CN104102846B - 利用支持向量机融合产品系统及组件信息的寿命预测方法 - Google Patents
利用支持向量机融合产品系统及组件信息的寿命预测方法 Download PDFInfo
- Publication number
- CN104102846B CN104102846B CN201410357059.6A CN201410357059A CN104102846B CN 104102846 B CN104102846 B CN 104102846B CN 201410357059 A CN201410357059 A CN 201410357059A CN 104102846 B CN104102846 B CN 104102846B
- Authority
- CN
- China
- Prior art keywords
- information
- assembly
- degradation
- model
- data
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种利用支持向量机融合产品系统及组件信息的寿命预测方法,包括以下几个步骤:步骤一、搜集系统及组件的退化信息;步骤二、获得系统及组件的逻辑关系模型;步骤三、融合组件信息并获得相应的系统信息;步骤四、系统的寿命预测;本发明能够融合系统级及组件级的性能退化信息,对产品的寿命进行预测;且不需要了解具体的系统及各组件的逻辑、结构关系,融合过程简单有效;同时能够在系统级数据稀缺的情况下,在数据的层面上融合各方面信息,将组件级信息转化为系统级信息。
Description
技术领域
本发明是一种利用支持向量机等方法手段,对产品系统级及组件级性能退化数据进行融合,从而在提高预测数据量的基础上实现产品寿命预测的方法,属于寿命与可靠性评估技术领域。可用于诸如长航时无人机等大型复杂系统的寿命预测。
背景技术
对于长航时无人机等系统级产品而言,由于经费等因素的限制,从系统本身所获得的与寿命相关的信息相对有限,但在产品结构层面上,其分系统及组件在研制、生产、使用过程中却产生了大量的可用信息,若能将产品系统级及组件级信息融合利用,那么会对产品的寿命预测带来较大的帮助。
在实现系统及组件性能退化数据的融合预测方面,通常组件的研发会早于系统,在组件的研究过程中会积累一定量的组件性能退化数据。而组件的性能参数往往同系统性能参数密切相关,在系统性能数据稀缺的情况下,若能将这些组件性能数据融合为系统性能数据,扩充系统性能数据的数据量,对系统寿命的预测无疑会产生积极的作用。而传统的基于故障树的融合方法是基于组件分布仿真而开展的,属于决策层融合,且其输出为寿命数据,而非退化数据;另一方面对于某些复杂的系统而言,有时故障树的方法难以描述和确定各组件与系统间的逻辑关系;通过对上述问题进行分析,可知解决问题的关键在于找到合适的逻辑关系建模方法,且这种方法需满足:1)基于退化数据;2)通过输入、输出的数据来确定逻辑关系。而机器学习的方法恰好可以满足上述需求,机器学习的目的是根据给定的训练样本获得对某系统输入/输出之间依赖关系的估计,使它能够对未知输出做出尽可能准确的预测。
而在各机器学习方法中,支持向量机(Support Vector Machine,SVM)是一种有效的方法。它是上世纪九十年代由Vladimir N.Vapnik教授领导的研究小组提出的一种新的智能学习机器。它是以统计学习理论的VC维理论和结构风险最小化原则为基础,能够根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中,以期获得最佳的推广(泛化)能力,避免了局部最优解,在解决小样本、非线性及高维模式识别问题中表现出特有的优势,并能够应用推广到函数拟合等其他机器学习中。同时,它在拟合模型方面要优于使用较为广泛的人工神经网络方法。
因此本发明采用支持向量机的方法,实现组件及系统性能退化信息的数据层融合,以此完成对产品寿命的融合预测。
发明内容
本发明的目的是为了解决上述问题,提出一种在系统级性能退化数据较少、而组件级性能退化数据较为丰富的情况下,利用支持向量机等手段将系统级及组件级信息融合,以此来扩充系统信息的数据量,进而对系统寿命进行预测的方法。从而解决了产品系统级性能退化数据较少、而组件级性能退化数据较丰富情况下的寿命预测问题。
本发明的具体步骤为:
步骤一、搜集系统及组件的退化信息;
步骤二、获得系统及组件的逻辑关系模型;
步骤三、融合组件信息并获得相应的系统信息;
步骤四、系统的寿命预测;
本发明的优点在于:
(1)本发明能够融合系统级及组件级的性能退化信息,对产品的寿命进行预测;
(2)本发明不需要了解具体的系统及各组件的逻辑、结构关系,融合过程简单有效;
(3)本发明能够在系统级数据稀缺的情况下,在数据的层面上融合各方面信息,将组件级信息转化为系统级信息。
