基于Copula函数的导弹部件非线性退化研究

贺志远; 吕卫民; 胡文林

doi:10.15892/j.cnki.djzdxb.2020.03.018

PDF(1042 KB)

弹箭与制导学报 ›› 2020, Vol. 40 ›› Issue (3) : 75-78. DOI: 10.15892/j.cnki.djzdxb.2020.03.018

基于Copula函数的导弹部件非线性退化研究

作者信息 +

Research on Nonlinear Degeneration of Missile Components Based on Copula Function

Author information +

文章历史 +

摘要

为了解决某导弹部件的可靠性评估中的不确定性,提出了一种基于Copula函数的非线性退化模型。其中,如何解决导弹部件退化过程中的多性能参量问题至关重要,首先建立了基于Wiener过程的单性能退化模型;然后利用Copula函数进行相关性分析,并建立多性能退化模型;最后选取光纤陀螺仪作为实例,计算其退化过程的可靠度曲线,通过与真实评估结果及传统方法对比,文中方法更加接近真实结果。证明了所提出的方法能够更加合理的描述导弹部件的非线性退化过程,提高了评估结果的可信度。

Abstract

To solve the uncertainty about reliability evaluation of missile components, a nonlinear degradation model based on Copula function was proposed in the work. However, how to solve multi-performance parameters during the degradation of missile components as the nonlinear degradation model is an essential problem. Firstly, a single performance degradation model based on Wiener process was chose. Then, the Copula function is used to analyze the correlation and establish a multi-performance degradation model. Finally, the fiber optic gyroscope is selected as an example to calculate the reliability curve. Compared with the real evaluation results and the traditional methods, this method is closer to the real result. It is proved that the proposed method can describe the nonlinear degradation process of missile components more reasonably and improve the credibility of the evaluation results.

导出引用

贺志远, 吕卫民, 胡文林. 基于Copula函数的导弹部件非线性退化研究[J]. 弹箭与制导学报, 2020, 40(3): 75-78 https://doi.org/10.15892/j.cnki.djzdxb.2020.03.018

HE Zhiyuan, LYU Weimin, HU Wenlin. Research on Nonlinear Degeneration of Missile Components Based on Copula Function[J]. Journal of Projectiles, Rockets, Missiles and Guidance, 2020, 40(3): 75-78 https://doi.org/10.15892/j.cnki.djzdxb.2020.03.018

中图分类号： TJ765

0 引言

导弹部件的许多故障是由于内部材料的性能改变,比如:金属材料的腐蚀,橡胶材料的老化以及电子元器件的失效所导致。研究导弹部件的性能退化过程,合理制定维修决策,对于装备的保障工作具有重要价值。

随着工业制造水平的提高,现代产品的失效机理变得越来越复杂。产品具有复杂内部结构和许多功能,退化过程往往有两个或多个特征参量,并且它们可能是相关的。过去关于退化分析的大多数研究只涉及一个性能特征,当这个关键性能特征参数值降低到失效阈值时,产品失效^[1⇓-3]。因此,正确处理各性能退化量之间的相关性,建立多性能退化模型是十分必要的。

目前,在性能多退化模型中,最简单的情况是各特征量线性相关。文献[4]采用主成分分析法,提出了一个PCA-CMAC模型来研究设备的性能退化。对于性能特征之间的复杂相关关系,常用函数来描述性能退化之间的多重相关性。文献[5]采用逆时间尺度变换的逆高斯过程来构建边缘退化过程,通过Copula进行多性能退化建模。文献[6]认为性能退化特性受Winner过程和适应的Copula函数控制,以将特征的退化路径结合在一起。文献[7]建立了具有时间变换的Wiener过程模型评估休眠系统的可靠性,并通过多变量Copula函数描述退化特征的相关性。

