[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

说明书

本发明公开了一种基于多变环境下加速退化数据的集成寿命预测方法，为了解决目前利用加速退化数据进行寿命预测时忽略的多变环境影响问题。首先，利用集成学习中Bagging算法对数据集进行重采样并进行数据集划分；然后，利用采样集数据分别建立基于贝叶斯方法、支持向量机方法和BP神经网络方法的寿命预测子模型；最后，利用集成学习方法中的结合策略对子模型进行输出平均，得到集成寿命预测模型。本发明在考虑多变环境应力影响的同时，可以提高产品寿命预测的稳定性和精度，并提高预测模型的泛化能力。本发明适用于受多变环境影响的产品的寿命预测。

技术领域

本发明是一种针对多变环境影响下的加速退化数据，基于集成学习思想、贝叶斯方法和机器学习方法的寿命预测方法，属于寿命预测技术领域。

背景技术

对于产品而言，对其开展寿命预测是一项十分必要的工作，它能够指导维修策略，从而降低维修成本和系统风险。目前，对于高可靠性产品来说，其寿命预测的开展主要通过分析加速退化数据来实现。然而，现有的研究中，在考虑加速退化数据的同时，往往忽略可能影响产品退化的多变环境，忽略这些影响可能会导致预测结果的不准确。针对这一问题，当前应用比较广泛的是采用多种数学变换的方式将环境因素作为因子，但在实际应用中，很难确定一个参数来精准的表示多变应力对退化的影响。因此，需要进一步提出更为适宜的方法来表征多变环境应力和寿命之间的关系。

在对于多种应力影响的寿命预测模型建模方面，贝叶斯方法和机器学习方法是目前较为有效的两类方法，其中贝叶斯方法可以通过先验信息不断更新迭代得到精确的评估值，且可以结合马尔科夫蒙特卡洛(MCMC)方法实现参数快速求解，该方法在描述不确定性和解决小样本问题上存在很大的优势，但也会存在模型选择困难问题和先验信息难获取问题；机器学习方法可以单纯通过分析数据间规律而建立预测模型，但对于数据量有一定的要求，且容易出现过拟合现象。同时，两类方法都会存在随着数据波动增大预测稳定性降低的问题。从以上分析可知，两类方法的特点在使用中可以实现优势互补，若可以将两种方法有效结合并解决二者存在的问题，则可以建立较为可行的预测模型。在模型融合和解决预测稳定性方面，集成学习方法，尤其是Bagging方法，可以将多个具有相同或不同能力的模型进行动态有机融合，在实现精度提升的同时，大幅度提高了算法的泛化能力，为解决上述问题提供了有效的技术途径。

因此，面向需解决的具体问题，本专利提出针对多变环境条件影响的加速退化数据，基于集成学习算法对贝叶斯网络、两种典型机器学习算法(支持向量机和BP神经网络)有效集成的寿命预测方法，该方法具有一定独创性。

发明内容

本发明的目的是为了解决上述问题，提出一种能够有效的利用多变环境影响的加速退化数据对产品的寿命进行预测的方法，并获得准确有效且相对稳定的预测结果。

本发明的具体步骤为：

步骤一、数据集划分及数据集重采样；

步骤二、建立基于贝叶斯方法的寿命预测子模型；

步骤三、建立基于支持向量机的寿命预测子模型；

步骤四、建立基于BP神经网络的寿命预测子模型；

步骤五、建立集成寿命预测模型。

本发明的优点在于：

(1)本发明建立了多变环境应力和加速应力与产品寿命的关系模型，可准确描述多变环境对产品寿命的影响；

(2)本发明利用集成学习方法融合了贝叶斯方法和机器学习两类方法，综合了两类方法的优点，提高了模型泛化能力，并获得更为精确的预测结果。

附图说明

图1是本发明的流程图；

图2是支持向量机子模型训练效果图；

图3是BP神经网络预测子模型训练效果图；；