一、软件可靠性增长模型研究（论文文献综述）
李红辉,赵森,管军霖,江周娴[1]（2021）在《铁路软件可靠性增长模型应用研究》文中认为分析G-O、Delayed S-shaped、Ohba-Chou及P-N-Z等4个软件可靠性增长模型的特点及适用场景,研究软件失效数据集的可靠性增长趋势分析方法和评价指标,提出一种可靠性增长模型参数计算的优化算法,在理论研究的基础上设计并实现了一款软件可靠性增长模型分析工具（SRGM Tool）。以铁路联锁软件记录的失效数据集为例,研究铁路软件可靠性增长模型应用方法,借助SRGM Tool,运用4种模型对铁路联锁软件进行可靠性评估,根据实验结果,分析并确定了一种适合该软件的可靠性增长模型,验证了方法的有效性,可为铁路软件可靠性分析和故障预测提供参考。
许栋[2]（2021）在《基于贝叶斯参数推断的产品全寿命周期可靠性增长动态规划方法》文中研究指明在复杂工程系统的开发过程中,可靠性增长规划可以为决策者提供产品发布时间、可靠性评估和预测以及开发成本估算等方面的信息决策支持。但现有可靠性增长规划方法主要存在以下局限性:一是没有很好地考虑可靠性参数的不确定性,通常表现为假设可靠性参数是由专家意见或少量初始/历史失效数据评估得到固定常数,这往往无法保证参数评估的准确性。其还表现在可靠性增长过程中可靠性参数、外部条件均可能发生改变。换句话说,现有可靠性增长规划方法缺乏动态规划能力。二是缺乏对可靠性和各类成本在产品全寿命周期层面的统筹规划。故本文提出了一种基于贝叶斯参数推断的产品全寿命周期可靠性增长动态规划方法。第一步,本文探究了贝叶斯推断方法用于可靠性增长模型参数估计的适用性和计算方法,并通过拟合分析的方式选定了可靠性参数的近似共轭先验分布,完善了更新机制。通过仿真试验与对比分析证明了所提方法的有效性。第二步,本文提出了一种产品全寿命周期可靠性增长规划模型。该模型以最小化产品全寿命周期成本为目标函数,并量化可靠性增长过程的资源配置与产品可靠性以及全寿命周期内各成本的关系,来寻找最佳产品发布时间和最优可靠性增长资源配置。本文假设产品全寿命周期成本包括可靠性增长试验成本、提前发布激励或延迟发布惩罚、售后维修服务成本。其中,提前发布激励或延迟发布惩罚为虚拟成本,它衡量了产品发布时间对于可靠性增长规划的影响,平衡可靠性增长试验成本和产品售后维修服务成本来获得最优规划方案。另一方面,本文通过建立可靠性增长累积试验时间和产品故障率曲线相关参数（起始点、形状及尺度参数）的数学关系,量化了早期可靠性增长对于产品使用阶段故障率曲线形状的影响,从而将售后维修服务成本和可靠性增长试验成本联系了起来。并通过案例分析证明了该模型能够基于产品全寿命周期角度综合地考虑产品可靠性增长,做出全寿命周期成本最低且可靠性相对较高的最佳规划,这比只注重产品研发设计阶段的传统可靠性增长模型更加具有优势。第三步,结合上述两种模型,本文提出一种基于贝叶斯参数推断的产品全寿命周期可靠性增长动态规划方法。并运用数值算例验证该方法能够实现复杂工程系统的动态可靠性增长规划,更加贴合实际工程应用,具有一定的实用价值。
胡钧铭[3]（2021）在《小子样复杂系统可靠性增长试验关键技术研究》文中进行了进一步梳理可靠性增长试验旨在发现系统设计、制造、运营中潜在的失效模式,在经故障机理分析后,采取针对性的纠正措施,从而降低或消除系统故障。通过测试、修正、再测试过程的不断迭代,纠正措施的有效性得以验证,系统的可靠性水平得以逐步提升。因而,可靠性增长试验成为保障复杂系统可靠性的重要工程手段。可靠性增长规划和可靠性增长评估是系统可靠性增长研究的两个主要领域。前者是在实际增长试验实施前,规划试验资源,构建可靠性增长曲线,为跟踪、监控与调整可靠性增长试验方案提供参照。后者则是根据增长试验数据评估系统当前的可靠性,以及外推或者预测系统将来的可靠性。本文以系统可靠性增长试验为研究课题,围绕可靠性增长规划与可靠性增长评估两大研究领域,针对可靠性增长规划受不确定性因素的影响,开展了可靠性增长方案的稳健性评价研究;针对小样本贝叶斯可靠性增长评估中先验分布的建构问题,开展了多源数据融合的可靠性增长评估研究;针对受仪器故障、观测机制等因素制约导致的可靠性增长数据缺失,开展了缺失数据下的系统可靠性增长评估研究;针对可靠性增长评估中可靠性增长模型的模型不确定性是影响分析决策的因素之一,开展了可靠性增长模型的模型不确定性研究。论文的主要研究内容与创新成果如下:（1）提出了可靠性增长规划的稳健性评价方法。分析了可靠性增长规划中的不确定性影响因素,引入信息差理论对规划问题的不确定性进行分析,构建了可靠性增长规划的稳健性评价指标,推导了可靠性增长规划稳健性的计算模型。通过算例分析演示了该方法,并将分析结果与最坏情况分析进行比较,阐明了所提方法的可行性。（2）提出了可靠性增长评估的多源信息融合框架。分析了可靠性增长贝叶斯评估中的先验信息来源,根据证据理论建立了多源信息的融合框架。从多源信息的证据融合结果出发,分别基于Belief函数与Plausibility函数的等效矩,将先验信息转化为先验分布。从不同的先验组合出发推断未知参数的后验分布。算例研究表明,先验信息的认知不确定性传播到后验信息中,融合后的先验信息比单一信源信息提高了推断结果的准确性。（3）构建了缺失数据的可靠性增长评估方法。基于期望最大化算法和幂律模型的顺序统计量特性,分别从解析与随机模拟两个维度对左删失和区间删失数据的可靠性增长评估进行了研究。推导了两类删失数据的似然函数的解析解,并构建了基于蒙特卡洛期望最大化算法的两类删失数据的推断方法。算例研究演示和验证了所提方法的有效性。（4）提出了可靠性增长模型不确定性的量化方法。可靠性增长模型除用于评估系统当前可靠性水平外,还可预测系统未来或者下一阶段的可靠性。数据驱动的可靠性增长建模本质上是对可靠性增长过程的一种近似。这种近似会导致模型不确定性。实践中,经过统计检验的模型即被视为能够表征实际可靠性增长过程,但统计检验通常只回答了模型能否表征实际数据,并未定量给出模型自身的不确定性。建立可靠性增长模型的模型不确定性量化框架,为可靠性增长模型的评价提供新方法,同时也为可靠性增长预测提供更为全面的不确定性信息。基于贝叶斯方法,本文建立了可靠性增长模型的模型不确定性量化框架。算例研究演示和验证了该方法的有效性。
