基于BP神经网络的多应力加速寿命试验预测方法

　　为解决多应力环境下高可靠性长寿命产品的可靠性评估问题,人们通常参照较成熟的单应力加速寿命试验(Accelerated Life Testing,ALT)所采用的方法,选取或构造多应力加速模型,利用加速寿命试验过程中获得的观测值建立加速模型的似然方程组并求解出所有待定参数, 然后再根据方程外推正常条件下的产品可靠性信息[1-2]。然而,在多应力加速寿命试验中,不仅要考虑每个应力对产品寿命的单独影响,还要考虑应力的综合 影响,所以很难找到形式简单、适用广泛、拟合精确的加速模型。另外,现有的多应力加速模型参数一般较多,这将造成多元似然方程组求解上的困难[3]。为 此,本文提出采用反向传播(BackPropagation,BP)神经网络来解决多应力加速寿命试验的寿命预测问题。

　　1 加速寿命试验

　　加速寿命试验中的/寿命0是指广义的寿命,它可以是平均寿命、可靠寿命、特征寿命等。其内涵是在失效机理不变的基础上,通过寻找产品寿命与应力 之间的物理化学关系)))加速模型,利用高(加速)应力水平下的寿命特征去外推或评估正常应力水平下的寿命特征的试验技术和方法。因此,加速模型是其研究 的关键[4]。

　　针对加速模型的研究中,单应力加速模型相对比较成熟,比如关于温度应力的Arrhenius温度模型和Eyring模型,关于电应力的逆幂律模 型(Inverse Power Model)和指数模型(ExponentialModel)。但是产品在使用中受到的环境应力是复杂的,比如会同时受到温度、振动和湿度等应力的影响。 实际上,也正是这些应力的综合效果影响了产品的寿命。因此在加速寿命试验中引入综合应力,不仅可以缩短试验时间、提高试验效率,而且可以更精确地模拟实际 环境条件,得到更可信的结果。虽然产品受到的是多种环境应力的综合影响,但要在它们与产品寿命之间建立某种函数关系,却是一件非常困难的事情。因为各种应 力引起产品失效的机理不一样,同时不同应力之间也存在着相互耦合的作用,要将它们和寿命相结合,还必须了解产品本身的属性,比如材料、几何特性等 [5-12]。因此很难找出一个能够真实描述实际情况且又具有普遍适用性的应力-寿命关系。在实际工程中,有时候找到了一个合适的加速模型,但是求解多维 极大似然方程组却很困难。

　　2 BP神经网络

　　人工神经网络(Artificial Neural Network,ANN)是20世纪80年代中期以后再次发展起来的一门新兴的综合性学科。人工神经网络作为一种模拟人脑神经系统的结构与功能特征的数学 处理方法,具有自学习能力,不需要任何先验函数的假设,即可从试验数据中自动总结规律,并可用总结出的规律来预测未知。人工神经网络技术可以把具有复杂因 果关系的物理量在经过适当数量的训练之后比较准确地反映出来[13]。