[发明专利]一种基于动态双极MPNN的小样本数据对象的寿命预测方法

权利要求书

1.一种基于动态双极MPNN的小样本数据对象的寿命预测方法，其特征在于：

步骤一、收集寿命预测对象的所有可用的寿命预测数据；

步骤二、寿命预测相关数据预处理；

对步骤一得到的寿命预测数据进行分析和筛选，提取出预测对象的寿命表征参数和寿命影响因素，并对寿命影响因素进行分类，同时，对筛选出的数据进行奇异值剔除、数据降噪的预处理工作；

步骤三、数据相关性分析；

对步骤二中筛选到的寿命影响因素数据进行相关性分析，从而得到这些寿命影响因素同预测对象寿命表征参数间函数关系；

步骤四、数据映射并得到预测对象的当量数据值；

利用步骤三得到的在各寿命影响因素的作用下，得到的相似产品同预测对象寿命表征参数间的相关关系，以参考的相似产品数据为基础，映射并得到预测对象寿命表征参数的当量数据值；

步骤五、MPNN网络构建；

把PNN网络输出层核函数更改为数学期望函数Expect(g)，得到MPNN网络；

步骤六、一次MPNN网络的建立、训练及预测；

利用预测对象寿命表征参数及其由步骤四得到的当量数据做差分比例处理，构造一次MPNN的训练样本及测试样本；将由上述构造的输入向量、目标向量进行归一化处理，然后输入一次MPNN网络对其进行训练，从而确定一次MPNN网络参数，并利用训练好的一次MPNN神经网络，对寿命表征参数进行预测；

步骤七、二次MPNN网络的建立、训练及预测；

利用经预处理后预测对象表征寿命参数数据和一次MPNN的预测结果，构造二次MPNN的训练及测试样本，进而开展预测工作，最后根据预测对象寿命表征参数的寿命终止判据确定预测对象的寿命值；

步骤八、动态时间窗调整；

根据实际对象特点及使用要求，设置相应的动态时间间隔，按照设置的时间间隔，重复上述步骤二到步骤七，对双极MPNN网络进行重新训练和预测。

2.根据权利要求1所述的基于动态双极MPNN的小样本数据对象的寿命预测方法，其特征在于：所述的相关性分析是指通过函数逼近或利用SPSS，实现对不同参数数据的相关性分析，从而得到参数数据间的映射关系。 

3.根据权利要求1所述的基于动态双极MPNN的小样本数据对象的寿命预测方法，其特征在于：所述的MPNN网络的训练和预测过程表述为：隐含层权重矩阵w^[1]被置为输入训练样本矩阵Y_(N×R)，输出层权重矩阵w^[2]被置为训练样本的目标矩阵T_(K×N)；当输入所要分类的样本向量X时，隐含层计算输入向量与训练样本之间的距离，并输出归属每一类别的概率密度；输出层的数学期望函数Expect(g)根据上层输出的概率密度计算出数学期望值，并把所得到的数学期望值作为MPNN网络的输出。

4.根据权利要求1所述的基于动态双极MPNN的小样本数据对象的寿命预测方法，其特征在于：所述的预测对象的寿命表征参数及参数数据如下：

(1)相似产品寿命表征参数的全寿命数据，即从相似产品开始使用到该相似产品寿命终结的历史时间序列数据，其时间序列数据表示为：{L_sim_x1，L_sim_x2，……，L_sim_xend；

(2)预测对象寿命表征参数现有的不完全寿命数据，即从预测对象开始使用到目前为止所有的时间序列数据，其时间序列数据表示为：L_obj_x1，L_obj_x2，……，L_obj_xnow。

5.根据权利要求1所述的基于动态双极MPNN的小样本数据对象的寿命预测方法，其特征在于：所述的寿命影响因素及寿命影响因素数据分为以下两类：

(1)时间序列寿命影响因素数据：同预测对象寿命表征参数具有相同时间尺度寿命影响因素数据，这些影响因素数据表示为P_in1、P_in2、P_in3、……，其中，P_in1表示为：P_in1_1、P_in1_2、P_in1_3、……、P_in1_i、……、P_in1_now，同理，P_in2、P_in3、……也表述为相应的序列形式；

(2)数据调整寿命影响因素数据：此类影响因素数据为有限个数据对，这些数据对是相似产品的历史数据，反应的是相应寿命影响因素参数同寿命之间的对应关系，用于局部调整预测对象寿命表征参数L_index及时间序列P_in1、P_in2、P_in3、……的数据。