CN102901651A - 电子产品分数阶神经网络性能退化模型及寿命预测方法 - Google Patents
电子产品分数阶神经网络性能退化模型及寿命预测方法 Download PDFInfo
- Publication number
- CN102901651A CN102901651A CN2012103978727A CN201210397872A CN102901651A CN 102901651 A CN102901651 A CN 102901651A CN 2012103978727 A CN2012103978727 A CN 2012103978727A CN 201210397872 A CN201210397872 A CN 201210397872A CN 102901651 A CN102901651 A CN 102901651A
- Authority
- CN
- China
- Prior art keywords
- performance degradation
- electronic product
- fractional order
- neural network
- stress
- 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.)
- Granted
Links
Images
Abstract
本发明公开了一种电子产品分数阶神经网络性能退化模型及寿命预测方法,具体步骤为:(1)对受试电子产品进行恒定应力加速寿命试验,获得不同应力等级下的性能退化数据;(2)使用(1)步中得到的性能退化数据,利用灰色理论中的GM(1,1)模型计算得到待预测应力T0下的性能退化数据;(3)利用(2)步中得到的应力T0下的性能退化数据训练分数阶神经网络;(4)利用(3)步中训练好的分数阶神经网络进行滚动多步预测;(5)将(4)步中的预测值与电子产品的失效阈值相比较,预测失效时间,从而确定电子产品寿命。本发明的电子产品寿命预测方法,适用于在不同应力下建立性能退化模型,无需考虑电子产品的失效机理,实现简单,预测精度高。
Description
技术领域
本发明涉及电子产品的故障预测与健康管理预测技术,具体涉及一种电子产品分数阶神经网络性能退化模型及寿命预测方法。
背景技术
飞机故障预测与健康管理(PHM)技术作为实现系统视情维修、自主式保障的关键技术,能够显著降低维修、使用和保障费用,提高飞行器安全性和可用性,提高军用飞机的战备完好率和任务成功率。随着“多电”飞机与“全电”飞机的迅速发展,机载电子产品的寿命与可靠性将影响到整个设备乃至系统的正常运行。对机载电子产品寿命的准确预测能够为备份件的准备、状态的维护及各种维修策略的制定等提供重要的依据,是机载电子产品故障预测与健康管理技术的重要组成部分,受到了国内外广泛重视。
现有的寿命预测方法中,基于性能退化分析的方法是目前的一个研究热点,根据电子产品或系统的性能退化数据建立退化轨迹模型,预测性能退化值并结合失效阈值预测寿命。性能退化轨迹建模方法可分为两类:1)基于机理的建模方法,即根据电子产品的物理特性或失效机理建立模型;2)基于数据驱动的建模方法,采用时间序列分析技术、神经网络等方法对历史性能退化数据进行拟合,建立性能退化轨迹模型,不依赖于失效机理。由于电子产品本身的复杂性,其失效机理很难准确获知,目前主要根据监测性能退化数据进行电子产品的寿命预测。
分数阶神经网络将分数阶傅里叶变换核函数作为神经网络隐含层节点的传递函数,从时频两方面分析数据,比BP神经网络具有更灵活有效的函数逼近能力,在短时数据分析方面比小波神经网络具有更强的自适应能力、更快的收敛速度。此外,传统的利用阿伦尼斯(Arrhenius)模型、逆幂律模型、广义艾林(Egring)模型等电子产品寿命预测方法为针对某一特定应力(如阿伦尼斯模型只适用于温度应力)下的失效机理的建模方法。本发明通过恒定应力加速寿命试验获取电子产品性能退化数据,利用分数阶神经网络建立电子产品的性能退化模型,从而进行寿命预测,该方法适用于在不同应力下建立性能退化模型,无需考虑电子产品的失效机理,实现简单,预测精度高。
发明内容
本发明的目的在于提供一种电子产品分数阶神经网络性能退化模型及寿命预测方法,通过恒定应力加速寿命试验获得受试电子产品的性能退化数据,并将其用于训练分数阶神经网络,得到能够反映电子产品性能退化规律的分数阶神经网络模型,实现电子产品的寿命预测,提高了预测精度,简单实用。
为了实现上述目的,本发明的电子产品分数阶神经网络性能退化模型及寿命预测方法,具体包括以下步骤:
(1)选择温度作为加速应力,确定待测电子产品的实际工作环境温度T0,以T0为参考,设定在应力T1、T2、…、Tp下分别对受试电子产品进行恒定应力加速寿命试验,获取各应力等级下从t0到tn时刻电子产品的性能退化数据,记为xs,v(xs,v为应力等级Ts下tv时刻电子产品性能退化数据),其中s=1,2,…,p(p≥4)、v=0,1,2,…n、T0<T1<T2<T3<…<Tp-1<Tp且T1-T0=T2-T1=…=Tp-TP-1、T1=1.2T0、Tp≤0.7TM,TM为受试电子产品规定所能承受的最高温度。
