CN110895626A - 基于留一交叉验证的性能退化模型精度验证方法 - Google Patents
基于留一交叉验证的性能退化模型精度验证方法 Download PDFInfo
- Publication number
- CN110895626A CN110895626A CN201811053679.5A CN201811053679A CN110895626A CN 110895626 A CN110895626 A CN 110895626A CN 201811053679 A CN201811053679 A CN 201811053679A CN 110895626 A CN110895626 A CN 110895626A
- Authority
- CN
- China
- Prior art keywords
- model
- sample
- error
- data
- follows
- 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
一种基于留一交叉验证的性能退化模型精度验证方法,其步骤如下:1)采集数据;2)确定备选模型形式;3)拟合得到备选模型方程;4)计算备选模型拟合误差;5)计算备选模型的预测误差;6)利用预测误差值评价模型;7)确定最优模型。本发明从拟合误差、预测误差两个角度全面的、完整的评价性能退化模型的优劣,为工程研究关于模型验证和选择的方面提供一种新的思路。
Description
一、技术领域
本发明提供一种基于留一交叉验证的性能退化模型精度验证方法,属于可靠性工程技术领域。
二、背景技术
基于留一交叉验证的性能退化模型精度验证方法的研究具有广泛的实际意义,目前在模型选择方面主要应用统计学的方法,统计学的方法主要是从数据出发,利用数学模型,提取出数据的特征,从而总结数据的规律与趋势,为而后的预测和分析提供依据。然而在实际的应用中多为含有异常数据的情况,通常人们会在研究之初选择一些备选模型,再拿备选模型与原有的数据进行对比,然后根据需要指定一些评价指标,从而选出预测效果相对较好的模型。在进行模型选择的时候,看似过程比较容易,原理较简单,但在普遍的工程研究中却存在着许多实际的问题,如果在样本量较大的前提下,我们可以直接用所有数据计算预测误差,在这种情况下,计算预测误差并不困难,同时也没有了寿命预测的意义。而在实际应用的多数情况下,往往没有这样足够多的样本,我们只能通过某种方法来对预测误差进行估计。正是在这样的需求下,本发明提出了基于留一交叉验证的性能退化模型精度验证方法。对备选的数据模型进行评估,选择出更符合性能退化规律的模型,从而为精确的寿命预测与可靠性评估提供保障。
三、发明内容
(一)目的
本发明的目的是提供一种基于留一交叉验证的性能退化模型精度验证方法,它是基于有N个同型产品退化数据的性能退化模型的验证方法,采用留一交叉验证的方法进行数据的处理,利用预测误差的值计算均值、方差、统计分布。并从拟合误差、预测误差两个角度评价模型的适应性,为工程研究关于模型验证和选择的方面提供一种新的思路。
(二)技术方案
一种基于留一交叉验证的性能退化模型精度验证方法,该方法是通过对个同型产品
某些关键性能参数进行实时监测,获得产品一系列退化数据,然后选择几种常用的数学模
型作为备选模型,拟合模型方程得到拟合误差,再采用交叉验证——留一交叉验证的思想
得到N个预测误差,从拟合误差和预测误差两方面确定得到最优模型。
本发明一种基于留一交叉验证的性能退化模型精度验证方法,其步骤如下。
步骤1,采集数据:通过对N个同型产品的观察和监测,收集并整合在各时间点上的退化数据,根据这些获得的数据点描绘出产品的退化数据随时间变化的趋势图。
步骤2,确定备选模型形式:根据产品退化变化趋势图,选出备选模型。
步骤3,拟合得到备选模型方程:根据在步骤1中得到的产品性能退化的原始数据,通过使用参数估计方法对各个备选模型进行参数估计,最终可以获得各个备选模型的方程。参数估计方法可采用最小二乘法、最大似然法和最大后验估计中的一种或数种。
步骤4,计算备选模型拟合误差:利用评价指标,计算拟合误差。评价指标可采用平方相对误差、平均相对误差、最大相对误差和决定系数中的一种或数种。
步骤5,计算备选模型的预测误差:采用留一交叉验证法计算模型的预测误差。预测误差计算方法可采用平方相对误差、平均相对误差和最大相对误差中的一种或数种。
