【正文】 System Safety, 2009, 94(5): 932941.[59] Brooks J W, Basoalto H C, Sahota R, et al. Probabilistic property prediction of aero engine。 System Safety, 2006, 91(2): 249256.[13] S. W. Lam, T. Halim, K. Muthusamy. Models with failurefree life: Applied review and extensions [J]. IEEE Transaction on Device and materials reliability, 2011, 10(2): 263270.[14] W. Q. Meeker, M. J. Luvalle. An accelerated life test model based on reliability kinetics [J].Technometrics, 1995, 37(2): 133146.[15] M. B. Carey, R. H. Koenig. Reliability Assessment Based on Accelerated Degradation: A Case Study [J]. IEEE Transaction on Reliability, 1991, 40(5): 499506.[16] J. G. Ramirez, W. L. Gore, G. Johnston. New methods for modeling reliability using degradation data [J]. Statistics Data Analysis and Data Mining, 2001:2633.[17] J. C. Lu, S. G. Pantual. A repeated measurements model for overstressed degradation data [R]. Department of Statistic North Carolina State University, 1989.[18] J. D. Church, B. Harris. The estimation of reliability from stress strength relationships [J]. Technometrics, 1970, 12(1): 4954.[19] C. S. Place, J. E. Strutt, K. Allsopp, P. E. Irving, C. Trille. Reliability prediction of helicopter transmission system using stress strength interference with underlying damage accumulation[J]. Quality and Reliability Engineering International, 1999, 15(2): 6978.[20] J. G. Surles, W. J. Padgett. Inference for reliability and stress strength for a scaled Burr Type X distribution [J]. Lifetime Data Analysis, 2001, 7(2): 187200.[21] E. Takeda, N. Suzuki. An empirical model for device degradation due to hot carrier injection [J]. IEEE Electron Device Letters, 1983, 4: 111113.[22] C. K. Chan, M. Boulanger, M. Tortorella. Analysis of parameter degradation data using lifedata analysis programs [C]. Proceedings Annual Reliability and Maintainability Symposium, 1994: 288291.[23] W. Q. Meeker, L. A. Escobar, C. J. Lu. Accelerated degradation tests: modeling and analysis [J]. Technometrics, 1998, 40(2): 8999.[24] W. Q. Meeker, L. A. Escobar. Statistical Methods for Reliability Data [M]. John Wiley amp。完成博士論文和論文答辯主要參考文獻[1] [M].機械工業(yè)出版社,.