余秋敏[4]（2021）在《基于贝叶斯模型平均法的工业软件可靠性模型研究》文中进行了进一步梳理工业软件的命运随着工业4.0革命的进行发生了巨大的改变。由于软件的重要性与日俱增,软件已经成为许多工业产品创新的主要驱动力。可以通过提高软件可靠性模型的预测精度来保障工业软件产品的质量。模型选择能够用来确定最佳模型,从而服从一些给定的假设。而模型平均则是考虑了由模型选择行为所造成的模型不确定性。本课题主要研究了贝叶斯方法在软件可靠性模型选择和模型平均上的应用,证明了贝叶斯模型平均法能够提高模型预测的准确度。具体的研究内容如下:（1）对软件可靠性进行建模与参数估计。系统地学习了软件可靠性相关内容,选择三种非齐次泊松过程类（Non-homogeneous Poisson Process,NHPP）模型作为候选模型集,并给出了模型具体的假设和数学推导过程,分别基于最小二乘法和贝叶斯后验推断去估计候选模型的未知参数从而求解候选模型。（2）基于贝叶斯法和拟合性能法进行模型选择。在进行可靠性评估之前,需要根据实际情况选择出适合的方法对具体对象进行建模。为此,分别计算候选模型的均方误差、Akaike信息准则值和贝叶斯信息准则值。本文将均方误差和Akaike信息准则值作为评价模型预测准确度的性能指标,基于拟合性能法选择模型。同时推导出如何基于贝叶斯信息准则值近似求解贝叶斯因子,在此基础上基于贝叶斯模型选择法进行模型选择。分别使用两种不同的选择方法,选择出性能最好的模型。（3）进行软件可靠性组合预测建模。为了考虑参数和模型的不确定性,本文采用贝叶斯推断计算模型的后验概率作为候选模型的权重进行组合预测建模。该贝叶斯方法是基于马尔可夫蒙特卡洛方法来实现的。另外本文还提出使用期望最大化算法去求解候选模型的权重,其中期望最大化算法常常用于混合高斯模型。同时也可以根据不同的性能指标赋予候选模型不同的权重,再根据算术加权法对候选模型进行加权平均得到混合模型。最后与基于贝叶斯模型平均法的组合预测建模进行比较,将均方误差、Akaike信息准则值和贝叶斯信息准则值作为评价方法的性能指标,分析使用贝叶斯模型平均法进行软件可靠性建模的优缺点。
胡陈[5]（2020）在《基于改进NHPP的物联网智能感知节点软件可靠性评估方法研究》文中提出物联网应用的方面越来越多,所能实现的功能越来越庞大。如今,物联网的应用随处可见,遍及日常的方方面面。物联网将互联网的意义进行了拓展,已经超出了人与人之间通信的范畴。物联网把各种各样的传感器嵌入不同实体中,达到物体连接物体的目的,实时将消息传递出去,由接收方处理。物联网所实现的功能越多,其规模变得庞大,复杂性就会增高。物联网如果发生软件失效,轻则造成财产损失,重则可能对人们的生命构成威胁。物联网感知层包含了无数的智能感知节点,它们是整个物联网的基础。因此,研究感知节点的软件层的可靠性非常有必要。本文通过对物联网体系结构和软件可靠性增长模型的知识体系的深入研究,提出了一个适用于嵌入式软件的NHPP可靠性增长模型。首先,本文通过对课题的研究背景及意义的深入研究,分析了物联网智能感知节点的随机广义多层次软件可靠性增长模型研究的必要性及研究方法。其次,本文对物联网智能感知节点软件可靠性增长模型建模的基础理论进行了介绍,分析了物联网架构的特点,引入了SRGM的基本理论。接下来,本文在介绍非齐次泊松过程SRGM基本理论的基础上,描述了NHPP模型的基本框架及假设,介绍了经典G-O模型和Hoang Pham等人的模型,并得出了本文所建立的模型:考虑环境因素影响的Weibull故障检测及可靠性增长模型（Weibull FDR SRGM with the Uncertainty of Operating Environments）,简称W-E-SRGM。以此为基础,本文改进了W-E-SRGM与失效模式和影响分析法FMEA,提出了FMEA-WE嵌入式软件可靠性分析方法。最后,本文对模型进行了参数估计及模型比较,利用LSE对本文提出的SRG（Software Reliability Growth）模型进行了参数估计。采用MSE（Mean Squared Error）、SAE（Sum Absolute Error）、PRR（Predictive Ratio Risk）和PP（Predictive Power）等优度拟合准则,将W-E-SRGM与多个模型进行比较,实验证明,W-E-SRGM的效果更符合本文希望得出的嵌入式软件可靠性增长模型。
张策,刘宏伟,白睿,王瞰宇,王金勇,吕为工,孟凡超[6]（2020）在《可靠性模型中故障检测率研究述评》文中研究表明故障检测率FDR（fault detection rate）是可靠性研究的关键要素,对于测试环境构建、故障检测效率提升、可靠性建模和可靠性增长具有重要作用,对于提高系统可靠性与确定发布时间具有重要现实意义.首先,对基于NHPP（non-homogeneous poisson process,非齐次泊松过程）类的软件可靠性增长模型SRGM（software reliability growth mode）进行概述,给出了建模本质、功用与流程.基于此,引出可靠性建模与研究中的关键参数——FDR,给出定义,对测试环境描述能力进行分析,展示不同模型的差异.着重剖析了FDR与失效强度、冒险率（风险率）的区别,得出三者之间的关联性表述.全面梳理了FDR的大类模型,分别从测试覆盖函数视角、直接设定角度、测试工作量函数参与构成方式这3个方面进行剖析,继而提出统一的FDR相关的可靠性模型.考虑到对真实测试环境描述能力的需要,建立不完美排错框架模型,衍生出不完美排错下多个不同FDR参与的可靠性增长模型.进一步,在12个真实描述应用场景与公开发表的失效数据集上进行实验,验证不同FDR模型相关的可靠性模型效用,对差异性进行分析与讨论.结果表明,FDR模型自身的性能可以支撑可靠性模型性能的提升.最后,指出了未来研究趋势和需要解决的问题.