步骤6,利用预测误差值评价模型:利用计算得到的N个预测误差值对其进行统计分析,计算均值、方差,从多方面评价模型的优劣。
步骤7,确定最优模型:根据上述计算的结果从拟合误差、预测误差两个的角度确定最优模型。
其中,所述的“产品”,是指本发明所述的方法适用于下列产品,该产品包括:
(1)长贮退化失效型产品,是指在产品全寿命周期过程中,其绝大多数时间处于贮存状态的产品,该产品随着服役时间的增加,将产生劣化、老化现象;
(2)长时间连续工作退化失效型产品,是指在产品全寿命周期过程中,其绝大多数时间处于工作状态的产品,该产品随着服役时间的增加,将产生劣化、老化现象;
(3)非连续工作退化失效型产品,是指在产品全寿命周期过程中,其一部分时间处于贮存状态、一部分时间处于工作状态、且贮存与工作状态不断交替的产品,该产品随着服役时间的增加,将产生劣化、老化现象。
其中,在步骤1中所述的“退化数据”,是指本发明所述的方法是针对该类数据使用的,该类数据是通过对表征性能退化产品功能的某些量进行连续测量获得的。
本发明需至少获得两个样本的性能退化数据。
其中,在步骤2中所述的“备选模型形式”,是指根据产品退化变化趋势图,选择多种符合产品退化规律的模型形式。模型形式可采用双曲线模型、幂函数模型、指数函数模型、对数函数模型和多项式模型中的一种或数种。该模型形式的具体情况如下。
(1)双曲线模型:若退化数据y随时间t的增加(或减少),最初增加(或减少)很快,以后逐渐放慢并趋于稳定,则可以选用双曲线模型。其形式为
(2)幂函数模型:幂函数模型的形式为
(3)指数函数模型:该模型用于描述几何级数递增或递减的现象。其形式为
(4)对数函数模型:该模型用于描述退化数据y随时间t的增加而增加(或减少),但其增加速度(或降低速度)逐渐放慢的现象。其形式为
(5)多项式模型:该模型用途广泛,根据级数展开的原理,任何曲线的问题,在一定的范围内都能够用多项式逼近。其形式为
其中,在步骤3所述的“参数估计方法”:是指最小二乘法、最大似然法和最大后验估计中的一种或数种。这些方法的具体情况如下。
(1)最小二乘法:该方法的核心思想是构造误差平方和函数,对其求偏导,让误差平方和函数取得最小值的参数为最终的模型参数;
(2)最大似然估计法:该方法的核心思想是构造当前样本出现的联合概率函数,对其求偏导,让当前样本的概率最大的参数为最终的模型参数;
(3)最大后验估计法:该方法的核心思想是以当前样本数据条件下由贝叶斯公式计算出的整个后验概率最大的模型参数为最终的模型参数。
其中,在步骤4中所述的“拟合误差”:是指利用训练数据与拟合值之间的偏差。
其中,在步骤4中所述的“评价指标”:是指平方相对误差、平均相对误差、最大相对误差和决定系数中的一种或数种。这些指标的具体情况如下。
(1)平方相对误差:该指标是指训练数据与拟合值之差与训练数据之比的平方和的平均值。当该指标越接近于0时,说明拟合效果越好。其形式为
(2)平均绝对误差:该指标是指训练数据与拟合值之差与训练数据之比的绝对值的平均值。当该指标越接近于0时,说明拟合效果越好。其形式为
(3)最大绝对误差:该指标是指训练数据与拟合值之差与训练数据之比的绝对值的最大值。当该指标越接近于0时,说明拟合效果越好。其形式为
(4)决定系数:该指标是通过数据的变化来表征拟合的好坏。当该指标越接近于1时,说明拟合效果越好。其形式为
其中,在步骤5中所述的“预测误差”:是指测试数据与预测值之间的偏差。
其中,在步骤5中所述的“预测误差计算方法”:是指平方相对误差、平均相对误差和最大相对误差中的一种或数种。这些指标的具体情况如下。
(1)平方相对误差:该指标是指测试数据与预测值之差与测试数据之比的平方和的平均值。当该指标越接近于0时,说明预测效果越好。其形式为
(2)平均相对误差:该指标是指测试数据与预测值之差与测试数据之比的绝对值的平均值。当该指标越接近于0时,说明预测效果越好。其形式为
(3)最大绝对误差:该指标是指测试数据与预测值之差与测试数据之比的绝对值的最大值。当该指标越接近于0时,说明预测效果越好。其形式为
其中,在步骤6中所述“多方面评价”:是指从均值和方差的角度,综合评价模型。其具体评价规则如下。
(1)预测误差均值越小的模型越准确;
(2)预测误差方差值越小的模型越稳定;
(3)当均值和方差指标相矛盾时,需根据具体情况评价模型优劣。
