CN102262700B - 基于小波分析的退化数据预处理的产品寿命预测方法 - Google Patents
基于小波分析的退化数据预处理的产品寿命预测方法 Download PDFInfo
- Publication number
- CN102262700B CN102262700B CN 201110217637 CN201110217637A CN102262700B CN 102262700 B CN102262700 B CN 102262700B CN 201110217637 CN201110217637 CN 201110217637 CN 201110217637 A CN201110217637 A CN 201110217637A CN 102262700 B CN102262700 B CN 102262700B
- Authority
- CN
- China
- Prior art keywords
- data
- product
- temperature
- degraded data
- degradation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Abstract
本发明公开了一种基于小波分析的退化数据预处理的产品寿命预测方法,具体步骤为:步骤一、搜集退化及温度数据;步骤二、提取退化趋势项;步骤三、分解噪声项;步骤四、重构退化数据;步骤五、进行产品寿命预测。本发明可以剔除退化数据中温度波动的干扰,还原真实的退化数据;可用于加速退化试验的加速退化数据预处理,从而提高产品寿命预测的准确性;可直接提取在温度波动和温度漂移作用下的性能参数波动数据,从而避免了采用温度建模等步骤。
Description
技术领域
本发明是一种基于小波分析的退化数据预处理的产品寿命预测方法,属于数据处理技术领域。
背景技术
对于电子、光电等产品而言,温度是它们的敏感应力并影响着它们的性能参数,在实际使用以及试验过程中,这些性能参数除了在时间上会表现出退化的趋势,还会同时表现出与温度相关的变化趋势(性能参数的温度漂移)。在这种退化、温度漂移叠加的情况下,所得到的性能参数退化数据很难真实的反映产品的退化过程。因此,在实际观测、分析以及利用这些数据预测产品寿命时,通过它所获得的寿命预测结果很难准确、真实的反映产品的实际情况。因此就需要对这些数据进行预处理,剔除温度漂移的影响,提取产品真实的退化过程,从而对产品的寿命进行预测。
发明内容
本发明的目的是为了解决上述问题,将温度的波动看做一种噪声,因此在温度波动作用下的退化数据由退化趋势项、温度波动作用下的噪声项以及退化自身的随机噪声项组成。通过小波分析的方法将退化数据分解为上述三项,并依此将温度波动作用下的噪声项从退化数据中剔除,从而剔除了温度波动的影响,完成了退化数据的预处理,应用预处理后的退化数据进行产品寿命预测。
本发明的基于小波分析的退化数据预处理的产品寿命预测方法,具体步骤为:
步骤一、搜集退化及温度数据;
步骤二、提取退化趋势项;
步骤三、分解噪声项;
步骤四、重构退化数据;
步骤五、进行产品寿命预测。
本发明的优点在于:
(1)可以剔除退化数据中温度波动的干扰,还原真实的退化数据;
(2)可用于加速退化试验的加速退化数据预处理,从而提高产品寿命预测的准确性;
(3)可直接提取在温度波动和温度漂移作用下的性能参数波动数据,从而避免了采用温度建模等步骤。
附图说明
图1是本发明的流程图;
图2是本发明实施例中步骤一搜集的退化及温度数据曲线图;
图3是本发明实施例中步骤一搜集的退化及温度数据曲线图;
图4是本发明实施例中步骤二搜退化趋势项yt′的曲线图;
图5是本发明实施例中步骤三噪声项ynT′曲线图;
图6是本发明实施例中步骤三随机噪声项ynR′曲线图;
图7是本发明实施例中步骤四退化数据y′曲线图;。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明是一种基于小波分析的退化数据预处理的产品寿命预测方法,流程图如图1所示,包括以下几个步骤:
步骤一、搜集退化及温度数据
对需要处理的退化数据yp进行搜集,同时利用温度传感器等手段将退化数据采样点所对应的产品温度数据T进行搜集。从而获得在时间上一一对应的退化数据和温度数据。
步骤二、提取退化趋势项
由于温度波动作用下的退化数据yp是由退化趋势项yt、温度波动作用下的噪声项ynT以及退化自身的随机噪声项ynR组成的,因此退化数据yp可以表示为:
yp=yt+ynT+ynR (1)
同时真实情况下的退化数据y可表示为:
y=yt+ynR (2)
利用小波分析中的多分辨率分析的方法(matlab中的小波分析工具箱)对退化数据进行分解,将退化数据yp分解为近似退化趋势项yt′和噪声项yn。在分解过程中,不断的调整分析函数的参数,并将所得到的噪声项yn和温度数据T进行相关性分析,当得到的相关性r1最大时,即可认为得到了最优的分解结果。此时的退化数据可表示为:
yp=yt′+yn (3)
步骤三、分解噪声项
