【正文】 我國(guó)機(jī)械可靠性設(shè)計(jì)發(fā)展及現(xiàn)狀在我國(guó)可靠性研究開(kāi)始于上世紀(jì)60年代，對(duì)于機(jī)械產(chǎn)品的可靠性研究則起步更晚，20世紀(jì)80年代才得到較快的發(fā)展，機(jī)械行業(yè)相繼成立了可靠性研究的相關(guān)協(xié)會(huì)，各有關(guān)院所和高校也開(kāi)展了機(jī)械產(chǎn)品的可靠性研究，制定了一批可靠性標(biāo)準(zhǔn)，取得了較大的成果。趙國(guó)藩等建立了廣義隨機(jī)空間內(nèi)考慮隨機(jī)變量相關(guān)性的結(jié)構(gòu)可靠度實(shí)用分析方法，擴(kuò)大了現(xiàn)有可靠度計(jì)算方法的適用范圍。總的來(lái)看，在有關(guān)院所和高校中機(jī)械可靠性設(shè)計(jì)理論研究多，但實(shí)際工程中運(yùn)用少，尤其是在數(shù)據(jù)采集方面與西方發(fā)達(dá)國(guó)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(jī)械系統(tǒng)中。當(dāng)對(duì)Y的隨機(jī)樣本統(tǒng)計(jì)分析后，可得到隨機(jī)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(jì)算中，假設(shè)基本隨機(jī)變量和極限狀態(tài)函數(shù)均服從正態(tài)分布；考慮隨機(jī)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(xiàng)和一次項(xiàng)。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(xiàn)中也提到了高次高階矩法，但這樣做會(huì)使問(wèn)題復(fù)雜化，并導(dǎo)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(dāng)具有故障率數(shù)據(jù)時(shí)，可計(jì)算產(chǎn)品發(fā)生故障的概率。 基于狀態(tài)信息預(yù)測(cè)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(jì)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(jì)，但對(duì)于正在運(yùn)行的單臺(tái)或小批量設(shè)備，這些統(tǒng)計(jì)數(shù)據(jù)的意義則不大，人們更關(guān)心的是當(dāng)前所用設(shè)備的壽命裕度和可靠性．設(shè)備運(yùn)行過(guò)程的狀態(tài)信息能夠?qū)崟r(shí)反映設(shè)備的運(yùn)行性能、精度，準(zhǔn)確判定設(shè)備的時(shí)間、動(dòng)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(guò)程中聲發(fā)射信號(hào)特征頻率處的幅值變化信息，運(yùn)用馬氏距離評(píng)估方法對(duì)其損傷程度進(jìn)行了定量診斷。2 可靠性評(píng)估方法的分析 傳統(tǒng)的可靠性分析 基于應(yīng)力—強(qiáng)度干涉模型的可靠性分析 —強(qiáng)度干涉理論的分析 （1）應(yīng)力、強(qiáng)度定義：應(yīng)力 在機(jī)械產(chǎn)品中，廣義的應(yīng)力是引起失效的負(fù)荷，強(qiáng)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(shí)間內(nèi)能夠承載，必須滿足以下條件S——零件（部件）的強(qiáng)度；s——零件（部件）的應(yīng)力。 已知應(yīng)力強(qiáng)度分布時(shí)可靠度的計(jì)算 ⑴ 應(yīng)力和強(qiáng)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(biāo)準(zhǔn)正態(tài)分布?xì)w一化，從而獲得標(biāo)準(zhǔn)正態(tài)分布，以便于計(jì)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(dǎo)致整體機(jī)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(xiàn)中把、稱為基礎(chǔ)概率，為擊中率，為誤報(bào)率[1][2]。這估計(jì)是分布，無(wú)限制的形式，從而最大程度的意見(jiàn)的可能性。假設(shè) 為時(shí)刻t所測(cè)得的m個(gè)產(chǎn)品的狀態(tài)特征指標(biāo)值，x呈單調(diào)上升趨勢(shì)，其PDF為，失效閾值為，此時(shí)的整體可靠度可表示為 如果產(chǎn)品i在時(shí)刻的狀態(tài)特征參量為，其瞬時(shí)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(shí)刻可靠的前提條件是在時(shí)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(shí)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(shí)刻X(t)中大于等于的樣本總數(shù)，但在時(shí)刻以前已經(jīng)失效的樣本不記人中，以避免對(duì)可靠度的估計(jì)過(guò)于保守。一般地, 機(jī)械產(chǎn)品的強(qiáng)度和工作應(yīng)力均為隨機(jī)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(jì)器思想而提出的一種新的求取瞬時(shí)可靠度的方法。相鄰層之間各神經(jīng)元進(jìn)行全連接，而每層各神經(jīng)元之間無(wú)連接，網(wǎng)絡(luò)按有教師示教的方式進(jìn)行學(xué)習(xí)，當(dāng)一對(duì)學(xué)習(xí)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(xì)胞一樣是互相關(guān)聯(lián)的。在這個(gè)過(guò)程中，誤差通過(guò)梯度下降算法，分?jǐn)偨o各層的所有單元，從而獲得各單元的誤差信號(hào)，以此誤差信號(hào)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(diǎn)(1)信息分布存儲(chǔ) 人腦存儲(chǔ)信息的特點(diǎn)是利用突觸效能的變化來(lái)調(diào)整存儲(chǔ)內(nèi)容， 即信息存儲(chǔ)在神經(jīng)元之間的連接強(qiáng)度的分布上， BP神經(jīng)網(wǎng)絡(luò)模擬人腦的這一特點(diǎn)，使信息以連接權(quán)值的形式分布于整個(gè)網(wǎng)絡(luò)。