基于神经网络的复杂系统可靠性分配.pdf

基于神经网络的复杂系统可靠性分配 摘 要 针对复杂系统可靠性分配中的关键问题和难点，提出了一种基于神经网络，采用逆 ： 向思维进行复杂系统可靠性分配的方法。利用误差反向传播的改进算法，以系统可靠度和各 个子系统自身约束条件为网络输入，以各子系统可靠度相互比例为网络输出，对样本数据进 行训练。借用神经网络中权值和阈值的含义反映了对于不同的系统可靠度及对应的各子系统 自身约束条件下，各个子系统可靠性之间的相互关系，从而得到子系统可靠性分配权重，实 现对复杂系统可靠性进行精确分配。 关键词：神经网络；可靠性分配；复杂系统；算法；逆向思维 中图分类号：TP183 TB114.3 1. 引言 [1] 系统可靠性分配是系统可靠性设计的主要内容之一 。可靠性分配就是将系统的可靠性 指标按照一定的方法，考虑到各种约束条件，逐级优化分配到各个子系统的过程。 对系统可靠性指标进行合理分配的关键有两个方面：一是对整个系统构成有深刻的了 解，包括系统可靠性指标的要求和潜在的要求，各个子系统之间的相互关系，以及各个子系 统对系统整体可靠性的影响；二是充分了解各个子系统自身的特点，包括复杂程度、工作时 间、工作环境、费用等各种约束条件。 传统的可靠性分配方法包括等分配法、评分分配法、比例组合法、考虑重要度的分配方 法、考虑复杂度的分配方法等等。这些传统的可靠性分配方法或者是没有考虑到可靠性分配 的影响因素，或者是考虑到可靠性分配的影响因素，但是不够全面[2-4] 。针对这些问题，已 经有多种解决方案。 将神经网络和模糊理论[5-9]应用于系统可靠性分配是目前可靠性分配的一个重要发展方 向。 但是，在复杂系统可靠性分配过程中影响可靠性分配的因素较多，并且在诸多因素中有 些可以定量描述，如系统工作时间、费用、可靠度等，而另外一些则只能定性衡量，如技术 水平、工作环境等。同时，在可靠性分配过程中还有一个重要的因素就是关联故障，即组成 系统的各个子系统之间的相互影响。 [10,11]，但是在应用模糊分配法过 目前，针对该问题有的学者提出了应用模糊评判的方法 程中，权重的确定和综合算子的选择通常是依靠专家的经验或者习惯来确定，在实际应用中 未必合理。 基于以上，本文提出了基于神经网络的复杂系统可靠性分配法。利用前期取得的可靠性 试验数据，充分利用神经网络能够通过学习逼近任意非线性映射的能力[12] ，通过对样本数 据的训练，实现可靠性分配的自动推理。从而对复杂系统可靠性指标进行精确分配。 2. 基于神经网络可靠性分配的基本思想 [13-15] 系统可靠性分配 就是根据设计任务书中规定的可靠性指标，按照一定的方法分配给 组成该系统的分系统、单元或者元器件。系统可靠性分配的关键就是求解基本的不等式： - 1 - * f (R ,R ,Λ ,R ) ≥R 1 2 n s * 式中，R 是系统的可靠性指标； s R R Λ R 1, 2 , , n 是分配给各个分系统的可靠性指标； f R R Λ R 表示了分系统可靠性指标和系统可靠性指标之间的函数关系。 ( 1, 2 , , n ) 一旦这个函数关系确立，那么系统可靠性指标的分配也就完成了。因此，关键在于函数 ( , , , ) 的确立。 f R1 R2 Λ Rn 代数分配法[13-15]是一种考虑到多种因素进行可靠性分配的方法。它综合考虑了各个子系 统（单元）的复杂性、重要度、工作时间、环境条件等多种因素，同时它假设各个子系统是 相互独立的串联系统。但是，对于一个复杂系统实际上是由相互关联的多个子系统以不同的 形式组成的系统。如果简单的应用代数分配法必然不能符合实际可靠性分配的需要。因此， 对于一些子系统（元件）自身的约束条件，如：复杂度、工作时间、工作环境等可以通过专 家评定或者是相关的经验数据来确定，而对于各个子系统的重要度，即子系统可靠性变化