[发明专利]一种基于多变环境下加速退化数据的集成寿命预测方法

权利要求书

1.一种基于多变环境下加速退化数据的集成寿命预测方法，其特征在于，包括以下几个步骤：

步骤一、数据集重采样及数据集划分

假设采集到同时包含加速退化数据和多变环境数据的数据{s_i,d_i,Δy_i,t_i},i＝1,2,...,N，其中s_i＝[s_i1，s_i2，…s_im]为应力组合，m为应力的个数；d_i为退化量；△y_i为退化增量，即退化量的增量；t_i为时间；N为数据的数量；

应用Bagging算法对数据集进行N中取N的有放回重采样，得到三组采样数据集S_ji(j＝a，b，c)，分别应用于步骤二～步骤四的预测子模型构建中；然后，将数据集S_b和S_c按照75/25的比例划分为训练集和测试集；

步骤二、建立基于贝叶斯方法的寿命预测子模型

应用Wiener过程模型来构建性能退化模型，即：

Y(t)＝σB(t)+d(s_i)·t+y₀ (1)

式中，Y(t)是产品的性能退化过程，B(t)是标准布朗运动：B(t)～N(0，t)；σ是扩散系数；y₀是产品退化参数的初始值；d(s_i)是应力和时间的函数且反映了产品的退化率，t为时间，采用广义线性模型来表示，如：

式中，是关于应力的已知函数；β_j(j＝1，2，…n)为模型常数；

根据其性质，单位时间Δt的退化增量Δy服从均值为d(s)·Δt，方差为σ²Δt的正态分布，即：

Δy_ai～N(d(s_ai)·Δt,σ²Δt) (3)

将采样数据集S_ai中的包含加速退化数据和多变环境数据的应力组合s_ai、退化增量△y_ai和时间间隔Δt作为输入，带入公式(2)和(3)中；然后，利用马尔科夫蒙特卡洛方法(MCMC)对模型参数进行求解，并将求解所得模型参数代入性能退化模型(公式(1))中，即得到基于贝叶斯方法的寿命预测子模型f_Bayesian；

步骤三、建立基于支持向量机的寿命预测子模型

首先，对采样数据集S_b中数据进行归一化处理；然后将数据集中的应力组合s_bi及时间t作为输入，将退化数据d_bi作为模型的输出，应用归一化处理后训练集进行模型训练；

对支持向量机中参数进行初始化，并选择RBF核函数，同时利用网格搜索算法和粒子群优化算法，对核函数参数进行优化；并利用得到的最优参数建立预测模型，即得到基于支持向量机的寿命预测子模型f_SVM；

步骤四、建立基于BP神经网络的寿命预测子模型

根据采样数据集S_c中的应力组合s_ci及时间t作为输入，将退化数据d_ci作为网络的输出，通过分析输入输出数据结构确定输入层、输出层和隐层数目从而建立神经网络；

然后，将训练集和测试集归一化后输入到网络中进行训练，当训练误差或者迭代次数满足设定的要求后，即得到基于BP神经网络的寿命预测子模型f_BP，所述设定的要求为：误差小于0.001或者迭代次数达到1000；

步骤五、建立集成寿命预测模型

由步骤二～步骤四，可以得到三个寿命预测子模型，进而可以根据集成学习Bagging方法对子模型进行融合，建立集成寿命预测模型；

采用数据方式对集成预测模型进行构建，对子模型输出计算平均值，公式如下：

式中，f_Bayesian，f_SVM和f_BP分别代表三个寿命预测子模型，f_Ensemble则为以数据形式表示的集成寿命预测模型。