为了提取温度波动和温度漂移作用下的性能参数波动数据,即温度波动作用下的噪声项ynT,需要将步骤二得到的噪声项yn进行分解。采用小波分析中的多分辨率分析的方法(matlab中的小波分析工具箱)对噪声项yn进行分析,将其近似分解为温度波动作用下的噪声项ynT′以及退化自身的随机噪声项ynR′。在分解过程中,不断的调整分析函数中的参数,并将所得到的温度波动作用下的噪声项ynT′和温度数据T进行相关性分析,当二者的相关性r2同时满足以下条件时:
1)调整过程中,相关性r2最大时的结果;
2)r2>r1;
3)设定最低可接受相关性值rl,r2>rl;
即可认为得到了最优的结果,从而将噪声项yn中的温度波动作用下的噪声项ynT′以及退化自身的随机噪声项ynR′分离开。此时,所得到的温度波动作用下的噪声项ynT′同ynT最接近。
步骤四、重构退化数据
由公式(1)和公式(2)可知,重构退化数据可表示为:
y′=yt′+ynR′ (4)
因此通过公式(4)便可得到重构后的退化数据y′,即y′为预处理后的退化数据。
步骤五、进行产品寿命预测
通常温度作用下产品的寿命预测模型的形式为:
τ=L(T|Y) (5)
其中τ为产品的寿命,T为产品所处的温度,Y为产品的退化模型。
退化模型可表示为:
Y=F(T,t|θ) (6)
其意义为在温度T作用下,经历时间t,产品的退化参数值。其中θ为模型的参数向量。
因此,结合模型(6),通过温度T作用下t时刻的退化数据y,便可求得θ的值。从而得到退化模型及寿命预测模型的具体形式,进而实现了产品的寿命预测。
由此可见,若使用未经处理的退化数据yp来开展寿命预测,会将与退化无关的量引入到退化模型的求解中,从而影响寿命预测的精度。而采用步骤四中得到的预处理后的退化数据y′来进行寿命预测,就可有效的避免上述问题,从而在寿命预测的同时提高了其精度。
实施例:
若对某产品实施温度应力加速退化试验,样本量为1,温度应力100℃,试验时间为1000小时。现对其退化数据进行预处理。
步骤一、搜集退化及温度数据
对需要处理的退化数据yp进行搜集,同时利用温度传感器将退化数据采样点所对应的产品温度数据T进行搜集。所搜集的数据如图2,图3所示。
步骤二、提取退化趋势项
利用小波分析中的多分辨率分析的方法(matlab中的小波分析工具箱)对退化数据进行分解,将退化数据yp分解为近似退化趋势项yt′和噪声项yn。当所得到的噪声项yn和温度数据T的相关性r1达到最大值0.9416时(相关性取值范围为(0,1)),即得到了最优的分解结果。此时的近似退化趋势项yt′如图4所示。
步骤三、分解噪声项
对步骤二得到的噪声项yn进行分解。采用小波分析中的多分辨率分析的方法(matlab中的小波分析工具箱)对噪声项yn进行分析,将其近似分解为温度波动作用下的噪声项ynT′以及退化自身的随机噪声项ynR′。若设定最低可接受相关性值rl为0.95,当温度波动作用下的噪声项ynT′和温度数据T进行相关性达到最大值0.9586时,即得到了最优的结果,此时分解后的温度波动作用下的噪声项ynT′以及退化自身的随机噪声项ynR′分别如图5、图6所示。
步骤四、重构退化数据
通过公式(4)得到重构后的退化数据y′,即y′为预处理后的退化数据,如图7所示。
步骤五、进行产品寿命预测
通过对图7和图2进行对比,可以看出处理后的退化数据只与产品的退化有关,剔除了同退化无关的温度漂移影响。将预处理后的退化数据y′带入产品的退化模型,确定相关参数,得到退化模型及寿命预测模型的具体形式,从而实现了对产品寿命的预测。
若要得到产品在100℃时的寿命。已知100℃时产品的退化模型为:
y=50-(1/θ)t+ε其中θ为模型参数,ε为服从正态分布的随机噪声,ε~N(μ,σ2)。
y的值达到C时产品失效,产品的寿命预测模型为:
τ=θ(50-C+ε)
通过退化数据y′拟合得到θ,μ,σ2的评估值后,便可对产品100℃时的寿命、各概率下的分位寿命进行预测。
Claims (2)
1.一种基于小波分析的退化数据预处理的产品寿命预测方法,其特征在于,包括以下几个步骤:
步骤一、搜集退化及温度数据
搜集退化数据yp和退化数据采样点所对应的产品温度数据T,得到在时间上一一对应的退化数据和温度数据;
步骤二、提取退化趋势项
退化数据yp是由退化趋势项yt、温度波动作用下的噪声项ynT以及退化自身的随机噪声项ynR组成的,退化数据yp表示为:
yp=yt+ynT+ynR (1)
真实情况下的退化数据y表示为:
y=yt+ynR (2)
采用小波分析中的多分辨率分析的方法对退化数据进行分解,将退化数据yp分解为近似退化趋势项和噪声项yn,在分解过程中,不断的调整分析函数的参数,并将所得到的噪声项yn和温度数据T进行相关性判断,当得到的噪声项yn和温度数据T相关性r1最大时,即得到了最优的分解结果,此时退化数据yp表示为:
步骤三、分解噪声项
采用小波分析中的多分辨率分析的方法对噪声项yn进行分解,将噪声项yn分解为温度波动作用下的噪声项ynT′以及退化自身的随机噪声项ynR′,在分解过程中,不断的调整分析函数中的参数,并将所得到的温度波动作用下的噪声项ynT′和温度数据T进行相关性分析,当二者的相关性r2同时满足以下条件时:
1)调整过程中,相关性r2最大时的结果;
2)r2>r1;
3)设定最低可接受相关性值rh,r2>rh;