其中,在步骤7中所述“最优模型”:是指从拟合误差和预测误差两个角度确定最优备选模型。具体确定规则如下:
(1)比较各备选模型拟合误差,拟合误差最小的备选模型拟合效果最好;
(2)根据在步骤6中得到的模型评价情况,得到预测最优模型;
(3)当拟合误差和预测误差相矛盾时,需根据具体情况评价确定最优模型。
(三)本发明的优点:
本发明在考虑充分性、必要性、符合工程习惯、可论证性、可设计性、可验证性原则的基础上根据性能退化数据的特点提出了一种基于留一交叉验证的性能退化模型精度验证方法,从拟合误差、预测误差两个角度全面的、完整的评价性能退化模型的优劣,为工程研究关于模型验证和选择的方面提供一种新的思路。
四、附图说明
图1为本发明的流程图;
五、具体实施方式
本发明一种基于留一交叉验证的性能退化模型精度验证方法是以性能退化产品为研究对象,性能退化产品包括长贮退化失效型产品、长时间连续工作退化失效型产品和非连续工作退化失效型产品。性能退化产品的定义具体如下:(1)长贮退化失效型产品:是指在产品全寿命周期过程中,其绝大多数时间处于贮存状态的产品,该产品随着服役时间的增加,将产生劣化、老化现象;(2)长时间连续工作退化失效型产品:是指在产品全寿命周期过程中,其绝大多数时间处于工作状态的产品,该产品随着服役时间的增加,将产生劣化、老化现象;(3)非连续工作退化失效型产品:是指在产品全寿命周期过程中,其一部分时间处于贮存状态、一部分时间处于工作状态、且贮存与工作状态不断交替的产品,该产品随着服役时间的增加,将产生劣化、老化现象。
本发明需至少获得两个样本的性能退化数据。
如图1所示,本发明一种基于留一交叉验证的性能退化模型精度验证方法,其步骤如下。
步骤2,确定备选模型形式:根据产品退化变化趋势图,选出k个备选模型,其具体形式如下。
模型形式可采用双曲线模型、幂函数模型、指数函数模型、对数函数模型和多项式
模型中的一种或数种。该模型形式的具体情况如下。(1)双曲线模型:若退化数据y随时间t
的增加(或减少),最初增加(或减少)很快,以后逐渐放慢并趋于稳定,则可以选用双曲线模
型。其形式为式中,t为测试时刻,y 为模型待定系数。(2)幂
函数模型:幂函数模型的形式为式中,t为测试时刻,y 为模
型待定系数。(3)指数函数模型:该模型用于描述几何级数递增或递减的现象。其形式为式中,t为测试时刻,y 为模型待定系数。(4)对数函数模型:
该模型用于描述退化数据y随时间t的增加而增加(或减少),但其增加速度(或降低速度)逐
渐放慢的现象。其形式为式中,t为测试时刻,y 为模型
待定系数。(5)多项式模型:该模型用途广泛,根据级数展开的原理,任何曲线的问题,在一
定的范围内都能够用多项式逼近。其形式为式中,t为测试时
刻,y 为模型待定系数。
参数估计方法可采用最小二乘法、最大似然法和最大后验估计中的一种或数种。这些方法的具体情况如下。(1)最小二乘法:该方法的核心思想是构造误差平方和函数,对其求偏导,让误差平方和函数取得最小值的参数为最终的模型参数;(2)最大似然估计法:该方法的核心思想是构造当前样本出现的联合概率函数,对其求偏导,让当前样本的概率最大的参数为最终的模型参数;(3)最大后验估计法:该方法的核心思想是以当前样本数据条件下由贝叶斯公式计算出的整个后验概率最大的模型参数为最终的模型参数。
步骤4,计算备选模型拟合误差:利用评价指标,计算拟合误差。拟合误差是指训练
数据与拟合值之间的偏差。评价指标可采用平方相对误差、平均相对误差、最大相对误差和
决定系数中的一种或数种。这些指标的具体情况如下。(1)平方相对误差:该指标是指训练
数据与拟合值之差与训练数据之比的平方和的平均值。当该指标越接近于0时,说明拟合效
果越好。其形式为 式中,为第个样本在第个测量时刻的拟合值,
为第个样本在第个测量时刻的训练数据,为每个样本的总测量次数,为样本量。(2)平
均绝对误差:该指标是指训练数据与拟合值之差与训练数据之比的绝对值的平均值。当该
指标越接近于0时,说明拟合效果越好。其形式为 式中,为第个样本
在第个测量时刻的拟合值,为第个样本在第个测量时刻的训练数据,为每个样本的
总测量次数,为样本量。(3)最大绝对误差:该指标是指训练数据与拟合值之差与训练数据
之比的绝对值的最大值。当该指标越接近于0时,说明拟合效果越好。其形式为 式中,为第个样本在第个测量时刻的拟合值,为第个样本在
第个测量时刻的训练数据,为每个样本的总测量次数,为样本量。(4)决定系数:该指标
