專利名稱：一種基于動(dòng)態(tài)雙極mpnn的小樣本數(shù)據(jù)對(duì)象的壽命預(yù)測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于小樣本壽命預(yù)測(cè)技術(shù)領(lǐng)域，具體地說，是指一種應(yīng)用于小樣本數(shù)據(jù)對(duì) 象的壽命預(yù)測(cè)方法。
背景技術(shù)：
壽命預(yù)測(cè)技術(shù)涉及到的范圍和領(lǐng)域極其廣泛，從原材料的疲勞壽命到復(fù)雜成型產(chǎn) 品壽命，從民用領(lǐng)域到國防領(lǐng)域都需要壽命預(yù)測(cè)技術(shù)。目前，開展壽命預(yù)測(cè)工作主要有以下 三種方法a，基于物理模型的壽命預(yù)測(cè)該方法基于對(duì)研究對(duì)象的分析，從而建立反映對(duì)象 演變過程的物理模型，通過相關(guān)數(shù)據(jù)對(duì)模型參數(shù)進(jìn)行調(diào)整，最后得到需要的壽命預(yù)測(cè)模型。 該方法主要應(yīng)用在材料科學(xué)領(lǐng)域；b，基于統(tǒng)計(jì)模型假設(shè)的壽命預(yù)測(cè)此類方法首先假設(shè)研究對(duì)象壽命服從某種統(tǒng)計(jì) 分布，之后利用大量已有的壽命數(shù)據(jù)確定該模型的參數(shù)，從而建立研究對(duì)象的壽命預(yù)測(cè)模 型；C，基于壽命影響因素分析訓(xùn)練的壽命預(yù)測(cè)此方法主要是通過研究并確定影響預(yù) 測(cè)對(duì)象的各壽命影響因素，并借助大量的壽命試驗(yàn)數(shù)據(jù)建立起影響因素同壽命之間的關(guān)系 網(wǎng)絡(luò)，從而建立研究對(duì)象的壽命預(yù)測(cè)模型。對(duì)于上述三種方法，基于物理模型的壽命預(yù)測(cè)需要深入研究預(yù)測(cè)對(duì)象的內(nèi)部機(jī) 理，對(duì)于復(fù)雜系統(tǒng)，建立相應(yīng)的物理模型的工作量將非常巨大；基于統(tǒng)計(jì)模型假設(shè)及基于壽 命影響因素分析訓(xùn)練的壽命預(yù)測(cè)則需要大量的對(duì)象壽命數(shù)據(jù)以建立壽命預(yù)測(cè)模型?？紤]到 在實(shí)際工程應(yīng)用中，尤其是在航空航天領(lǐng)域，往往會(huì)遇到各種客觀條件限制，不可能存在大 量的用于壽命預(yù)測(cè)的壽命數(shù)據(jù)。因而，研究一種針對(duì)極少壽命數(shù)據(jù)，具有小樣本數(shù)據(jù)特點(diǎn)的 壽命預(yù)測(cè)方法對(duì)符合此特點(diǎn)的對(duì)象來說具有重要的意義。人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)是一個(gè)模擬大腦神經(jīng)系統(tǒng)結(jié)構(gòu) 和功能，由大量簡單處理單元即神經(jīng)元廣泛連接組成的人工網(wǎng)絡(luò)。它能從已知數(shù)據(jù)中自動(dòng) 歸納規(guī)則，獲得這些數(shù)據(jù)的內(nèi)在規(guī)律，具有很強(qiáng)的非線性映射能力。人工神經(jīng)網(wǎng)絡(luò)具有以下 幾個(gè)突出優(yōu)點(diǎn)1.高度的并行性；2.高度的非線性全局作用；3.良好的容錯(cuò)性和聯(lián)想記憶 功能；4.十分強(qiáng)的自適應(yīng)、自學(xué)習(xí)功能。