【正文】 我國機械可靠性設(shè)計發(fā)展及現(xiàn)狀在我國可靠性研究開始于上世紀60年代，對于機械產(chǎn)品的可靠性研究則起步更晚，20世紀80年代才得到較快的發(fā)展，機械行業(yè)相繼成立了可靠性研究的相關(guān)協(xié)會，各有關(guān)院所和高校也開展了機械產(chǎn)品的可靠性研究，制定了一批可靠性標準，取得了較大的成果。趙國藩等建立了廣義隨機空間內(nèi)考慮隨機變量相關(guān)性的結(jié)構(gòu)可靠度實用分析方法，擴大了現(xiàn)有可靠度計算方法的適用范圍?？偟膩砜矗谟嘘P(guān)院所和高校中機械可靠性設(shè)計理論研究多，但實際工程中運用少，尤其是在數(shù)據(jù)采集方面與西方發(fā)達國家相比差距不小，有些成果尚不能完整地、成熟地應(yīng)用在不同的機械系統(tǒng)中。當對Y的隨機樣本統(tǒng)計分析后，可得到隨機數(shù)y大于零的概率，即可靠度R=P(rs0)=P[y(x1,x2......xn)]。 (3) 一次二階矩法 在一次二階矩法相應(yīng)的計算中，假設(shè)基本隨機變量和極限狀態(tài)函數(shù)均服從正態(tài)分布；考慮隨機變量的一階矩(均值)和二階矩(方差)；僅利用極限狀態(tài)函數(shù)式的常數(shù)項和一次項。按推理，可靠性分析法的近似概率法還可有三次四階矩、四次三階矩等高次高階矩的方法，在文獻中也提到了高次高階矩法，但這樣做會使問題復雜化，并導致新的誤差，故這類方法應(yīng)慎用。FMECA可分為FMEA(故障模式與影響分析)和CA(危害性分析)，其中FMEA側(cè)重于定性分析，CA側(cè)重于定量分析。其目的與用途在于分析故障原因與損害及其源與流的邏輯關(guān)系，以便確定其可靠性框圖與模型，當具有故障率數(shù)據(jù)時，可計算產(chǎn)品發(fā)生故障的概率。 基于狀態(tài)信息預(yù)測可靠性的發(fā)展現(xiàn)狀及應(yīng)用傳統(tǒng)的基于樣本壽命統(tǒng)計基礎(chǔ)上的可靠性分析方法得到的是設(shè)備的整體可靠性估計，但對于正在運行的單臺或小批量設(shè)備，這些統(tǒng)計數(shù)據(jù)的意義則不大，人們更關(guān)心的是當前所用設(shè)備的壽命裕度和可靠性．設(shè)備運行過程的狀態(tài)信息能夠?qū)崟r反映設(shè)備的運行性能、精度，準確判定設(shè)備的時間、動態(tài)特性，揭示產(chǎn)品失效與性能退化之間的關(guān)系。Cao【2】等人利用二代小波方法提取端銑刀加工過程中聲發(fā)射信號特征頻率處的幅值變化信息，運用馬氏距離評估方法對其損傷程度進行了定量診斷。2 可靠性評估方法的分析 傳統(tǒng)的可靠性分析 基于應(yīng)力—強度干涉模型的可靠性分析 —強度干涉理論的分析 （1）應(yīng)力、強度定義：應(yīng)力 在機械產(chǎn)品中，廣義的應(yīng)力是引起失效的負荷，強度是抵抗失效的能力。因此，要求零件（部件）在規(guī)定的條件下和規(guī)定的時間內(nèi)能夠承載，必須滿足以下條件S——零件（部件）的強度；s——零件（部件）的應(yīng)力。 已知應(yīng)力強度分布時可靠度的計算 ⑴ 應(yīng)力和強度均為正態(tài)分布定義：概率密度函數(shù)具有如下形式稱為正態(tài)分布，或高斯分布，記為N(μ,ζ)。 將非標準正態(tài)分布歸一化，從而獲得標準正態(tài)分布，以便于計算累積分布函數(shù)F(x)或可靠度R(x)。凡屬于局部失效而導致整體機能失效的模型(串聯(lián)系統(tǒng))，一般都能采用這種分布函數(shù)描述。 貝葉斯公式（發(fā)表于1763年）為： 這就是著名的“貝葉斯定理”，一些文獻中把、稱為基礎(chǔ)概率，為擊中率，為誤報率[1][2]。這估計是分布，無限制的形式，從而最大程度的意見的可能性。假設(shè) 為時刻t所測得的m個產(chǎn)品的狀態(tài)特征指標值，x呈單調(diào)上升趨勢，其PDF為，失效閾值為，此時的整體可靠度可表示為 如果產(chǎn)品i在時刻的狀態(tài)特征參量為，其瞬時可靠度可表示為= () 式（）比值的連乘積體現(xiàn)了Bayes條件概率思想，表示設(shè)備在時刻可靠的前提條件是在時刻必須是可靠的。結(jié)合KM思想，可將式（）改寫為 （)式中：表示在時刻X(t)中大于等于且小于失效閾值的樣本總數(shù)；表示在時刻X(t)中大于等于的樣本總數(shù)，但在時刻以前已經(jīng)失效的樣本不記人中，以避免對可靠度的估計過于保守。一般地, 機械產(chǎn)品的強度和工作應(yīng)力均為隨機變量, 呈分布狀態(tài)。而本章提出一種新的結(jié)合貝葉斯方法和KM估計器思想而提出的一種新的求取瞬時可靠度的方法。相鄰層之間各神經(jīng)元進行全連接，而每層各神經(jīng)元之間無連接，網(wǎng)絡(luò)按有教師示教的方式進行學習，當一對學習模式提供給網(wǎng)絡(luò)后，各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)產(chǎn)生連接權(quán)值（Weight）。這些神經(jīng)元如同人的神經(jīng)細胞一樣是互相關(guān)聯(lián)的。在這個過程中，誤差通過梯度下降算法，分攤給各層的所有單元，從而獲得各單元的誤差信號，以此誤差信號為依據(jù)修正各單元權(quán)值，網(wǎng)絡(luò)權(quán)值因此被重新分布。 BP神經(jīng)網(wǎng)絡(luò)的信息處理方式具有的特點(1)信息分布存儲 人腦存儲信息的特點是利用突觸效能的變化來調(diào)整存儲內(nèi)容， 即信息存儲在神經(jīng)元之間的連接強度的分布上， BP神經(jīng)網(wǎng)絡(luò)模擬人腦的這一特點，使信息以連接權(quán)值的形式分布于整個網(wǎng)絡(luò)。(3) 具有容錯性 生物神經(jīng)系統(tǒng)部分不嚴重損傷并不影響整體功能，BP神經(jīng)網(wǎng)絡(luò)也具有這種特性，網(wǎng)絡(luò)的高度連接意味著少量的誤差可能不會產(chǎn)生嚴重的后果，部分神經(jīng)元的損傷不破壞整體，它可以自動修正誤差。絕大部分的神經(jīng)網(wǎng)絡(luò)模型都采用BP神經(jīng)網(wǎng)絡(luò)及其變化形式。 (3)分類：把輸入向量所定義的合適方式進行分類。其次，BP神經(jīng)網(wǎng)絡(luò)具有對外界刺激和輸入信息進行聯(lián)想記憶的能力。再次，BP 神經(jīng)網(wǎng)絡(luò)對外界輸入樣本有很強的識別與分類能力。 BP神經(jīng)網(wǎng)絡(luò)可靠性預(yù)測模型 BP網(wǎng)絡(luò)是一種前向多層網(wǎng)絡(luò)，利用誤差反向傳播算法對網(wǎng)絡(luò)進行訓練，結(jié)構(gòu)簡單，步驟明確。R（t+3Δt）R（t+2Δt）R（t+Δt）x（t） 本章本章主要對BP神經(jīng)網(wǎng)絡(luò)進行了簡單的講解。利用誤差反向傳播算法對網(wǎng)絡(luò)進行訓練，結(jié)構(gòu)簡單，步驟明確。當軸承元件表面發(fā)生局部損傷時, 在滾動體和內(nèi)、外環(huán)相互運動過程中, 會產(chǎn)生周期性的沖擊振動, 其振動發(fā)生的頻率稱為故障特征頻率, 也稱為“通過頻率”。實際情況表明: 不同故障對應(yīng)著不同的故障特征頻率, 檢測時可根據(jù)這些故障特征頻率是否出現(xiàn)在信號中, 且其具有一定的能量值, 就可以判斷軸承是否出現(xiàn)故障, 并確定故障點的位置。 對磨損類故障, 用均方根值比較有效。采用振動加速度的趨勢圖判斷滾動軸承所處的工作狀態(tài), 能及時發(fā)現(xiàn)故障隱患【7】。 (2) 峰值和峰值因子通常峰值是指振動波形的單峰最大值。一般來說, 高于3. 5 的峰值因子即預(yù)示著損傷。峭度在滾動軸承的使用過程中表現(xiàn)出很強的規(guī)律性。 振動超過標準時, 峭度也開始快速增大, 超過正常值, 可認為軸承已進入晚期故障, 需及時檢修設(shè)備、更換滾動軸承。有效值是對時間的平均并能反映振動能量的大小, 它能反映磨損故障和晚期故障。峭度指標的絕對值越大, 說明軸承越偏離其正常狀態(tài), 故障越嚴重, 如當其值K 8時, 則很可能出現(xiàn)了較大的故障。 更重要的一點是這些指標對故障和缺陷足夠敏感, 對信號的幅值和頻率不敏感, 即與機器的運行工況無關(guān), 只依賴于信號的幅值概率密度函數(shù)。試驗共選擇了軸承5個。對本課題用以下峭度值來計算瞬時可靠度。計算第5組瞬時可靠度如下：匯成表格如下表所示： 表4我們求出的第五組的C5—C7 R1根據(jù)Bp神經(jīng)網(wǎng)絡(luò)預(yù)算C5—C7 R1 表中數(shù)據(jù)可以知道，我們利用公式求出的瞬時可靠度和我們BP神經(jīng)網(wǎng)絡(luò)計算出來的瞬時可靠度相差不多。 （1) 本文求瞬時和可靠度的時候，是運用同一種軸承的不同數(shù)據(jù)，不是盲目的單一的對一個數(shù)據(jù)來研究，使計算可靠度準確、可靠。該方法充分利用了設(shè)備退化過程中的狀態(tài)信息，能夠動態(tài)地反映設(shè)備的運行性能、精度，準確判斷設(shè)備的失效時間。 本章小結(jié) 本章針對軸承類的退化失效型設(shè)備，提出了一種基于設(shè)備狀態(tài)信息的神經(jīng)網(wǎng)絡(luò)可靠性預(yù)測方法．該方法充分利用了設(shè)備退化過程中的狀態(tài)信息，能夠動態(tài)地反映設(shè)備的運行性能、精度，準確預(yù)測設(shè)備的可靠度。本課題是針對基于狀態(tài)信息的可靠性預(yù)測方法的研究。針對滾動軸承的峭度值的時變數(shù)據(jù)，以可靠度為評價標準，正確預(yù)測出滾動軸承未來的可靠度，該過程表明設(shè)備狀態(tài)信息用于可靠性預(yù)測的可行性和有效性，是未來可靠性發(fā)展的一個重要方向。(2) 提高了綜合應(yīng)用各門知識的能力。查閱手冊是設(shè)計過程中隨時要做的事情?？傊瑢ξ覀兠總€學生來說，經(jīng)過這次畢業(yè)設(shè)計，為今后從事生產(chǎn)第一線的技術(shù)發(fā)行工作、技術(shù)管理工作有非常大的幫助。在此，學生謹向?qū)熤乱宰钫鎿吹母屑ず妥畛绺叩木磁逯?。在此，我要向諸位老師深深地鞠上一躬?！疤煜聸]有不散的宴席”。向您們說一聲：敬愛的老師，您辛苦了！參考文獻【1】：科學出版社，.【2】CAO H .End milling tool beakage detection using lifting scheme and Mahalanobis distance ,.【3】KAPLAN E L。 。1 0 0。outputNums=3。logsig39。 % 誤差期望值net=train(net,p,t)。%error為網(wǎng)絡(luò)的均方差%%測試樣本PP=[ ]39。w_he=w_heni39。 %隱層閾值b_out={2,1}。 for i=1:inputNums net1=net1+gg(i)*w_he(i,j)。 for j=1:newhideNums net1=net1+gg1(j)*w_out(k,j)。*39。)。 legend(3