是通过数据的变化来表征拟合的好坏。当该指标越接近于1时,说明拟合效果越好。其形式
为 式中,为第个样本在第个测量时刻的拟合值,为第个
样本在第个测量时刻的训练数据,为第个样本训练数据的平均值,为每个样本的总测
量次数,为样本量。
步骤5,计算备选模型的预测误差:采用留一交叉验证法计算模型的预测误差。预
测误差是指测试数据与预测值之间的偏差。留一交叉验证是指针对k个备选模型,分别每次
从个产品中留下一个产品不用,其余个产品用来估计模型参数;再用这个留
下的产品数据计算预测误差;如此,可得到N 个预测误差值。该方法具体情况如下:为第个样本在第个测量时刻的测试数据,采用留一交叉验证,
当留的样本为第个样本时,对预测进行计算,则第个样本的平均预测误差可以采用平
方相对误差、平均相对误差和最大相对误差中的一种或数种。这些指标的具体情况如下。
(1)平方相对误差:该指标是指测试数据与预测值之差与测试数据之比的平方和的平均值。
当该指标越接近于0时,说明预测效果越好。其形式为 式中,为第个
样本在第个测量时刻的预测值,为第个样本在第个测量时刻的测试数据,为每个样
本的总测量次数。(2)平均相对误差:该指标是指测试数据与预测值之差与测试数据之比的
绝对值的平均值。当该指标越接近于0时,说明预测效果越好。其形式为
式中,为第个样本在第个测量时刻的预测值,为第个样本在第个测量时刻的测试数
据,为每个样本的总测量次数。(3)最大绝对误差:该指标是指测试数据与预测值之差与
测试数据之比的绝对值的最大值。当该指标越接近于0时,说明预测效果越好。其形式为 式中,为第个样本在第个测量时刻的预测值,为第个样本在
第个测量时刻的测试数据,为每个样本的总测量次数。
步骤6,利用预测误差值评价模型:利用计算得到的N个预测误差值对其进行统计分析,计算均值、方差,从多方面评价模型的优劣。 多方面评价是指从均值和方差的角度,综合评价模型。其具体评价规则如下。(1)预测误差均值越小的模型越准确;(2)预测误差方差值越小的模型越稳定;(3)当均值和方差指标相矛盾时,需根据具体情况评价模型优劣。
步骤7,确定最优模型:根据上述计算的结果从拟合误差、预测误差两个的角度确定最优模型。最优模型是指从拟合误差和预测误差两个角度确定最优备选模型。具体确定规则如下。(1)比较各备选模型拟合误差,拟合误差最小的备选模型拟合效果最好;(2)根据在步骤6中得到的模型评价情况,得到预测最优模型;(3)当拟合误差和预测误差相矛盾时,需根据具体情况评价确定最优模型。
表1 XXX型综合传动装置油液某元素退化数据
兹举实施案例如下:
本案例以XXX型综合传动装置油液中某元素的退化数据为例,陈述本发明一种基于留一交叉验证的性能退化模型精度验证方法的应用。
本案例所涉及性能退化产品为长时间连续工作退化失效型产品。样本数为6个。
案例实施流程为上述七个步骤。针对本案例,步骤1采集得到太阳吸收率随时间变化数据,如表1所示。
通过步骤2得到三个备选模型:线性模型、二次多项式模型和三次多项式模型。通
过步骤3和步骤4,运用最小二乘法拟合得到三个模型方程,选用平方相对误差分别计算拟
合误差,其结果分别为和。通过步骤5,利用留一交
叉验证,选用平方相对误差分别计算三个备选模型下产品的预测误差和相关统计指标,结
果如表2所示。
表2 三个模型基于留一交叉验证的预测误差值
通过步骤6和步骤7,分析得到:从平均拟合误差角度来看,三次多项式的表现最优(拟合误差最小),二次多项式次之,线性模型相对其他两种模型最差;这与实际情况是相符合的,因为随着模型越来越复杂,参数个数越来越多,模型的拟合效果也就越好。但并不是模型越复杂就越好,因为过于复杂的模型可能会带来过拟合问题。从预测误差的均值来看,三次多项式的效果最优(拟合误差最小),线性模型相对三次多项式较弱,二次多项式相对其他两个模型的寿命预测效果最差。但是,从预测误差的方差来看,线性模型预测误差的变化趋势较为稳定,具有较强的一致性,预测的水平较高。总的来说,三次多项式的模型预测误差虽然略小于线性模型,但三次多项式模型比线性模型多了2个未知参数,且预测误差的方差远大于线性模型,其稳定性较差,波动较大,预测的科学性与线性模型相比较差。所以综合考虑模型的预测精度、预测误差的一致性以及模型形式的复杂度,线性模型的预测效果是最优的。
Claims (9)