李中生[7]（2020）在《曲轴磨削自动化柔性系统可靠性提升技术研究》文中认为我国的经济结构正面临着关键的战略转型期,汽车制造业已发展成为引领传统制造业转型升级的先驱,并逐步成为中国民族产业的重要支柱。虽然目前我国的汽车产量逐年增加,但国内高档发动机生产线几乎均采用了进口设备,而且主流发动机生产线大多已进入淘汰期,大批的设备需要更新换代。因此,如何充分利用国产高档数控装备,改造现有的生产线乃至于组建具有自主知识产权的全新生产线,显得十分迫切。要自主研发发动机自动化加工系统,就必须攻克在高效加工、连续运转工况下的可靠性保障等技术难题,从而打破发达国家在高端自动化生产线行业的垄断地位,降低我国国产高端汽车的生产成本,提高我国制造企业为用户提供成套装备的能力,提升我国汽车制造业的国际竞争力。论文以2016年国家科技重大专项中的子课题“轿车发动机曲轴磨削自动化高效柔性单元示范工程”为依托,重点开展了曲轴柔性生产线可靠性提升技术的研究,主要研究工作如下:（1）分析了曲轴柔性制造系统的加工设备、工艺流程与系统布局。根据现场采集的234条设备故障和维修数据,分析了柔性制造系统各加工设备的生产率、故障率与维修率等可靠性指标。基于曲轴磨削系统的特点,运用马尔可夫过程理论分析了柔性制造系统的马尔可夫状态转移图和状态转移矩阵,讨论了含缓冲区的曲轴柔性制造系统的稳态可用度。然后基于Petri网理论建立了柔性制造系统的广义随机Petri网（GSPN）模型并阐述了其工作原理,构建了包含16个显状态的马尔可夫链,通过求解退化嵌入马尔可夫链的激发率矩阵研究了各种工作状态的稳态概率,进而讨论了曲轴柔性制造系统的固有可用度。（2）为全面分析机电系统维修如故的运行特性,掌握曲轴柔性生产线的整体运行状态,定义了生产系统的可靠性,归纳总结了六种目前常用的串行系统可靠性指标——平均无故障间隔时间（MTBF）的运算方法,然后根据系统运行数据对六种算法进行了求解,并对运算结果进行了比较分析。（3）研究了两种基于延缓纠正策略的可靠性增长预测模型AMSAA（Army Materiel Systems Analysis Activity）预测模型和AMPM（AMSAA Maturity Projection Model）—斯坦预测模型。依据不同的子系统重组了故障数据,求解了各组数据的斯坦收缩因子,计算了各个子系统失效强度的斯坦估计值,推导了系统整体的失效强度预测值,提出了一种计及相似失效机理和维修策略的AMPM—斯坦预测扩展模型,并基于Relia Soft公司的可靠性数据验证了新模型的鲁棒性。根据不同的故障发生机理和维修特性,将参与可靠性增长试验的数控磨床划分为五个子系统,通过三个阶段的可靠性增长试验实例展示了新预测模型的具体应用。（4）研究了两种基于延缓纠正策略的连续系统可靠性增长规划模型:PM2模型（Planning Model based on Projection Methodology）和CE模型（CrowExtended Model）,分析了两种模型参数的灵敏度,结果表明CE模型的总体测试时间不便控制,PM2模型不能正确反映模型参数变化对增长规划曲线的影响。分析了PM2模型中的管理策略、纠正有效性系数、系统初始MTBF等参数的下限值,讨论了管理策略和纠正有效性系数两参数乘积的取值下限。基于参数之间的负相关关系,运用MATLAB生成了300组模拟数据对,采用曲线拟合模块进行了数据拟合和模型求解,构造了由管理策略和纠正有效性系数表述测试持续时间的非线性数学方程式,给出了95%置信区间的常系数推荐值。基于此数学方程,提出了一个不含测试持续时间的PM2规划扩展模型。通过对某公司曲轴搬运装卸系统开展的4 200小时可靠性增长试验验证了新规划模型的有效性。（5）构建了设备可靠度、设备修复率和设备生产率与成本之间的函数关系,以曲轴柔性制造系统的改进成本最低为目标函数,以构造的函数表达式和缓冲区容量单位建造成本为约束条件,建立了柔性制造系统优化分配模型。随后构建了试验持续时间、纠正有效性系数和管理策略与成本之间的函数关系,以设备可靠性提升成本最低为目标函数,建立了基于可靠性增长规划技术的设备可靠性增长分配模型。采用具有全局寻优功能的遗传算法分别以柔性制造系统目标MTBF不小于某特定值和系统可靠性提升改造成本不大于某特定值为优化目标,对曲轴柔性制造系统开展了可靠性优化分配工作研究,为曲轴柔性制造生产线可靠性提升提供了基础。然后以设备目标MTBF不小于某特定值和设备可靠性提升成本不大于某特定值为优化目标,对设备OP110开展了可靠性增长试验优化工作研究,为设计加工设备的可靠性增长试验提供了依据。
惠子青[8]（2020）在《基于神经网络的不完美排错软件可靠性增长模型研究》文中认为软件可靠性评估性能直接影响软件测试的工作量,准确预测软件可靠性是一项极具挑战的任务。近年来由于计算机技术的发展与普及,计算机软件的功能和用途也复杂多样,并因其在人类社会中扮演着越来越重要的角色,人们的生产生活已经越来越离不开计算机软件的参与。因此软件质量问题受到越来越多的关注,软件可靠性是衡量软件质量的的一个重要属性,如何发布高质量的软件产品是一件非常困难的事情,因此以软件可靠性为核心的研究一直是当前的热点方向。软件可靠性增长模型（Software Reliability Growth Models,SRGMs）是一种衡量软件可靠性的重要数学工具,对软件可靠性的评测、保证以及测试资源管控和最优发布时间研究具有重要的作用。到目前为止,已开发出上百种应用于实际项目的软件可靠性增长模型。这些开发出的模型都是基于各种各样的假设,所以模型的通用性和预测精度不高。由于人工神经网络ANNs（Artificial Neural Networks）具备很强的非线性运算能力,因此基于ANN的软件可靠性增长模型可以获得更高的预测精度和更强的通用性。由于现代软件集成规模具有很强的耦合性和软件系统具有的强大功能,因此,当被检测到的故障修正去除,很可能引进新的故障。