BP神经网络地铁牵引/电制动系统可靠性分析(6)
（5）神经网络[ , , ]
传统对于系统的模型识别需要一步步建立可靠性模型并对其进行参数估计、假设检验等过程，最后可以得到具体而详细的可靠性指标及相关信息，但过程较为复杂且在对可靠性的预测方面应用较少，因此人们一直在探索更为简便且合适的可靠性模式识别法。人工神经网络(ANN)的自学习、自组织、联想记忆以及容错等功能，可较好地处理不完整、不确定、矛盾的、甚至错误的信息，因此越来越多地在系统可靠性研究领域受到广泛关注。人工神经网络是在对人类大脑的生理研究的基础上，由大量的有限数目的简单的处理单元(称为神经元)相互连接而构成的，实现某些特定功能的信息处理的数学模型。基于ANN的系统可靠性技术，就是通过对引起故障的实例进行必要的分析诊断，提取出各影响因素指标及其量化数据，通过网络训练学习，用分布在网络内部的连接权值来表达所学系统可靠性指标知识。它具有对系统可靠性模式的联想记忆、模式匹配和相似归纳能力，从而实现各项技术指标与征兆之间复杂的非线性映射关系。
以上方法并不相互独立，很多研究中也都将各不同方法进行综合运用，以达到取长补短的效果。除了上述基于数据的归纳法，可靠性分析中常见的还有可靠性框图、故障树分析(FTA)、故障模式、影响和危害性分析(FMECA)等可用于分析系统间结构关系的方法，这里不作详述。
2.4 本章小结
本章首先介绍了可靠性的定义，并详细解释了可靠性定义中的相关含义，介绍了定量表示可靠性的几个常用指标。然后介绍了可靠性工程中常用的四个分布：指数分布、正态分布、对数正态分布、威布尔分布，并列出了各分布的相关可靠性函数。最后介绍了目前针对产品寿命分析的常见的可靠性数据分析方法，主要有传统经典的统计模型法、马尔可夫随机过程模型法、贝叶斯方法、模糊分析法、神经网络等。
3 基于统计模型法的城轨车辆牵引电制动系统可靠性分析
下一篇：地铁城轨车辆故障统计分析系统设计