基于逆高斯过程的退化数据分析与试验设计

发布时间：2017-12-03 00:04

  本文关键词：基于逆高斯过程的退化数据分析与试验设计

  更多相关文章： 逆高斯过程 步进应力加速退化试验 最优试验设计 累积损伤模型 渐近方差 蒙特卡洛算法 随机效应 随机波动率模型

【摘要】：步进应力加速退化试验(SSADT)是估计高可靠性产品或者价格昂贵的产品寿命分布的有效工具。在假设产品的退化过程服从维纳过程、伽马过程的基础上,SSADT最优试验设计问题已经得到了广泛的研究。然而,逆高斯过程模型虽在退化数据分析中扮演着重要角色,但基于逆高斯过程的SSADT最优化设计问题仍是一个亟待研究的问题。本文旨在研究在假设产品的退化过程服从逆高斯过程的基础上SSADT的最优试验设计问题。这篇文章首先假设产品的退化过程服从平稳逆高斯过程,并在一系列假设的基础上,推导出产品在SSADT中的退化模型及其似然函数。然后在总试验费用不超过预先给定的阂值的约束下,选择最优的设计变量使得产品在正常工作水平下的寿命分布的p分位点估计的渐近方差最小。设计变量包括样本量、观测频率及每个应力水平上的观测次数。最后,引用碳膜电阻器这个实例来验证该模型的可用性,灵敏度检验结果表明最优设计变量对参数估计偏差具有很好的稳健性,我们也用蒙特卡洛(MC)算法验证了最优设计方案的稳定性。我们进一步探讨基于非平稳逆高斯过程的SSADT最优试验设计问题。这部分建立的SSADT模型是基于累积损伤(CE)模型,即产品的在任何时刻后续的退化路径只依赖于当前退化累积量和当前的应力水平,而与累积方式无关。我们以总试验费用不超过预先给定的阈值为约束条件,以最小化产品在正常工作水平下的寿命分布的p分位点估计的渐近方差为目标,来确定SSADT最优设计方案。我们将该模型应用到一种插座插孔的应力松弛数据的SSADT最优试验设计中,并对最优试验方案进行灵敏度和稳定性检验。此外,本文以随机波动率模型为例研究了产品的退化过程服从含有随机效应的逆高斯过程的SSADT最优试验设计问题。这部分仍用CE模型建立SSADT。然后,我们在总试验费用不超过预先给定的阈值的约束下,选择最优的设计变量使得产品在正常工作水平下的寿命分布的矿分位点的估计的渐近方差最小。最后,用这部分提出的模型构造出插座插孔的SSADT最优试验设计。
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F224;F273.2

【相似文献】

中国期刊全文数据库 前2条

1 杨振舰;夏克文;;基于高斯过程回归的上市股价预测模型[J];计算机仿真;2013年01期

2 ;[J];;年期

中国重要会议论文全文数据库 前5条

1 刘信恩;肖世富;莫军;;用于不确定性分析的高斯过程响应面模型设计点选择方法研究[A];中国计算力学大会'2010（CCCM2010）暨第八届南方计算力学学术会议（SCCM8）论文集[C];2010年

2 刘冬;张清华;;基于高斯过程的精密卫星钟差加密[A];第二届中国卫星导航学术年会电子文集[C];2011年

3 李雅芹;杨慧中;;一种基于仿射传播聚类和高斯过程的多模型建模方法[A];2009中国过程系统工程年会暨中国mes年会论文集[C];2009年

4 赵级汉;张国敬;姜龙;魏巍;;基于叠加高斯过程的数字噪声产生方法FPGA实现[A];第二十四届全国空间探测学术交流会论文摘要集[C];2011年

5 何志昆;刘光斌;姚志成;赵曦晶;;基于高斯过程回归的FOG标度因数温度漂移建模新方法[A];第25届中国控制与决策会议论文集[C];2013年

中国博士学位论文全文数据库 前6条

1 王建民;矿山边坡变形监测数据的高斯过程智能分析与预测[D];太原理工大学;2016年

2 赵静;基于高斯过程的动态系统研究[D];华东师范大学;2016年

3 潘伟;基于高斯过程的高炉炼铁过程辨识与预测[D];浙江大学;2012年

4 贺建军;基于高斯过程模型的机器学习算法研究及应用[D];大连理工大学;2012年

5 夏战国;基于高斯过程的提升机轴承性能评测方法研究[D];中国矿业大学;2013年

6 赵伟;复杂工程结构可靠度分析的高斯过程动态响应面方法研究[D];广西大学;2014年

中国硕士学位论文全文数据库 前10条

1 李红丽;回归分析中的贝叶斯推断技术的研究[D];江南大学;2015年

2 李励耘;基于高斯过程的抓取规划方法研究[D];哈尔滨工业大学;2015年

3 王雪茹;基于高斯过程的风电机组部件建模与监测研究[D];华北电力大学;2015年

4 于立鑫;基于高斯过程—差异进化算法的隧道施工多元信息反分析研究[D];大连海事大学;2015年

5 戈财若;基于高斯过程的高光谱图像分类算法研究[D];东华理工大学;2015年

6 叶婧;基于高斯过程回归的锂电池数据处理[D];北京交通大学;2016年

7 张栋;基于在线学习高斯过程有杆泵油井动态液面建模方法研究[D];东北大学;2014年

8 王奉伟;改进的局部均值分解和高斯过程在变形监测数据处理中的应用研究[D];东华理工大学;2016年

9 曹瑜;基于高斯过程的非线性不确定延迟系统的模型预测控制[D];华中科技大学;2014年

10 张莉萍;基于广义高斯过程回归的函数型数据分析[D];东南大学;2016年

，

本文编号：1246720