CN108182500A - 基于加速寿命试验的弹药贮存可靠性预测方法 - Google Patents
基于加速寿命试验的弹药贮存可靠性预测方法 Download PDFInfo
- Publication number
- CN108182500A CN108182500A CN201810104642.4A CN201810104642A CN108182500A CN 108182500 A CN108182500 A CN 108182500A CN 201810104642 A CN201810104642 A CN 201810104642A CN 108182500 A CN108182500 A CN 108182500A
- Authority
- CN
- China
- Prior art keywords
- ammunition
- particle
- stress
- value
- test
- 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.)
- Pending
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000002245 particle Substances 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 230000035882 stress Effects 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000011160 research Methods 0.000 claims description 7
- 230000014509 gene expression Effects 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000006353 environmental stress Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000009662 stress testing Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 abstract description 2
- 230000007246 mechanism Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
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。
Description
技术领域
本发明涉及弹药贮存可靠性技术领域,具体涉及一种基于加速寿命试验的弹药贮存可靠性预测方法。
背景技术
弹药贮存可靠性是衡量弹药质量的重要依据,也是考核军事后勤技术的核心要素。弹药在贮存过程中,由于环境及人为等因素,弹药质量会随之变化,可能造成弹药的失效。使用超期弹药,不仅不能保障其安全性,甚至可能造成人员伤害;而未达到弹药寿命极限就退役的,则将增加军事设备的经济成本。因此,开展弹药贮存可靠性的研究,并尽可能准确掌握,不仅具有军事意义,而且具有经济价值。传统的预测方法中,解决的首要问题是失效分布参数的估计,是一项计算量大且复杂的任务;而对于结构复杂高度非线性的弹药或小子样数据,其预测精度难以保证,因此难以对弹药贮存可靠性进行准确的预测。
随着贮存可靠性领域的发展,预测方法已经成为热点研究方向。其中应用最广泛的是神经网络,通常结合一些智能优化算法使用,弥补自身算法收敛速度慢,易早熟而得不到全局最优解的缺陷。大量文献表明,全局智能优化算法与BP神经网络结合的模型可用于多目标函数的求解、分类识别、高维复杂函数逼近等优化问题。但粒子群算法发展较短,理论研究还不成熟,应用还不是很广,还需要进一步改进研究。
弹药的加速寿命试验是指加大环境应力使弹药样本在短期内失效的寿命试验。在弹药贮存的实际过程中,影响弹药贮存寿命的主要环境应力是温度和湿度。因此,在弹药加速寿命试验中通常选取的加速应力是温度和湿度。由于加速寿命试验可以明显缩短试验时间的优势,此试验方法已广泛应用于各个邻域,特别是对于高可靠度,长寿命的弹药贮存可靠性研究。目前,基于数据对弹药贮存可靠性的研究还不够丰富,现有的可靠性研究大多基于机理模型,且将粒子群算法优化BP神经网络的模型运用到弹药贮存可靠性预测这一特殊领域,目前国内外还未查到有关文献。
因此希望有一种基于加速寿命试验的弹药贮存可靠性预测方法,可以克服或至少减轻现有技术的上述缺陷。
发明内容
本发明的目的是提供一种基于加速寿命试验的弹药贮存可靠性预测方法,能克服或至少减轻上述现有技术的缺点,突破传统方法的局限,减少对试验样本与设备要求,明显缩短试验时间,降低经济成本保障安全,提高预测精度。
基于加速寿命试验的弹药贮存可靠性预测方法,采用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网络模型),将粒子群优化算法中的粒子位置定义为BP神经网络中的权值与阈值,可写为Pg={W1 B1 W2 B2};进一步,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;最后,采用间接法对弹药贮存可靠性进行预测。具体包括如下步骤:
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Si+1下等效贮存时间,为应力Si下的贮存时间,ηi与ηi+1分别为应力Si和Si+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,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,xmax和xmin分别是数据集温度应力的最大值和最小值,xi是为第i组温度应力,为其归一化后的值,取值范围为[-1,1];
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)r4
a=wmax exp(-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, Tmax为最大迭代次数,wmax和wmin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。
本发明具有积极的效果:(1)本发明的优点在于设计了基于改进的全局粒子群算法优化BP神经网络的算法,对弹药贮存可靠性进行预测,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,计算过程简单,突破传统预测方法的局限;同时,弥补BP网络收敛速度慢、易陷入局部极小值的缺点,并引进粒子全局搜索策略改进惯性权重与搜索区域,具有较强的逼近能力。
(2)基于恒湿步温的加速寿命试验数据,对小子样数据,加入“人为噪声”的方法进行扩充,结合改进的全局粒子群算法与BP神经网络预测模型,提高预测精度,提出便捷精确预测弹药贮存可靠性的方案。
附图说明
图1为本发明的基于加速寿命试验的弹药贮存可靠性预测方法的流程图;
图2为动量IGPSO-BP网络训练误差;
图3为动量IGPSO-BP网络训练精度;
图4为不同模型的弹药贮存可靠度预测值;
具体实施方法
见图1,本实施例的基于加速寿命试验的弹药贮存可靠性预测方法,具体包括以下步骤:
1、选取合适的数据集,根据所采用的恒湿步温加速试验数据集,选取试验样本量、温度应力、贮存湿度以及贮存时间4个指标预测弹药失效数,其中样本量与湿度都是恒定不变的,在进行网络训练时都设置为1。
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Si+1下等效贮存时间,为应力Si下的贮存时间,ηi与ηi+1分别为应力Si和Si+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=4,输出层的节点数为预测指标个数m=1,隐含层节点数从2到13依次代入进行训练,当h=6时,收敛迭代次数最小,预测精度最高。因此,建立的网络结构为:n=4,m=1,h=6,α为[1,10]之间的常数。为了减弱BP神经网络对数据的灵敏度,训练函数设置为“traingdm”,输入层到隐含层的传递函数设置为双S型函数“tansig”,隐含层到输出层的传递函数设置为简单的线性函数“purelin”,初始学习率取较大值0.9。网络训练的终止条件为迭代次数p达到10000或期望误差值MSE达到0.001。
5、对样本集进行归一化处理与扩充,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,xmax和xmin分别是数据集温度应力的最大值和最小值,xi是为第i组温度应力,为其归一化后的值,取值范围为[-1,1];
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,根据数据样本大小,粒子种群大小设置为N=20,粒子位置与速度矢量的维度为D=(n+m)*h+h+m=37。根据双S型函数的取值,位置与速度的最大值为1;加速因子c1=c2=2.0,最大更新迭代次数为Tmax=100,扰动因子δ=0.01。
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)r4
a=wmax exp(-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, Tmax为最大迭代次数,wmax和wmin分别是惯性权重的最大值和最小值,通常取0.9和0.4,迭代1000次。
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。
本发明算法训练结果如图2和图3所示,在动量IGPSO-BP网络达到最大训练次数10000次时取得最小训练误差为0.0016434;动量IGPSO-BP网络训练拟合精度达到98.69%,总体表明了IGPSO-BP网络的对弹药失效数的预测值接近真实值,逼近能力强。
为了验证方法的有效性,将数组20,293,40%以及贮存时间分别为5年、10年、15年和20年作为测试样本进行网络的测试,测试结果如表1所示:
表1本发明弹药失效数的预测结果
由表1可以看出,动量IGPSO-BP网络的弹药失效数预测值接近于真实值,证明了改进后的网络模型具有较强的稳定性。
为更好的说明本发明改进的网络模型的可行性,分别将IGPSO-BP网络模型与传统的加速机理模型进行多次仿真,将得到的仿真结果与本发明的预测结果进行对比分析,如表2 所示:
表2本发明算法与其他算法弹药可靠度预测值比较
通过表2和图4可以看出,本发明IGPSO-BP网络模型优于传统的加速机理模型。通过实验得到的弹药可靠度预测值,得到本发明在弹药贮存5年、10年、15年和20年的预测准确率依次为99.64%、97.59%、96.91%和94.32%,较Arrhenius模型最多提高2.26%,训练结果表明,优化后的网络明显提高了训练精度,减小了训练误差,更接近真实值。IGPSO-BP网络模型可满足弹药贮存可靠度的预测要求,且预测精度更高,非线性逼近能力更强。