1.一种基于留一交叉验证的性能退化模型精度验证方法,该方法是通过对N个同型产品某些关键性能参数进行实时监测,获得产品一系列退化数据,然后选择几种常用的数学模型作为备选模型,拟合模型方程得到拟合误差,再采用交叉验证——留一交叉验证的思想得到N个预测误差,从拟合误差和预测误差两方面确定得到最优模型,该方法的具体步骤如下:
步骤1,采集数据:通过对N个同型产品的观察和监测,收集并整合在各时间点上的退化数据,根据这些获得的数据点描绘出产品的退化数据随时间变化的趋势图;
步骤2,确定备选模型形式:根据产品退化变化趋势图,选出备选模型;
步骤3,拟合得到备选模型方程:根据在步骤1中得到的产品性能退化的原始数据,通过使用参数估计方法对各个备选模型进行参数估计,最终可以获得各个备选模型的方程,
参数估计方法可采用最小二乘法、最大似然法和最大后验估计中的一种或数种;
步骤4,计算备选模型拟合误差:利用评价指标,计算拟合误差,
评价指标可采用平方相对误差、平均相对误差、最大相对误差和决定系数中的一种或数种;
步骤5,计算备选模型的预测误差:采用留一交叉验证法计算模型的预测误差,
预测误差计算方法可采用平方相对误差、平均相对误差和最大相对误差中的一种或数种,
步骤6,利用预测误差值评价模型:利用计算得到的N个预测误差值对其进行统计分析,计算均值、方差,从多方面评价模型的优劣;
步骤7,确定最优模型:根据上述计算的结果从拟合误差、预测误差两个的角度确定最优模型。
2.根据权利要求1所述的一种基于留一交叉验证的性能退化模型精度验证方法,其特征在于,所述的“产品”包括:(1)长贮退化失效型产品,指在产品全寿命周期过程中,其绝大多数时间处于贮存状态的产品,该产品随着服役时间的增加,将产生劣化、老化现象;(2)长时间连续工作退化失效型产品,指在产品全寿命周期过程中,其绝大多数时间处于工作状态的产品,该产品随着服役时间的增加,将产生劣化、老化现象;(3)非连续工作退化失效型产品,指在产品全寿命周期过程中,其一部分时间处于贮存状态、一部分时间处于工作状态、且贮存与工作状态不断交替的产品,该产品随着服役时间的增加,将产生劣化、老化现象。
3.根据权利要求1所述的一种基于留一交叉验证的性能退化模型精度验证方法,其特征在于,在步骤1中所述的退化数据,是指本发明所述的方法主要用于该类数据,该类数据是通过对表征性能退化产品功能的某些量进行连续测量获得的,本发明需至少获得两个样本的性能退化数据。
4.根据权利要求1所述的一种基于留一交叉验证的性能退化模型精度验证方法,其特征在于,在步骤2中所述的备选模型形式,是指根据产品退化变化趋势图,选择多种符合产品退化规律的模型形式,模型形式可采用双曲线模型、幂函数模型、指数函数模型、对数函数模型和多项式模型中的一种或数种,该模型形式的具体情况如下:
(1)双曲线模型:若退化数据y随时间t的增加(或减少),最初增加(或减少)很快,以后逐渐放慢并趋于稳定,则可以选用双曲线模型,
其形式为
(2)幂函数模型:幂函数模型的形式为
(3)指数函数模型:该模型用于描述几何级数递增或递减的现象,
其形式为
(4)对数函数模型:该模型用于描述退化数据y随时间t的增加而增加(或减少),但其增加速度(或降低速度)逐渐放慢的现象,
其形式为
(5)多项式模型:该模型用途广泛,根据级数展开的原理,任何曲线的问题,在一定的范围内都能够用多项式逼近,
其形式为
5.根据权利要求1所述的一种基于留一交叉验证的性能退化模型精度验证方法,其特征在于,在步骤3中所述的参数估计方法,是指最小二乘法、最大似然法和最大后验估计中的一种或数种,这些方法的具体情况如下:
(1)最小二乘法:该方法的核心思想是构造误差平方和函数,对其求偏导,让误差平方和函数取得最小值的参数为最终的模型参数;
(2)最大似然估计法:该方法的核心思想是构造当前样本出现的联合概率函数,对其求偏导,让当前样本的概率最大的参数为最终的模型参数;
(3)最大后验估计法:该方法的核心思想是以当前样本数据条件下由贝叶斯公式计算出的整个后验概率最大的模型参数为最终的模型参数。
6.根据权利要求1所述的一种基于留一交叉验证的性能退化模型精度验证方法,其特征在于,在步骤4中所述的拟合误差,是指利用训练数据与拟合值之间的偏差,评价指标是指平方相对误差、平均相对误差、最大相对误差和决定系数中的一种或数种,这些指标的具体情况如下:
(1)平方相对误差:该指标是指训练数据与拟合值之差与训练数据之比的平方和的平均值,