得到最优的分解结果;
步骤四、重构退化数据
通过公式(1)和公式(2)可得,重构退化数据为:
通过公式(4)得到重构后的退化数据y′,y′为预处理后的退化数据;
步骤五、进行产品寿命预测
通过步骤四得到的预处理后的退化数据,进行产品寿命预测。
2.根据权利要求1所述的一种基于小波分析的退化数据预处理的产品寿命预测方法,其特征在于,所述的步骤五具体为:
温度T作用下产品的寿命预测模型为:
τ=L(T|Y) (5)
其中τ为产品的寿命,T为产品所处的温度,Y为产品的退化模型;
退化模型为:
Y=F(T,t|θ) (6)
退化模型表示在温度T作用下,在t时刻,产品的退化参数值;其中θ为产品退化模型的参数向量;
因此,结合模型(6),通过温度T作用下t时刻的退化数据y,获取θ的值,从而得到退化模型及寿命预测模型的具体形式,实现产品的寿命预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110217637 CN102262700B (zh) | 2011-08-01 | 2011-08-01 | 基于小波分析的退化数据预处理的产品寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110217637 CN102262700B (zh) | 2011-08-01 | 2011-08-01 | 基于小波分析的退化数据预处理的产品寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102262700A CN102262700A (zh) | 2011-11-30 |
CN102262700B true CN102262700B (zh) | 2013-01-30 |
Family
ID=45009324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110217637 Expired - Fee Related CN102262700B (zh) | 2011-08-01 | 2011-08-01 | 基于小波分析的退化数据预处理的产品寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102262700B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102628356B (zh) * | 2012-03-22 | 2015-09-23 | 中国石油天然气股份有限公司 | 抑制稠油热采井温度监测噪声的方法 |
CN102779208B (zh) * | 2012-06-19 | 2014-11-05 | 北京航空航天大学 | 基于相对熵的序贯加速退化试验优化设计方法 |
US9375183B2 (en) * | 2012-06-28 | 2016-06-28 | General Electric Company | Method for monitoring sensor degradation, patient monitor, patient monitor system, physiological sensor, and computer program product for a patient monitor |
CN103488884B (zh) * | 2013-09-12 | 2016-07-13 | 北京航空航天大学 | 基于小波神经网络的退化数据缺失插补方法 |
CN103793613B (zh) * | 2013-12-13 | 2017-01-11 | 北京航空航天大学 | 基于回归分析和rbf神经网络的退化数据缺失插补方法 |
CN103810392B (zh) * | 2013-12-13 | 2017-02-08 | 北京航空航天大学 | 基于支持向量机和rbf神经网络的退化数据缺失插补方法 |
CN104318031B (zh) * | 2014-10-31 | 2017-04-12 | 电子科技大学 | 一种基于退化曲线相似度的电子产品健康度预测方法 |
CN113608136B (zh) * | 2021-07-27 | 2024-04-26 | 中北大学 | 一种多尺度锂离子电池健康状态的预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620045A (zh) * | 2009-07-31 | 2010-01-06 | 北京航空航天大学 | 基于时间序列的步进应力加速退化试验可靠性评估方法 |
CN101870076A (zh) * | 2010-07-02 | 2010-10-27 | 西南交通大学 | 一种基于性能退化模型的数控机床导轨副寿命预测方法 |
CN101894221A (zh) * | 2010-08-02 | 2010-11-24 | 北京航空航天大学 | 基于退化量分布非平稳时序分析的加速退化试验产品寿命预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7297242B2 (en) * | 2004-08-25 | 2007-11-20 | Honeywell International, Inc. | Self-adjusting electrochemical sensor |