当无法避免被引进的故障的数量对软件测试过程的影响时,研究故障引进的过程对软件可靠性的意向具有重要意义。由于软件系统的延时性,我们知道软件故障被检测出时,不能立即被排除,故障检测与故障排除之间存在时间延迟,当时间延迟的影响不能被忽略时,延迟时间就成为了影响软件可靠性的重要因素。基于神经网络的软件可靠性增长模型其不仅继承了传统SRGM的所有属性,而且还具有超强的非线性运算能力和分布存储及学习能力。本文深入的研究了在软件测试过程中,传统SRGM与神经网络的映射关系,建立了考虑故障引进现象和排错等待延迟现象的软件可靠性增长模型,并在此基础上讨论了已被提出的传统模型和考虑故障引进的现象的动态加权组合模型,已被提出的传统模型和考虑排错等待延迟的广义动态集成神经网络模型的优劣性。本文的主要研究工作主要包括以下几个方面:（1）本文首先对传统的软件可靠性增长模型进行了综述,并通过Goel-Okumoto模型的例子找出了传统SRGM与神经网络模型的映射规则,最后详细说明了各神经网络模型的建模过程,并对其在失效数据集上做了验证。（2）由于在软件测试过程中,当检测到的故障被排除时,可能会引入新的故障。因此,本文建立了一种考虑故障引进现象的动态加权组合神经网络的软件可靠性增长模型,并用相应的故障数据集进行了验证,实验结果表明:考虑故障引进现象的动态加权组合神经网络软件可靠性增长模型具有更好的拟合效果和预测性能。（3）由于在软件测试过程中,故障检测与故障排除之间存在延迟时间,当故障被检测出时不能立即被排除。因此,本文建立了一种考虑排错等待延迟的广义动态集成软件可靠性增长模型,并用相应的故障数据集进行了验证,实验结果表明:考虑排错等待延迟的广义动态集成神经网络软件可靠性模型具有更好的拟合效果和预测性能。
张舟[9]（2020）在《滚动直线导轨副可靠性增长关键技术研究》文中研究说明滚动直线导轨副作为重要的滚动功能部件,导轨副的可靠性发展将直接关系到机床整体功能的发挥,因此研究导轨副的可靠性增长关键技术是十分有必要的。本文面向导轨副可靠性增长关键技术这一议题,先进行了导轨副可靠性技术体系的研究,并开展导轨副的可靠性增长试验。通过试验中的故障情况和可靠性数据对所试验的导轨副进行了可靠性的评估,验证其可靠性水平是否提升,最后根据试验中暴露的问题对导轨副进行了优化设计并进行了有限元仿真。在现有研究基础之上,对导轨副进行了可靠性技术体系的研究。分别从导轨副的综合设计技术、制造过程的可靠性保障、使用过程中的可靠性保障、试验装备及技术几点展开,从理论和实际应用方面进行了描述,形成体系的指导。开展导轨副可靠性增长试验,以经导轨副可靠性技术体系指导后新近生产的境内某导轨副为试验对象,并选用一组境外导轨副进行对照,共同进行试验。制定了定时截尾的试验方案并选用了评估模型,试验中,实时监测记录导轨副故障情况和性能参数数据。并在试验完成后对收集的可靠性数据进行汇总及分析。试验完成后,针对试验过程中所记录故障情况进行故障分析。利用试验所得的可靠性数据对被测导轨副进行平均故障间隔时间（MTBF）的评估,并通过威布尔分布模型对导轨副的可靠性水平进行评估,再对被测的两组导轨副进行比较分析,验证所试验导轨副的可靠性水平是否提升。根据可靠性增长试验过程中所暴露出的问题,针对性的对导轨副进行可靠性增长设计,选择材料作为研究点。利用Solid Works软件绘制出导轨副的三维模型,通过ANSYSWorkbench软件进行导轨副的有限元分析,以验证所做的优化改进具备可行性,并可继续反馈到导轨副可靠性技术体系当中。
惠子青,刘晓燕[10]（2019）在《基于高斯新分布的软件可靠性增长模型研究》文中进行了进一步梳理高斯新分布是在正态分布的基础上扩展延伸而来,它的主要作用在于针对客观存在的不对称高斯分布进行充分拟合,精确表达出以期望值描述随机变量的频数分布在单峰条件下的误差和概率分布。基于高斯新分布的的软件可靠性增长模型的提出有助于人们在软件过程中所产生的错误误差进行分析,减少了在软件过程中人为主观因素是造成的不确定性。本文最后通过两个实验数据集,说明了基于高斯新分布的SRGM能更好地拟合和预测数据。
二、软件可靠性增长模型研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、软件可靠性增长模型研究（论文提纲范文）
（2）基于贝叶斯参数推断的产品全寿命周期可靠性增长动态规划方法（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景与意义 |
| 1.2 研究现状及发展趋势 |
| 1.3 主要创新点 |
| 1.4 研究思路及内容 |
| 第二章 主要理论基础 |
| 2.1 可靠性相关基础知识 |
| 2.1.1 可靠性概念 |
| 2.1.2 可靠性评价指标 |
| 2.1.3 故障率曲线 |
| 2.1.4 常用失效分布 |
| 2.2 贝叶斯基础理论及其在可靠性中的应用 |
| 2.2.1 贝叶斯基础理论 |
| 2.2.2 贝叶斯方法在可靠性中的应用 |
| 2.3 可靠性增长相关模型 |
| 2.3.1 Duane模型 |
| 2.3.2 Crow/AMSAA模型 |
| 2.3.3 可靠性增长规划模型 |
| 2.4 本章小结 |
| 第三章 基于贝叶斯参数推断的可靠性增长模型 |
| 3.1 引言 |
| 3.2 基本假设 |
| 3.3 模型建立 |
| 3.4 计算方法 |
| 3.4.1 MCMC方法 |
| 3.4.2 M-H采样 |
| 3.4.3 Gibbs采样 |
| 3.5 更新机制 |
| 3.6 案例分析 |
| 3.7 本章小结 |
| 第四章 产品全寿命周期可靠性增长规划模型 |
| 4.1 引言 |
| 4.2 产品全寿命周期可靠性增长规划模型 |
| 4.2.1 基本假设 |
| 4.2.2 模型建立 |
| 4.3 案例分析 |
| 4.3.1 实例及结果分析 |
| 4.3.2 模型参数的敏感性分析 |
| 4.3.3 所提出的模型与传统可靠性增长规划模型的对比分析 |