当该指标越接近于0时,说明拟合效果越好,
其形式为
(2)平均绝对误差:该指标是指训练数据与拟合值之差与训练数据之比的绝对值的平均值,
当该指标越接近于0时,说明拟合效果越好,
其形式为
(3)最大绝对误差:该指标是指训练数据与拟合值之差与训练数据之比的绝对值的最大值,
当该指标越接近于0时,说明拟合效果越好,
其形式为
(4)决定系数:该指标是通过数据的变化来表征拟合的好坏,
当该指标越接近于1时,说明拟合效果越好,
其形式为
7.根据权利要求1所述的一种基于留一交叉验证的性能退化模型精度验证方法,其特征在于,在步骤5中所述的预测误差,是指测试数据与预测值之间的偏差,
留一交叉验证是指针对个备选模型,分别每次从个产品中留下一个产品不
用,其余个产品用来估计模型参数;再用这个留下的产品数据计算预测误差;同理,可
得到N个预测误差值,预测误差计算方法是指平方相对误差、平均相对误差和最大相对误差
中的一种或数种,这些指标的具体情况如下:
(1)平方相对误差:该指标是指测试数据与预测值之差与测试数据之比的平方和的平均值,
当该指标越接近于0时,说明预测效果越好,
其形式为
(2)平均相对误差:该指标是指测试数据与预测值之差与测试数据之比的绝对值的平均值,
当该指标越接近于0时,说明预测效果越好,
其形式为
(3)最大绝对误差:该指标是指测试数据与预测值之差与测试数据之比的绝对值的最大值,
当该指标越接近于0时,说明预测效果越好,
其形式为
8.根据权利要求1所述的一种基于留一交叉验证的性能退化模型精度验证方法,其特征在于,在步骤6中所述多方面评价,是指从均值和方差的角度,综合评价模型,其具体评价规则如下:
(1)预测误差均值越小的模型越准确;
(2)预测误差方差值越小的模型越稳定;
(3)当均值和方差指标相矛盾时,需根据具体情况评价模型优劣。
9.根据权利要求1所述的一种基于留一交叉验证的性能退化模型精度验证方法,其特征在于,在步骤7中所述最优模型,是指从拟合误差和预测误差两个角度确定最优备选模型,具体确定规则如下:
(1)比较各备选模型拟合误差,拟合误差最小的备选模型拟合效果最好;
(2)根据在步骤6中得到的模型评价情况,得到预测最优模型;
(3)当拟合误差和预测误差相矛盾时,需根据具体情况评价确定最优模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811053679.5A CN110895626B (zh) | 2018-09-11 | 2018-09-11 | 基于留一交叉验证的性能退化模型精度验证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811053679.5A CN110895626B (zh) | 2018-09-11 | 2018-09-11 | 基于留一交叉验证的性能退化模型精度验证方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110895626A true CN110895626A (zh) | 2020-03-20 |
CN110895626B CN110895626B (zh) | 2021-02-23 |
Family
ID=69784930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811053679.5A Active CN110895626B (zh) | 2018-09-11 | 2018-09-11 | 基于留一交叉验证的性能退化模型精度验证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110895626B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113821975A (zh) * | 2021-09-10 | 2021-12-21 | 湖南大学 | 一种燃料电池性能衰减预测方法及系统 |
CN114117763A (zh) * | 2021-11-18 | 2022-03-01 | 浙江理工大学 | 一种基于移一交叉验证法的模型筛选方法 |
