[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

摘要

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。

主权项

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{si,di,Δyi,ti},i＝1,2,...,N,其中si＝[si1,si2,…sim]为应力组合，m为应力的个数；di为退化量；Δyai为退化增量，即退化量的增量；ti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Sji(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Sb和Sc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)·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)是应力和时间的函数且反映了产品的退化率，采用广义线性模型来表示，如：式中，是关于应力的已知函数；B_j(j＝0,1,2,…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：Δyi～N(d(si)·Δt,σ2Δt)   (3)将采样数据集Sai中的包含加速退化数据和多变环境数据的应力组合sai、退化增量Δyai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fBayesian；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Sb中数据进行归一化处理；然后将数据集中的应力组合sbi及时间t作为输入，将退化数据dbi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(如令c＝g＝1.49)，并选择核函数(如RBF核函数等)，同时利用网格搜索算法/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fSVM；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Sc中的应力组合sci及时间t作为输入，将退化数据dci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(如误差小于0.001或者迭代次数达到1000)，即得到基于BP神经网络的寿命预测子模型fBP；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，fBayesian,fSVM和fBP分别代表三个寿命预测子模型，fEnsemble则为以数据形式表示的集成寿命预测模型。