| 4.4 本章小结 |
| 第五章 产品全寿命周期可靠性增长动态规划方法 |
| 5.1 引言 |
| 5.2 产品全寿命周期可靠性增长动态规划方法 |
| 5.2.1 可靠性增长动态规划流程 |
| 5.2.2 可靠性增长动态规划模型 |
| 5.3 案例分析 |
| 5.3.1 基本假设 |
| 5.3.2 案例计算及分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究总结 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
| 硕士期间取得的研究成果 |
（3）小子样复杂系统可靠性增长试验关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号及缩略语 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 可靠性增长概述 |
| 1.2.2 可靠性增长规划研究现状 |
| 1.2.3 可靠性增长评估研究现状 |
| 1.2.4 综述总结与问题提出 |
| 1.3 本文研究内容与结构 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文章节结构 |
| 第二章 系统可靠性增长规划稳健性研究 |
| 2.1 引言 |
| 2.2 理论基础 |
| 2.2.1 信息差理论 |
| 2.2.2 规划模型 |
| 2.2.3 最坏情况分析 |
| 2.3 稳健性建模 |
| 2.3.1 决策变量 |
| 2.3.2 不确定性变量 |
| 2.3.3 收益函数 |
| 2.3.4 性能阈值 |
| 2.3.5 稳健性函数 |
| 2.4 算例研究 |
| 2.4.1 信息差分析 |
| 2.4.2 最坏情况分析 |
| 2.4.3 比较研究 |
| 2.5 本章小结 |
| 第三章 多源信息融合的系统可靠性增长评估 |
| 3.1 引言 |
| 3.2 理论基础 |
| 3.2.1 幂律过程基础 |
| 3.2.2 证据理论基础 |
| 3.3 评估方法 |
| 3.3.1 多源信息融合的贝叶斯评估框架 |
| 3.3.2 先验分布构建 |
| 3.3.3 后验分布推断 |
| 3.4 算例研究 |
| 3.4.1 故障数据仿真 |
| 3.4.2 先验一致情况 |
| 3.4.3 先验不一致情况 |
| 3.5 本章小结 |
| 第四章 缺失数据下的系统可靠性增长评估 |
| 4.1 引言 |
| 4.2 理论基础 |
| 4.2.1 顺序统计量 |
| 4.2.2 EM算法 |
| 4.3 评估方法 |
| 4.3.1 缺失数据类型 |
| 4.3.2 缺失数据边缘似然函数 |
| 4.3.3 缺失数据MCEM算法 |
| 4.4 算例研究 |
| 4.4.1 仿真验证算例 |
| 4.4.2 工程验证算例—发电机 |
| 4.4.3 工程应用算例—车辆 |
| 4.5 本章小结 |
| 第五章 系统可靠性增长模型不确定性研究 |
| 5.1 引言 |
| 5.2 理论基础 |
| 5.2.1 模型不确定性 |
| 5.2.2 模型不确定性表征 |
| 5.2.3 模型不确定性量化 |
| 5.2.4 可靠性增长评估全面不确定性量化框架 |
| 5.3 可靠性增长模型校准算例研究 |
| 5.3.1 观测数据 |
| 5.3.2 模型不确定性对参数评估的影响 |
| 5.3.3 模型不确定性对预测的影响 |
| 5.4 可靠性增长模型验证算例研究 |
| 5.4.1 基于模型不确定性的模型验证原理 |
| 5.4.2 模型与数据 |
| 5.4.3 模型不确定性量化 |
| 5.4.4 模型验证准则比较 |
| 5.5 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（4）基于贝叶斯模型平均法的工业软件可靠性模型研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 模型选择和模型平均的研究现状 |
| 1.2.2 贝叶斯模型平均法的研究现状 |
| 1.3 论文的结构安排 |
| 第二章 主要的理论基础 |
| 2.1 软件可靠性和软件可靠性工程 |
| 2.2 软件可靠性 |
| 2.2.1 软件可靠性模型分类 |
| 2.2.2 非齐次泊松过程类模型 |
| 2.3 模型选择和模型平均法 |
| 2.3.1 模型选择法 |
| 2.3.2 模型平均法 |
| 2.4 期望最大化算法 |
| 2.5 贝叶斯定理和马尔可夫蒙特卡洛算法 |
| 2.5.1 贝叶斯定理 |
| 2.5.2 马尔可夫蒙特卡洛算法 |
| 2.6 本章小结 |
| 第三章 基于贝叶斯法的软件可靠性建模 |
| 3.1 基于贝叶斯模型选择法选择模型 |
| 3.2 基于期望最大化算法和算术加权法的组合预测建模 |
| 3.2.1 基于期望最大化算法的模型权重求解 |
| 3.3 基于贝叶斯模型平均法的软件可靠性组合预测建模 |
| 3.3.1 贝叶斯模型平均法 |
| 3.3.2 基于贝叶斯模型平均法的软件可靠性组合预测建模 |
| 3.3.3 基于马尔可夫蒙特卡洛算法的贝叶斯模型平均法建模实现 |
| 3.4 本章小结 |
| 第四章 基于贝叶斯法的软件可靠性建模实证分析 |
| 4.1 数据收集与数据来源 |
| 4.2 候选模型求解 |
| 4.2.1 候选模型的建模和参数估计 |
| 4.3 基于算术加权法的平均建模 |
| 4.3.1 基于模型的性能的模型权重求解 |
| 4.3.2 基于期望最大化算法的模型权重求解 |
| 4.4 基于贝叶斯模型平均法的软件可靠性模型求解 |
| 4.5 本章小结 |
| 第五章 全文总结和未来展望 |
| 5.1 全文总结 |
| 5.2 未来展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间所取得的成果 |
（5）基于改进NHPP的物联网智能感知节点软件可靠性评估方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外现状 |
| 1.2.1 国内发展现状 |
| 1.2.2 国外发展现状 |
| 1.2.3 软件可靠性研究面临的主要问题与挑战 |
| 1.3 论文主要研究内容 |
| 1.4 论文章节安排 |
| 2 物联网智能感知节点软件可靠性建模基础理论 |
| 2.1 物联网智能感知节点相关知识概述 |
| 2.1.1 物联网软件体系结构 |
| 2.1.2 嵌入式系统基本特点 |
| 2.1.3 嵌入式软件测试与普通软件测试的区别 |
| 2.2 软件可靠性理论基础 |
| 2.2.1 软件可靠性定义 |
| 2.2.2 软件可靠性的度量 |
| 2.2.3 软件可靠性分布及随机过程 |
| 2.2.4 影响软件可靠性的因素 |
| 2.2.5 软件可靠性与硬件可靠性的区别 |
| 2.3 软件可靠性增长模型 |
| 2.3.1 软件可靠性增长模型的概念 |
| 2.3.2 软件可靠性增长模型分类 |
| 2.4 章节总结 |
| 3 W-E SRGM建模过程 |
| 3.1 基于NHPP的软件可靠性增长模型建模流程 |
| 3.2 通用NHPP过程的定义 |
| 3.2.1 参数含义 |
| 3.2.2 假设基础 |
| 3.2.3 通用NHPP模型 |
| 3.3 基于NHPP的 SRG模型 |
| 3.3.1 G-O模型 |
| 3.3.2 Hoang Pham提出的模型 |
| 3.4 改进的NHPP SRG模型 |
| 3.5 一种新的嵌入式软件可靠性分析方法(FMEA-WE) |
| 3.6 章节总结 |
| 4 参数估计及模型比较 |
| 4.1 参数估计 |
| 4.1.1 参数估计的几种方法 |
| 4.1.2 W-E-SRGM的参数估计过程 |
| 4.2 模型比较 |
| 4.2.1 模型评估 |
| 4.2.2 几个拟合优度准则 |
| 4.2.3 数据集 |
| 4.2.4 参与比较的模型 |
| 4.2.5 新NHPP模型的优度拟合 |
| 4.3 章节总结 |
| 5 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 参考文献 |
| 致谢 |
| 在校期间科研成果 |
（6）可靠性模型中故障检测率研究述评（论文提纲范文）
| 1 软件可靠性增长模型建模——本质、功用与流程 |
| 2 故障检测率FDR——SRGM建模的关键要素 |
| 2.1 SRGM中关键参数 |
| 2.2 测试环境描述能力 |
| 2.2.1 从FDR角度研究CP |
| 2.2.2 从FDR角度研究测试环境与运行环境差异 |
| 2.3 FDR基本类型 |
| 3 FDR与失效强度、风险率/冒险率的区别与联系 |
| 3.1 FDR |
| 3.2 失效强度 |
| 3.3 风险率/冒险率 |
| 3.4 区别与联系 |
| 4 分类与综合视角下的FDR |
| 4.1 测试覆盖函数视角——FDR与测试覆盖函数的关系 |
| 4.1.1 测试覆盖函数起源——采用设定FDR与测试覆盖率成比例的间接视角 |
| 4.1.2 测试覆盖函数起源——采用与SRGM和TEF建模相同的直接视角 |
| 4.1.3 基于测试覆盖函数的SRGM建模 |
| 4.1.4 测试覆盖函数与故障检测率函数和可靠性的关联 |
| 4.2 直接设定FDR |
| 4.3 复合式——TE参与的FDR |
| 4.4 小结 |
| 5 FDR性能及其对可靠性模型影响分析 |
| 5.1 统一的故障检测框架模型 |
| 5.2 模型与验证所用的失效数据集 |
| 5.3 性能验证与分析 |
| 5.3.1 拟合性能分析 |
| 5.3.2 预测性能分析 |
| 5.4 讨论 |
| 6 研究挑战与趋势分析 |
| 6.1 面临的挑战 |
| 6.1.1 描述软件测试过程长期变化规律的FDR函数 |
| 6.1.2 发布多模式测试环境下的更多构成要素的失效数据集 |
| 6.2 趋势分析 |
| 6.2.1 对考虑FDR参与的可靠性模型进行综合评价 |
| 6.2.2 FDR选择成为一个挑战 |
| 6.2.3 要为最优发布提供有效支持 |
| 6.2.4 基于现有FDR选择融入到可靠性模型中,发挥精准组合作用 |
| 6.2.5 根据FDR对测试策略实施有效指导 |
| 7 结束语 |
（7）曲轴磨削自动化柔性系统可靠性提升技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 自动化柔性加工系统可靠性研究现状 |
| 1.2.2 可靠性增长技术研究现状 |
| 1.2.3 可靠性优化分配技术研究现状 |
| 1.2.4 存在的不足 |
| 1.3 课题来源 |
| 1.4 论文主要研究内容与架构 |
| 1.4.1 论文主要研究内容 |
| 1.4.2 论文架构 |
| 第2章 曲轴柔性制造系统可用度分析 |
| 2.1 可靠性评估概述 |
| 2.1.1 可靠性的基本概念和意义 |
| 2.1.2 可靠性的定义 |
| 2.1.3 设备可靠性评价指标 |
| 2.1.4 制造系统的可靠性评估指标 |
| 2.2 曲轴磨削自动化柔性制造系统 |
| 2.2.1 曲轴结构及功能 |
| 2.2.2 曲轴精密磨削系统的加工工艺与设备组成 |
| 2.2.3 曲轴磨削自动化柔性制造系统的布局 |
| 2.2.4 生产线各设备的可靠性指标 |
| 2.3 基于马尔可夫过程理论的制造系统可用度研究 |
| 2.3.1 随机过程 |
| 2.3.2 马尔可夫过程理论概述 |
| 2.3.3 带有缓冲区的串联制造系统可用度研究 |