获取各应力等级下从t0到tn时刻电子产品的性能退化数据xs,v,具体实现为:在应力等级Ts(s=1,2,…,p)下放置τ个受试电子产品,对受试电子产品进行恒定应力加速寿命试验,在tv(v=0,1,2,…n)时刻记录τ个电子产品的性能退化数据,取τ个数据的算术平均值作为tv时刻最终的性能退化数据,即为xs,v。
(2)使用(1)步中得到的xs,v,利用灰色理论中的GM(1,1)模型,以x1,v、x2,v、…、xp,v(v=0,1,…n)为原始数据,计算得到tv时刻温度T0下的性能退化数据xv(v=0,1,…n)。
(3)利用(2)步中的性能退化数据x0、x1、x2、x3、…、xn训练分数阶神经网络,建立分数阶神经网络性能退化模型,具体包括以下步骤(3.1)~(3.5):
(3.1)分数阶神经网络的拓扑结构为三层网络结构(1个输入层、1个隐含层和1个输出层,上一层每个节点通过唯一路径与下一层各个节点相连),输入层节点数为9,隐含层节点数为12,输出层节点数为1;
(3.2)分数阶神经网络初始化,设定分数阶核函数的旋转角αj为0.8,网络连接权重ωij、ωj、bj分别为0.7、0.5、0.4,网络学习速度η为0.6、动量因子md为0.8;
(3.3)对训练样本归一化处理;
(3.4)预测输出,并计算预测输出与期望输出之间的误差e;
(3.5)根据误差e修正网络权值和分数阶核函数的阶次;
(3.6)判断误差e是否达到规定要求,若达到要求,则训练结束,否则返回(3.5)步。
附图说明
图1是电子产品寿命预测流程图;
图2是分数阶神经网络拓扑结构图;
图3是分数阶神经网络训练流程图。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明。
如图1所示,本发明通过恒定应力加速寿命试验获得受试电子产品的性能退化数据,并将其用于训练分数阶神经网络,建立分数阶神经网络性能退化模型,然后基于分数阶神经网络性能退化模型实现电子产品的寿命预测,具体包括以下步骤:
(1)选择温度作为加速应力,确定待测电子产品的实际工作环境温度T0,以T0为参考,设定在应力T1、T2、…、Tp下分别对受试电子产品进行恒定应力加速寿命试验,获取各应力等级下从t0到tn时刻电子产品的性能退化数据,记为xs,v(xs,v为应力等级Ts下tv时刻电子产品性能退化数据),其中s=1,2,…,p(p≥4)、v=0,1,2,…n、T0<T1<T2<T3<…<TP-1<Tp且T1-T0=T2-T1=…=Tp-TP-1、T1=1.2T0、Tp≤0.7TM,TM为受试电子产品规定所能承受的最高温度。
获取各应力等级下从t0到tn时刻电子产品的性能退化数据xs,v,具体实现为:在应力等级Ts(s=1,2,…,p)下放置τ个受试电子产品,对受试电子产品进行恒定应力加速寿命试验,在tv(v=0,1,2,…n)时刻记录τ个电子产品的性能退化数据,取τ个数据的算术平均值作为tv时刻最终的性能退化数据,即为xs,v。
对本发明中的加速寿命试验,其试验时间为受试电子产品在各应力等级下同时开始试验、同时停止,停止条件是试验中最高温度应力Tp下受试电子产品的性能退化数据高于正常值的130%(性能退化数据呈递增趋势)或低于正常值的70%(性能退化数据呈递减趋势)。
本发明中若取p=4、τ=10,则最终的性能退化数据xs,v记录如表1所示。表1中tv(v=0,1,2,…,n)为记录时刻,Ts(s=1,2,3,4)为应力等级。
表1加速试验中各应力等级下的性能退化数据
(2)通过灰色理论中的GM(1,1)模型利用表1中的性能退化数据计算得到温度T0下的性能退化数据,记为x0、x1、x2、x3、…、xn,如表2所示。
表2温度T0下的性能退化数据
时刻 | t0 | t1 | t2 | … | t1 | … | tn |
数据 | x0 | x1 | x2 | … | x1 | … | xn |
利用灰色GM(1,1)模型进行计算的具体步骤为:
(2.1)对性能退化数据xs,v,如t0时刻的性能退化数据x4.0、x3.0、x2.0、x1.0,将x4.0、x3.0、x2.0、x1,0作为计算的原始数据,依次分别记为x(0)(1)、x(0)(2)、x(0)(3)、x(0)(4),将此原始数据组成新的数据序列记为X(0)={x(0)(1),x(0)(2),x(0)(3),x(0)(4)},进行一次累加生成得到X(1)={x(1)(1),x(1)(2),x(1)(3),x(1)(4)},建立白化微分方程,如式(1):
(2.2)将式(1)离散后得式(2):
α(1)(x(1)(k+1))+αx(1)(k+1)=μ,(k=1,2,3,4)(2)
式(2)中,α(1)(X(1))是对数列X(1)进行累减生成的;
α(1)(x(1)(k+1))=x(0)(k+1)(3)
本步中所使用的最小二乘法为现有成熟方法,此处不再赘述;
(3)利用(2)步中的性能退化数据x0、x1、x2、x3、…、xn训练分数阶神经网络,建立反映电子产品性能退化规律的分数阶神经网络模型。
如图2所示,本发明中分数阶神经网络采用三层网络结构(1个输入层、1个隐含层和1个输出层,上一层每个节点通过唯一路径与下一层各个节点相连),输入层节点数为9,隐含层节点数为12,输出层节点数为1。
图2中,x1、x2、…、xm为输入,y为输出,隐含层输出计算采用分数阶傅里叶变换核函数,如式(6):
输出层的计算如式(7):
式(7)中Hj为第j个隐含层的输出,ωj为第j个隐含层与输出层之间的权值。
如图3所示,分数阶神经网络的训练流程具体包括以下步骤:
(3.1)分数阶神经网络初始化,设定分数阶核函数的旋转角αj为0.8,网络连接权重ωij、ωj、bj分别为0.7、0.5、0.4,网络学习速度η为0.6、动量因子md为0.8;
(3.2)对训练样本归一化处理,计算如式(8):
式(8)中xi为训练样本,xmax为样本中的最大值,xmin为样本中的最小值;
(3.3)预测输出,并计算预测输出与期望输出之间的误差e,计算如式(9):
(3.4)根据误差e修正网络权值和分数阶核函数的阶次,具体包括以下公式:
<1>输出层权值修正
<2>输入层权值修正
<3>隐含层分数阶核函数阶次修正
(3.5)判断误差e是否达到规定要求,若达到要求,则训练结束,否则返回(3.4)步。
(4.1)对应力T0下得到的t0到tn时刻的性能退化数据x0、x1、x2、x3、…、xn,利用(3)步中建立的分数阶神经网络性能退化模型,以xn-8、xn-7、xn-6…、xn-1、xn为输入,得到tn+1时刻性能退化数据的预测值实现单步预测;
Claims (4)
1.一种电子产品分数阶神经网络性能退化模型及寿命预测方法,其特征在于包括以下步骤:
步骤一选择温度作为加速应力,确定待测电子产品的实际工作环境温度T0,以T0为参考,设定在应力T1、T2、…、TP下分别对受试电子产品进行恒定应力加速寿命试验,获取各应力等级下从t0到tn时刻电子产品的性能退化数据,记为xs,v(xs,v为应力等级Ts下tv时刻电子产品性能退化数据),其中s=1,2,…,p(p≥4)、v=0,1,2,…n、T0<T1<T2<T3<…<TP-1<TP且T1-T0=T2-T1=…=TP-TP-1;
步骤二对步骤一中获得的电子产品性能退化数据xs,v(s=1,…,p,v=0,1,…n),利用灰色理论中的GM(1,1)模型计算得到温度T0下从t0到tn时刻的性能退化数据,记为x0、x1、x2、x3、…、xn;
步骤三利用步骤二中的性能退化数据x0、x1、x2、x3、…、xn训练分数阶神经网络,建立分数阶神经网络性能退化模型;
步骤五根据工程实际经验或相关国家标准,确定电子产品的失效阈值为Xf,将得到的性能退化数据的预测值与失效阈值Xf比较,预测失效时间,从而确定电子产品寿命。
2.根据权利要求1所述的电子产品分数阶神经网络性能退化模型及寿命预测方法,其特征在于,所述恒定应力加速寿命试验中对温度应力的要求为T1=1.2T0、Tp≤0.7TM,试验时间为受试电子产品在各应力等级下同时开始试验、同时停止,停止条件是试验中最高温度应力TP下受试电子产品的性能退化数据值高于正常值的130%(性能退化数据呈递增趋势)或低于正常值的70%(性能退化数据呈递减趋势),其中TM为受试电子产品规定所能承受的最高温度。
3.根据权利要求1所述的电子产品分数阶神经网络性能退化模型及寿命预测方法,其特征在于,所述步骤二中,利用灰色理论中的GM(1,1)模型计算得到温度T0下从t0到tn时刻的性能退化数据,包括以下步骤:
(3.1)对于性能退化数据xs,v,如t0时刻的性能退化数据x4.0、x3.0、x2.0、x1.0,将x4.0、x3.0、x2,0、x1,0作为灰色计算的原始数据,依次分别记为x(0)(1)、x(0)(2)、x(0)(3)、x(0)(4),将此原始数据组成数据序列记为X(0)={x(0)(1),x(0)(2),x(0)(3),x(0)(4)},利用灰色理论进行一次累加生成得到X(1)={x(1)(1),x(1)(2),x(1)(3),x(1)(4)},建立白化微分方程,如式(1):
式(1)中α和μ是待辨识参数,记为:
(3.2)将式(1)离散后得式(2):
α(1)(x(1)(k+1))+αx(1)(k+1)=μ,(k=1,2,3,4)(2)
式(2)中,α(1)(X(1))是对数列X(1)进行累减生成的;
α(1)(x(1)(k+1))=x(0)(k+1)(3)
本步中所使用的最小二乘法为现有成熟方法,此处不再赘述;
4.根据权利要求1所述的电子产品分数阶神经网络性能退化模型及寿命预测方法,其特征在于,所述步骤三中,建立电子产品分数阶神经网络性能退化模型,包括以下步骤:
(4.1)确定分数阶神经网络的拓扑结构为三层网络结构(1个输入层、1个隐含层和1个输出层,上一层每个节点通过唯一路径与下一层各个节点相连),输入层节点数为9,隐含层节点数为12,输出层节点数为1;