-
2011
- 2011-08-01 CN CN 201110217637 patent/CN102262700B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620045A (zh) * | 2009-07-31 | 2010-01-06 | 北京航空航天大学 | 基于时间序列的步进应力加速退化试验可靠性评估方法 |
CN101870076A (zh) * | 2010-07-02 | 2010-10-27 | 西南交通大学 | 一种基于性能退化模型的数控机床导轨副寿命预测方法 |
CN101894221A (zh) * | 2010-08-02 | 2010-11-24 | 北京航空航天大学 | 基于退化量分布非平稳时序分析的加速退化试验产品寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102262700A (zh) | 2011-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102262700B (zh) | 基于小波分析的退化数据预处理的产品寿命预测方法 | |
ZHANG et al. | Progress of chemometrics in laser-induced breakdown spectroscopy analysis | |
US9075713B2 (en) | Method for detecting anomalies in multivariate time series data | |
CN107358250A (zh) | 基于双波段雷达微多普勒融合的人体步态识别方法及系统 | |
CN101807301A (zh) | 一种基于高阶统计量的高光谱图像目标检测方法 | |
CN111337447B (zh) | 一种煤矸仿生识别系统及方法 | |
CN104316491A (zh) | 基于同步-异步二维近红外相关谱检测牛奶掺尿素的方法 | |
CN103712923A (zh) | 土壤野外原位测量光谱中去除水分影响因素的方法 | |
CN105862935A (zh) | 一种用于挡土墙结构系统的损伤识别方法 | |
CN106680215A (zh) | 一种适合于热红外高光谱遥感的SiO2含量定量计算方法 | |
CN116049654B (zh) | 一种选煤设备的安全监测预警方法及系统 | |
CN110765983A (zh) | 一种基于微震频谱特征的煤柱型冲击地压危险性评价方法 | |
CN102519577B (zh) | 道路中路面的识别方法及系统 | |
Ruan et al. | A novel hybrid filter/wrapper method for feature selection in archaeological ceramics classification by laser-induced breakdown spectroscopy | |
CN104483299A (zh) | 一种矿区水害水源辨别方法 | |
Fang et al. | Detecting anomalies and de-noising monitoring data from sensors: A smart data approach | |
CN108827909B (zh) | 基于可见近红外光谱与多目标融合的土壤快速分类方法 | |
CN106595850A (zh) | 一种机械振动信号的故障分析方法 | |
García et al. | Damage assessment for wind turbine blades based on a multivariate statistical approach | |
CN111339986B (zh) | 基于时域/频域分析的装备用频规律挖掘方法和系统 | |
CN108038442A (zh) | 一种基于数据挖掘的微震信号的识别方法 | |
CN109031416A (zh) | 微地震p波初至拾取的方法 | |
CN115310499B (zh) | 一种基于数据融合的工业设备故障诊断系统及方法 | |
CN104200472A (zh) | 基于非局部小波信息的遥感图像变化检测方法 | |
CN105277981B (zh) | 基于波场延拓补偿的非一致性时移地震面元匹配方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130130 Termination date: 20200801 |
|
CF01 | Termination of patent right due to non-payment of annual fee |