威布尔分布多元回归分析方法

提出威布尔分布多元回归分析方法,建立回归参数的最佳无偏整体估计及其协方差公式,给出威布尔分布、极值分布和正态分布的百分位值(如可靠寿命和安全强度)的置信限估计。传统的多元回归分析只适用于正态分布和完全数据的情况,而本文则将其推广到威布尔分布、极值分布和截尾数据的情况。与传统的成组试验和最佳线性无偏估计方法相比,本文方法可以将不同条件的试验数据作为一个整体进行统计推断,能够全面开发利用不同条件下试验数据之间的横向信息,在试样数相同的情况下,具有更高的估计精度,而在精度相同的条件下,则可以节省大量试样。      

区间数据整体估计方法

提出了一种区间数据整体估计方法, 给出整体分布参数的最佳线性无偏估计量及其协方差矩阵, 得到了正态分布、Weibull分布等位置-尺度分布族区间数据百分位值和百分率的置信限估计.该方法可以将不同条件下的试验数据作为一个整体进行统计推断, 将传统的只适用于完全数据的回归分析推广到工程中常见的区间数据的情况.      

不完全数据回归分析方法

基于不完全数据顺序统计量,提出一种不完全数据回归分析方法。建立不完全数据回归方程,给出回归系数的最佳无偏整体估计及其协方差矩阵。文中详细讨论了工程中常见的极值分布、Weibull分布和正态分布的等尺度和非等尺度(或异方差)线性回归分析。该方法可以将各个不同状态下的不完全数据作为一个整体进行统计分析,具有信息量大、精度高的特点。      

截尾数据整体估计方法

提出一种截尾数据整体估计方法。该方法能够将仿真(或数字化设计)结果与截尾试验数据或不完全数据有机结合,实现多个状态下(多个母体)截尾试验数据或不完全数据的整体推断,从而建立各状态下正态分布、极值分布和Weibull分布等位置-尺度分布族的参数估计量,给出母体百分位值的置信限和置信区间估计。与传统方法相比,该方法具有信息量大,精度高的特点,能够进行极小子样可靠性评定。文中还给出一种利用截尾试验数据或不完全数据对仿真结果进行检验的方法。      

截尾数据线性回归分析方法

提出一种新的回归分析方法,建立了截尾数据回归方程,给出回归系数和标准差的最佳无偏整体估计及其协方差矩阵。文中详细讨论了工程中最常见的正态分布截尾数据一元线性回归分析,给出其回归曲线的置信限和百分位值的置信区间估计,并将该方法推广到极值分布和威布尔分布的情况。传统回归分析只适用于来自正态分布的完全数据,对于截尾数据或威布尔分布数据则无能为力,目前工程上只能采用成组试验方法,结果导致试验量很大。本文方法能够很好地解决上述问题,与成组试验法相比,在试样数相同的条件下具有更高的精度,而在精度相同的情况下,则可以节省大量试样。      

截尾数据异方差回归分析

提出截尾数据异方差回归分析方法,将传统的只适用于同方差和完全数据的回归分析推广到异方差和截尾数据的情况。文中建立了异方差回归方程,给出回归系数和标准差的最佳无偏整体估计及其协方差矩阵。详细讨论了正态分布、极值分布、威布尔分布情况下的线性异方差回归分析,给出其回归曲线和百分位值的置信限。对于异方差问题目前工程上只能采用成组试验方法,因此试验量很大;本文方法与之相比则能很好地解决这一问题,在试样数相同的条件下具有更高的精度,而在精度相同的情况下,可以节省大量试样。      

多元正态分布整体推断方法

提出多元正态分布整体推断方法。通过仿真结果与试验数据有机结合,该方法能够将多个不同状态下的多变量(多指标)的试验数据作为一个整体进行统计分析,给出多元正态分布均值和协方差矩阵的整体估计。文中详细讨论了多个状态下二元正态分布均值和方差的无偏估计和置信区间估计。与传统方法相比,该方法不但具有更高的精度,而且解决了一种状态下只有一个试验数据时多变量(多指标)产品可靠性评定的难题。此外,文中还给出一种均值和方差仿真结果的极小子样检验方法。      

