加权法将归一化后的多目标函数拟合成单目标函数。具体的实施方式为：
先通过模糊层次分析法，计算归一化后的多目标函数中各目标函数对应的权重因子；再基于权重因子及归一化后的多目标函数拟合成单目标函数。
单目标函数的具体形式为：
min f(n,Ac)＝wr×R'(n,Ac)+wc×Cost'(n)+wp×Precision'(n,Ac) (7)
其中，f(n,Ac)代表将多目标函数拟合为的单目标函数(也可称为总目标函数)，min f(n,Ac)指取单目标函数的最小值，wr为风险平衡的权重因子，wc为检验成本的权重因子，wp为可靠度评估精度的权重因子，且权重因子满足wr+wc+wp＝1。
其中，计算权重因子wr、wc、wp的具体计算方法为：
先基于一预设规则建立多目标函数的优先判断矩阵；其中，预设规则用于量化两目标函数之间的相对重要性；再将优先判断矩阵转化为模糊一致性矩阵，并对模糊一致性矩阵进行计算，以获得权重因子。
由于在制定方案之前，风险平衡、检验成本、可靠度评估精度三个目标中，它们之间的相对重要性用户只能给出一个模糊的概念，比如，检验成本相对风险平衡更重要，风险平衡相对可靠度平度精度更重要；或者风险平衡相对检验成本更重要，检验成本相对可靠度评估精度更重要，这些给出的都只是一个比较模糊的定义。
而本发明为将这些模糊概念引入方案的设计中，便将两个目标间的相对重要性进行了量化。如，风险平衡相对检验成本更重要，则被量化为0.5，风险平衡与检验成本同样重要则被量化为0，风险平衡相对检验成本不重要则被量化1。具体的数学式如下：
式中a(i)和a(j)分别表示指标i和指标j的相对重要性。应理解的是，式(8)中的量化值也可以为其它值，在此不做限定，不应被理解为式(8)中的量化值是对本发明的限制，本领域的技术人员基于上述思想也可以设定为其它值。
将风险平衡、检验成本、可靠度评估精度两两比较，便可得到他们的优先判断矩阵A，具体如下：
示例性的，假设1代表风险平衡、2代表检验成本、3代表可靠度评估精度，则a12即为风险平衡与检验成本的比较，取值参考公式(8)。
由于单目标函数f(n,Ac)是由归一化后的多目标函数R'(n,Ac)、Cost'(n)、Precision'(n,Ac)构成的，所以只要获得min f(n,Ac)，便能实现既平衡生产方和使用方的风险，又能确保合理的评估精度，并降低检验成本。应理解的是，在优先判断矩阵A中，为确保矩阵中每个元素都有意义，a11、a22、a33应理解为自己与自己比较，取值为0.5。
通过上述方式，获得优先判断矩阵A后，便可将优先判断矩阵A转化为模糊一致性矩阵，以计算权重矢量，进而得到各权重因子的值。具体计算方式如下：
对A做行求和及行变换：
式中aij为矩阵第i行第j列元素，rij为变换之后的矩阵元素。对变换后的矩阵A做行求和、归一化处理，即可求出权重矢量为w＝[wr,wc,wp]T。
步骤204：基于单目标函数及约束条件，获得可靠性鉴定模型。
其中，约束至少包括：
n(1-R0)≤Ac≤n(1-R1) (12)
进一步的，约束条件还可以包括：
步骤102：根据针对成败型产品预设的关键因素参数和可靠性鉴定模型，确定合格判定数以及样本抽取量。
通过执行步骤101，构建好可靠性鉴定模型之后，便可将针对成败型产品预设的关键因素参数输入可靠性鉴定模型，进而通过可靠性鉴定模型确定合格判定数以及样本抽取量。
其中，成败型产品预设的关键因素参数包括但不限于以下因素。如，当前批成败型产品的总数量，通常记为N，N为正整数；当前批成败型产品的成本系数，通常记为K，K大于等于零；当前批成败型产品的鉴定比，通常记为D，D大于等于零；当前批成败型产品的额定风险值，即生产方额定风险值α0和使用方额定风险值β0；合格判定数为接收成败型产品时，样本抽取量中鉴定结果为合格的最低数量。
在本实施例中，根据针对成败型产品预设的关键因素参数和可靠性鉴定模型，确定合格判定数以及样本抽取量，具体包括：
基于所述关键因素参数初始化所述可靠性鉴定模型，以获得初始化后的可靠性鉴定模型。
举例来说，根据步骤101中的方法，确定的可靠性鉴定模型具体形式如下：
其中，权重因子wr、wc、wp的计算方式如公式(8)、(9)所示，R’(n,Ac)、Cost’(n)、Precision’(n,Ac)的计算方式如公式(5)所示，R(n,Ac)、Cost(n)、Precision(n,Ac)的计算公式依次如公式(1)、(3)、(4)所示。