概率神經(jīng)網(wǎng)絡(luò)(簡稱PNN網(wǎng)絡(luò))是人工神經(jīng)網(wǎng)絡(luò)的一種，概率神經(jīng)網(wǎng)絡(luò)模型的拓 撲結(jié)構(gòu)如圖1所示，概率神經(jīng)網(wǎng)絡(luò)為三層結(jié)構(gòu)，分別是輸入層、徑向基函數(shù)層(也叫隱含層) 和競爭學(xué)習(xí)層(也叫輸出層)。其中，R代表輸入層有R個(gè)分量的輸入向量，N為輸入訓(xùn)練 樣本向量的個(gè)數(shù)，I為輸入向量，b[1]為隱含層的閾值向量，K為輸出層神經(jīng)元數(shù)(即分類的 類別數(shù))，和 [2]分別為隱含層和輸出層神經(jīng)元的權(quán)重矩陣，η[1]和η[2]分別為隱含層和 輸出層神經(jīng)元的加權(quán)和向量，a[1]和a[2]分別為隱含層和輸出層神經(jīng)元的輸出向量，其表達(dá) 式分別為
a[1] = radbas ( w[1]"i | · *b[1])a[2] = compet(w[2] · a[1])PNN 網(wǎng)絡(luò)中徑向基函數(shù)為Radbas(u) = exp (_u2)該P(yáng)NN網(wǎng)絡(luò)的訓(xùn)練和分類過程可表述為隱含層權(quán)重矩陣被置為輸入訓(xùn)練樣 本矩陣Y(NXK)，輸出層權(quán)重矩陣e[2]被置為訓(xùn)練樣本的目標(biāo)矩陣T(KXN)。目標(biāo)矩陣的每一列 只有一個(gè)1，其余的均為0。當(dāng)輸入所要分類的樣本向量X時(shí)，隱含層計(jì)算輸入向量與訓(xùn)練 樣本之間的距離，并輸出歸屬每一類別的概率密度；輸出層的競爭學(xué)習(xí)激勵(lì)函數(shù)選出對(duì)應(yīng) 類別的最大概率密度，并對(duì)應(yīng)產(chǎn)生1，其余類別均為0。PNN網(wǎng)絡(luò)具有網(wǎng)絡(luò)訓(xùn)練速度快、預(yù)測(cè)精度高、對(duì)于新數(shù)據(jù)無需重復(fù)訓(xùn)練等優(yōu)點(diǎn)，被 廣泛的用于實(shí)際工程項(xiàng)目中，尤其是對(duì)于分類問題。然而，對(duì)于預(yù)測(cè)問題，PNN網(wǎng)絡(luò)顯得束 手無策，從而更加無法直接利用PNN網(wǎng)絡(luò)對(duì)具有小樣本數(shù)據(jù)特性對(duì)象進(jìn)行壽命預(yù)測(cè)。

發(fā)明內(nèi)容
在現(xiàn)實(shí)的工程實(shí)際中很多情況下不可能得到傳統(tǒng)壽命預(yù)測(cè)所需數(shù)據(jù)。考慮到傳 統(tǒng)壽命預(yù)測(cè)技術(shù)中需要大量時(shí)間序列及壽命數(shù)據(jù)的特點(diǎn)，對(duì)于很難獲取數(shù)據(jù)樣本的預(yù)測(cè)對(duì) 象，研究在充分利用已有的信息前提下，盡可能準(zhǔn)確的預(yù)測(cè)剩余壽命值是一個(gè)極具挑戰(zhàn)的 課題。本發(fā)明針對(duì)傳統(tǒng)壽命預(yù)測(cè)技術(shù)中存在的不足，綜合考慮PNN網(wǎng)絡(luò)的優(yōu)缺點(diǎn)，在對(duì)PNN 網(wǎng)絡(luò)改進(jìn)的基礎(chǔ)上，構(gòu)建動(dòng)態(tài)雙極MPNN網(wǎng)絡(luò)模型，提出利用動(dòng)態(tài)雙極MPNN方法，實(shí)現(xiàn)對(duì)具 有小樣本數(shù)據(jù)特點(diǎn)的預(yù)測(cè)對(duì)象的壽命預(yù)測(cè)。