(4.2)分数阶神经网络初始化,设定分数阶核函数的旋转角αj为0.8,网络连接权重ωij、ωj、bj分别为0.7、0.5、0.4,网络学习速度η为0.6、动量因子md为0.8;
(4.3)对训练样本归一化处理;
(4.4)预测输出,并计算预测输出与期望输出之间的误差e;
(4.5)根据误差e修正网络权值和分数阶核函数的阶次;
(4.6)判断误差e是否达到规定要求,若达到要求,则训练结束,否则返回(4.5)步。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210397872.7A CN102901651B (zh) | 2012-10-16 | 2012-10-16 | 电子产品分数阶神经网络性能退化模型及寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210397872.7A CN102901651B (zh) | 2012-10-16 | 2012-10-16 | 电子产品分数阶神经网络性能退化模型及寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102901651A true CN102901651A (zh) | 2013-01-30 |
CN102901651B CN102901651B (zh) | 2015-12-16 |
Family
ID=47574008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210397872.7A Expired - Fee Related CN102901651B (zh) | 2012-10-16 | 2012-10-16 | 电子产品分数阶神经网络性能退化模型及寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102901651B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103197186A (zh) * | 2013-04-12 | 2013-07-10 | 电子科技大学 | 一种电子产品退化状态实时预测方法 |
CN105468850A (zh) * | 2015-11-26 | 2016-04-06 | 电子科技大学 | 基于多残差回归预测算法的电子产品退化趋势预测方法 |
CN106501645A (zh) * | 2016-10-25 | 2017-03-15 | 郑州航空工业管理学院 | 一种电容器寿命与可靠性评估系统及方法 |
CN107995992A (zh) * | 2015-07-27 | 2018-05-04 | 谷歌有限责任公司 | 使用递归神经网络分析健康事件 |
CN109101735A (zh) * | 2018-08-16 | 2018-12-28 | 天津大学 | 一种基于rnn的cmos电路性能退化预测方法 |
CN109214609A (zh) * | 2018-11-15 | 2019-01-15 | 辽宁大学 | 一种基于分数阶离散灰色模型的年用电量预测方法 |
CN109271670A (zh) * | 2018-08-16 | 2019-01-25 | 天津大学 | 基于bpnn的cmos低噪声放大器性能退化预测方法 |
CN110441081A (zh) * | 2019-07-08 | 2019-11-12 | 天津工业大学 | 一种旋转机械故障的智能诊断方法及智能诊断系统 |
CN112069699A (zh) * | 2020-09-29 | 2020-12-11 | 上海工程技术大学 | 一种基于组合预测模型预测齿轮箱健康状态退化趋势的方法 |
CN112580276A (zh) * | 2019-09-25 | 2021-03-30 | 天津大学 | 一种使用基于知识的神经网络的从mos管到vco电路性能的hci退化模型 |
CN114035553A (zh) * | 2021-11-16 | 2022-02-11 | 湖南机电职业技术学院 | 基于系统辨识和拟合度的控制系统故障检测方法及装置 |
CN115308558A (zh) * | 2022-08-29 | 2022-11-08 | 北京智芯微电子科技有限公司 | Cmos器件寿命预测方法、装置、电子设备及介质 |
CN116227239A (zh) * | 2023-05-08 | 2023-06-06 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 基于灰色预测模型的加速试验数据分析方法、装置和设备 |
CN116384979A (zh) * | 2023-04-27 | 2023-07-04 | 圣麦克思智能科技(江苏)有限公司 | 一种idc运维服务支持系统及其方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050246150A1 (en) * | 2002-05-31 | 2005-11-03 | The Chugoku Electric Power Co., Ltd | Method and apparatus for diagnosing residual life of rolling element bearing |
CN101576443A (zh) * | 2009-06-16 | 2009-11-11 | 北京航空航天大学 | 基于灰色rbf神经网络的加速寿命试验寿命预测方法 |
-
2012
- 2012-10-16 CN CN201210397872.7A patent/CN102901651B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050246150A1 (en) * | 2002-05-31 | 2005-11-03 | The Chugoku Electric Power Co., Ltd | Method and apparatus for diagnosing residual life of rolling element bearing |
CN101576443A (zh) * | 2009-06-16 | 2009-11-11 | 北京航空航天大学 | 基于灰色rbf神经网络的加速寿命试验寿命预测方法 |
Non-Patent Citations (3)
Title |
---|
李昕等: "《基于最优阶次分数阶神经网络的交通流预测》", 《计算机工程与应用》, vol. 48, no. 18, 30 June 2012 (2012-06-30) * |
罗慧等: "《基于最优分数阶傅里叶变换的模拟电路故障特征提取新方法》", 《仪器仪表学报》, vol. 30, no. 5, 31 May 2009 (2009-05-31) * |
罗晓峰等: "《基于信息融合的神经网络模拟电路故障诊断研究》", 《计算机测量与控制》, vol. 14, no. 2, 28 February 2006 (2006-02-28) * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103197186B (zh) * | 2013-04-12 | 2016-03-23 | 电子科技大学 | 一种电子产品退化状态实时预测方法 |
CN103197186A (zh) * | 2013-04-12 | 2013-07-10 | 电子科技大学 | 一种电子产品退化状态实时预测方法 |
CN107995992A (zh) * | 2015-07-27 | 2018-05-04 | 谷歌有限责任公司 | 使用递归神经网络分析健康事件 |
CN105468850A (zh) * | 2015-11-26 | 2016-04-06 | 电子科技大学 | 基于多残差回归预测算法的电子产品退化趋势预测方法 |
CN105468850B (zh) * | 2015-11-26 | 2018-08-07 | 电子科技大学 | 基于多残差回归预测算法的电子产品退化趋势预测方法 |
CN106501645A (zh) * | 2016-10-25 | 2017-03-15 | 郑州航空工业管理学院 | 一种电容器寿命与可靠性评估系统及方法 |
CN109101735A (zh) * | 2018-08-16 | 2018-12-28 | 天津大学 | 一种基于rnn的cmos电路性能退化预测方法 |
CN109271670A (zh) * | 2018-08-16 | 2019-01-25 | 天津大学 | 基于bpnn的cmos低噪声放大器性能退化预测方法 |
CN109214609A (zh) * | 2018-11-15 | 2019-01-15 | 辽宁大学 | 一种基于分数阶离散灰色模型的年用电量预测方法 |
CN110441081B (zh) * | 2019-07-08 | 2021-07-09 | 大连圣力来监测技术有限公司 | 一种旋转机械故障的智能诊断方法及智能诊断系统 |
CN110441081A (zh) * | 2019-07-08 | 2019-11-12 | 天津工业大学 | 一种旋转机械故障的智能诊断方法及智能诊断系统 |
CN112580276A (zh) * | 2019-09-25 | 2021-03-30 | 天津大学 | 一种使用基于知识的神经网络的从mos管到vco电路性能的hci退化模型 |
CN112069699A (zh) * | 2020-09-29 | 2020-12-11 | 上海工程技术大学 | 一种基于组合预测模型预测齿轮箱健康状态退化趋势的方法 |
CN114035553A (zh) * | 2021-11-16 | 2022-02-11 | 湖南机电职业技术学院 | 基于系统辨识和拟合度的控制系统故障检测方法及装置 |
CN114035553B (zh) * | 2021-11-16 | 2023-11-24 | 湖南机电职业技术学院 | 基于系统辨识和拟合度的控制系统故障检测方法及装置 |
CN115308558A (zh) * | 2022-08-29 | 2022-11-08 | 北京智芯微电子科技有限公司 | Cmos器件寿命预测方法、装置、电子设备及介质 |
CN115308558B (zh) * | 2022-08-29 | 2023-06-02 | 北京智芯微电子科技有限公司 | Cmos器件寿命预测方法、装置、电子设备及介质 |
CN116384979A (zh) * | 2023-04-27 | 2023-07-04 | 圣麦克思智能科技(江苏)有限公司 | 一种idc运维服务支持系统及其方法 |
CN116227239A (zh) * | 2023-05-08 | 2023-06-06 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 基于灰色预测模型的加速试验数据分析方法、装置和设备 |
CN116227239B (zh) * | 2023-05-08 | 2023-08-04 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 基于灰色预测模型的加速试验数据分析方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN102901651B (zh) | 2015-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102901651B (zh) | 电子产品分数阶神经网络性能退化模型及寿命预测方法 | |
CN108038300B (zh) | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 | |
CN107725283B (zh) | 一种基于深度信念网络模型的风机故障检测方法 | |
CN107231436B (zh) | 一种进行业务调度的方法和装置 | |
Aly | An intelligent hybrid model of neuro Wavelet, time series and Recurrent Kalman Filter for wind speed forecasting | |
CN101576443B (zh) | 基于灰色rbf神经网络的加速寿命试验寿命预测方法 | |
CN109444740B (zh) | 一种风电机组的故障状态智能监测与诊断方法 | |
CN112686464A (zh) | 短期风电功率预测方法及装置 | |
CN106598029B (zh) | 基于性能退化的列控车载设备可靠性预测方法 | |
CN105129109A (zh) | 一种基于多重分形理论和自组织映射网络的飞机副翼作动器系统健康评估方法 | |
CN102520697A (zh) | 一种远程协同诊断的现场信息预处理方法 | |
CN105138717A (zh) | 一种动态变异粒子群优化神经网络的变压器状态评估方法 | |
CN114297036B (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
CN102562239A (zh) | 一种航空发动机排气温度的监测方法 | |
CN108898261A (zh) | 一种基于环保大数据的空气质量监测方法及系统 | |
CN104598736A (zh) | 一种自适应多核组合相关向量机的滚动轴承寿命预测模型 | |
CN103425874B (zh) | 一种基于率模可靠性理论的航天器健康评估方法 | |
CN111062170A (zh) | 一种变压器顶层油温预测方法 | |
CN106960112A (zh) | 一种基于任务要求的飞机系统可靠性评估方法 | |
CN102749584B (zh) | 基于Kalman滤波的ESN的涡轮发动机的剩余寿命预测方法 | |
CN103268279A (zh) | 基于复合泊松过程的软件可靠性预测方法 | |
CN104899608A (zh) | 滚动轴承剩余寿命预测的加权融合相关向量机模型 | |
CN112257914A (zh) | 一种基于随机森林的航空安全因果预测方法 | |
CN104915192A (zh) | 一种基于移动点和不完美排错的软件可靠性建模方法 | |
CN106301610A (zh) | 一种超外差接收机的自适应故障检测和诊断方法及装置 |
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: 20151216 Termination date: 20191016 |
|
CF01 | Termination of patent right due to non-payment of annual fee |