基于混合Beta分布的成败型产品Bayes可靠性鉴定试验方案研究

研究了基于混合Beta分布的成败型产品可靠性的Bayes鉴定试验方案。通过引入继承因子,合理地考虑了产品在设计和改进过程中的各种信息,并把继承因子看作随机变量,使用混合Beta验前分布建立了可靠性鉴定方案的Bayes决策模型。算例结果表明,在小样本情况下,经典鉴定方案得到的试验样本量过于保守;传统Bayes方法虽利用了产品的先验信息,但却忽略了它们之间的差异;而本文的方法较好地解决了上述问题,并具有方法上的合理性和工程上的实用性。     

基于多源信息融合的航天阀门可靠性评估

航天阀门在研制过程投入试验的样本量很小、样本极少失效甚至无失效.为解决其可靠性评估问题,需要充分利用现有的各类试验数据.用于阀门可靠性定量分析的试验主要包括温度试验、振动试验和动作试验.在对温度试验和振动试验数据进行预处理的基础上,融合成统一的先验分布,并将动作试验数据作为现场数据,根据Bayes原理完成阀门可靠性评估...     

小样本条件下基于预报估计的系统可靠性评定

性能退化分析是解决失效数据少,甚至没有失效数据条件下可靠性推断问题的有效途径,但是性能退化数据依然存在小样本问题。对小样本条件下基于预报估计的系统可靠性评定模型进行了研究,首先利用退化轨道曲线拟合得到产品失效时间的预报估计,然后利用Bayes方法[1,2]完成系统的可靠性推断,最后给出一个实例说明该方法的有效性。     

一种新的弹药产品密集度计量型抽样检验方法

为提升弹药产品密集度抽样检验水平,基于Bayes理论,建立了一种新的计量型一次抽样检验方法。构造了密集度的先验密度函数,推导了生产方风险和使用方风险的后验公式,研究了样本量和接收常数与双方风险的关系,制定了相应的抽样方案表。计算结果表明,该方法适用于逐批检验弹药产品密集度的批质量水平,与现有固定样本量抽样检验方法相比,所需样本量随产品批质量水平变化而变化,当产品质量优良时,样本量下降,有利于节约试验成本。     

基于Bayes小子样理论和序贯网图检验的武器装备测试性验证试验方案设计

针对当前序贯概率比检验方法会导致测试性验证样本量无法控制,以及序贯网图检验方法未能利用先验信息使得确定的样本量仍然存在可能较大的问题,提出一种基于Bayes小子样理论和序贯网图检验相结合的测试性验证样本量确定方法。基于序贯网图检验方法,结合测试性指标的先验分布以及相关参数约束值,划分指标参数空间,并给出Bayes因子及其阈值计算方法;通过对检验点插入位置的确定,给出测试性验证所需最大样本量,同时在考虑使用方风险和承制方风险的基础上设计Bayes小子样理论下序贯网图检验的截尾策略;通过实例进行了验证,并与经典验证方法、序贯概率比检验方法、传统序贯网图方法以及验后序贯加权检验方法进行了对比分析。结果表明,该方法确定的测试性验证截尾样本量以及平均样本量均优于其他方法,同时能有效降低双方风险值。     

基于混合Beta先验分布的成败型产品的可靠性评估

成败型产品可靠性的小样本评估方法,把历史试验数据作为Bayes估计方法的先验信息,有效地减少了样本量。但是传统的Bayes方法过度依赖验前信息,当新产品有改进时造成鉴定结果的冒进。针对过度依赖先验信息问题,本文提出了使用混合Beta先验分布,引入继承因子,通过调整继承因子的大小来控制对验前信息的依赖程度,考虑了成败型产品的变化对评估结果的影响。采用该方法对某导弹的可靠性进行了评估。     

火箭导弹发射系统可靠性评估

针对大型复杂武器系统往往系统试验数据少、样本量小、可靠性评估准确性低的情况，建立了基于最大熵方法和Bayes准则的一种评估模型，应用于火箭导弹发射系统的可靠性评估，仿真结果证明了该方法的有效性和实用性。     

枪械产品小子样试验的可靠性评定

枪械产品的靶场试验属于消耗性试验。因此考虑到费用等因素，靶场试验次数往往较少。传统的产品可靠性评估方法置信度不佳。针对试验样本较小的问题，提出了基于小子样下的Bayes分析方法。充分利用了小样本信息,弥补了现场试验数据的不足。在样本数据有限的情况下使得出的结论更接近实际情况。     

某型导弹无失效数据的处理方法

基于某型导弹失效数据的特点,提出了一种新的处理方法--综合新Bayes法.给出了失效率的新Bayes估计以及失效率和可靠度的综合新Bayes估计.最后,结合某型导弹实际失效数据进行了计算和分析,结果表明该方法简单、有效,便于导弹维护人员使用.     