CN114358445A (zh) * | 2022-03-21 | 2022-04-15 | 山东建筑大学 | 一种业务流程剩余时间预测模型推荐方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090055339A1 (en) * | 2007-08-20 | 2009-02-26 | Airbus France | Process and apparatus for evaluating operational risks for aiding in vehicular maintenance decisions |
CN102629300A (zh) * | 2012-03-15 | 2012-08-08 | 北京航空航天大学 | 一种基于灰色预测模型的步进应力加速退化数据评估方法 |
CN104573740A (zh) * | 2014-12-22 | 2015-04-29 | 山东鲁能软件技术有限公司 | 一种基于svm分类模型的设备故障诊断方法 |
CN104834794A (zh) * | 2015-05-27 | 2015-08-12 | 中国人民解放军国防科学技术大学 | 基于材料配比和关键工艺参数改进的产品寿命增长方法 |
US20170169143A1 (en) * | 2015-12-15 | 2017-06-15 | Hitachi, Ltd. | System for maintenance recommendation based on performance degradation modeling and monitoring |
CN107862134A (zh) * | 2017-11-06 | 2018-03-30 | 河南科技大学 | 一种考虑自相关测量误差的Wiener过程可靠性分析方法 |
-
2018
- 2018-09-11 CN CN201811053679.5A patent/CN110895626B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090055339A1 (en) * | 2007-08-20 | 2009-02-26 | Airbus France | Process and apparatus for evaluating operational risks for aiding in vehicular maintenance decisions |
CN102629300A (zh) * | 2012-03-15 | 2012-08-08 | 北京航空航天大学 | 一种基于灰色预测模型的步进应力加速退化数据评估方法 |
CN104573740A (zh) * | 2014-12-22 | 2015-04-29 | 山东鲁能软件技术有限公司 | 一种基于svm分类模型的设备故障诊断方法 |
CN104834794A (zh) * | 2015-05-27 | 2015-08-12 | 中国人民解放军国防科学技术大学 | 基于材料配比和关键工艺参数改进的产品寿命增长方法 |
US20170169143A1 (en) * | 2015-12-15 | 2017-06-15 | Hitachi, Ltd. | System for maintenance recommendation based on performance degradation modeling and monitoring |
CN107862134A (zh) * | 2017-11-06 | 2018-03-30 | 河南科技大学 | 一种考虑自相关测量误差的Wiener过程可靠性分析方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113821975A (zh) * | 2021-09-10 | 2021-12-21 | 湖南大学 | 一种燃料电池性能衰减预测方法及系统 |
CN113821975B (zh) * | 2021-09-10 | 2023-12-15 | 湖南大学 | 一种燃料电池性能衰减预测方法及系统 |
CN114117763A (zh) * | 2021-11-18 | 2022-03-01 | 浙江理工大学 | 一种基于移一交叉验证法的模型筛选方法 |
CN114117763B (zh) * | 2021-11-18 | 2024-05-03 | 浙江理工大学 | 一种基于移一交叉验证法的模型筛选方法 |
