支持向量机用于性能退化的可靠性评估.pdf

第31卷第5期系统工程与电子技术Vol.31No.5
2009年5月SystemsEngineeringandElectronicsMay2009

文章编号:10012506X(2009)0521246204

支持向量机用于性能退化的可靠性评估

胡昌华1,胡锦涛1,张伟2,平振海1
(1.第二炮兵工程学院302教研室,陕西西安710025;2.第二炮兵工程学院402教研室,陕西西安710025)

摘要:为解决性能退化轨迹建模中的小样本训练问题,研究了基于统计学习理论的支持向量机回归原理,
提出了基于支持向量机回归模型的产品性能退化轨迹建模、寿命预测及可靠性评估方法。给出两种性能退化轨
迹的支持向量机回归模型———单一模型和加权模型。实例分析表明,所提方法有较好的预测精度。加权支持向
量机回归模型可在早期实现较高精度的寿命预测,提高性能退化的可靠性评估精度,从而可缩短试验时间,节约
经费开支。
关键词:可靠性评估;寿命预测;性能退化;支持向量机
中图分类号:TB114.3文献标志码:A

Reliabilityassessmentofperformancedegradation
usingsupportvectormachines

HUChang2hua1,HUJin2tao1,ZHANGWei2,PINGZhen2hai1
(1.302Section,TheSecondArtilleryEngineeringColl.,Xi’an710025,China;
2.402Section,TheSecondArtilleryEngineeringColl.,Xi’an710025,China;)

Abstract:Tosolvetheproblemoffewtrainingsamplesinmodelingthepathofperformancedegradation,
theregressionprincipleofsupportvectormachines(SVM)basedonthestatisticstudytheoryisstudied.Based
onthesupportvectormachineregression(SVR)model,themethodsofmodelingthedegradationpath,lifetime
predictionandreliabilityassessmentarepresented.Twokindsofperformancedegradationpathmodels,single
SVRmodelandweightedSVRmodel,areproposed.Theexampleanalysisindicatesthattheprecisionsofthe
presentedmodelsarehigherthantheradialbasicsfunctionneuralnetwork.Specially,theweightedSVRmodel
canbeusedtopredictlifetimeinearlytime,thusshorteningthetesttimeandsavingoutlay.
Keywords:reliabilityassessment;lifetimeprediction;performancedegradation;supportvectormachine

()神经网络模型[8-9]。这三类模型都是建立在每个产品
0引言3
的退化数据是大样本的基础上,无法解决退化轨迹建模中
传统的可靠性分析技术是以失效时间作为统计分析对的退化数据小样本问题,而统计学习理论主要针对小样本
象,通过对失效数据的统计推断得到产品的寿命分布模型,统计问题。基于统计学习理论的支持向量机(supportvec2
从而进行可靠性评定。但传统方法经常遇到失效数据太少tormachines,SVM)是一种以结构风险最小化原理为基础
或无失效数据的难题,尤其是对高可靠、长寿命和昂贵的产的新算法,具有其它以经验风险最小化原理为基础的算法
品。由于产品所规定完成的功能是由其性能参数表征的,难以比拟的优越性,同时它是一个凸二次优化问题,能够保
并且动态环境对产品的影响也体现在性能参数的变化上,证得到的极值解是全局最优解。所以,本文研究了基于
很多情况下,产品失效与性能退化存在着必然的联系,产品SVM回归的性能退化轨迹建模、寿命预测及可靠性评估方
性能退化可导致失效[1]。因此,可以通过分析产品功能的法。本文仅考虑单退化量情形。
退化过程,利用性能退化数据建立退化轨迹模型,预测失效
时间并进行可靠性评估。1支持向量机回归原理
目前,国内外已提出的性能退化轨迹模型主要有如下支持向量机