[2] [M].上海交通大學出版社,.[3] Chen Yunxia,Kang Rui,Sun Yufeng. Integrating design for performance and reliability [A].Reliability and Maintainability Symposium, 2006. RAMS’06. Annual[C], 2006: 343348.[4] Zeng S K, Ma J M, Li F X. Design optimization considering performance and reliability[A] Reliability and Maintainability Symposium,2009. RAMS’09. Annual[C], 2009: 201205.[5] W. Shapiro, F. Murray, R. Howarth, R Fusaro. Space mechanisms lessons learned study. Volume 1: Summary [R]. NASA Lewis Research Center, 1995.[6] W. Shapiro, F. Murray, R. Howarth, R Fusaro. Space mechanisms lessons learned study. Volume 2: Literature review [R]. NASA Lewis Research Center, 1995.[7] 周經(jīng)倫, 金光, 馮靜, 劉強. 衛(wèi)星長壽命機電部件（動量輪）極小子樣可靠性技術 [R]. 國防科學技術大學, 2008.[8] Roger Cooke. Reliability Data base in Perspective [J]. IEEE Transaction on Reliability, 2002, 47(3).[9] Wi11iam Denson. The History of Reliability Prediction [J].IEEE Transaction on Re1iability, 1998, 47(3).[10] Marvin Rausand, Arnljot H248。EI論文一篇、授權(quán)專利一個~1) 長短周期交互的自適應變步長算法研究，進行動態(tài)可靠性分析；2) 案例驗證。~1） 考慮綜合不確定性的高效仿真算法研究；2） 案例驗證。完成開題報告和文獻綜述~1） 針對一般機電產(chǎn)品如射流管伺服閥，研究機、電、液、控多專業(yè)領域模型聯(lián)合仿真及數(shù)據(jù)流交互方法；2） 針對MEMS產(chǎn)品如DC直流開關，進行機、電、熱、控多專業(yè)領域模型聯(lián)合仿真研究。四 論文工作計劃論文工作計劃如表 3所示。三 預期達到的目標和研究成果預期目標： 實現(xiàn)機電液和機電熱多學科領域協(xié)同仿真，并給出系統(tǒng)綜合評價指標； 進行機電耦合系統(tǒng)性能可靠性仿真模型中的各種不確定分析，并研究了各種不確定性的量化方法； 研究考慮綜合不確定性的自適應重要抽樣方法； 給出離散狀態(tài)與連續(xù)過程層交互仿真機制，并研究高效變步長仿真算法； 確定長短周期交互的變步長仿真算法，實現(xiàn)長周期動態(tài)可靠性仿真評估。在此相關理論研究借鑒和已取得的研究成果基礎上，相信完成本論文的研究內(nèi)容是可能的。4. 可行性分析根據(jù)前期文獻調(diào)研，已有大量關于機電產(chǎn)品可靠性仿真方法的研究成果，特別是自適應重要抽樣方法，在理論方面有很多成果可以借鑒。一方面通過先粗略離散化系統(tǒng)長時間的退化過程得到某些離散退化點；再插入相應的監(jiān)測機制判斷是否需要中間過程，使模型能夠隨著仿真模擬的進行，自適應地調(diào)整仿真步長點，綜合提高仿真效率。首先，系統(tǒng)的退化周期一般較長，這本身就對仿真效率提出了更高的要求；其次在統(tǒng)一的仿真步長下，短周期與長周期交互仿真難以協(xié)調(diào)。最后進行應用案例驗證。對此進行高效仿真算法研究其本質(zhì)上就是如何自動檢測離散事件發(fā)生，轉(zhuǎn)換仿真步長進行小步長的連續(xù)過程仿真，并將仿真結(jié)果返回到離散事件檢測系統(tǒng)中，作為判據(jù)之一確定是否轉(zhuǎn)換到下一離散狀態(tài)中。該部分研究的重點在于首先給出混合可靠性指標的數(shù)學描述形式；其次研究改進原型可靠性仿真算法（基于MCMC的自適應重要抽樣方法）計算新的混合可靠性指標；最后應用案例對所提方法的適用性及高效性進行應用驗證。首先進行對仿真模型進行不確定性分析及分類，完善三角形的每個角上的模型，然后針對所研究的具體問題建立包括兩種甚至三種模型的混合可靠性模型。