CN108520325A - 一种基于多变环境下加速退化数据的集成寿命预测方法 - Google Patents
一种基于多变环境下加速退化数据的集成寿命预测方法 Download PDFInfo
- Publication number
- CN108520325A CN108520325A CN201810335391.0A CN201810335391A CN108520325A CN 108520325 A CN108520325 A CN 108520325A CN 201810335391 A CN201810335391 A CN 201810335391A CN 108520325 A CN108520325 A CN 108520325A
- Authority
- CN
- China
- Prior art keywords
- life prediction
- data
- model
- submodel
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
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。
Description
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;;
图4是集成预测模型预测效果图;
图5是各模型误差对比图。
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。
方法的流程图如图1所示,包括以下几个步骤:
步骤一、数据集重采样及数据集划分
本专利应用集成学习算法集成贝叶斯方法和机器学习方法,根据其算法要求,数据集需要进行重采样;
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;ti为时间;N为数据的数量;
首先,采用Bagging算法对同时包含进行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),分别用于贝叶斯方法、支持向量机方法和BP神经网络方法寿命预测子模型构建;
然后,根据基于支持向量机方法和BP神经网络方法构建预测子模型的需要,数据集需要分成两部分,训练集和测试集。训练集是用于拟合模型参数的数据集。测试集是独立于训练集的数据集,但其遵循与训练集相同的概率分布,并用于评估训练模型的性能。因此,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
本专利应用Wiener过程、Gamma过程等随机过程模型来构建性能退化模型,并采用广义线性模型作为加速模型建立应力与寿命的关系;
将采样数据集Sa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,带入上述模型中。然后,利用马尔科夫蒙特卡洛方法(MCMC)对模型参数进行求解,并将求解所得模型代入性能退化模型中,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;
为得到良好的训练效果,对支持向量机中参数进行初始化,并选择核函数(如RBF核函数等),同时利用网格搜索算法/粒子群优化算法等,对核函数参数进行优化。当模型中预测精度达到一定标准后,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,当训练误差满足要求后,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;
由于SVM和BP神经网络方法均为黑盒算法,无法得知具体的模型关系,因此,集成预测模型采用数据方式进行集成,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。
实施例:
(1)仿真试验概述
假设某一产品受三种应力影响,且每种应力均为多变应力(变化范围如表1所示)。若产品的性能退化过程可用线性函数描述,假定其退化规律服从维纳过程,加速模型选取广义线性模型,即:
其中为三种应力已知模型,B0,B1,B2,B3为模型常数。具体仿真模型参数取值见表2;
根据表1,2中参数及退化增量的分布,设定采样时间间隔Δt为5,采样点数目为1000,性能初始值y0为100,利用蒙特卡洛仿真可以获得一系列退化增量,然后用初值减去增量即可得到加速退化仿真数据。
表1应力变化范围
表2仿真模型参数取值
(2)集成预测模型构建
步骤一、数据集划分及数据集重采样;
为验证最终模型有效性,从原始仿真的1000个数据中,取后250个数据作为验证数据,不参与模型的训练,前750个数据则作为训练集。然后,利用Bagging方法将训练集进行750取750的有放回重采样,得到三组采样集。将后两组仿真数据按照75/25的比例划分为采样训练集和采样测试集。
步骤二、建立基于贝叶斯方法的寿命预测子模型;
选择维纳过程来描述退化模型,并选择广义线性模型为加速模型。根据数据建立线性回归方程,采用多项式回归方法进行拟合,得到未知参数B0,B1,B2,B3的初始值(如表3所示)。接下来假设四个参数先验分布均服从均值为此初始值,方差为10^3的正态分布;
根据维纳过程性质及共轭先验分布的性质可知,方差的倒数与时间间隔乘积1/σ2·Δt服从伽玛分布且其组成的两个分布参数也服从伽马分布,即:
1/σ2·Δt~Gamma(C,D)
由于先验信息未知,设定C,D初始值如表3所示,其数值在进行MCMC计算时会自动变化并逐渐接近真实值;
表3模型参数先验分布
其后验分布可表示为:
进而针对后验分布模型采用MCMC方法进行抽样仿真,对其进行200000次仿真抽样迭代运算,当所构建的马尔科夫过程平稳时,即得到所求的解。不同方差真值下的采样集参数评估结果如表4所示:
表4模型参数评估结果
最后,利用表4中参数可得到多变应力与退化数据的关系模型,即贝叶斯预测子模型。
步骤三、建立基于支持向量机的寿命预测子模型;
本专利借助MATLAB工具完成SVM预测子模型构建,具体过程如下:
首先,对采样训练集和测试集数据进行归一化处理,并以三个多变应力为模型输入,加速退化数据为输出;
然后,核函数选择RBF核函数,并采用粒子群算法(PSO)对其参数进行优化,对模型参数c和g的取值范围均设为[0,100],进化代数为100,种群数量为20,交叉验证折数为5;
最后,根据粒子群算法求得的最优参数,建立SVM模型并进行训练(训练集和测试集效果如图2所示),得到SVM训练子模型。
步骤四、建立基于BP神经网络的寿命预测子模型;
本专利借助MATLAB工具完成BP预测子模型构建,采取4-15-1的网络结构方式,将3种应力和1组时间数据作为输入节点数据,将1组累计退化数据作为输出节点数据,对数据进行归一化处理后输入到网络中;
然后,采用粒子群算法(PSO)对BP神经网络参数进行优化,对模型参数c和g的取值范围均设为[0,100],进化代数为100,种群数量为20,设置最大迭代次数为1000;学习速率为0.05;学习目标为0.00001;
最后,根据粒子群算法求得的最优参数,对网络进行训练,在训练过程中,调整隐层神经元数,确定最佳神经元数。当网络参数迭代达到目标值或性能达到要求时,可得到最优预测网络,即BP神经网络预测子模型,模型在训练集和测试集效果如图3所示。
步骤五、建立集成寿命预测模型。
将划分的250个测试数据分别输入到贝叶斯预测子模型、SVM预测子模型和BP神经网络预测子模型中,再根据公式(1)计算得到集成学习预测模型。其预测结果与原始值对比如图4所示。
(3)预测结果评估与对比
为验证应用集成预测模型进行预测的具体效果,本专利将未进行重采样的原始仿真数据训练集分别利用贝叶斯方法、SVM和BP神经网络方法进行预测,并采用均方根误差(RMSE)和平均绝对误差(MAE)来表征预测结果的性能,分别计算了前50、100、150、200和250个数据点的RMSE和MAE值,将其结果与集成模型预测结果进行对比,如图5所示。
由图中分析可知,集成预测模型在各个数据点下均较单独应用其子模型包含的三个方法精度高,可见,通过对三种方法进行集成,在一定程度上提高了模型的预测精度。该预测方法可以为处于多变环境影响下的产品的寿命预测提供较为准确的预测结果,从而更精准的指导维修管理。
Claims (1)
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;Bj(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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810335391.0A CN108520325B (zh) | 2018-04-16 | 2018-04-16 | 一种基于多变环境下加速退化数据的集成寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810335391.0A CN108520325B (zh) | 2018-04-16 | 2018-04-16 | 一种基于多变环境下加速退化数据的集成寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108520325A true CN108520325A (zh) | 2018-09-11 |
CN108520325B CN108520325B (zh) | 2021-08-31 |
Family
ID=63429265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810335391.0A Active CN108520325B (zh) | 2018-04-16 | 2018-04-16 | 一种基于多变环境下加速退化数据的集成寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108520325B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110083951A (zh) * | 2019-04-30 | 2019-08-02 | 贵州电网有限责任公司 | 一种基于变压器相关运行数据的固体绝缘寿命预测方法 |
CN110286361A (zh) * | 2019-07-08 | 2019-09-27 | 电子科技大学 | 基于snr退化模型和粒子滤波的雷达发射机故障预测方法 |
CN110405343A (zh) * | 2019-08-15 | 2019-11-05 | 山东大学 | 一种基于Bagging集成的预测模型与粒子群优化算法的激光焊接工艺参数优化方法 |
CN110866790A (zh) * | 2019-11-26 | 2020-03-06 | 上海景域文化传播股份有限公司 | 一种景点门票销量预测系统及方法 |
CN111652310A (zh) * | 2020-06-02 | 2020-09-11 | 江苏科技大学 | 基于Bagging框架SVM继电器贮存寿命预测方法 |