最后需要指出的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。对于所属领域的普通技术人员来说,在上述说明的基础上其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,而这些修改或者替换,属于本发明的精神所引申出的显而易见的变化或变动仍处于本发明的保护范围之中。
Claims (1)
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Si+1下等效贮存时间,为应力Si下的贮存时间,ηi与ηi+1分别为应力Si和Si+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,xmax和xmin分别是数据集温度应力的最大值和最小值,xi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)r4
a=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,Tmax为最大迭代次数,wmax和wmin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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810104642.4A CN108182500A (zh) | 2018-02-02 | 2018-02-02 | 基于加速寿命试验的弹药贮存可靠性预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810104642.4A CN108182500A (zh) | 2018-02-02 | 2018-02-02 | 基于加速寿命试验的弹药贮存可靠性预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108182500A true CN108182500A (zh) | 2018-06-19 |
Family
ID=62551988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810104642.4A Pending CN108182500A (zh) | 2018-02-02 | 2018-02-02 | 基于加速寿命试验的弹药贮存可靠性预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108182500A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109596667A (zh) * | 2018-11-12 | 2019-04-09 | 襄阳宏伟航空器有限责任公司 | 基于阿累尼乌斯方程的材料寿命试验设定温度评估方法 |
CN111047185A (zh) * | 2019-12-11 | 2020-04-21 | 北京强度环境研究所 | 贮存环境因素对弹药贮存可靠性影响的确定方法及装置 |
CN111222736A (zh) * | 2019-09-29 | 2020-06-02 | 中国人民解放军空军工程大学 | 一种基于混合相关向量机模型的弹药贮存可靠度评估方法 |
CN111612142A (zh) * | 2020-03-06 | 2020-09-01 | 江苏大学 | 一种基于bp神经网络的大功率led寿命预测方法 |
CN111652310A (zh) * | 2020-06-02 | 2020-09-11 | 江苏科技大学 | 基于Bagging框架SVM继电器贮存寿命预测方法 |
CN111898261A (zh) * | 2020-07-22 | 2020-11-06 | 北京理工大学 | 基于燃烧网络反应演化模型的弹药反应烈度量化评估方法 |
CN112633688A (zh) * | 2020-12-23 | 2021-04-09 | 广州智能装备研究院有限公司 | 一种设备可靠性信息融合方法及系统 |
CN113188794A (zh) * | 2021-04-29 | 2021-07-30 | 东北电力大学 | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 |
-
2018
- 2018-02-02 CN CN201810104642.4A patent/CN108182500A/zh active Pending
Non-Patent Citations (3)
Title |
---|
HUA GONG 等: "BP neural network optimized by PSO algorithm on Ammunition storage reliability prediction", 《2017 CHINESE AUTOMATION CONGRESS》 * |
周虎儿 等: "弹药步进应力寿命试验数据处理", 《计算机仿真》 * |
王皓 等: "一种改进的全局粒子群优化算法", 《控制与决策》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109596667B (zh) * | 2018-11-12 | 2021-03-09 | 襄阳宏伟航空器有限责任公司 | 基于阿累尼乌斯方程的材料寿命试验设定温度评估方法 |
