小样本条件下多应力加速寿命试验预测方法

发布时间：2021-04-09 22:44

　　鉴于导弹中的电子设备价格昂贵、可用于试验的样本量少,在开展加速试验以及寿命预测的实际工作中通常为小样本的背景。文章研究探索小样本条件下多应力加速试验寿命预测方法,分别建立通用对数线性模型、BAS-BP神经网络模型、灰色–支持向量回归模型,结合多应力加速试验数据在各应力条件下的样本容量分别为56组、20组、10组、5组的情况下,比较3种模型的预测效果,分析各模型的适用场合和时机,探索小样本条件下模型的选优问题,为小样本条件下多应力加速试验寿命预测提供有益的借鉴。 

【文章来源】：海军航空工程学院学报. 2020,35(05)

【文章页数】：7 页

【部分图文】：

样本容量为5组时3种模型在各应力水平下的预测情况及相对误差

根据表2，可得试验中S1～S5应力水平下对应的智能电表可靠度R(t)与失效时间t直线散点图，见图1。选取S1、S2、S3、S4应力水平作用下的数据作为后续BAS-BP神经网络、灰色–支持向量回归模型的训练集，对S5应力水平下的寿命开展预测。而通用对数线性模型也将根据S1、S2、S3、S4应力水平作用下的数据开展外推预测S5应力水平下的寿命。将3类模型的预测效果与S5应力水平下的实际寿命进行验证比较。

样本容量为20组时3种模型在各应力水平下的预测情况及相对误差

【参考文献】：
期刊论文
[1]基于支持向量机回归的土壤有机质含量预测[J]. 黄婷,轩双霞.  科学技术创新. 2019(07)
[2]基于KPCA-BAS-GRNN的埋地管道外腐蚀速率预测[J]. 骆正山,姚梦月,骆济豪,王小完.  表面技术. 2018(11)
[3]基于广义对数线性模型的可靠性评估方法[J]. 王华,张静远,王鹏,冯杭.  兵器装备工程学报. 2018(03)
[4]基于K-S检验法和ALTA的IGBT模块可靠性寿命分布研究[J]. 吴华伟,叶从进,聂金泉.  重庆交通大学学报(自然科学版). 2019(01)
[5]灰色GM（1,1）模型研究综述[J]. 吴利丰,高晓辉,付斌,龙清涵,文朝霞.  数学的实践与认识. 2017(15)
[6]基于BP神经网络的电网综合评价研究[J]. 胡西民,支沛,姚李孝,白金.  电网与清洁能源. 2016(09)
[7]基于多应力加速试验方法的智能电表寿命评估[J]. 查国清,黄小凯,康锐.  北京航空航天大学学报. 2015(12)
[8]电子装备多应力加速退化试验技术及可靠性评估方法研究[J]. 张国龙,蔡金燕,梁玉英,潘刚,李伟.  航空学报. 2013(12)
[9]基于BP神经网络的多应力加速寿命试验预测方法[J]. 张慰,李晓阳,姜同敏,黄领才.  航空学报. 2009(09)
[10]航天电连接器环境综合应力加速寿命试验与统计分析[J]. 陈文华,李红石,连文志,潘骏,卢献彪.  浙江大学学报(工学版). 2006(02)

硕士论文
[1]Weibull分布寿命数据的参数估计[D]. 雷刚.华中科技大学 2006



本文编号：3128437