CN116433093A - 基于贝叶斯估计的非完全随机化可靠性试验因子识别方法 - Google Patents
基于贝叶斯估计的非完全随机化可靠性试验因子识别方法 Download PDFInfo
- Publication number
- CN116433093A CN116433093A CN202310394317.7A CN202310394317A CN116433093A CN 116433093 A CN116433093 A CN 116433093A CN 202310394317 A CN202310394317 A CN 202310394317A CN 116433093 A CN116433093 A CN 116433093A
- Authority
- CN
- China
- Prior art keywords
- model
- distribution
- parameters
- nonlinear
- factor
- 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.)
- Pending
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000009826 distribution Methods 0.000 claims abstract description 95
- 230000000694 effects Effects 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 9
- 238000011284 combination treatment Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000013398 bayesian method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本申请涉及一种基于贝叶斯估计的非完全随机化可靠性试验因子识别方法,其中,该方法包括:首先,构建威布尔分布的非线性混合模型,并根据非线性混合模型得到威布尔分布下产品寿命数据的似然函数,其中,非线性混合模型包括尺度参数和形状参数、模型系数和随机效应;然后,为非线性混合模型中的模型系数和随机效应设定模糊先验分布;最后,通过贝叶斯对似然函数和模糊先验分布进行整合,得到模型参数的后验分布,通过Gibbs算法计算模型参数的后验估计值和置信区间,并根据模型参数的置信区间识别显著因子。通过本申请,解决了现有技术中可靠性试验非完全随机化设计所造成的显著因子识别不准确的问题,提高了识别显著因子的准确性。
Description
技术领域
本申请涉及试验设计领域,特别是涉及基于贝叶斯估计的非完全随机化可靠性试验因子识别方法。
背景技术
随着全球经济市场的发展,低质量的产品越来越不能满足客户多样化的需求。产品质量无疑已成为企业的核心竞争力。可靠性通常被描述为随时间变化的质量。在工业试验中,产品可靠性会受到许多因子的影响。工程师需要识别出显著因子并确定这些因子的最优水平以实现改善可靠性的目的。
在现有技术中,试验设计(Design ofExperiment)是识别显著因子和确定最优因子水平以提高可靠性的重要工具,其中,完全随机化是试验设计的基本原则之一。然而,在实践中,由于试验工具的选择,可靠性试验通常是非完全随机化的设计,因此在分析可靠性试验时需要考虑随机效应的影响。但是,在现有的因子识别技术中,大都没有考虑随机效应。
目前针对相关技术中,可靠性试验因子识别时,没有考虑随机效应的问题,尚未提出有效的解决方案。因此,本发明提供一种基于贝叶斯估计的非完全随机化可靠性试验因子识别方法来解决此问题。
发明内容
本申请实施例提供了一种基于贝叶斯估计的非完全随机化可靠性试验因子识别方法,有效地解决了相关技术中可靠性试验因子识别时,没有考虑随机效应的问题。
第一方面,本申请实施例提供了一种基于贝叶斯估计的非完全随机化可靠性试验因子识别方法,所述方法包括:
构建威布尔分布的非线性混合模型,并根据所述非线性混合模型得到威布尔分布下产品寿命数据的似然函数,其中,所述非线性混合模型包括尺度参数和形状参数、模型系数和随机效应;
为所述非线性混合模型中的模型系数和随机效应设定模糊先验分布;
通过贝叶斯对所述似然函数和所述模糊先验分布进行整合,得到模型参数的后验分布,通过Gibbs算法计算模型参数的后验估计值和置信区间,并根据模型参数的置信区间识别显著因子。
在其中一些实施例中,在构建威布尔分布的非线性混合模型之前,所述方法包括:
获取产品寿命数据t,设定所述产品寿命数据t服从威布尔分布,即t~dweibull(η,β),η为尺度参数,β为形状参数,其概率密度函数和累积分布函数分别表示为:
其中f表示概率密度函数,F表示累积分布函数;
在其中一些实施例中,构建威布尔分布的非线性混合模型包括:
分别构建尺度参数和形状参数与试验因子的模型,并将随机效应通过与尺度参数的对数线性关系纳入模型中,得到威布尔分布的非线性混合模型,具体模型如下:
bi~N(0,σb 2),i=1,2,...,m
其中,p表示试验因子个数,表示协变量,α=(α0,α1,...,αp)T和γ=(γ0,γ1,...,γp)T分别是模型系数,假设试验有m个处理组合,则bi表示第i个处理组合下的随机效应,并假设每个随机效应独立且同分布,即服从均值为0,方差为σb 2的正态分布。
在其中一些实施例中,为所述非线性混合模型中的模型系数和随机效应设定模糊先验分布包括:
为所述模型系数设定正态分布,为所述随机效应设定GAMMA分布。
在其中一些实施例中,根据模型参数的置信区间判断显著因子包括:
若模型参数的置信区间中不包含0,则所述模型参数所对应的因子为显著因子,否则,为不显著因子。
在其中一些实施例中,在根据模型参数的置信区间判断得到显著因子后,所述方法还包括:
根据识别得到的显著因子,分别确定尺度参数和形状参数的回归模型。
第二方面,本申请实施例提供了一种基于贝叶斯估计的非完全随机化可靠性试验因子识别系统,所述系统包括:
构建模块,用于构建威布尔分布的非线性混合模型,并根据所述非线性混合模型得到威布尔分布下产品寿命数据的似然函数,其中,所述非线性混合模型包括尺度参数和形状参数、模型系数和随机效应;
设定模块,用于为所述非线性混合模型中的模型系数和随机效应设定模糊先验分布;
整合识别模块,用于通过贝叶斯对所述似然函数和所述模糊先验分布进行整合,得到模型参数的后验分布,通过Gibbs算法计算模型参数的后验估计值和置信区间,并根据模型参数的置信区间识别显著因子。
在其中一些实施例中,所述系统还包括获取模块,在构建威布尔分布的非线性混合模型之前,
所述获取模块,用于获取产品寿命数据,设定所述产品寿命数据服从威布尔分布。
第三方面,本申请实施例提供了一种电子装置,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的方法。
第四方面,本申请实施例提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面所述的方法。
相比于相关技术,本申请实施例提供的基于贝叶斯估计的非完全随机化可靠性试验因子识别方法,首先,构建威布尔分布的非线性混合模型,并根据非线性混合模型得到威布尔分布下产品寿命数据的似然函数,其中,非线性混合模型包括尺度参数和形状参数、模型系数和随机效应;然后,为非线性混合模型中的模型系数和随机效应设定模糊先验分布;最后,通过贝叶斯对似然函数和模糊先验分布进行整合,得到模型参数的后验分布,通过Gibbs算法计算模型参数的后验估计值和置信区间,并根据模型参数的置信区间识别显著因子。
本发明通过贝叶斯方法将先验信息融入到模型中,使得试验样本量较少时,可以通过先验分布增大样本信息量,最后根据模型参数的置信区间识别显著因子,提高了识别显著因子的准确性,解决了现有技术中可靠性试验非完全随机化设计所造成的显著因子识别不准确的问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的基于贝叶斯估计的非完全随机化可靠性试验因子识别方法的流程图;
图2是根据本申请实施例的影响尺度参数的各试验因子的置信区间示意图;
图3是根据本申请实施例的影响形状参数的各试验因子的置信区间示意图;
图4是根据本申请实施例的基于贝叶斯估计的非完全随机化可靠性试验因子识别系统的结构框图;
图5是根据本申请实施例的电子设备的内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指大于或者等于两个。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本实施例提供了一种基于贝叶斯估计的非完全随机化可靠性试验因子识别方法,图1是根据本申请实施例的基于贝叶斯估计的非完全随机化可靠性试验因子识别方法的流程图,如图1所示,该流程包括如下步骤:
步骤S101,构建威布尔分布的非线性混合模型,并根据非线性混合模型得到威布尔分布下产品寿命数据的似然函数,其中,非线性混合模型包括尺度参数和形状参数、模型系数和随机效应。
在一实施例中,构建威布尔分布的非线性混合模型包括:
获取产品寿命数据t,设定产品寿命数据t服从威布尔分布,即t~dweibull(η,β),η为尺度参数,β为形状参数,其概率密度函数和累积分布函数分别如下式(1)-(2)所示:
需要说明的是,非截尾数据对似然函数的贡献如下式(3)所示:
右截尾数据对似然函数的贡献如下式(4)所示:
假设试验有m个处理组合,每个处理组合下有n个样本,寿命数tij据表示第i个处理组合下第j个样本的失效时间,其中i=1,2,...,m;j=1,2,...,n。
接着,由于传统的DOE方法通常是假设威布尔分布的形状参数为常数。但在实际试验中,常数的形状参数假设是不适用的。因此,本实施例中假设威布尔分布的尺度参数和形状参数是随试验因子变化的;然后,根据模型系数γ和α分别构建尺度参数和形状参数与试验因子的关系,并将随机效应通过与尺度参数的对数线性关系纳入模型中,得到非线性混合模型,具体模型如下式(5)-(7)所示:
bi~N(0,σb 2),i=1,2,...,m (7)
其中,p表示试验因子个数,表示协变量,α=(α0,α1,...,αp)T和γ=(γ0,γ1,...,γp)T分别是模型系数,假设试验有m个处理组合,则bi表示第i个处理组合下的随机效应,并假设每个随机效应独立且同分布,即服从均值为0,方差为σb 2的正态分布。