将关键因素，如当前批成败型产品的总数量N＝10000，当前批成败型产品的成本系数K＝2，建议上限R0＝0.9，鉴定比D＝2，生产方和使用方协定的生产方额定风险α0＝10％，使用方额定风险β0＝10％，且双方协定：检验成本比可靠度的精度重要，风险平衡比可靠度精度重要，检验成本比风险平衡重要。
则根据公式(1)及α0＝10％、β0＝10％，计算风险平衡的目标函数为：
根据公式(3)及K＝2，计算检验成本的目标函数为：
Cost(n)＝2×n (16)
根据公式(4)及R0＝0.9、D＝2，计算可靠度的精度的目标函数为：
根据公式(8)的量化规则对双方协定的：检验成本比可靠度的精度重要，风险平衡比可靠度精度重要，检验成本比风险平衡重要，这一模糊性意见进行量化后，可以得到优先判断矩阵A中的每个元素的量化值，进而根据公式(8)得到优先判断矩阵:
根据公式(5)、(10)、(11)对优先判断矩阵A进行计算，便可获得权重矢量w＝[0.33,0.44,0.22]T，进而确定权重因子wr＝0.33,wc＝0.44、wp＝0.27。从而获得初始化后的可靠性鉴定模型为：
在获得公式(19)的初始化后的可靠性鉴定模型后，便需要用改进的布谷鸟算法对公式(19)进行求解具体的为：
基于预设参数、改进的布谷鸟算法及所述初始化后的可靠性鉴定模型，确定所述合格判定数及所述样本抽取量；其中，所述预设参数包括至少一组预设的合格判定数和预设的样本抽取量；所述改进的布谷鸟算法的自适应概率为所述自适应概率的最大值与所述自适应概率的步长之差，所述步长与所述自适应概率的最大值和最小值之差成正弦相关，所述改进的布谷鸟算法具体遵循如下规则：
其中，Pa为自适应发现概率，pa,min-pa,max为所述步长；pa,min为所述自适应发现概率的最小值，pa,max为所述自适应发现概率的最大值，G为式(3)的最大迭代次数，g为式(3)的当前迭代次数，且1≤g≤G。
预设参数在使用布谷鸟算法进行初次迭代时使用，包括寄生巣数量、寄生巣被发现的最大概率值和最小概率值，及布谷鸟算法的最大迭代次数。
由于莱维飞行具有较强的随机性特点，因此这使得布谷鸟算法在收敛速度和局部搜索能力上有所欠缺。在本实施例中，通过采用改进的布谷鸟算法提高算法的收敛速度，防止陷入局部最优解，从而确定合格判定数和样本抽取量。
例如，改进的布谷鸟算法参数设置为：寄生巢个数为20个，pa,min＝0.1，pa,max＝0.9，最大迭代次数为500次，利用Matlab编程求解，获得最优方案为n＝80，Ac＝11，此时f(n，Ac)＝0.0709，R(n，Ac)＝0.001，Cost(n)＝160，Precision(n，Ac)＝0.004，而现有技术中的最优方案为n＝86，Ac＝12，f(n，Ac)＝0.0800，R(n，Ac)＝0.014，Cost(n)＝172，Precision(n，Ac)＝0.002。显然，本发明提供的方案求出的方案优于现有技术中的方案。现有技术与本发明提供的方案中提供的方案对比如表1所示。
表1
步骤103：从N个成败型产品中，按照样本抽取量选取相应数目的成败型产品进行可靠性鉴定，获得鉴定结果，确定鉴定结果表征的样本合格数量达到合格判定数时，确定N个成败型产品通过鉴定。
在确定好需要从当前批的N个成败型产品中，抽取的样本抽取量及合格判定数后，便可通过检验样本抽取量的成败型产品的合格数量是否达到合格判定数，来决定是否接收当前批的N各成败型产品。
综上所述，在本实施例中，通过使用以风险平衡、检验成本和可靠度评估精度构建的可靠性鉴定模型，其中，风险平衡以生产方和使用方的风险值与额定风险值的欧氏距离最小为目标，检验成本以检验费用和检验时间最小为目标，可靠度评估精度以鉴定可靠度的贝叶斯点估计值与可靠度的真值之间的距离最小为目标；并根据针对成败型产品预设的关键因素参数和可靠性鉴定模型，确定对成败型产品进行可靠性鉴定检验需要的最优的样本抽取量和合格判定数，实现在确保风险平衡、检验成本和可靠度评估精度的情况下抽取最少的样本抽取量及最合理的合格判定数，进而有效的节约了成本、控制双方风险并确保有足够的可靠度评估精度。在对当前批的N个成败型产品抽取的样本进行可靠性鉴定后，根据鉴定结果中合格产品的数量是否达到合格判定数来决定是否接收当前批的N个成败型产品。
本领域内的技术人员应明白，本发明实施例可提供为方法、系统、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