(3) 具有容錯(cuò)性 生物神經(jīng)系統(tǒng)部分不嚴(yán)重?fù)p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(huì)產(chǎn)生嚴(yán)重的后果，部分神經(jīng)元的損傷不破壞整體，它可以自動(dòng)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(jìn)行分類。其次，BP神經(jīng)網(wǎng)絡(luò)具有對(duì)外界刺激和輸入信息進(jìn)行聯(lián)想記憶的能力。再次，BP 神經(jīng)網(wǎng)絡(luò)對(duì)外界輸入樣本有很強(qiáng)的識(shí)別與分類能力。 BP神經(jīng)網(wǎng)絡(luò)可靠性預(yù)測(cè)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(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，結(jié)構(gòu)簡(jiǎn)單，步驟明確。R（t+3Δt）R（t+2Δt）R（t+Δt）x（t） 本章本章主要對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了簡(jiǎn)單的講解。利用誤差反向傳播算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，結(jié)構(gòu)簡(jiǎn)單，步驟明確。當(dāng)軸承元件表面發(fā)生局部損傷時(shí), 在滾動(dòng)體和內(nèi)、外環(huán)相互運(yùn)動(dòng)過(guò)程中, 會(huì)產(chǎn)生周期性的沖擊振動(dòng), 其振動(dòng)發(fā)生的頻率稱為故障特征頻率, 也稱為“通過(guò)頻率”。實(shí)際情況表明: 不同故障對(duì)應(yīng)著不同的故障特征頻率, 檢測(cè)時(shí)可根據(jù)這些故障特征頻率是否出現(xiàn)在信號(hào)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(diǎn)的位置。 對(duì)磨損類故障, 用均方根值比較有效。采用振動(dòng)加速度的趨勢(shì)圖判斷滾動(dòng)軸承所處的工作狀態(tài), 能及時(shí)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(dòng)波形的單峰最大值。一般來(lái)說(shuō), 高于3. 5 的峰值因子即預(yù)示著損傷。峭度在滾動(dòng)軸承的使用過(guò)程中表現(xiàn)出很強(qiáng)的規(guī)律性。 振動(dòng)超過(guò)標(biāo)準(zhǔn)時(shí), 峭度也開(kāi)始快速增大, 超過(guò)正常值, 可認(rèn)為軸承已進(jìn)入晚期故障, 需及時(shí)檢修設(shè)備、更換滾動(dòng)軸承。有效值是對(duì)時(shí)間的平均并能反映振動(dòng)能量的大小, 它能反映磨損故障和晚期故障。峭度指標(biāo)的絕對(duì)值越大, 說(shuō)明軸承越偏離其正常狀態(tài), 故障越嚴(yán)重, 如當(dāng)其值K 8時(shí), 則很可能出現(xiàn)了較大的故障。 更重要的一點(diǎn)是這些指標(biāo)對(duì)故障和缺陷足夠敏感, 對(duì)信號(hào)的幅值和頻率不敏感, 即與機(jī)器的運(yùn)行工況無(wú)關(guān), 只依賴于信號(hào)的幅值概率密度函數(shù)。試驗(yàn)共選擇了軸承5個(gè)。對(duì)本課題用以下峭度值來(lái)計(jì)算瞬時(shí)可靠度。計(jì)算第5組瞬時(shí)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(shí)可靠度和我們BP神經(jīng)網(wǎng)絡(luò)計(jì)算出來(lái)的瞬時(shí)可靠度相差不多。 （1) 本文求瞬時(shí)和可靠度的時(shí)候，是運(yùn)用同一種軸承的不同數(shù)據(jù)，不是盲目的單一的對(duì)一個(gè)數(shù)據(jù)來(lái)研究，使計(jì)算可靠度準(zhǔn)確、可靠。該方法充分利用了設(shè)備退化過(guò)程中的狀態(tài)信息，能夠動(dòng)態(tài)地反映設(shè)備的運(yùn)行性能、精度，準(zhǔn)確判斷設(shè)備的失效時(shí)間。 本章小結(jié) 本章針對(duì)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(cè)方法．該方法充分利用了設(shè)備退化過(guò)程中的狀態(tài)信息，能夠動(dòng)態(tài)地反映設(shè)備的運(yùn)行性能、精度，準(zhǔn)確預(yù)測(cè)設(shè)備的可靠度。本課題是針對(duì)基于狀態(tài)信息的可靠性預(yù)測(cè)方法的研究。針對(duì)滾動(dòng)軸承的峭度值的時(shí)變數(shù)據(jù)，以可靠度為評(píng)價(jià)標(biāo)準(zhǔn)，正確預(yù)測(cè)出滾動(dòng)軸承未來(lái)的可靠度，該過(guò)程表明設(shè)備狀態(tài)信息用于可靠性預(yù)測(cè)的可行性和有效性，是未來(lái)可靠性發(fā)展的一個(gè)重要方向。(2) 提高了綜合應(yīng)用各門知識(shí)的能力。查閱手冊(cè)是設(shè)計(jì)過(guò)程中隨時(shí)要做的事情?？傊瑢?duì)我們每個(gè)學(xué)生來(lái)說(shuō)，經(jīng)過(guò)這次畢業(yè)設(shè)計(jì)，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(xué)生謹(jǐn)向?qū)熤乱宰钫鎿吹母屑ず妥畛绺叩木磁逯椤Ｔ诖?，我要向諸位老師深深地鞠上一躬?！疤煜聸](méi)有不散的宴席”。向您們說(shuō)一聲：敬愛(ài)的老師，您辛苦了！參考文獻(xiàn)【1】：科學(xué)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(cè)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