某导弹部件具有典型的多性能退化特征,对其退化传统研究方法较为单一。主要存在两个方面的难题:1)该导弹部件属于典型的机电一体化设备,内部包含了电子部分和机械部分,各部分退化规律不同,导致整体退化轨迹呈现非线性。传统的线性退化模型已经无法有效的研究其退化过程。2)退化过程中,往往存在多个具有退化趋势的特征参量,只研究某一退化特征,很可能降低退化分析的准确性。针对以上问题,文中首先建立基于Wiener过程的非线性退化模型,再利用Copula函数进行多性能参数的相关性建模,最后通过实例分析,对导弹部件的退化过程进行研究。

1 基于Wiener过程的性能退化建模

1.1 线性退化

设t时刻产品性能参数的退化量为X(t),且退化过程可用线性Wiener过程进行表达,则退化模型为:

$X(t)=μt+σB(t) $

(1)

式中:μ为漂移系数,σ为扩散系数,B(t)为标准布朗运动。

假设该产品的失效阈值为ω,其性能退化轨迹由式(1)的Wiener过程描述,则产品的寿命T可定义为:

\{t : X (t) \geq ω |X (0) ω\}

(2)

设μ和σ为固定未知参数,由文献[8]可知,产品寿命T服从逆高斯分布,其概率密度函数为:

f_T(t)=

\frac{ω}{\sqrt{2 π σ^{2} t^{3}}}

·exp

[- \frac{{(ω - μ t)}^{2}}{2 σ^{2} t}]

(3)

相对应的寿命分布函数为:

F_T(t)=Φ

(\frac{- ω + μ t}{σ \sqrt{t}})

+exp

(\frac{2 ω μ}{σ^{2}})

·Φ

(- \frac{ω + μ t}{σ \sqrt{t}})

(4)

式中:Φ(·)为标准正态分布的分布函数。

1.2 非线性退化

导弹寿命周期任务剖面多变,内部设备的退化机理复杂,退化轨迹也并非全部与时间线性相关,根据这种退化特征,本节建立基于Wiener随机过程的非线性退化模型来描述导弹设备的退化。假设该设备退化过程只有一个关键性能参数,则非线性退化模型表示如下:

X (t) = X (0) + \int_{0}^{t} μ (t; θ) d t + σ_{B} B (t)

(5)

式中:X(0)为初始时刻的性能退化量(为方便研究,令X(0)=0);μ(t;θ)为非线性函数;σ_B为扩散系数;B(t)为标准布朗运动,显然,当μ(t;θ)=μ时,式(5)转化为1.1所述的线性Wiener过程。

设σ_B为固定未知参数,μ(t;θ)是关于t的可导函数,则产品寿命T的概率密度函数为:

\begin{matrix} f_{T} (t) = \frac{ω - \int_{0}^{t} μ (t; θ) d t + μ (t; θ) t}{\sqrt{2 π σ_{_{B}}^{2} t^{3}}} \cdot e x p [- \frac{(ω - \int_{0}^{t} μ {(t; θ) d t)}^{2}}{2 σ_{_{B}}^{2} t}] \end{matrix}

(6)

根据文献[9],设

μ(t;θ)=λbt^b^-1

(7)

式中:λ为给定的漂移系数;b为固定参数。

将式(7)代入式(6)可得:

f_{T |λ}

|λ

\frac{ω - λ t^{b} (1 - b)}{\sqrt{2 π σ_{_{B}}^{2} t^{3}}} \cdot e x p [- \frac{(ω - λ t^{b})^{2}}{2 σ_{_{B}}^{2} t}]

(8)

假设模型参数空间不具有随机效应,但不同项在退化中具有可变性,用漂移系数λ表示这种可变性,为了研究随机效应λ,引入以下定理^[6]:

引理:若Z~N(μ,σ²),且A,B,C,ω∈R,则

\begin{matrix} E_{Z} [(ω - A Z) \cdot e x p (- \frac{{(ω - B Z)}^{2}}{2 C})] = \sqrt{\frac{C}{B^{2} σ^{2} + C}} \cdot (ω - A \frac{B ω σ^{2} + C μ}{B^{2} σ^{2} + C}) \cdot e x p [- \frac{{(ω - B μ)}^{2}}{2 (B^{2} σ^{2} + C)}] \end{matrix}