1.一种产品可靠性鉴定的方法，其特征在于，包括：
以风险平衡、检验成本和可靠度评估精度构建一可靠性鉴定模型；其中，所述风险平衡以生产方和使用方的风险值与额定风险值的欧氏距离最小为目标，所述检验成本以检验费用和检验时间最小为目标，所述可靠度评估精度以鉴定可靠度的贝叶斯点估计值与所述可靠度的真值之间的距离最小为目标；
根据针对成败型产品预设的关键因素参数和所述可靠性鉴定模型，确定合格判定数以及样本抽取量；
从N个成败型产品中，按照所述样本抽取量选取相应数目的成败型产品进行可靠性鉴定，获得鉴定结果，确定所述鉴定结果表征的样本合格数量达到所述合格判定数时，确定所述N个成败型产品通过鉴定。
2.如权利要求1所述的方法，其特征在于，所述以风险平衡、检验成本和可靠度评估精度构建一可靠性鉴定模型，包括：
构建所述风险平衡、所述检验成本和所述可靠度评估精度的多目标函数；
对所述多目标函数进行归一化处理，获得归一化后的多目标函数；
通过经典加权法将所述归一化后的多目标函数拟合成单目标函数；
基于所述单目标函数及约束条件，获得可靠性鉴定模型。
3.如权利要2所述的方法，其特征在于，所述构建所述风险平衡、所述检验成本和所述可靠度评估精度的多目标函数，包括：
基于生产方和使用方的风险值与额定风险值的欧氏距离，构建所述风险平衡的目标函数；
基于样本抽取量及总成本系数，构建检验成本目标函数；其中，所述总成本系数与所述样本抽取量成正相关；
基于鉴定可靠度的贝叶斯点估计值与所述可靠度的真值之间的距离，构建可靠度评估精度的目标函数。
4.如权利要求3所述的方法，其特征在于，基于鉴定可靠度的贝叶斯点估计值与所述可靠度的真值之间的距离，构建可靠度评估精度的目标函数时，具体采用以下公式：
<mrow> <mi>Pr</mi> <mi>e</mi> <mi>c</mi> <mi>i</mi> <mi>s</mi> <mi>i</mi> <mi>o</mi> <mi>n</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>,</mo> <mi>A</mi> <mi>c</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>|</mo> <mrow> <mfrac> <mrow> <mi>n</mi> <mo>-</mo> <mi>A</mi> <mi>c</mi> <mo>+</mo> <mn>1</mn> </mrow> <mrow> <mi>n</mi> <mo>+</mo> <mn>2</mn> </mrow> </mfrac> <mo>+</mo> <mfrac> <mrow> <mo>(</mo> <mi>D</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>R</mi> <mn>0</mn> </msub> <mo>)</mo> </mrow> <mn>2</mn> </mfrac> <mo>-</mo> <mn>1</mn> </mrow> <mo>|</mo> </mrow>
其中，(n-Ac+1)/(n+2)为所述贝叶斯点估计值，1-(D+1)(1-R0)/2为所述可靠度的真值；n为所述样本抽取量，Ac为所述合格判定数，D＝(1-R1)/(1-R0)，D为所述成败型产品的鉴定比，R0为所述成败型产品可靠度的检验上限值，R1为所述成败型产品可靠度的检验下限值。
5.如权利要求3所述的方法，其特征在于，所述通过经典加权法将所述归一化后的多目标函数拟合成单目标函数，包括：
通过模糊层次分析法，计算所述归一化后的多目标函数中各目标函数对应的权重因子；
基于所述权重因子及所述归一化后的多目标函数拟合成单目标函数。
6.如权利要求5所述的方法，其特征在于，所述通过模糊层次分析法，计算所述归一化后的多目标函数中所述权重因子，包括：
基于一预设规则建立所述多目标函数的优先判断矩阵；其中，所述预设规则用于量化两目标函数之间的相对重要性；
将所述优先判断矩阵转化为模糊一致性矩阵，并对所述模糊一致性矩阵进行计算，以获得所述权重因子。
7.如权利要求1－6任一项所述的方法，其特征在于，所述根据针对成败型产品预设的关键因素参数和所述可靠性鉴定模型，确定合格判定数以及样本抽取量，包括：
基于所述关键因素参数初始化所述可靠性鉴定模型，以获得初始化后的可靠性鉴定模型；
基于预设参数、改进的布谷鸟算法及所述初始化后的可靠性鉴定模型，确定所述合格判定数及所述样本抽取量；其中，所述预设参数包括至少一组预设的合格判定数和预设的样本抽取量；所述改进的布谷鸟算法的自适应概率为所述自适应概率的最大值与所述自适应概率的步长之差，所述步长与所述自适应概率的最大值和最小值之差成正弦相关，所述改进的布谷鸟算法具体遵循如下规则：
<mrow> <msub> <mi>p</mi> <mi>a</mi> </msub> <mo>=</mo> <msub> <mi>p</mi> <mrow> <mi>a</mi> <mo>,</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>-</mo> <mi>s</mi> <mi>i</mi> <mi>n</mi> <mrow> <mo>(</mo> <mfrac> <mi>&amp;pi;</mi> <mn>2</mn> </mfrac> <mo>&amp;CenterDot;</mo> <mfrac> <mrow> <mi>g</mi> <mo>-</mo> <mn>1</mn> </mrow> <mrow> <mi>G</mi> <mo>-</mo> <mn>1</mn> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <msub> <mi>p</mi> <mrow> <mi>a</mi> <mo>,</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>p</mi> <mrow> <mi>a</mi> <mo>,</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow>
其中，Pa为所述自适应发现概率，pa,min-pa,max为所述步长；pa,min为所述自适应发现概率的最小值，pa,max为所述自适应发现概率的最大值，G为最大迭代次数，g为当前迭代次数，且1≤g≤G。
CN201710814231.XA 2017-09-11 2017-09-11 一种产品可靠性鉴定的方法 Expired - Fee Related CN107767019B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710814231.XA CN107767019B (zh) 2017-09-11 2017-09-11 一种产品可靠性鉴定的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710814231.XA CN107767019B (zh) 2017-09-11 2017-09-11 一种产品可靠性鉴定的方法

Publications (2)

Publication Number Publication Date
CN107767019A true CN107767019A (zh) 2018-03-06
CN107767019B CN107767019B (zh) 2021-09-24

Family

ID=61265372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710814231.XA Expired - Fee Related CN107767019B (zh) 2017-09-11 2017-09-11 一种产品可靠性鉴定的方法

Country Status (1)

Country Link
CN (1) CN107767019B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109062245A (zh) * 2018-07-19 2018-12-21 杭州电子科技大学 一种无人机地面站系统软件的可靠性智能分配方法
CN111292017A (zh) * 2020-03-10 2020-06-16 刘亚文 产品抽样检测方法及装置、电子设备、计算机可读介质
CN111797899A (zh) * 2020-06-04 2020-10-20 国网江西省电力有限公司电力科学研究院 一种低压台区kmeans聚类方法及系统
CN112883590A (zh) * 2021-03-22 2021-06-01 中国人民解放军国防科技大学 系统可靠性验证试验方案确定方法
CN114897349A (zh) * 2022-05-09 2022-08-12 中国人民解放军海军工程大学 一种成败型序贯抽样试验方案确定系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104133994A (zh) * 2014-07-24 2014-11-05 北京航空航天大学 融合多源成败型数据的可靠度评估方法
US20140380261A1 (en) * 2013-06-20 2014-12-25 International Business Machines Corporation Semiconductor device reliability model and methodologies for use thereof