CN109596667A (zh) * | 2018-11-12 | 2019-04-09 | 襄阳宏伟航空器有限责任公司 | 基于阿累尼乌斯方程的材料寿命试验设定温度评估方法 |
CN111222736A (zh) * | 2019-09-29 | 2020-06-02 | 中国人民解放军空军工程大学 | 一种基于混合相关向量机模型的弹药贮存可靠度评估方法 |
CN111047185A (zh) * | 2019-12-11 | 2020-04-21 | 北京强度环境研究所 | 贮存环境因素对弹药贮存可靠性影响的确定方法及装置 |
CN111047185B (zh) * | 2019-12-11 | 2024-02-13 | 北京强度环境研究所 | 贮存环境因素对弹药贮存可靠性影响的确定方法及装置 |
CN111612142A (zh) * | 2020-03-06 | 2020-09-01 | 江苏大学 | 一种基于bp神经网络的大功率led寿命预测方法 |
CN111612142B (zh) * | 2020-03-06 | 2023-05-09 | 江苏大学 | 一种基于bp神经网络的大功率led寿命预测方法 |
CN111652310B (zh) * | 2020-06-02 | 2023-12-01 | 江苏科技大学 | 基于Bagging框架SVM继电器贮存寿命预测方法 |
CN111652310A (zh) * | 2020-06-02 | 2020-09-11 | 江苏科技大学 | 基于Bagging框架SVM继电器贮存寿命预测方法 |
CN111898261A (zh) * | 2020-07-22 | 2020-11-06 | 北京理工大学 | 基于燃烧网络反应演化模型的弹药反应烈度量化评估方法 |
CN111898261B (zh) * | 2020-07-22 | 2022-09-09 | 北京理工大学 | 基于燃烧网络反应演化模型的弹药反应烈度量化评估方法 |
CN112633688A (zh) * | 2020-12-23 | 2021-04-09 | 广州智能装备研究院有限公司 | 一种设备可靠性信息融合方法及系统 |
CN113188794A (zh) * | 2021-04-29 | 2021-07-30 | 东北电力大学 | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108182500A (zh) | 基于加速寿命试验的弹药贮存可靠性预测方法 | |
CN112069567A (zh) | 基于随机森林和智能算法预测混凝土抗压强度的方法 | |
CN115270965B (zh) | 一种配电网线路故障预测方法和装置 | |
CN113568055B (zh) | 一种基于lstm网络的航空瞬变电磁数据反演方法 | |
CN112926265A (zh) | 基于遗传算法优化神经网络的大气多孔探针测量校准方法 | |
CN110082738B (zh) | 基于高斯混合和张量循环神经网络的雷达目标识别方法 | |
CN110245443A (zh) | 一种基于映射函数的多类型输出仿真模型可信度综合评估方法 | |
CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
CN110889207B (zh) | 一种基于深度学习的体系组合模型可信度智能评估方法 | |
CN112307536A (zh) | 一种大坝渗流参数反演方法 | |
CN116304546A (zh) | 基于声音信号的供热系统热力站故障诊断方法及系统 | |
CN113033074A (zh) | 策略组合机制融合蜻蜓算法孔隙度预测方法、系统及设备 | |
CN115688588B (zh) | 一种基于改进xgb方法的海表面温度日变化振幅预测方法 | |
CN112488295A (zh) | 交叉验证算法优化lstm网络继电器贮存寿命预测方法 | |
CN117291069A (zh) | 一种基于改进de与注意力机制的lstm污水水质预测方法 | |
CN109187898B (zh) | 水产养殖环境中水质氨氮含量的软测量方法及装置 | |
CN114584230B (zh) | 一种基于对抗网络与长短期记忆网络的预测信道建模方法 | |
CN116340384A (zh) | 基于规则演化的核递归最大相关熵时间序列在线预测方法 | |
CN115935187A (zh) | 基于核敏感度对齐网络的变工况下机械故障诊断方法 | |
CN113627074B (zh) | 一种基于迁移学习的地波传播时延预测方法 | |
CN115345245A (zh) | 一种基于随机森林和迁移学习的热带气旋快速加强预报方法 | |
CN115062759A (zh) | 一种基于改进型长短记忆神经网络的故障诊断方法 | |
CN111160419B (zh) | 一种基于深度学习的电子式互感器数据分类预测方法及装置 | |
CN116956642B (zh) | 一种威胁评估算法性能动态仿真验证方法 | |
CN111382147A (zh) | 一种气象数据缺失插补方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180619 |
|
RJ01 | Rejection of invention patent application after publication |