炸药无失效数据的Bayes估计

基于炸药无失效数据,采用Bayes估计分析该炸药的可靠性,给出了失效率的新Bayes估计以及失效率和可靠度的综合新Bayes估计。最后结合该炸药实际失效数据进行计算,得到了该炸药的可靠度,所得结果经点估计检验表明:采用Bayes估计分析炸药的可靠性简单、易行,便于维护与检测人员使用。     

基于层次Bayesian网络及后验风险准则的故障样本量确定方法

针对现有测试性验证方法对装备系统结构考虑不足,且在双方风险约束条件下所确定的故障样本量过大问题,提出一种基于层次Bayesian网络和后验风险准则的故障样本量确定方法。根据装备系统结构建立测试性验证方法的层次Bayesian网络模型,并以故障检测率作为Bayesian网络 的传递参数;提出Bayesian网络不确定性推理算法,充分融合各层次测试性先验信息,同时基于偏度-峰度检验的拟合分布选取方法推导出系统故障检测率联合先验分布;进一步结合系统成败型数据确定其后验分布,基于后验样本数据集和Bayes后验风险准则设计故障样本量确定算法,通过实例进行分析。结果表明,与经典验证方法、传统Bayesian方法相比,所提方法在相同双方指标约束下能有效降低样本量。     

Safety Analysis of Liquid Rocket Engine Using Bayesian Networks

Safety analysis for liquid rocket engine has a great meaning for shortening development cycle, saving development expenditure and reducing development risk. The relationship between the structure and component of liquid rocket engine is much more complex, furthermore test data are absent in development phase. Thereby, the uncertainties exist in safety analysis for liquid rocket engine. A safety analysis model integrated with FMEA（failure mode and effect analysis） based on Bayesian networks （BN） is brought forward for liquid rocket engine, which can combine qualitative analysis with quantitative decision. The method has the advantages of fusing multi-information, saving sample amount and having high veracity. An example shows that the method is efficient.     

新型弹药可靠性评估方法

为了研究新型弹药可靠性评估方法,采用混合贝塔分布为先验分布的贝叶斯方法对某新型弹药进行可靠性评估。分析贝叶斯方法的适用条件,并将之推广到多先验情况。通过实例比较该方法与经典方法和使用贝塔分布为先验分布的贝叶斯方法的差异。结果表明:该方法能更为合理地用于新型弹药可靠度评定,充分利用产品先验信息,有效降低现场试验所需的样本量,很好地避免由于小样本数据被大量先验信息"吃掉"而导致评定结果的"冒进"现象。     

基于AMSAA增长模型的鱼雷系统Bayes可靠性分析

Bayes理论是分析研究鱼雷系统可靠性的有效方法,文中针对美国陆军装备系统分析中心( AMSAA)增长模型,提出了Bayes可靠性增长分析的基本方法。该方法将鱼雷研制阶段的可靠性增长试验数据作为产品可靠性评估的先验信息,再结合少量现场试验数据,运用Bayes方法即可对现场试验后的鱼雷产品可靠性进行评定。仿真结果验证了该方法的有效性,为鱼雷系统可靠性评定提供了一种新的分析方法。     

基于Bayes混合验前分布的成败型产品可靠性评估

针对小子样成败型产品可靠性评估问题,引入混合验前分布构造方法,推导了Bayes混合验前分布下成败型产品可靠度参数的验后概率分布函数,研究了验前分布参数对于验后估计的影响,并总结了验前分布参数选择的一般性原则。分析对比了传统Bayes方法和混合验前分布方法的参数验后估计,其结果表明后者能够有效避免验前信息淹没现场信息的问题。对验后均方误差的分析表明混合验前分布方法能够一定程度上改善估计的效果。与幂验前方法的对比结果表明,当验前样本容量较大时,混合验前分布方法的估计效果优于幂验前方法。     

基于信息散度的补充样本加权融合评估

小子样试验评估时,为避免大量先验信息湮没实际飞行试验的信息,融合先验补充样本时通常会根据工程经验对补充样本量作一定限制,对补充样本量的选取并没有量化的理论准则。分析了先验分布与实际试验样本服从分布的差异,通过分布差异进行信息散度计算,用信息散度确定先验样本权重。提出了考虑先验信息可信度的加权方法,以进行Bayes估计。最后提供了正态逆Gama分布参数的加权Bayes估计方法。理论分析和仿真说明,本文的加权方法是合理的。     

正态应力-正态强度下可靠度精确置信下限

针对应力和强度均服从正态分布,且二者的分布参数均未知的情况,有些学者给出了此条件下可靠度的近似置信下限,但是可靠度的近似置信下限在小样本情况下误差较大。基于应力-强度模型,结合相关统计学知识,给出可靠度的精确置信下限,同时与3种近似限方法进行了对比。结果表明:无论样本量大或者小,文中方法计算出的精度均高于3种近似限方法。当样本量较小时,推荐使用文中所给方法;当样本量较大时,可采用3种近似限方法进行近似计算。文中提出的方法可为可靠性评估提供一种新的途径。     

核动力设备无信息先验研究

故障时间数据服从单参数情形下使用Jeffreys先验可以得到很好的推断结果,但对于服从双参数的情形,并且参数之间具有相关性时,需要对Jeffreys先验作特定的修改才能使用;推导出服从正态分布的核动力设备故障时间的Jeffreys先验和Reference先验,通过分析它们的后验频率性质得到：Reference先验πR （μ,σ2）∞1／σ2是σ2的精确概率匹配先验、μ的二阶概率匹配先验;在Jeffreys先验下,σ2水平为α的可信上限的频率覆盖概率低于事先给定的可信水平α,其差异会随着样本容量的增大而逐渐缩小;对实例进行分析,首先推导出核动力设备泵的正态分布故障时间数据的Reference无信息先验,应用此先验对故障时间数据进行分析,然后通过Bayesianχ2拟合优度对所建立的无信息先验模型进行检验,发现仅有15．5％的RB超过0．95分位数,表明所建立的正态分布Reference无信息先验模型可以很好的描述本实例中核动力设备泵的故障时间数据。