CN114358445A (zh) * | 2022-03-21 | 2022-04-15 | 山东建筑大学 | 一种业务流程剩余时间预测模型推荐方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110895626B (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110596593B (zh) | 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法 | |
CN110895626B (zh) | 基于留一交叉验证的性能退化模型精度验证方法 | |
CN112269134B (zh) | 一种基于深度学习的电池soc和soh联合估计方法 | |
CN112415402B (zh) | 锂电池容量估计、电芯异常预测的方法和系统 | |
CN105158725B (zh) | 一种基于多维影响量的电能表计量准确性评估方法 | |
CN110081923B (zh) | 野外基线环境参数自动采集系统故障检测方法与装置 | |
CN113065702B (zh) | 基于st-seep分段法和时空arma模型的滑坡位移多线性预测方法 | |
CN109061482B (zh) | 电池健康度预测方法及装置 | |
CN107121641B (zh) | 一种基于粒子群优化的电池状态估计方法 | |
CN110412472B (zh) | 一种基于正态伽马滤波的电池荷电状态估计方法 | |
JP2023016707A5 (zh) | ||
CN113296010B (zh) | 一种基于差分电压分析的电池健康状态在线评估方法 | |
CN112329272B (zh) | 综合光伏组件退化和寿命数据的剩余寿命拟合预测方法 | |
CN114091790A (zh) | 一种融合现场数据和两阶段加速退化数据的寿命预测方法 | |
Korhonen et al. | Evaluation of the accuracy of analysis tools for atmospheric new particle formation | |
CN113533995A (zh) | 一种动力电池一致性检测方法 | |
CN117314016A (zh) | 基于bim技术的水利工程在线监控方法 | |
CN106779354B (zh) | 用于飞行器性能评估的Bayes数据融合评估方法 | |
CN110895628B (zh) | 一种性能退化模型预测精度验证方法 | |
CN110889190B (zh) | 面向预测精度要求的性能退化建模数据量优化方法 | |
CN112415412A (zh) | 估算电池soc值的方法和装置及车辆、存储介质 | |
CN116047301A (zh) | 一种串联型电池系统的荷电状态估计方法 | |
CN112700039B (zh) | 一种火电厂负荷运行数据的稳态检测与提取方法 | |
CN112488295A (zh) | 交叉验证算法优化lstm网络继电器贮存寿命预测方法 | |
CN117131977B (zh) | 一种基于误判风险最小准则的径流预报样本集划分方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Accuracy verification method of performance degradation model based on leave one cross verification Effective date of registration: 20211008 Granted publication date: 20210223 Pledgee: Bank of Changsha Co.,Ltd. Yinde sub branch Pledgor: Hunan gingko Reliability Technology Research Institute Co.,Ltd. Registration number: Y2021980010281 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |