本文關(guān)鍵詞：基于神經(jīng)網(wǎng)絡(luò)的故障率預(yù)測方法，由筆耕文化傳播整理發(fā)布。

第２９卷第２期２００８年３月

航空學(xué)報(bào)

Ｖｏｌ－２９Ｎｏ．２

ＡＣＴＡＡＥＲＯＮＡＵＴＩＣＡＥＴＡＳＴＲ（）ＮＡＵＴＩＣＡＳＩＮｌＣＡＭａｒ．２００８

文章編號：１０００—６８９３（２００８）０２—０３５７—０７

基于神經(jīng)網(wǎng)絡(luò)的故障率預(yù)測方法

李瑞瑩，康銳

（北京航空航天大學(xué)工程系統(tǒng)工程系，北京

ＦａｉｌｕｒｅＲａｔｅＦｏｒｅｃａｓｔｉｎｇＭｅｔｈｏｄＢａｓｅｄ

ＬｉＲｕｉｙｉｎｇ，ＫａｎｇＲｕｉ

（ＤｅｐａｒｔｍｅｎｔｏｆＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇｏｆＥｎｇｉｎｅｅｒｉｎｇ

ｏｎ

１０００８３）

ＮｅｕｒａｌＮｅｔｗｏｒｋｓ

Ｔｅｃｈｎｏｌｏｇｙ，ＢｅｉｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＡｅｒｏｎａｕｔｉｃｓａｎｄ

１０００８３，Ｃｈｉｎａ）

Ａｓｔｒｏｎａｕｔｉｃｓ，Ｂｅｉｊｉｎｇ

摘要：為了更好地預(yù)測產(chǎn)品故障率，提出了基于神經(jīng)網(wǎng)絡(luò)的故障率預(yù)測方法，分別給出了基于反向傳播（ＢＰ）網(wǎng)絡(luò)和徑向基函數(shù)（ＲＢＦ）網(wǎng)絡(luò)進(jìn)行故障率預(yù)測的基本思想、預(yù)測模型和實(shí)施步驟。分別對比分析了神經(jīng)網(wǎng)絡(luò)法與回歸分析法、分解分析法、移動平均法、指數(shù)平滑法、自適應(yīng)過濾法、自回歸一移動平均混合（ＡＲＭＡ）模型等統(tǒng)計(jì)預(yù)測方法的區(qū)別，對照故障率的特點(diǎn)，說明了神經(jīng)網(wǎng)絡(luò)法是其中最適用于故障率預(yù)測的統(tǒng)計(jì)方法。最后分別按這兩種模型對某航空公司波音飛機(jī)故障率進(jìn)行了預(yù)測，預(yù)測結(jié)果表明：這兩種模型均適用于故障率預(yù)測，預(yù)測值與真實(shí)值的誤差在２０％之內(nèi)，且ＲＢＦ網(wǎng)絡(luò)的預(yù)測效果略優(yōu)于ＢＰ網(wǎng)絡(luò)，此外通過與上述統(tǒng)計(jì)預(yù)測法的誤差進(jìn)行對比，說明神經(jīng)網(wǎng)絡(luò)法預(yù)測誤差最小。關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；反向傳播（ＢＰ）；徑向基函數(shù)（ＲＢＦ）網(wǎng)絡(luò)；可靠性；預(yù)測中圖分類號：Ｖ２１５．７

Ａｂｓｔｒａｃｔ：Ｔｏｆｏｒｅｃａｓｔｆａｉｌｕｒｅ

文獻(xiàn)標(biāo)識碼：Ａ

ｒａｔｅｓ

ｂｅｔｔｅｒ，ａｍｅｔｈｏｄｆｏｒｆａｉｌｕｒｅ

ｒａｔｅ

ｆｏｒｅｃａｓｔｉｎｇｂａｓｅｄｏｆｆａｉｌｕｒｅ

ｒａｔｅ

ｏｎ

ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌ

ｏｎ

ｎｅｔ—

ｗｏｒｋｓｉｓａｄｖａｎｃｅｄ．Ｔｈｅｂａｓｉｃｉｄｅａｓ，ｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｓａｎｄ

ｓｔｅｐｓ

ｆｏｒｅｃａｓｔｉｎｇｂａｓｅｄ

ｂａｃｋ

ｐｒｏｐａｇａｔｉｏｎ（ＢＰ）ｎｅｔｗｏｒｋａｎｄｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎ（ＲＢＦ）ｎｅｔｗｏｒｋ

ａｒｅ

ｄｉｓｃｕｓｓｅｄｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｄｉｆｆｅｒｅｎｃｅｓ

ａｓ

ｂｅｔｗｅｅｎｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｏｔｈｅｒｓｔａｔｉｓｔｉｃａｌｆｏｒｅｃａｓｔｉｎｇｍｅｔｈｏｄｓ，ｓｕｃｈａｎａｌｙｓｉｓ，ｍｏｖｉｎｇａｖｅｒａｇｅ，ｅｘｐｏｎｅｎｔｉａｌ

ｒｅｇｒｅｓｓｉｏｎａｎａｌｙｓｉｓ，ｄｅｃｏｍｐｏｓｉｔｉｏｎ

ｓｍｏｏｔｈｉｎｇ，ｓｅｌｆ－ａｄａｐｔｉｖｅｆｉｌｔｅｒｉｎｇａｎｄａｕｔｏ－ｒｅｇｒｅｓｓｉｖｅｍｏｖｉｎｇａｖｅｒａｇｅ

（ＡＲＭＡ）ｍｏｄｅｌ，ａｒｅｃｏｍｐａｒｅｄｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｃｏｎｃｌｕｓｉｏｎｉｓｄｒａｗｎｔｈａｔｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｔｈｅｂｅｓｔｓｔａｔｉｓｔｉｃａｌ