CN112288191A (zh) * | 2020-11-19 | 2021-01-29 | 国家海洋信息中心 | 一种基于多类机器学习方法的海洋浮标寿命预测方法 |
CN113298120A (zh) * | 2021-04-29 | 2021-08-24 | 上海淇玥信息技术有限公司 | 基于融合模型的用户风险预测方法、系统和计算机设备 |
CN113822499A (zh) * | 2021-11-23 | 2021-12-21 | 北京磁浮有限公司 | 一种基于模型融合的列车备件损耗预测方法 |
CN116467939A (zh) * | 2023-04-10 | 2023-07-21 | 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)) | 电能表寿命预测方法、装置、计算机设备和存储介质 |
CN116956174A (zh) * | 2019-05-13 | 2023-10-27 | 北京绪水互联科技有限公司 | 用于进行冷头状态分类检测和寿命预测的分类模型和预测模型的生成方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN101710368A (zh) * | 2009-12-21 | 2010-05-19 | 北京航空航天大学 | 基于多源退化数据的贝叶斯可靠性综合评估方法 |
US8600917B1 (en) * | 2011-04-18 | 2013-12-03 | The Boeing Company | Coupling time evolution model with empirical regression model to estimate mechanical wear |
CN104156791A (zh) * | 2014-08-29 | 2014-11-19 | 哈尔滨工业大学 | 基于ls-svm的概率集成学习锂离子电池剩余寿命预测方法 |
-
2018
- 2018-04-16 CN CN201810335391.0A patent/CN108520325B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN101710368A (zh) * | 2009-12-21 | 2010-05-19 | 北京航空航天大学 | 基于多源退化数据的贝叶斯可靠性综合评估方法 |
US8600917B1 (en) * | 2011-04-18 | 2013-12-03 | The Boeing Company | Coupling time evolution model with empirical regression model to estimate mechanical wear |
CN104156791A (zh) * | 2014-08-29 | 2014-11-19 | 哈尔滨工业大学 | 基于ls-svm的概率集成学习锂离子电池剩余寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
CHAO HU等: "Ensemble of data-driven prognostic algorithms for robust prediction of remaining useful life", 《2011 IEEE CONFERENCE ON PROGNOSTICS AND HEALTH MANAGEMENT》 * |
刘大同等: "锂离子电池健康评估和寿命预测综述", 《仪器仪表学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110083951A (zh) * | 2019-04-30 | 2019-08-02 | 贵州电网有限责任公司 | 一种基于变压器相关运行数据的固体绝缘寿命预测方法 |
CN116956174A (zh) * | 2019-05-13 | 2023-10-27 | 北京绪水互联科技有限公司 | 用于进行冷头状态分类检测和寿命预测的分类模型和预测模型的生成方法 |
CN110286361B (zh) * | 2019-07-08 | 2021-04-13 | 电子科技大学 | 基于snr退化模型和粒子滤波的雷达发射机故障预测方法 |
CN110286361A (zh) * | 2019-07-08 | 2019-09-27 | 电子科技大学 | 基于snr退化模型和粒子滤波的雷达发射机故障预测方法 |
CN110405343A (zh) * | 2019-08-15 | 2019-11-05 | 山东大学 | 一种基于Bagging集成的预测模型与粒子群优化算法的激光焊接工艺参数优化方法 |
CN110405343B (zh) * | 2019-08-15 | 2021-06-29 | 山东大学 | 一种基于Bagging集成的预测模型与粒子群优化算法的激光焊接工艺参数优化方法 |
CN110866790A (zh) * | 2019-11-26 | 2020-03-06 | 上海景域文化传播股份有限公司 | 一种景点门票销量预测系统及方法 |
CN111652310A (zh) * | 2020-06-02 | 2020-09-11 | 江苏科技大学 | 基于Bagging框架SVM继电器贮存寿命预测方法 |
CN111652310B (zh) * | 2020-06-02 | 2023-12-01 | 江苏科技大学 | 基于Bagging框架SVM继电器贮存寿命预测方法 |