附图说明
图1是本发明的流程图;
图2是支持向量机的模型训练流程图;
图3基于SVM的数据融合过程;
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。
本发明是一种综合利用组件及系统性能退化信息对产品寿命进行预测的方法,在满足以下适用范围时使用:
1.组件及系统信息皆为退化信息;
2.系统及组件具有部分同步的信息;
3.系统同各组件的逻辑关系不改变。
方法的流程图如图1所示,包括以下几个步骤:
步骤一、搜集系统及组件的退化信息
搜集系统及组件的退化信息,搜集的数据形式为系统及其各组件的性能退化数据,其中一部分数据应为系统及各组件在时间上同步的性能退化数据,包括组件退化信息Yz和系统退化信息Ys,还有另一部分比例较大的各组件的性能退化数据YZ′。
其中,同步的性能退化数据是指在同一时间序列T=(t1,t2,...,tn)下,所同时获取的系统退化信息Ys=(ys1,ys2,...,ysn),以及组件退化信息,其中系统主要由m个组件组成:
步骤二、获得系统及组件的逻辑关系模型
将同系统信息同步的组件退化信息Yz作为输入、系统退化信息Ys作为输出,采用支持向量机的方法对它们之间的关系进行学习建模,并得到一个能够表达它们间逻辑关系的模型。支持向量机的学习建模过程采用matlab中的支持向量机工具包来实现。
将YZ作为智能学习的输入向量,将Ys作为目标向量,对输入向量、目标向量进行归一化处理,便可对模型进行训练。其中支持向量机的模型训练如图2所示。
通过训练所获得的SVM模型ΦSVM即是组件与系统间的关系模型,它刻画了组件退化信息同系统退化信息间的逻辑关系。
步骤三、融合组件信息并获得相应的系统信息
将搜集得到的没有对应系统信息的各组件的性能退化数据YZ′作为输入,输入到步骤二所构造的表征系统和组件逻辑关系的SVM模型ΦSVM中,将组件退化信息融合为对应的融合所得到的系统退化数据Ys′。若各组件的性能退化数据YZ′为:
将YZ′作为SVM模型ΦSVM的输入量,那么便可得到目标向量Ys′,Ys′就是融合所得到的系统退化数据,其过程如图3所示。
步骤四、系统的寿命预测
利用组件信息融合所得到的系统退化数据Ys′,结合相应的基于性能退化数据的寿命预测模型,预测得到系统的寿命指标。
通常系统寿命预测模型的形式为:
τ=L(θ|Y) (1)
其中τ为产品的寿命,θ为模型的参数向量,Y为系统退化信息。
因此,结合模型(1),通过融合所得到的系统退化数据Ys′,求得θ的值。从而得到寿命预测模型的具体形式,进而实现了产品的寿命预测。
实施例:
已知某系统由两个组件(组件1和组件2)组成,系统及组件的寿命情况均可通过其性能退化数据体现,但组件同系统的逻辑关系未知。由于系统的信息较为稀缺,而组件的信息较为丰富,因此采用本专利的方法将系统与组件信息融合,对系统的寿命进行预测。
步骤一、搜集系统及组件的退化信息
首先搜集系统及组件在使用条件下(25℃)的同步性能退化信息,已知系统进行了t=500小时的试验,测试间隔为1小时,因此测得相应500组的系统同步数据:
Ys=(τ1,...,τ500),
以及组件1和组件2的数据:
同时搜集各组件在25℃下的5000小时的性能退化数据YZ′,测试间隔为1小时,因此测得相应5000组的组件数据:
步骤二、获得系统及组件的逻辑关系模型
将YZ作为支持向量机的输入向量,将Ys作为目标向量,对输入向量、目标向量进行归一化处理,若系统性能参数上限值为600,组件一的性能参数上限值为600,组件二的性能参数上限值为60,那么:
YSG=Ys/600,YZ1G=YZ1/600,YZ2G=YZ2/60。
将归一化后的输入向量YZ1G、YZ1G和目标向量YSG用于支持向量机的训练,进而得到训练后的支持向量机ΦSVM。
步骤三、融合组件信息并获得相应的系统信息
将5000组的组件数据YZ′输入到所构建的系统及组件性能参数逻辑关系模型ΦSVM中来,输出得到相应的5000组系统的性能退化数据:
Ys′=(τ1,...,τ5000)
步骤四、系统的寿命预测
利用组件信息融合所得到的系统退化信息Ys′,结合漂移布朗运动的性能退化模型,对系统的寿命进行预测,预测得到系统在使用条件下(25℃)的可靠性寿命(可靠度为0.9)为20000小时。
Claims (2)
1.利用支持向量机融合产品系统及组件信息的寿命预测方法,其特征在于,包括以下几个步骤:
步骤一、搜集系统及组件的退化信息
搜集系统及组件的退化信息,搜集的数据形式为系统及其各组件的性能退化数据,其中一部分数据应为系统及各组件在时间上同步的性能退化数据,包括组件退化信息Yz和系统退化信息Ys,还有另一部分比例较大的各组件的性能退化数据YZ′,
其中,同步的性能退化数据是指在同一时间序列T=(t1,t2,...,tn)下,所同时获取的系统退化信息Ys=(ys1,ys2,...,ysn),以及组件退化信息,其中系统主要由m个组件组成:
步骤二、获得系统及组件的逻辑关系模型
将同系统信息同步的组件退化信息Yz作为智能学习的输入向量、系统退化信息Ys作为目标向量,对输入向量、目标向量进行归一化处理,采用支持向量机的方法对它们之间的关系进行学习建模,并通过训练得到一个能够表达它们间逻辑关系的模型,
获得的支持向量机模型ΦSVM即是组件与系统间的关系模型,它刻画了组件退化信息同系统退化信息间的逻辑关系,
步骤三、融合组件信息并获得相应的系统信息
将搜集得到的各组件的性能退化数据YZ′作为支持向量机模型ΦSVM的输入向量,输入到步骤二所构造的支持向量机模型ΦSVM中,各组件的性能退化数据YZ′表示为:
即得到支持向量机模型ΦSVM的输出:目标向量Ys′,Ys′就是融合所得到的系统退化数据,
步骤四、系统的寿命预测
利用组件信息融合所得到的系统退化数据Ys′,结合相应的基于性能退化数据的寿命预测 模型,预测得到系统的寿命指标。
2.根据权利要求1所述的利用支持向量机融合产品系统及组件信息的寿命预测方法,其特征在于,所述的步骤四具体为:
系统寿命预测模型的形式为:
τ=L(θ|Y) (1)
其中τ为产品的寿命,θ为模型的参数向量,Y为系统退化信息,
因此,结合模型(1),通过融合所得到的系统退化数据Ys′,求得θ的值,从而得到寿命预测模型的具体形式,进而实现了产品的寿命预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410357059.6A CN104102846B (zh) | 2014-07-24 | 2014-07-24 | 利用支持向量机融合产品系统及组件信息的寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410357059.6A CN104102846B (zh) | 2014-07-24 | 2014-07-24 | 利用支持向量机融合产品系统及组件信息的寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104102846A CN104102846A (zh) | 2014-10-15 |
CN104102846B true CN104102846B (zh) | 2016-11-16 |
Family
ID=51670991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410357059.6A Expired - Fee Related CN104102846B (zh) | 2014-07-24 | 2014-07-24 | 利用支持向量机融合产品系统及组件信息的寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104102846B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI639907B (zh) * | 2017-06-06 | 2018-11-01 | 國立彰化師範大學 | 工具機具殘餘使用壽命預測系統及其方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270302A (zh) * | 2011-07-20 | 2011-12-07 | 北京航空航天大学 | 一种基于灰色支持向量机的多应力加速寿命试验预测方法 |
CN103217280A (zh) * | 2013-03-18 | 2013-07-24 | 西安交通大学 | 航空发动机转子剩余寿命的多变量支持向量机预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140129152A1 (en) * | 2012-08-29 | 2014-05-08 | Michael Beer | Methods, Systems and Devices Comprising Support Vector Machine for Regulatory Sequence Features |
-
2014
- 2014-07-24 CN CN201410357059.6A patent/CN104102846B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270302A (zh) * | 2011-07-20 | 2011-12-07 | 北京航空航天大学 | 一种基于灰色支持向量机的多应力加速寿命试验预测方法 |
CN103217280A (zh) * | 2013-03-18 | 2013-07-24 | 西安交通大学 | 航空发动机转子剩余寿命的多变量支持向量机预测方法 |
Non-Patent Citations (6)
Title |
---|
《基于ATD数据的SLD温度建模方法》;王立志等;《红外与激光工程》;20111025;第40卷(第10期);第1904-1909页 * |
a fully bayesian approach for combining multi-level information in multi-state fault tree quantification;T.L.Graves;《reliability engineering&system safety》;20071031;第92卷(第10期);第1476-1483页 * |
using simultaneous higher-level and partial lower-level data in reliability assessments;T.L.Graves等;《reliability engineering & system safety》;20080831;第93卷(第8期);第1273-1279页 * |
基于一维漂移布朗运动的SLD退化失效建模;晁代宏等;《红外与激光工程》;20120814;第41卷(第7期);第1848-1853页 * |
基于支持向量机的动调陀螺仪寿命预测方法研究;徐国平;《中国博士学位论文全文数据库 工程科技II辑》;20091215;C031-1 * |
直升机电动舵机状态监测与寿命预测方法的研究;谭榕容;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20140315;C031-52 * |
Also Published As
Publication number | Publication date |
---|---|
CN104102846A (zh) | 2014-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | LSTM-EFG for wind power forecasting based on sequential correlation features | |
CN102289594B (zh) | 海洋中尺度涡旋自动识别与过程重构算法 | |
CN103310651B (zh) | 一种基于实时路况信息的公交到站预测方法 | |
CN107358347A (zh) | 基于工业大数据的装备集群健康状态评估方法 | |
CN105608512A (zh) | 一种短期负荷预测方法 | |
CN106427589A (zh) | 基于工况预测和模糊能耗的电动汽车续驶里程估算方法 | |
CN104376384B (zh) | 一种基于电力大数据分析的台风日最大日负荷预测系统 | |
CN104166163B (zh) | 基于三维大数据量地震数据体的断层曲面自动提取方法 | |
CN103488869A (zh) | 一种最小二乘支持向量机的风力发电短期负荷预测方法 | |
CN107037370A (zh) | 基于监控数据的电动汽车剩余电量计算方法 | |
CN105468866A (zh) | 一种轨道车辆led驱动电源剩余寿命预测方法 | |
CN108876019A (zh) | 一种基于大数据的用电负荷预测方法及系统 | |
CN106384170A (zh) | 基于小波分解与重构的时间序列风速预测方法 | |
CN107292249A (zh) | 一种基于结构化分段网络的时间动作检测方法 | |
CN105374209A (zh) | 一种城市区域路网运行状态特征信息提取方法 | |
CN102945517B (zh) | 一种基于聚类分析的服装标准工时的数据挖掘方法 | |
CN104021483A (zh) | 旅客需求推荐方法 | |
CN106844636A (zh) | 一种基于深度学习的非结构化数据处理方法 | |
CN108197647A (zh) | 一种汽车起动机耐久测试数据的快速聚类方法 | |
CN105160434A (zh) | 采用svm选取预测模型的风电功率爬坡事件预测方法 | |
CN103020733B (zh) | 一种基于权重的机场单航班噪声预测方法及其系统 | |
CN104102846B (zh) | 利用支持向量机融合产品系统及组件信息的寿命预测方法 | |
CN102163236B (zh) | 一种飞行数据异常模式相似性查询方法 | |
CN105225065A (zh) | 基于电子健康档案系统的二次锂电池监控系统及其管理方法 | |
CN102184136A (zh) | 一种验证aadl模型运行状态与需求一致性的方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20161116 Termination date: 20170724 |