二项分布参数整体推断方法

针对工程中常见的二态数据,提出了二项分布参数整体推断方法,该方法可以很好地确定二项分布参数与状态变量之间的数学关系式,给出了整体推断的点估计和置信限、置信区间估计公式。它能够将不同状态下的二态数据作为一个整体来进行统计推断,全面开发利用了不同状态下二态数据之间相互提供的横向信息,从而使其可利用的信息量远远大于只能分别在各自状态下对二态数据进行统计分析的传统方法。所以,在精度相同的情况下,可以节省大量试样;而在试样数一定的条件下,又能提高预测精度。最后给出了应用实例。     

同条件多组定数截尾试验整体数据融合方法

针对正态分布、对数正态分布、极值分布和Weibull分布等位置一尺度分布,提出一种同条件多组定数截尾试验的整体数据融合方法,能够对相同试验条件下的多组定数截尾试验数据进行综合分析,给出位置参数和尺度参数的整体融合估计,并在此基础上建立百分佗值的点估计和区间估计.与传统方法相比,该方法具有信息量大、精度高的特点,能够进行...     

不完全数据最佳线性无偏估计方法

针对工程上存在大量不完全数据的情况,本文建立了不完全数据秩统计量的联合概率密度函数,给出不完全数据顺序统计量的均值、方差和协方差计算公式,提出不完全数据最佳线性无偏估计方法,并对正态分布、Weibull分布等位置-尺度分布进行了详细讨论。该方法能够充分开发利用试验数据中的不完全信息,从而提高不完全数据统计分析的精度。      

二维寿命分散系数和二维强度缩减系数

提出了二维寿命分散系数和二维强度缩减系数的概念和公式, 从而可以综合利用当前数据和经验数据, 得到更接近于母体真值的安全寿命和安全强度。该公式不但适用于完全数据, 而且也适用于不完全数据和无失效数据。      

零件疲劳平均失效率计算方法研究

失效率、平均失效率、平均剩余寿命决定了结构的寿命分布和可靠度,在机械产品的可靠性研究中具有非常重要的作用。基于可靠性度量的基本指标,推导寿命分布为两参数威布尔分布时疲劳可靠性系数与可靠度的关系,提出基于疲劳可靠性系数计算结构失效率和平均失效率的方法,并给出相应的计算过程,形成不同寿命度量指标下较为简便的计算方法。利用已有的整体搭接壁板结构疲劳寿命试验数据,采用本文所提方法与传统积分方法对整体搭接壁板结构进行疲劳平均失效率计算和误差分析。结果表明：所推导的计算公式形式简单,便于计算,且具有高度准确性,对机械结构的FMECA 以及维修决策的制定具有指导意义。     

A Novel PF-LSSVR-based Framework for Failure Prognosis of Nonlinear Systems with Time-varying Parameters

Particle filtering (PF) is being applied successfully in nonlinear and/or non-Gaussian system failure prognosis. However, for failure prediction of many complex systems whose dynamic state evolution models involve time-varying parameters, the traditional PF-based prognosis framework will probably generate serious deviations in results since it implements prediction through iterative calculation using the state models. To address the problem, this paper develops a novel integrated PF-LSSVR framework based on PF and least squares support vector regression (LSSVR) for nonlinear system failure prognosis. This approach employs LSSVR for long-term observation series prediction and applies PF-based dual estimation to collaboratively estimate the values of system states and parameters of the corresponding future time instances. Meantime, the propagation of prediction uncertainty is emphatically taken into account. Therefore, PF-LSSVR avoids over-dependency on system state models in prediction phase. With a two-sided failure definition, the probability distribution of system remaining useful life (RUL) is accessed and the corresponding methods of calculating performance evaluation metrics are put forward. The PF-LSSVR framework is applied to a three-vessel water tank system failure prognosis and it has much higher prediction accuracy and confidence level than traditional PF-based framework.