| 2.4 基于Petri网理论的制造系统可用度研究 |
| 2.4.1 Petri网理论 |
| 2.4.2 Petri网分析制造系统的固有可用度 |
| 2.5 本章小结 |
| 第3章 制造系统可靠性分析 |
| 3.1 系统可靠性基本理论 |
| 3.1.1 系统可靠性定义 |
| 3.1.2 系统可靠性的度量指标 |
| 3.2 串联系统的MTBF算法研究 |
| 3.2.1 固有可用度法 |
| 3.2.2 生产线开动率法 |
| 3.2.3 故障数据拟合法 |
| 3.2.4 运行平均值法 |
| 3.2.5 带缓冲区的串行法 |
| 3.2.6 计算机仿真法 |
| 3.3 柔性制造系统的MTBF |
| 3.4 本章小结 |
| 第4章 可靠性增长预测技术 |
| 4.1 可靠性增长纠正方式 |
| 4.1.1 系统性故障 |
| 4.1.2 残余性故障 |
| 4.1.3 A类故障 |
| 4.1.4 B类故障 |
| 4.1.5 时间截尾数据 |
| 4.1.6 故障截尾数据 |
| 4.1.7 纠正比 |
| 4.1.8 纠正有效性系数 |
| 4.1.9 三种纠正方式 |
| 4.2 可靠性增长预测模型 |
| 4.2.1 AMSAA预测模型 |
| 4.2.2 AMPM—斯坦预测模型 |
| 4.2.3 AMPM—斯坦预测扩展模型 |
| 4.3 新模型鲁棒性分析 |
| 4.4 实例研究 |
| 4.5 本章小结 |
| 第5章 可靠性增长规划技术 |
| 5.1 可靠性增长规划概述 |
| 5.2 可靠性增长规划模型 |
| 5.3 规划模型纠正有效性系数灵敏度分析 |
| 5.3.1 PM2模型的纠正有效性系数灵敏度分析 |
| 5.3.2 CE模型的纠正有效性系数灵敏度分析 |
| 5.4 规划模型管理策略灵敏度分析 |
| 5.4.1 PM2模型的管理策略灵敏度分析 |
| 5.4.2 CE模型的管理策略灵敏度分析 |
| 5.5 PM2模型参数的边界条件 |
| 5.5.1 PM2模型试验总时间分析 |
| 5.5.2 PM2模型管理策略参数的边界条件 |
| 5.5.3 PM2模型纠正有效性系数值的边界条件 |
| 5.5.4 PM2 模型系统初始MTBF值的边界条件 |
| 5.5.5 参数混合关系分析 |
| 5.6 新可靠性增长规划模型的建立 |
| 5.7 实例研究 |
| 5.8 本章小结 |
| 第6章 柔性制造系统可靠性优化分配 |
| 6.1 可靠性分配概述 |
| 6.1.1 可靠性分配的意义 |
| 6.1.2 可靠性分配准则 |
| 6.1.3 可靠性分配方法 |
| 6.2 可靠性分配的影响因素 |
| 6.2.1 单台设备的可靠度 |
| 6.2.2 单台设备的修复率 |
| 6.2.3 单台设备的生产率 |
| 6.2.4 缓冲区容量 |
| 6.2.5 成本约束 |
| 6.3 柔性制造系统可靠性优化分配模型 |
| 6.3.1 设备可靠度─费用函数 |
| 6.3.2 设备修复率─费用函数 |
| 6.3.3 设备生产率与费用间的关系 |
| 6.3.4 系统优化分配模型 |
| 6.4 基于可靠性增长规划技术的设备可靠性分配模型 |
| 6.4.1 试验持续时间与成本的关系 |
| 6.4.2 纠正有效性系数与成本的关系 |
| 6.4.3 管理策略与成本的关系 |
| 6.4.4 设备可靠性分配模型 |
| 6.5 优化算法的选择 |
| 6.6 柔性制造系统可靠性分配 |
| 6.6.1 特定可靠性水平下的柔性制造系统优化 |
| 6.6.2 特定成本下的柔性制造系统优化 |
| 6.6.3 特定可靠度水平下的设备可靠性优化 |
| 6.6.4 特定成本下的设备可靠性优化 |
| 6.6.5 柔性制造系统改进方向分析 |
| 6.7 本章小结 |
| 结论 |
| 参考文献 |
| 附录 A 300组模拟数据对 |
| 附录 B 攻读博士学位期间参与的科研项目 |
| 攻读博士学位期间发表的学术成果 |
| 致谢 |
（8）基于神经网络的不完美排错软件可靠性增长模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 主要问题 |
| 1.4 本文主要工作 |
| 1.5 论文组织结构 |
| 1.6 本章小结 |
| 第二章 SRGM的相关概念和发展历程 |
| 2.1 软件可靠性工程的发展历程和相关概念 |
| 2.1.1 软件可靠性增长模型的相关概念 |
| 2.1.2 软件可靠性增长模型的发展历程 |
| 2.2 不完美排错SRGM的研究进展 |
| 2.3 基于神经网络的SRGM的发展历程 |
| 2.4 本章小结 |
| 第三章 人工神经网络模型的建模机理 |
| 3.1 ANN的建模机理-以G-O模型为例 |
| 3.1.1 为传统模型构建ANN-以G-O模型为例 |
| 3.1.2 软件失效数据 |
| 3.1.3 数据归一化 |
| 3.2 动态加权组合神经网络模型的建模机理 |
| 3.3 广义动态集成神经网络的建模机理 |
| 3.4 模型的验证与分析 |
| 3.4.1 模型的参数估计方法 |
| 3.4.2 模型的评价标准 |
| 3.4.3 实验与分析 |
| 3.5 本章小结 |
| 第四章 考虑故障引进的动态加权组合模型 |
| 4.1 故障引进的概念 |
| 4.2 考虑故障引进的动态加权组合模型 |
| 4.2.1 提出模型的假设条件 |
| 4.2.2 一般的DWCM模型 |
| 4.2.3 考虑故障引进的DWCM |
| 4.3 模型的验证与分析 |
| 4.3.1 失效数据集和参与比较的模型 |
| 4.3.2 比较标准与参数估计 |
| 4.3.3 性能验证 |
| 4.4 本章小结 |
| 第五章 考虑排错等待延迟的广义动态集成网络模型 |
| 5.1 排错等待延迟的概念 |
| 5.2 考虑排错等待延迟的广义动态集成网络模型 |