在壽命預(yù)測(cè)的過程中動(dòng)態(tài)的調(diào)整整個(gè)MPNN網(wǎng) 絡(luò)，確保在整個(gè)壽命預(yù)測(cè)過程，預(yù)測(cè)精度隨著時(shí)間的延長及數(shù)據(jù)量的增加不斷提高。本發(fā)明提供的壽命預(yù)測(cè)方法具體通過如下步驟實(shí)現(xiàn)步驟一、收集壽命預(yù)測(cè)對(duì)象的所有可用數(shù)據(jù)；通過對(duì)預(yù)測(cè)對(duì)象及相似產(chǎn)品分析，收集可以利用的所有壽命預(yù)測(cè)相關(guān)數(shù)據(jù)。步驟二、壽命預(yù)測(cè)相關(guān)數(shù)據(jù)預(yù)處理；對(duì)步驟一得到的壽命預(yù)測(cè)數(shù)據(jù)進(jìn)行分析和篩選，依據(jù)本發(fā)明的數(shù)據(jù)需要提取出可 用于動(dòng)態(tài)雙極MPNN壽命預(yù)測(cè)的壽命表征參數(shù)及壽命影響因素?cái)?shù)據(jù)。同時(shí)，對(duì)篩選出的數(shù)據(jù) 進(jìn)行奇異值剔除、數(shù)據(jù)降噪等預(yù)處理工作。步驟三、數(shù)據(jù)相關(guān)性分析；對(duì)步驟二中篩選到的壽命影響因素?cái)?shù)據(jù)進(jìn)行相關(guān)性分析，從而得到這些壽命影響 因素同預(yù)測(cè)對(duì)象壽命表征參數(shù)間函數(shù)關(guān)系。所述的相關(guān)性分析是指通過函數(shù)逼近或利用SPSS，實(shí)現(xiàn)對(duì)不同參數(shù)數(shù)據(jù)的相關(guān)性 分析，從而得到參數(shù)數(shù)據(jù)間的映射關(guān)系。步驟四、數(shù)據(jù)映射并得到預(yù)測(cè)對(duì)象的當(dāng)量數(shù)據(jù)值；利用步驟三得到的在各壽命影響因素的作用下，得到的相似產(chǎn)品同預(yù)測(cè)對(duì)象壽命 表征參數(shù)間的相關(guān)關(guān)系，以參考的相似產(chǎn)品數(shù)據(jù)為基礎(chǔ)，映射并得到預(yù)測(cè)對(duì)象壽命表征參 數(shù)的當(dāng)量數(shù)據(jù)值。步驟五、MPNN網(wǎng)絡(luò)構(gòu)建；根據(jù)壽命預(yù)測(cè)需求，對(duì)分類PNN網(wǎng)絡(luò)模型進(jìn)行改進(jìn)，并得到預(yù)測(cè)用MPNN網(wǎng)絡(luò)模型。步驟六、一次MPNN網(wǎng)絡(luò)的建立、訓(xùn)練及預(yù)測(cè)；
5
確定一次MPNN輸入節(jié)點(diǎn)及輸出節(jié)點(diǎn)數(shù)。利用預(yù)測(cè)對(duì)象壽命表征參數(shù)及其由步驟 四得到的當(dāng)量數(shù)據(jù)做差分比例處理，構(gòu)造一次MPNN的訓(xùn)練樣本及測(cè)試樣本；為了剔除訓(xùn)練 樣本中的奇異值，加快網(wǎng)絡(luò)的收斂速度，將由上述構(gòu)造的輸入向量、目標(biāo)向量進(jìn)行歸一化處 理，然后輸入一次MPNN網(wǎng)絡(luò)對(duì)其進(jìn)行訓(xùn)練，從而確定一次MPNN網(wǎng)絡(luò)參數(shù)，并利用訓(xùn)練好的 一次MPNN神經(jīng)網(wǎng)絡(luò)，對(duì)壽命表征參數(shù)進(jìn)行預(yù)測(cè)。步驟七、二次MPNN網(wǎng)絡(luò)的建立、訓(xùn)練及預(yù)測(cè)；確定二次MPNN分別確定輸入節(jié)點(diǎn)數(shù)及輸出節(jié)點(diǎn)數(shù)。