(9)

设λ服从均值为μ_λ、方差为

σ_{λ}^{2}

的正态分布,即λ~N(μ_λ,

σ_{λ}^{2}

),其中

σ_{λ}^{2}

为固定效应,对所有项都适用。

根据引理(9)及全概率公式,将λ~N(μ_λ,

σ_{λ}^{2}

)代入式(8),得

\begin{matrix} f_{T} (t) = \frac{1}{\sqrt{2 π t^{2} (σ_{_{λ}}^{2} t^{2 b} + σ_{_{B}}^{2} t)}} \cdot [ω - (t^{b} - b t^{b}) \frac{ω σ_{_{λ}}^{2} t^{b - 1} + μ_{λ} σ_{_{B}}^{2}}{σ_{λ}^{2} t^{2 b - 1} + σ_{_{B}}^{2}}] \cdot e x p [- \frac{(ω - μ_{λ} t^{b})^{2}}{2 (σ_{_{λ}}^{2} t^{2 b} + σ_{B}^{2} t)}] \end{matrix}

(10)

相应产品寿命T的概率分布函数为:

\begin{matrix} F_{T} (t) = 1 - Φ (\frac{ω - μ_{λ} t^{b}}{\sqrt{σ_{B}^{2} t + σ_{λ}^{2} t^{2 b}}}) + e x p (\frac{2 ω μ_{λ} t^{b}}{σ_{B}^{2} t} + \frac{2 ω^{2} σ_{λ}^{2} t^{2 b}}{σ_{B}^{4} t^{2}}) \cdot Φ (- \frac{(ω + μ_{λ} t^{b}) σ_{B}^{2} t + 2 ω σ_{λ}^{2} t^{2 b}}{σ_{B}^{2} t \sqrt{σ_{B}^{2} t + σ_{λ}^{2} t^{2 b}}}) \end{matrix}

(11)

可靠度函数可表示为:

R(t)=1-F_T(t)

(12)

2 基于Copula函数多性能退化建模

2.1 Copula函数的概念和性质

Copula函数的核心思想^[10]可通过Sklar定理实现,若H_X,Y(x,y)为联合分布函数,则存在一个Copula函数C(u,v),对于x,y∈(-¥,¥),满足

H_X_,_Y(x,y)=C(F_X(x),F_Y(y))

(13)

式中:F_X(x),F_Y(y)分别为X和Y的边缘分布。

Copula具有多种构造形式,包括代数方法、几何方法以及Archimedean族^[11]生成元构造法。文中主要对比研究Gumbel Copula、Frank Copula、Clayton Copula和Gaussian Copula。

Gumbel:

C(u,v)=exp

\{- {[{(- l n u)}^{θ} + {(- l n v)}^{θ}]}^{1 / θ}\}

(14)

式中:θ∈[1,¥)。当θ→¥时,u,v→完全相关。

Frank:

C(u,v)=-

\frac{1}{θ}

[1 + \frac{(e^{- θ u} - 1) (e^{- θ v} - 1)}{(e^{- θ} - 1)}]

(15)

式中:θ∈(-¥,0)∪(0,+¥)。当θ>0时,u,v→正相关;当θ<0时,u,v→负相关。

Clayton:

C(u,v)=max

[(u^{- θ} + v^{- θ} {- 1)}^{- 1 / θ}, 0]

(16)

式中:θ∈(0,¥)。当θ→¥时,u,v→完全相关。

Gaussian:

\begin{array}{l} C (u, v) = \\ \int_{- \infty}^{ϕ^{- 1} (u)} \int_{- \infty}^{ϕ^{- 1} (v)} \frac{1}{2 π \sqrt{1 - θ^{2}}} e x p [- \frac{s^{2} - 2 θ s t + t^{2}}{2 (1 - θ^{2})}] d s d t \end{array}

(17)

式中:θ∈(-1,1)。当θ=±1时,u,v完全相关。

2.2 相关性建模

产品有m个性能退化参数,分别为(X₁,X₂,…,X_m),分别反映了产品退化过程中的不同特征。本节利用Copula函数对退化过程的不同特征进行相关性建模,为了方便研究,选取具有代表性的二元性能退化参数进行建模分析,并假设它们的退化轨迹符合第1.2节所描述的Wiener随机过程。

设产品退化量X₁和X₂不互相独立,对应的CDF分别为F_T(x₁)和F_T(x₂),联合分布函数为F(x₁,x₂)。根据Sklar定理,可得:

F(x₁,x₂)=C(F_T(x₁),F_T(x₂))

(18)

根据Copula函数的性质,联合分布函数的概率密度函数为:

f(x₁,x₂)=c(F_T(x₁),F_T(x₂);α)·f_T(x₁)·f_T(x₂)

(19)

式中:c(f_T(x₁),f_T(x₂);α)为C(F_T(x₁),F_T(x₂))的概率密度函数;α为反映Copula函数中相关性的系数。

为求得相关系数α,由式(19)可得,模型的对数似然函数为:

\begin{matrix} L (γ) = \sum_{x = 0}^{t} {l n [c (F_{T} (x_{1}), F_{T} (x_{2}); α)] + l n f_{T} (x_{1}) + l n f_{T} (x_{2})} \end{matrix}

(20)

式中:γ包含模型中所有未知参数。

3 参数估计

3.1 TSML法

对于1.1节线性退化模型,将式(4)代入式(20),可得:

\begin{array}{l} L (γ) = \sum_{x = 0}^{t} {l n [c (F_{T} (x_{1}), F_{T} (x_{2}); α)] + \\ l n \frac{ω_{1}}{\sqrt{2 π σ_{1}^{2} t^{3}}} + [- \frac{(ω_{1} - μ_{1} {t)}^{2}}{2 σ_{1}^{2} t}] + \\ l n \frac{ω_{2}}{\sqrt{2 π σ_{2}^{2} t^{3}}} + [- \frac{(ω_{2} - μ_{2} {t)}^{2}}{2 σ_{^{2}}^{2} t}]} \end{array}

(21)

式中:γ=(α,μ₁,σ₁,μ₂,σ₂)

对于式(21),可以直接进行极大化处理,求得未知参数,但由于γ维数较高,求解过程复杂。因此,采用两步极大似然估计法(TSML法)对线性退化模型进行参数估计。主要思路是,先极大化式(20)中不含未知参数α的部分:

L (γ_{1}, γ_{2}) = \sum_{x = 0}^{t} [l n f_{T} (x_{1}) + l n f_{T} (x_{2})]

(22)

式中:γ₁=(μ₁,σ₁);γ₂=(μ₂,σ₂)。

根据式(4),分别对f_T(x₁)和f_T(x₂)进行极大似然估计,通过二维搜索法求得相应参数(μ₁,σ₁)和(μ₂,σ₂)。再进行第二步似然估计,将相应参数值代回式(20)中求得α的估计值。

3.2 MCMC算法

非线性退化模型复杂,未知参数较多,进行相关性建模后将更加复杂,参数估计时,传统的似然估计法已不再适用。本节采用一种基于贝叶斯理论的Gibbs算法^[12]进行参数估计。

设样本γ为一个n维变量,γ=(γ₁,γ₂,…,γ_n),其先验分布为p(γ₁,γ₂,…,γ_n)。

Gibbs采样的步骤^[13]如下:

1)给定一组符合马尔科夫链的初始值γ⁽⁰⁾=(

γ_{1}^{(0)}

γ_{2}^{(0)}

,…,

γ_{n}^{(0)}

);

2)从条件概率密度p(γ₁

|γ_{2}^{(0)}, γ_{3}^{(0)}, \dots, γ_{n}^{(0)}

)中抽取样本

γ_{1}^{(1)}

;

3)重复2),直到从p(γ_n

|γ_{1}^{(0)}, γ_{2}^{(0)}, \dots, γ_{n - 1}^{(0)}

)抽取

γ_{n}^{(1)}

,完成一次迭代;

4)重复2)、3)迭代m次,可以得到样本γ^(m)=(

γ_{1}^{(m)}

γ_{2}^{(m)}

,…,

γ_{n}^{(m)}

)。

当m足够大时,γ^(m)可以看作γ的真值,从而求得样本γ的后验分布q(γ₁,γ₂,…,γ_n),进而估计未知参数值。

4 实例分析

以2个月为周期对某导弹进行弹上部件测试,获取多个部件的测试参数,选取光纤陀螺仪作为研究对象。对于光纤陀螺仪主要采集了两个退化特征参量,分别为零偏退化数据和标度因数退化数据,退化数据如图1所示。将零偏退化数据与标度因数退化数据分别记为X₁(t)和X₂(t),根据经验及工程实际,将失效阈值设定为ω₁=0.5、ω₂=1.5。

图1 光纤陀螺仪退化数据

Full size|PPT slide

首先对数据进行退化建模,分别建立基于Wiener过程的线性退化模型和非线性退化模型;其次,基于Copula函数的线性模型和非线性模型进行相关性建模;最后,对不同模型分别进行参数估计。

由于Copula函数表达形式多样,不同的Copula函数会产生不同的退化概率分布,如果不能选择合适的Copula函数,可能导致结果不正确。因此,对4种不同形式的Copula函数(Gumbel Copula,Frank Copula,Clayton Copula和Gaussian Copula)分别进行建模以及参数估计,通过AIC准则进行检验,为相关性模型选择合适的Copula函数,AIC值越小说明函数拟合效果越好。线性相关模型和非线性相关模型的AIC检验结果如表1所示。

**表1 两种相关模型的AIC检验结果**

模型	AIC值
模型	Gumbel	Frank	Clayton	Gaussian
线性	58.527	62.255	71.693	77.622
非线性	125.418	173.132	143.434	117.852

通过AIC检验结果,线性相关模型采用Gumbel Copula函数拟合效果最好,而非线性相关模型采用Gaussian Copula函数拟合效果最好。采用相应的函数,对产品的可靠度进行分析,如图2所示。曲线R₁和R₄为文中建立的非线性和线性相关模型评估的可靠度;曲线R₂为传统的单一性能模型评估的可靠度,选取零偏退化数据作为退化参量;曲线R₃为根据光纤陀螺仪真实故障数据评估的可靠度。

图2 不同模型的可靠度曲线

Full size|PPT slide

由图2可以看出曲线R₁与真实可靠度曲线R₃最为接近,证明文中建立的基于Copula函数的非线性退化模型能够更好的描述光纤陀螺仪的退化轨迹。

5 结论

基于Copula函数建立了非线性退化模型,评估了某导弹部件的可靠度,通过与真实故障数据的评估结果对比,证明了模型的合理性。同时,得出以下结论:

1)许多导弹部件的某一性能退化轨迹与时间并非线性相关,传统基于线性随机过程的模型已经无法满足产品的可靠性评估的要求。文中研究的非线性过程能够有效提高评估结果的准确性。

2)多数具有机电一体化特征的导弹部件内部结构复杂,退化过程往往具有多个特征参量,利用Copula函数建立各参量之间的相关性模型,对于导弹部件的可靠性评估具有很好的适用性。

3)文中仅研究了具有退化轨迹的失效模式,实际上还存在其他失效模式,比如,竞争失效。各种失效模式之间的关系值得进一步研究。

参考文献

列表( 原文顺序 | 文献年度倒序 | 文中引用次数倒序 ) 可视化分析

[1]	ZIO E. Reliability engineering: old problems and new challenges[J]. Reliability Engineering & System Safety, 2009, 94(2): 125-141. 本文引用 [1]

[2]	王小林, 程志君, 郭波. 基于维纳过程金属化膜电容器的剩余寿命预测[J]. 国防科技大学学报, 2011, 33(4):146-151. 本文引用 [1]

[3]	王浩伟, 徐廷学, 刘勇. 基于随机参数 Gamma过程的剩余寿命预测方法[J]. 浙江大学学报(工学版), 2015, 49(4):699-704. 本文引用 [1]

[4]	ZHANG L, CAO Q X, LEE J, et al. PCA-CMAC based machine performance degradation assessment[J]. Journal of Southeast University, 2005, 21(3): 299-303. 本文引用 [1]

[5]	LIU Zhenyu, MA Xiaobing, YANG Jun, et al. Reliability modeling for systems with multiple degradation processes using inverse Gaussian process and copulas[J]. Mathematical Problems in Engineering, 2014(1/2):1-10. 本文引用 [1]

[6]	PAN Zhengqiang, BALAKRISHNAN N, SUN Quan. Bivariate constant-stress accelerated degradation model and inference[J]. Communications in Statistics-Simulation and Computation, 2011, 40(2): 247-257. 本文引用 [2]

[7]	LI Xiaogang, XUE Peng. Multivariate storage degradation modeling based on copula function[J]. Advances in Mechanical Engineering, 2014, 6: 503407-1-503407-7. 本文引用 [1]

[8]	CHURCH J D, HARRIS B. The estimation of reliability from Stress-Strength relationships[J]. Technometrics, 1970, 12(1): 49-54. 本文引用 [1]

[9]	CAI Z Y, CHEN Y X, GUO J S, et al. Remaining lifetime prediction for nonlinear degradation device with random effect[J]. Journal of Systems Engineering and Electronics, 2018, 29(5): 1101-1110. 本文引用 [1]

[10]	NELSEN R B. An introduction to copulas[M]. New York: Springer, 2006:64-79. 本文引用 [1]

[11]	韦艳华, 张世英. Copula理论及其在金融分析上的应用[M]. 北京: 清华大学出版社, 2008. 本文引用 [1]

[12]	郝会兵. 基于贝叶斯更新与Copula理论的性能退化可靠性建模与评估方法研究[D]. 南京: 东南大学, 2016. 本文引用 [1]

[13]	LI Binbin, KIUREGHIAN A D, AU Siu-Kui. A gibbs sampling algorithm for structural modal identification under seismicexcitation[J]. Earthquake Engineering and Structural Dynamics, 2018, 47(14): 2735-2755. 本文引用 [1]

PDF(1042 KB)

Accesses

Citation

Detail

段落导航

收稿日期	出版日期
2019-04-25	2020-06-20
发布日期
2025-02-12

选择文件类型/文献管理软件名称

选择包含的内容

摘要

Abstract

关键词

Key words

引用本文

0 引言

1 基于Wiener过程的性能退化建模

1.1 线性退化

1.2 非线性退化

2 基于Copula函数多性能退化建模

2.1 Copula函数的概念和性质

2.2 相关性建模

3 参数估计

3.1 TSML法

3.2 MCMC算法

4 实例分析

图1 光纤陀螺仪退化数据

**表1 两种相关模型的AIC检验结果**

图2 不同模型的可靠度曲线

5 结论

{{custom_sec.title}}

{{custom_sec.title}}

参考文献

{{custom_fnGroup.title_cn}}

脚注

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

摘要

Abstract

关键词

Key words

引用本文

0 引言

1 基于Wiener过程的性能退化建模

1.1 线性退化

1.2 非线性退化

2 基于Copula函数多性能退化建模

2.1 Copula函数的概念和性质

2.2 相关性建模

3 参数估计

3.1 TSML法

3.2 MCMC算法

4 实例分析

图1 光纤陀螺仪退化数据

表1 两种相关模型的AIC检验结果

图2 不同模型的可靠度曲线

5 结论

{{custom_sec.title}}

{{custom_sec.title}}

参考文献

{{custom_fnGroup.title_cn}}

脚注

**表1 两种相关模型的AIC检验结果**