最后根据上述非线性混合模型,得到威布尔分布下产品寿命数据的似然函数。具体的,将非线性混合模型(5)、(6)和(7)代入到似然函数(3)和(4)中,得到威布尔分布下产品寿命数据的似然函数。具体计算如下式(8)所示:
其中,δij=1代表失效时间数据,δij=0代表右截尾数据。
步骤S102,为非线性混合模型中的模型系数和随机效应设定模糊先验分布。
在一实施例中,模糊先验分布包括正态分布和GAMMA分布。其中,模型回归系数α和γ分别服从(p+1)维的多元正态分布,随机效应所服从的正态分布方差的倒数服从GAMMA分布,具体分别通过下式(9)-(11)表示:
α~dmnorm(μ1,∑1) (9)
γ~dmnorm(μ2,∑2) (10)
其中和/>是多元正态分布的均值,k1和k2为超参数,和/>是多元正态分布的方差。方差中的元素σ1 2和σ2 2的值越大,表示正态分布的先验方差越大,工程师所掌握的先验信息越少。如果工程师有充足的关于模型参数的先验信息,可以使用有信息的先验分布或者适当减小先验方差的值。a和b分别代表GAMMA分布的两个参数。
步骤S103,通过贝叶斯对似然函数和模糊先验分布进行整合,得到模型参数的后验分布,通过Gibbs算法计算模型参数的后验估计值和置信区间,并根据模型参数的置信区间识别显著因子。
通过贝叶斯对似然函数(8)和模糊先验分布(9)、(10)和(11)进行整合,得到模型参数的后验分布,具体公式如下式(12)所示:
接着,通过Gibbs算法计算模型参数的后验估计值和置信区间。具体的,运行Gibbs算法100万次,从迭代样本中去除老化期10万次以确保后验样本达到稳定状态。当使用模糊先验分布时,由于后验分布的中位数较少受到偏态后验分布的影响,因此,本实施例使用中位数作为贝叶斯后验估计值。
计算得到模型参数的后验估计值和置信区间后,根据置信区间来判断识别显著因子。如果模型参数的置信区间中不包含0,则模型参数对应的因子为显著因子,否则,为不显著因子,将从回归模型中舍弃。
在根据模型参数的置信区间判断得到显著因子后,根据识别得到的显著因子,可确定得到显著试验因子与威布尔分布参数的回归模型。
通过上述步骤S101至步骤S103,本实施例利用贝叶斯方法将先验信息融入到模型中,使得试验样本量较少时,可以通过先验分布增大样本信息量,最后根据模型参数的置信区间识别显著因子,提高了识别显著因子的准确性,解决了现有技术中可靠性试验非完全随机化设计所造成的显著因子识别不准确的问题。
下面以工业恒温器试验设计为例,具体说明上述一种基于贝叶斯估计的非完全随机化可靠性试验因子识别方法的实际应用过程:
对于工业恒温器,影响其可靠性的关键问题是由于腐蚀引起的隔膜穿孔,故试验目的在于识别影响腐蚀的显著因子。表1是恒温器试验的试验因子及对应水平信息,如下表1所示,该试验共有11个试验因子,每个因子有负和正两种水平,每种水平代表不同的操作条件;
表2是试验设计方案,如下表2所示,试验有12个处理组合,每个处理组合下有10个恒温器样本;
表3是不同处理组合下恒温器的寿命观测值,如下表3所示,试验在进行7342(×1000)次循环后结束,收集每个样本的失效时间,试验结束时仍未失效的样本记为右截尾样本,其中带有*的数值表示右截尾数据。
根据上述数据,通过威布尔分布的非线性混合模型得到威布尔分布下恒温器寿命数据的似然函数,并为非线性混合模型中的模型系数和随机效应设定模糊先验分布,具体的,为模型系数α和γ设定均值为0、方差为100的正态先验分布,为指定GAMMA(0.001,0.001)分布。
然后通过贝叶斯对上述得到的似然函数和模糊先验分布进行整合,得到模型参数的后验分布,并通过Gibbs算法计算得到模型参数的后验估计值和置信区间。表4是尺度参数模型下各模型系数的后验估计值和95%置信区间,表5是形状参数模型下各模型系数的后验估计值和95%置信区间,如下表4、5所示,其中,尺度参数和形状参数的各试验因子所对应的模型系数的置信区间分别如图2、3所示。
最后根据图2和图3中模型系数的置信区间识别显著因子,影响尺度参数η的显著因子有D,EF,G,和I,影响形状参数β的显著因子有B,C,D,和H。
确定显著因子后,根据表4和表5,分别得到尺度参数和形状参数与显著因子的回归模型如下式(13)-(14)所示:
表1
表2
试验号 | A | B | C | D | E | F | G | H | I | J | K |
1 | - | - | - | - | - | - | - | - | - | - | - |
2 | - | - | - | - | - | + | + | + | + | + | + |
3 | - | - | + | + | + | - | - | - | + | + | + |
4 | - | + | - | + | + | - | + | + | - | - | + |
5 | - | + | + | - | + | + | - | + | - | + | - |
6 | - | + | + | + | - | + | + | - | + | - | - |
7 | + | - | + | + | - | - | + | + | - | + | - |
8 | + | - | + | - | + | + | + | - | - | - | + |
9 | + | - | - | + | + | + | - | + | + | - | - |
10 | + | + | + | - | - | - | - | + | + | - | + |
11 | + | + | - | + | - | + | - | - | - | + | + |
12 | + | + | - | - | + | - | + | - | + | + | - |
表3
表4
表5
需要说明的是,在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了一种基于贝叶斯估计的非完全随机化可靠性试验因子识别系统,该系统用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图4是根据本申请实施例的基于贝叶斯估计的非完全随机化可靠性试验因子识别系统的结构框图,如图4所示,该系统包括构建模块41、设定模块42和整合识别模块43:
构建模块41,用于构建威布尔分布的非线性混合模型,并根据非线性混合模型得到威布尔分布下产品寿命数据的似然函数,其中,非线性混合模型包括尺度参数和形状参数、模型系数和随机效应;设定模块42,用于为非线性混合模型中的模型系数和随机效应设定模糊先验分布;整合识别模块43,用于通过贝叶斯对似然函数和模糊先验分布进行整合,得到模型参数的后验分布,通过Gibbs算法计算模型参数的后验估计值和置信区间,并根据模型参数的置信区间识别显著因子。
通过上述系统,利用贝叶斯方法将先验信息融入到模型中,使得试验样本量较少时,可以通过先验分布增大样本信息量,最后根据模型参数的置信区间识别显著因子,提高了识别显著因子的准确性,解决了现有技术中可靠性试验非完全随机化设计所造成的显著因子识别不准确的问题。
需要说明的是,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
此外,需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
本实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
另外,结合上述实施例中的基于贝叶斯估计的非完全随机化可靠性试验因子识别方法,本申请实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序;该计算机程序被处理器执行时实现上述实施例中的任意一种基于贝叶斯估计的非完全随机化可靠性试验因子识别方法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于贝叶斯估计的非完全随机化可靠性试验因子识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
在一个实施例中,图5是根据本申请实施例的电子设备的内部结构示意图,如图5所示,提供了一种电子设备,该电子设备可以是服务器,其内部结构图可以如图5所示。该电子设备包括通过内部总线连接的处理器、网络接口、内存储器和非易失性存储器,其中,该非易失性存储器存储有操作系统、计算机程序和数据库。处理器用于提供计算和控制能力,网络接口用于与外部的终端通过网络连接通信,内存储器用于为操作系统和计算机程序的运行提供环境,计算机程序被处理器执行时以实现一种基于贝叶斯估计的非完全随机化可靠性试验因子识别方法,数据库用于存储数据。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域的技术人员应该明白,以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于贝叶斯估计的非完全随机化可靠性试验因子识别方法,其特征在于,所述方法包括:
构建威布尔分布的非线性混合模型,并根据所述非线性混合模型得到威布尔分布下产品寿命数据的似然函数,其中,所述非线性混合模型包括尺度参数和形状参数、模型系数和随机效应;
为所述非线性混合模型中的模型系数和随机效应设定模糊先验分布;
通过贝叶斯对所述似然函数和所述模糊先验分布进行整合,得到模型参数的后验分布,通过Gibbs算法计算模型参数的后验估计值和置信区间,并根据模型参数的置信区间识别显著因子。
4.根据权利要求1所述的方法,其特征在于,为所述非线性混合模型中的模型系数和随机效应设定模糊先验分布包括:
为所述模型系数设定正态分布,为所述随机效应设定GAMMA分布。
5.根据权利要求1所述的方法,其特征在于,根据模型参数的置信区间判断显著因子包括:
若模型参数的置信区间中不包含0,则所述模型参数所对应的因子为显著因子,否则,为不显著因子。
6.根据权利要求1所述的方法,其特征在于,在根据模型参数的置信区间判断得到显著因子后,所述方法还包括:
根据识别得到的显著因子,分别确定尺度参数和形状参数的回归模型。
7.一种基于贝叶斯估计的非完全随机化可靠性试验因子识别系统,其特征在于,所述系统包括:
构建模块,用于构建威布尔分布的非线性混合模型,并根据所述非线性混合模型得到威布尔分布下产品寿命数据的似然函数,其中,所述非线性混合模型包括尺度参数和形状参数、模型系数和随机效应;
设定模块,用于为所述非线性混合模型中的模型系数和随机效应设定模糊先验分布;
整合识别模块,用于通过贝叶斯对所述似然函数和所述模糊先验分布进行整合,得到模型参数的后验分布,通过Gibbs算法计算模型参数的后验估计值和置信区间,并根据模型参数的置信区间识别显著因子。
8.根据权利要求7所述的系统,其特征在于,所述系统还包括获取模块,在构建威布尔分布的非线性混合模型之前,
所述获取模块,用于获取产品寿命数据,设定所述产品寿命数据服从威布尔分布。
9.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至6中任一项所述的方法。
10.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310394317.7A CN116433093A (zh) | 2023-04-13 | 2023-04-13 | 基于贝叶斯估计的非完全随机化可靠性试验因子识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310394317.7A CN116433093A (zh) | 2023-04-13 | 2023-04-13 | 基于贝叶斯估计的非完全随机化可靠性试验因子识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116433093A true CN116433093A (zh) | 2023-07-14 |
Family
ID=87088654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310394317.7A Pending CN116433093A (zh) | 2023-04-13 | 2023-04-13 | 基于贝叶斯估计的非完全随机化可靠性试验因子识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116433093A (zh) |
-
2023
- 2023-04-13 CN CN202310394317.7A patent/CN116433093A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Amin et al. | An approach to software reliability prediction based on time series modeling | |
CN112000808B (zh) | 一种数据处理方法及装置、可读存储介质 | |
CN112232495A (zh) | 预测模型的训练方法、装置、介质和计算设备 | |
CN111881477A (zh) | 数据内容的标引方法、装置、计算机设备及存储介质 | |
CN112988840A (zh) | 一种时间序列预测方法、装置、设备和存储介质 | |
CN114091281A (zh) | 产品寿命预测方法、装置、电子设备及存储介质 | |
CN112528703B (zh) | 一种识别表格结构的方法、装置及电子设备 | |
CN112132622B (zh) | 数据预估方法及装置 | |
CN112508308A (zh) | 一种数据处理方法、装置、设备及可读存储介质 | |
CN117237678A (zh) | 用电行为异常检测方法、装置、设备及存储介质 | |
CN116433093A (zh) | 基于贝叶斯估计的非完全随机化可靠性试验因子识别方法 | |
CN117057443A (zh) | 视觉语言模型的提示学习方法及电子设备 | |
CN111783883A (zh) | 一种异常数据的检测方法及装置 | |
CN111047587A (zh) | 图像的噪声估计方法、计算机设备和存储介质 | |
CN116401238A (zh) | 偏离度监测方法、装置、设备、存储介质和程序产品 | |
CN112667754B (zh) | 大数据处理方法、装置、计算机设备及存储介质 | |
CN112528500B (zh) | 一种场景图构造模型的评估方法及评估设备 | |
CN114356235A (zh) | 一种数据标准化处理方法、装置、电子设备及存储介质 | |
CN112446428B (zh) | 一种图像数据处理方法及装置 | |
CN111079390B (zh) | 一种复选框列表的选择状态确定方法以及装置 | |
CN112488528A (zh) | 数据集的处理方法、装置、设备和存储介质 | |
CN113609445A (zh) | 多源异构监测数据处理方法、终端设备及可读存储介质 | |
Ruckdeschel et al. | Robustness properties of estimators in generalized Pareto Models | |
Imholz et al. | Bayesian estimation of interval bounds based on limited data | |
CN113297773B (zh) | 一种结构损伤识别的不确定性定量分析方法及装置 |
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 |