人工神经网络与可靠性工程课程的完美融合.docx

?

?

人工神经网络与“可靠性工程”课程的完美融合

?

?

宋述芳王致付航

摘??要：可靠性工程是产品寿命周期内的全部可靠性活动的统称，其核心内容是可靠性分析。工程中小概率事件的直接可靠性分析难以实现，需要融入人工神经网络方法，通过对样本数据进行训练，确定人工神经网络模型的激励函数和权重值，实现失效面的回归求解，并完成对测试样本的准确分类预测。“可靠性工程”课程中融入人工神经网络，可以突破可靠性工程求解中存在的天然瓶颈，有效地实现对样本数据的优化处理，降低小样本所带来的误差风险。

关键词：人工神经网络;可靠性工程;回归;分类;失效概率

：G642?????：A?????：1002-4107（2021）11-0042-03

“可靠性工程”是以解决可靠性问题为出发点的新兴交叉边缘学科[1]。为了达到保证产品的可靠性或有效性，延长其使用周期，提高其使用效益的目的，可靠性工程要求在产品全寿命周期内开展与可靠性相关的分析、设计、管理、试验等系列活动。利用可靠性工程理论与技术手段，能够探究产品或系统故障发生的原因，确定产品的薄弱环节，提出消除或预防故障的改进措施等。专业课程“可靠性工程”的授课内容主要包括：可靠性分析、可靠性设计、可靠性试验、可靠性管理等，其核心内容是可靠性分析。高效、高精度的可靠性分析的前提是显式化的可靠性数学模型。

近年来，人工神经网络（ArtificialNeuralNetwork，ANN）作为人工智能领域的排头兵[2]，相关研究取得了飞速的发展，并广泛应用于模式识别、智能制造、预测评估等多个领域，表现出了良好的智能特性。神经网络结构是指人脑神经组织结构及运行机制。而人工神经网络就是通过数学模型，模仿大脑神经网络结构及功能，建立起的非程序化、适应性、大脑风格的信息处理系统。人工神经网络具有自学习功能、联想存储功能和高速寻优的能力。

将人工神经网络与可靠性工程相结合，可以实现人工神经网络对可靠性工程中一系列问题的求解[3-5]。通过对随机试验样本数据进行训练，选定人工神经网络模型中的激励函数，确定权重系数，就可以实现可靠性问题失效面的回归求解，同时完成对测试样本的分类预测。将人工神经网络与可靠性工程结合可以有效突破可靠性工程求解问题时的困难和瓶颈，实现对随机试验样本数据的优化处理，降低小样本带来的误差风险。将此思路用于“可靠性工程”课程教学过程，可以有效加深学生对课程的认识，拓展学生对人工智能与机器学习在工程实际应用中的使用范畴。

一、人工神经网络

人工神经网络通过抽象化人脑神经网络结构，对外部输入信息建立代理模型，搭建不同连接方式下的网络结构。人工神经网络在不同程度和层次上模仿人脑神经系统，通过网络的变换和动力学行为进行并行分布式信息处理。人工神经网络可以实现外部输入数据的分类和回归。

（一）分类的原理

人工神经网络在分类时会在网络的最后一層使用分类器（如逻辑回归分类器等），将连续值转换为离散值（典型的是±1）;将所有数据样本分为n类，即神经网络有n个输出节点，在训练样本阶段，如果样本属于第i类，则令第i个节点输出值为+1，其余节点输出值为-1，如图1所示。网络中的神经元相互连接，权重值w将输入数据传递至神经元，神经元收到传输过来的数据信息，将其与神经元阈值θ比较，通过激活函数（activationfunction）产生神经元的输出。在网络测试阶段，考察测试样本的各个输出节点取值，以输出值最大的节点所属类别作为该测试样本的类别决策。

（二）回归的原理

常见的神经网络如图2所示，通常包括输入层、输出层和隐含层。输入层用于接收外部信息（如信号、数据等）;输出层给出系统处理结果;隐含层处在输入层和输出层之间，是无法由系统外部观察到的。

节点间的连线上赋有连接信号的加权值，反映了神经元间的连接强度。神经网络中的每个节点都承载着包含非线性因素的激励函数，信息的表示和处理就体现在网络节点的连接关系之中。网络的输出则依网络的连接方式、权重值和激励函数的不同而不同。

人工神经网络解决逆问题的能力强，非线性映射能力好，可以推广至大规模并行非线性系统。对于回归问题，人工神经网络通过大量数据的训练，确定了网络层数、各层单元数、各连接权值及阈值的神经网络结构，得到输入到输出的映射关系。

二、可靠性工程

可靠性是指产品在规定时间内和规定条件下，完成规定功能的能力，一般用[0，1]之间的概率值（如可靠度、失效概率）来度量这种能力。在“可靠性工程”课程中将为提高产品在整个寿命周期的可靠性而进行的有关可靠性设计、分析、试验的所有技术统称为可靠性工程，其中可靠性分析是其核心。

在可靠性分析中，首先需要确定产品的失效模式、影响失效的因素及其统计特性，建立合适的可靠性数学模型，采用先进的可靠性分析方法进行分析。对于