| 5.2.1 提出模型的假设条件 |
| 5.2.2 一般的GDIM模型 |
| 5.2.3 考虑排错等待延迟的GDIM |
| 5.3 模型的验证与分析 |
| 5.3.1 失效数据集和参与比较的模型 |
| 5.3.2 比较标准与参数估计 |
| 5.3.3 性能验证 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 A 攻读硕士学位期间取得的研究成果 |
（9）滚动直线导轨副可靠性增长关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 国内外研究现状 |
| 1.2.1 可靠性工程的研究发展 |
| 1.2.2 可靠性增长技术的研究现状 |
| 1.2.3 滚动直线导轨副可靠性研究现状 |
| 1.3 课题背景和主要研究内容 |
| 1.3.1 研究背景和目的 |
| 1.3.2 研究的主要内容 |
| 1.3.3 论文研究思路 |
| 1.4 本章小结 |
| 2 滚动直线导轨副可靠性技术体系 |
| 2.1 导轨副可靠性技术体系组成 |
| 2.2 导轨副可靠性综合设计技术 |
| 2.2.1 导轨副可靠性设计准则 |
| 2.2.2 基于应力强度干涉的可靠性设计 |
| 2.2.3 基于抗磨损的可靠性设计 |
| 2.2.4 基于参数优化可靠性设计 |
| 2.3 导轨副制造过程的可靠性 |
| 2.3.1 加工的可靠性保障技术 |
| 2.3.2 装配的可靠性保障技术 |
| 2.3.3 外购件的可靠性保障技术 |
| 2.4 导轨副使用过程的可靠性 |
| 2.4.1 安装过程的可靠性保障技术 |
| 2.4.2 使用过程的可靠性保障技术 |
| 2.5 导轨副可靠性试验装备及技术 |
| 2.5.1 可靠性试验装备 |
| 2.5.2 可靠性试验装备功能说明 |
| 2.5.3 可靠性试验方法 |
| 2.6 本章小结 |
| 3 滚动直线导轨副可靠性增长试验 |
| 3.1 导轨副可靠度模型 |
| 3.1.1 可靠度和失效率 |
| 3.1.2 平均故障间隔时间MTBF |
| 3.1.3 基于威布尔分布的可靠性统计模型 |
| 3.1.4 小子样条件下的威布尔分布数据分析 |
| 3.2 导轨副故障分类 |
| 3.3 导轨副可靠性增长试验方法 |
| 3.3.1 试验设备 |
| 3.3.2 试验方法 |
| 3.4 导轨副可靠性增长试验实施 |
| 3.4.1 导轨副可靠性增长试验条件 |
| 3.4.2 导轨副可靠性增长试验剖面 |
| 3.4.3 导轨副的性能参数检测 |
| 3.5 导轨副可靠性增长试验结果分析 |
| 3.5.1 摩擦力数据分析 |
| 3.5.2 侧面行走平行度数据分析 |
| 3.5.3 顶面行走平行度数据分析 |
| 3.5.4 静刚度数据分析 |
| 3.6 本章小结 |
| 4 滚动直线导轨副可靠性增长评估 |
| 4.1 导轨副可靠性增长试验故障分析 |
| 4.2 导轨副平均故障间隔时间(MTBF)估计 |
| 4.2.1 导轨副MTBF评估方法 |
| 4.2.2 PMI组导轨副MTBF增长评估 |
| 4.2.3 GGB组导轨副MTBF增长评估 |
| 4.3 威布尔分布下的导轨副可靠性试验评估 |
| 4.4 两组导轨副试验结果分析 |
| 4.4.1 导轨副可靠性体系的应用 |
| 4.4.2 试验结果比较 |
| 4.5 本章小结 |
| 5 基于试验故障情况的导轨副可靠性增长设计 |
| 5.1 Hertz接触理论 |
| 5.2 导轨副的可靠性增长设计 |
| 5.2.1 基于故障情况的导轨副设计 |
| 5.2.2 导轨副材料选择 |
| 5.3 导轨副的有限元仿真 |
| 5.3.1 有限元分析步骤 |
| 5.3.2 导轨副的Solid Works三维图 |
| 5.3.3 导轨副在Workbench中的有限元仿真 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 论文主要研究内容和成果 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（10）基于高斯新分布的软件可靠性增长模型研究（论文提纲范文）
| 1 引言 |
| 2 相关工作 |
| 2.1 软件可靠性增长模型的发展历程 |
| 2.2 非齐次泊松过程类软件可靠性增长模型 |
| 3 高斯新分布的软件可靠性增长模型 |
| 4 实验 |
| 5 总结 |
四、软件可靠性增长模型研究（论文参考文献）
- [1]铁路软件可靠性增长模型应用研究[J]. 李红辉,赵森,管军霖,江周娴. 铁路计算机应用, 2021(04)
- [2]基于贝叶斯参数推断的产品全寿命周期可靠性增长动态规划方法[D]. 许栋. 电子科技大学, 2021(01)
- [3]小子样复杂系统可靠性增长试验关键技术研究[D]. 胡钧铭. 电子科技大学, 2021(01)
- [4]基于贝叶斯模型平均法的工业软件可靠性模型研究[D]. 余秋敏. 电子科技大学, 2021(01)
- [5]基于改进NHPP的物联网智能感知节点软件可靠性评估方法研究[D]. 胡陈. 四川师范大学, 2020(02)
- [6]可靠性模型中故障检测率研究述评[J]. 张策,刘宏伟,白睿,王瞰宇,王金勇,吕为工,孟凡超. 软件学报, 2020(09)
- [7]曲轴磨削自动化柔性系统可靠性提升技术研究[D]. 李中生. 北京工业大学, 2020(06)
- [8]基于神经网络的不完美排错软件可靠性增长模型研究[D]. 惠子青. 昆明理工大学, 2020(05)
- [9]滚动直线导轨副可靠性增长关键技术研究[D]. 张舟. 南京理工大学, 2020(01)
- [10]基于高斯新分布的软件可靠性增长模型研究[J]. 惠子青,刘晓燕. 数据通信, 2019(04)