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140380261A1 (en) * 2013-06-20 2014-12-25 International Business Machines Corporation Semiconductor device reliability model and methodologies for use thereof
CN104133994A (zh) * 2014-07-24 2014-11-05 北京航空航天大学 融合多源成败型数据的可靠度评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
VV VADLAMUDI等: "Reliability-based Appraisal of Smart Grid Challenges and Realization", 《INSTITUTE OF ELECTRICAL AND ELECTRONICS ENGINEERS》 *
王玮等: "制导弹药可靠性评定方法的研究", 《兵工学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109062245A (zh) * 2018-07-19 2018-12-21 杭州电子科技大学 一种无人机地面站系统软件的可靠性智能分配方法
CN109062245B (zh) * 2018-07-19 2021-06-01 杭州电子科技大学 一种无人机地面站系统软件的可靠性智能分配方法
CN111292017A (zh) * 2020-03-10 2020-06-16 刘亚文 产品抽样检测方法及装置、电子设备、计算机可读介质
CN111292017B (zh) * 2020-03-10 2022-10-28 刘亚文 产品抽样检测方法及装置、电子设备、计算机可读介质
CN111797899A (zh) * 2020-06-04 2020-10-20 国网江西省电力有限公司电力科学研究院 一种低压台区kmeans聚类方法及系统
CN111797899B (zh) * 2020-06-04 2023-11-07 国网江西省电力有限公司电力科学研究院 一种低压台区kmeans聚类方法及系统
CN112883590A (zh) * 2021-03-22 2021-06-01 中国人民解放军国防科技大学 系统可靠性验证试验方案确定方法
CN114897349A (zh) * 2022-05-09 2022-08-12 中国人民解放军海军工程大学 一种成败型序贯抽样试验方案确定系统及方法
CN114897349B (zh) * 2022-05-09 2023-09-05 中国人民解放军海军工程大学 一种成败型序贯抽样试验方案确定系统及方法

Also Published As

Publication number Publication date
CN107767019B (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
CN107767019B (zh) 一种产品可靠性鉴定的方法
CN110544011B (zh) 一种智能化的体系作战效能评估和优化方法
US10733332B2 (en) Systems for solving general and user preference-based constrained multi-objective optimization problems
Nguyen et al. Optimal dispatch of reactive power using modified stochastic fractal search algorithm
CN106453217A (zh) 一种基于路径收益计算的网络攻击路径行为的预测方法
CA2723167A1 (en) Database systems and methods for linking records corresponding to the same individual
CN112861459B (zh) 全灵敏度对抗重要性抽样产量优化方法和装置
US7730000B2 (en) Method of developing solutions for online convex optimization problems when a decision maker has knowledge of all past states and resulting cost functions for previous choices and attempts to make new choices resulting in minimal regret
CN106682448A (zh) 基于多目标遗传规划算法的序贯测试优化方法
CN115952456A (zh) 故障诊断模型的确定方法、系统、程序产品及存储介质
Li et al. Improved whale optimization algorithm based on variable spiral position update strategy and adaptive inertia weight
McRee Symbolic regression using nearest neighbor indexing
Kilinc et al. Finding plausible optimal solutions in engineering problems using an adaptive genetic algorithm
CN115203631A (zh) 一种基于改进遗传算法的多模态数据分析方法、系统
CN115293235A (zh) 建立风险识别模型的方法及对应装置
CN117422428B (zh) 一种基于人工智能的机器人自动审批方法及系统
CN111192158A (zh) 一种基于深度学习的变电站日负荷曲线相似度匹配方法
CN116089844B (zh) 一种无人机位姿数据的非高斯特征验证方法
Zhang et al. AFOA: an adaptive fruit fly optimization algorithm with global optimizing ability
CN113378158B (zh) 一种移动网络风险脆弱性的评估方法及装置
CN110570093B (zh) 一种业务拓展渠道自动管理的方法和装置
CN112612300B (zh) 多平台智能决策的多目标博弈方法及装置
CN111026661B (zh) 一种软件易用性全面测试方法及系统
CN116050557A (zh) 电力负荷预测方法、装置、计算机设备和介质
CN104680317B (zh) 一种基于概率灰色综合评价的企业合作伙伴选择方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210924

CF01 Termination of patent right due to non-payment of annual fee