ｍｅｔｈｏｄｏｆｔｈｅｍａｃｃｏｒｄｉｎｇａｉｒｌｉｎｅｃｏｍｐａｎｙａｂｌｅｆｏｒｆａｉｌｕｒｅｅｆｆｅｃｔｏｆｆａｉｌｕｒｅ

ｒｏｒｓ

ａｒｅ

ｔＯｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｆａｉｌｕｒｅｒａｔｅｓ．Ｔｈｅｆａｉｌｕｒｅ

ｔＯ

ｒａｔｅｓ

ｏｆＢｏｅｉｎｇｆｌｉｇｈｔｓｉｎ

ａ

ｃｅｒｔａｉｎｓｕｉｔ－ｔｈｅ

ｅｒ—

ｆｏｒｅｃａｓｔｅｄａｃｃｏｒｄｉｎｇ

ｔｈｅｓｅｔｗｏｍｏｄｅｌｓ．Ｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｂｏｔｈｏｆｔｈｅｓｅｍｏｄｅｌｓ

ａｒｅ

ａｒｅ

ｒａｔｅｒａｔｅ

ｆｏｒｅｃａｓｔｉｎｇ，ｅｒｒｏｒｓｂｅｔｗｅｅｎｐｒｅｄｉｃｔｅｄｖａｌｕｅａｎｄｏｂｓｅｒｖｅｄｖａｌｕｅｆｏｒｅｃａｓｔｉｎｇｂａｓｅｄ

ｏｎ

ｌｅｓｓｔｈａｎ

２０％，ａｎｄ

ｔＯ

ＲＢＦｎｅｔｗｏｒｋｉｓｂｅｔｔｅｒｔｈａｎｔｈａｔ

ｒａｔｅ

ｂａｓｅｄ

ｏｎ

ＢＰｎｅｔｗｏｒｋ．Ｂｙｃｏｍｐａｒｅｄ

ａｒｅ

ｏｆｔｈｏｓｅｓｔａｔｉｓｔｉｃａｌｍｅｔｈｏｄｓ，ｅｒｒｏｒｓｏｆｆａｉｌｕｒｅ

ｆｏｒｅｃａｓｔｉｎｇ

ｂａｓｅｄ

ｏｎ

ｎｅｕｒａｌｎｅｔｗｏｒｋｓｍｕｃｈｓｍａｌｌｅｒ．

Ｋｅｙｗｏｒｄｓ：ｎｅｕｒａｌｎｅｔｗｏｒｋ；ｂａｃｋｐｒｏｐａｇａｔｉｏｎ；ｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎｎｅｔｗｏｒｋ；ｒｅｌｉａｂｉｌｉｔｙ；ｆｏｒｅｃａｓｔｉｎｇ

產(chǎn)品使用過程中不可避免地會發(fā)生各種各樣的故障，產(chǎn)品故障率對指導(dǎo)備件貯存策略有非常重要的作用。然而，，傳統(tǒng)的可靠性預(yù)計(jì)和可靠性試驗(yàn)評估都很難給出令人滿意的預(yù)測效果。據(jù)統(tǒng)計(jì)，預(yù)測值與真實(shí)值的相對誤差高達(dá)百分之幾十到百分之幾千不等ｎ］。

為了解決故障率預(yù)測不準(zhǔn)確的問題，國內(nèi)外學(xué)者進(jìn)行了多方面的努力，也取得了一定成果。美國Ｂｅｌｌｃｏｒｅ實(shí)驗(yàn)室、美國Ｔｅｌｃｏｒｄｉａ公司、美國可靠性分析中心（ＲＡＣ）、法國工業(yè)協(xié)會先后嘗試了通過過程評估、試驗(yàn)數(shù)據(jù)、使用數(shù)據(jù)對研制階段

收稿日期：２００７—０６—０１：修訂日期：２００７—１１一０５

基金項(xiàng)目：國防科技工業(yè)技術(shù)基礎(chǔ)科研項(xiàng)目（Ｚ１３２００６１３００１）通訊作者：李瑞瑩Ｅ－ｍａｉｌ：ｌｉｒｕｉｙｉｎｇ＠ｄｓｅ．ｂｕａａ．ｅｄｕ．ｅｎ

的傳統(tǒng)可靠性預(yù)計(jì)進(jìn)行修正的方法［２ｑ］，相繼頒布了標(biāo)準(zhǔn)，形成了軟件工具，如ＰＲＩＳＭ；以美國馬里蘭大學(xué)Ｐｅｔｃｈ教授為代表的學(xué)者將故障物理技術(shù)應(yīng)用于研制階段的故障率預(yù)測，形成了兩套軟件工具ＣＡＤＭＰ一２（組件級）和ＣＡＬＣＥ（板級）［５－ｓ］，并進(jìn)入了ＩＥＥＥ標(biāo)準(zhǔn)１４１３．１［９］。然而這些方法復(fù)雜，在實(shí)際操作上存在一定困難，應(yīng)用效果也有待于進(jìn)一步驗(yàn)證。同時產(chǎn)品使用環(huán)境復(fù)雜，能用于研制階段分析或試驗(yàn)評價的信息有限，因此，確實(shí)難以在研制階段獲得準(zhǔn)確的故障率預(yù)測結(jié)果。

相比而言，使用數(shù)據(jù)最能夠反映真實(shí)的產(chǎn)品故障率水平［１０｜，它們可以看做是一系列隨時間發(fā)展變化的數(shù)據(jù)，將其按時間順序排列起來，便能組成一組時間序列。因此采用時間序列法對使用統(tǒng)計(jì)

  本文關(guān)鍵詞：基于神經(jīng)網(wǎng)絡(luò)的故障率預(yù)測方法，由筆耕文化傳播整理發(fā)布。