CN112288191A (zh) * | 2020-11-19 | 2021-01-29 | 国家海洋信息中心 | 一种基于多类机器学习方法的海洋浮标寿命预测方法 |
CN113298120A (zh) * | 2021-04-29 | 2021-08-24 | 上海淇玥信息技术有限公司 | 基于融合模型的用户风险预测方法、系统和计算机设备 |
CN113298120B (zh) * | 2021-04-29 | 2023-08-01 | 上海淇玥信息技术有限公司 | 基于融合模型的用户风险预测方法、系统和计算机设备 |
CN113822499A (zh) * | 2021-11-23 | 2021-12-21 | 北京磁浮有限公司 | 一种基于模型融合的列车备件损耗预测方法 |
CN113822499B (zh) * | 2021-11-23 | 2022-04-15 | 北京磁浮有限公司 | 一种基于模型融合的列车备件损耗预测方法 |
CN116467939A (zh) * | 2023-04-10 | 2023-07-21 | 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)) | 电能表寿命预测方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108520325B (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520325A (zh) | 一种基于多变环境下加速退化数据的集成寿命预测方法 | |
Warsito et al. | Cascade forward neural network for time series prediction | |
CN108879732B (zh) | 电力系统暂态稳定评估方法及装置 | |
CN104539601B (zh) | 动态网络攻击过程可靠性分析方法及系统 | |
Torija et al. | A general procedure to generate models for urban environmental-noise pollution using feature selection and machine learning methods | |
CN105260786A (zh) | 一种电力推进系统仿真可信度评估模型综合优化方法 | |
CN111401755A (zh) | 基于马尔科夫链的多新能源出力场景生成方法、装置及系统 | |
CN105022871A (zh) | 基于神经网络与整机的液力变矩器叶片数优化方法 | |
CN112966871A (zh) | 基于卷积长短期记忆神经网络的交通拥堵预测方法及系统 | |
CN112307536B (zh) | 一种大坝渗流参数反演方法 | |
CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
Papadelis et al. | An application of calibration and uncertainty quantification techniques for agent-based models | |
CN111667189A (zh) | 一种基于一维卷积神经网络的建筑工程项目风险预测方法 | |
Strofylas et al. | Using synchronous and asynchronous parallel differential evolution for calibrating a second-order traffic flow model | |
CN110851911B (zh) | 终端状态计算模型训练方法、控制序列搜索方法及装置 | |
Amrit et al. | Design strategies for multi-objective optimization of aerodynamic surfaces | |
Wong et al. | Graph neural network based surrogate model of physics simulations for geometry design | |
Song et al. | Calibration of agent-based model using reinforcement learning | |
CN117334271A (zh) | 一种基于指定属性生成分子的方法 | |
Albi et al. | Kinetic based optimization enhanced by genetic dynamics | |
CN111524348A (zh) | 一种长短期交通流预测模型及方法 | |
CN116011071A (zh) | 基于主动学习的空中造楼机结构可靠性分析方法及系统 | |
Guo et al. | Mobile user credit prediction based on lightgbm | |
Yinghua et al. | Using genetic artificial neural network to model dam monitoring data | |
Fikri et al. | Predicting Moroccan Real Network's Power Flow Employing the Artificial Neural Networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |