一种面向产品多维相关性退化失效的建模方法

摘要

本发明公开了一种面向产品多维相关性退化失效的建模方法；其具体包括：确定产品的可靠性特征量，收集并处理各个特征量的退化数据、建立各个特征量的退化模型、估计各个特征量退化模型中的参数、利用D-Vine Copula建立多维相关退化模型、确定所有二变量Copula函数的类型及参数值。本发明利用D-Vine Copula将多维相关变量的联合密度函数与其边缘密度函数用多个二变量的Copula函数连接起来，能够有效处理具有复杂相关性的多维退化过程，拥有更好的适应性和推广能力。

主权项

一种面向产品多维相关性退化失效的建模方法，包括如下步骤：步骤1：确定被监测对象的n个(n≥3)可靠性特征量，通过退化试验收集试验数据，并采用相关数据处理方法(如：异常数据剔除、数据平滑、数据特征识别)从测量的试验数据中提取各个可靠性特征量的退化数据；步骤2：利用步骤1中得到的特征量的退化数据，在不考虑各个特征量之间的相关性情况下，建立每一个特征量的基于随机过程的退化模型，比如：对于其中某一个特征量k(1≤k≤n)，根据步骤1中所得到的其对应的退化数据，利用随机过程(如：维纳过程)建立其退化模型；步骤3：利用贝叶斯方法估计每一个特征量的退化模型中的参数的后验分布，并取其均值作为最后的点估计结果；步骤4：考虑各个特征量之间的相关性，利用D‑Vine Copula建立它们的相关性模型。在此模型中，特征量的联合概率密度函数由各个特征量的概率密度函数以及个二变量Copula函数描述；步骤5：确定步骤4中所有二变量Copula函数的类型以及参数值，包括以下四个步骤：步骤5(a)：选取几个常用的二变量Copula函数，如Frank Copula、Clayton Copula和Gaussian Copula等作为步骤4中第一个二变量Copula函数的备选集；步骤5(b)：利用贝叶斯方法估计每一个备选二变量Copula函数的参数的后验分布，并选择其均值作为最后的点估计结果；步骤:5(c)：利用赤池信息量准则(Akaike Information Criterion,AIC)，从备选的二变量Copula函数中选取最合适的Copula函数作为步骤4中的模型的第一个二变量Copula函数；步骤5(d)：重复步骤5(a)、5(b)和5(c)，直到步骤4模型中的所有二变量Copula函数类型及参数值被确定。