(3) 模型不確定分析及量化方法研究對于一個復雜的機電耦合系統(tǒng)，應該建立基于各不確定及兩種或多種量化方法的混合可靠性分析模型，因為它比單獨用概率的或非概率的可靠性分析模型更能充分合理地利用所有數(shù)據(jù)。在射流管電液伺服閥案例中，擬基于AMEsim建立伺服閥功能性能模型（電、液），Matlab中建立主要失效模式的故障機理模型及參數(shù)不確定性模型（數(shù)學），Ansys中建立反饋組件的有限元模型（機械），并在此基礎上研究不同專業(yè)仿真軟件間模型數(shù)據(jù)流的交互方式及機電液故障間的耦合關系，進行長短周期混合仿真。(2) 機電液與機電熱不同專業(yè)領域數(shù)據(jù)流有效交互機制及故障耦合關系在多專業(yè)聯(lián)合仿真中要求不同學科領域數(shù)據(jù)流有效交互的基礎上研究機電液熱控不同專業(yè)領域故障耦合關系。以往對單學科專業(yè)指標的分析技術，已經(jīng)不能滿足用戶對產(chǎn)品設計總體指標的權(quán)衡和評價，因此對性能指標的聯(lián)合仿真變得尤為重要。由于本論文研究模型體系的復雜性，很難求解重要抽樣中心或不能求解極限狀態(tài)方程，所以高效仿真擬采取的方法原型為基于MCMC的自適應重要抽樣方法（將馬爾可夫隨機過程引入到蒙特卡羅模擬中，能夠?qū)崿F(xiàn)抽樣隨模擬的進行而自適應調(diào)整）。經(jīng)過對該模型體系的綜合分析，發(fā)現(xiàn)目前在仿真中遇到的難題主要包括：多專業(yè)聯(lián)合仿真（仿真綜合指標的確定及多專業(yè)領域數(shù)據(jù)流交互機制）、各種不確定性共存（不確定性分類與量化）、離散與連續(xù)分層（模型引導機制及交換變步長算法優(yōu)化）、長短周期交互仿真。2. 擬解決的關鍵問題本文擬解決以下幾個關鍵問題：1) 多專業(yè)領域總體指標確定方法；2) 機電液與機電熱不同專業(yè)領域數(shù)據(jù)流有效交互機制；3) 模型不確定性分析與綜合不確定性量化方法；4) 考慮綜合不確定性的重要抽樣方法研究；5) 離散與連續(xù)分層機構(gòu)引導仿真變步長算法研究；6) 長短周期交互的變步長優(yōu)化算法，進行動態(tài)可靠性分析。在存在長周期退化的系統(tǒng)仿真分析中，自動尋找退化轉(zhuǎn)折點是仿真分析研究的關鍵，并在轉(zhuǎn)折點之間采用大的時間步長采樣，在轉(zhuǎn)折點附近自動轉(zhuǎn)換小步長，是整個仿真隨著模擬的進行自適應地轉(zhuǎn)換步長，提高仿真分析的效率。5) 研究長周期退化與短周期擾動交互的變步長機制類似4）中所述變步長機制，研究長周期退化與短周期擾動交互變步長問題，首先要明確長周期退化與短周期擾動是如何相互影響的。離散與連續(xù)層交互存在一個離散事件檢測、定位和自動轉(zhuǎn)換步長的問題。4) 離散層與連續(xù)層交互事件監(jiān)測控制方法研究機電耦合系統(tǒng)性能可靠性一體化模型體系是一種由底層連續(xù)過程驅(qū)動上層離散狀態(tài)變化、頂層離散狀態(tài)引導底層連續(xù)過程的混合模型。因此需要采用從整體到局部，從宏觀進入到微觀層次，進行不確定性分析及分類，通過與概率統(tǒng)計、Bayes 理論、模糊理論及非概率描述的方法結(jié)合起來，針對所研究的具體問題建立包括兩種甚至三種模型的混合可靠性模型。因此，研究不多學科領域模型性能可靠性指標的聯(lián)合仿真及數(shù)據(jù)流的交互機制對性能可靠性仿真分析尤為重要。 研究內(nèi)容本論文的主要研究內(nèi)容如下：1) 多專業(yè)聯(lián)合仿真控制機電耦合系統(tǒng)相比其他子系統(tǒng)而言，其涉及到機、電、液、控多個專業(yè)領域，耦合關系十分復雜。因此本論文針對課題研究中的四個Multi關鍵問題（MultiDiscipline，MultiUncertainty，MultiLevel 及MultiScale）進行了探索性研究，以電液伺服閥和微開關為研究案例提出機電液控及機電熱控多學科聯(lián)合仿真控制機制，解決宏觀微觀兩空間尺度仿真問題，梳理并總結(jié)模型中的各種不確定性，建立多種不確定性下的綜合可靠性模型，并進一步研究改進的基于MCMC的自適應重要抽樣高效仿真分析算法。目前關于MCMC方法主要注重于解決高維、小事件概率問題，其在解決本論文仿真分析中的多種不確定變量共存、離散與連續(xù)混合仿真及長短周期交互的時變可靠性仿真中還存在一定的局限性，有待進一步研究?；贛CMC的自適應重要抽樣方法提出了一種新的思路，利用馬爾可夫隨機過程構(gòu)造平穩(wěn)分布是系統(tǒng)狀態(tài)分布的馬爾可夫鏈來表現(xiàn)動態(tài)蒙特卡羅模擬，在收斂速度、穩(wěn)定性及適用性等方面優(yōu)于算法。因此，必須采用VRMs來提高仿真分析的效率。但對于一個復雜的機電系統(tǒng)來說，除了發(fā)展針對各種特殊不確定性的可靠性模型外，還應該發(fā)展一套混合可