利用經(jīng)預(yù)處理后預(yù)測(cè)對(duì)象表 征壽命參數(shù)數(shù)據(jù)和一次MPNN的預(yù)測(cè)結(jié)果，構(gòu)造二次MPNN的訓(xùn)練及測(cè)試樣本，進(jìn)而開展預(yù)測(cè) 工作，最后根據(jù)預(yù)測(cè)對(duì)象壽命表征參數(shù)的壽命終止判據(jù)確定預(yù)測(cè)對(duì)象的壽命值。步驟八、動(dòng)態(tài)時(shí)間窗調(diào)整；ν根據(jù)實(shí)際對(duì)象特點(diǎn)及使用要求，設(shè)置相應(yīng)的動(dòng)態(tài)時(shí)間間隔如一個(gè)月、兩周、一 周等。之后按照設(shè)置的時(shí)間間隔，重復(fù)上述步驟二到步驟七，對(duì)雙極MPNN網(wǎng)絡(luò)進(jìn)行重新訓(xùn) 練和預(yù)測(cè)。本發(fā)明的優(yōu)點(diǎn)為(1)本發(fā)明提供的壽命預(yù)測(cè)方法在實(shí)際預(yù)測(cè)對(duì)象可用數(shù)據(jù)很少的不利條件下，能 充分利用預(yù)測(cè)對(duì)象壽命影響因素?cái)?shù)據(jù)，實(shí)現(xiàn)小樣本數(shù)據(jù)對(duì)象的壽命預(yù)測(cè)；(2)由于本發(fā)明是在PNN基礎(chǔ)上構(gòu)建而成的，因此在壽命預(yù)測(cè)過程中，無需建立壽 命影響因素及預(yù)測(cè)對(duì)象壽命表征參數(shù)同壽命之間的解析函數(shù)關(guān)系；(3)本發(fā)明提出的壽命預(yù)測(cè)方法是針對(duì)具有小樣本數(shù)據(jù)特點(diǎn)的一類問題的解決解 決方案，具有較強(qiáng)的的通用性；(4)動(dòng)態(tài)雙極MPNN網(wǎng)絡(luò)是以PNN網(wǎng)絡(luò)為基礎(chǔ)，經(jīng)改進(jìn)和構(gòu)造之后而形成的壽命預(yù) 測(cè)模型，因而，其保留著PNN網(wǎng)絡(luò)的快速訓(xùn)練及預(yù)測(cè)的優(yōu)點(diǎn)；本發(fā)明提出的動(dòng)態(tài)雙極MPNN方 法彌補(bǔ)了傳統(tǒng)壽命預(yù)測(cè)技術(shù)存在的問題和不足，從而解決小樣本壽命預(yù)測(cè)問題，進(jìn)而實(shí)現(xiàn) 壽命預(yù)測(cè)技術(shù)從理論研究到工程實(shí)際應(yīng)用的一次跨越。(5)對(duì)于具體問題，本發(fā)明的壽命預(yù)測(cè)模型能動(dòng)態(tài)調(diào)整神經(jīng)網(wǎng)絡(luò)，可不斷提升壽命 預(yù)測(cè)精度。


圖1為現(xiàn)有技術(shù)中概率神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)示意圖；圖2為本發(fā)明中經(jīng)改進(jìn)的概率神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)示意圖；圖3為本發(fā)明提供的壽命預(yù)測(cè)方法的總體流程圖；圖4為地面原始數(shù)據(jù)圖；圖5為經(jīng)異常值處理及降噪后地面數(shù)據(jù)圖；圖6為相關(guān)性分析的數(shù)據(jù)映射圖；圖7為一次MPNN預(yù)測(cè)測(cè)試精度曲線圖；圖8為一次MPNN壽命預(yù)測(cè)性能衰退曲線圖；圖9為動(dòng)態(tài)雙極MPNN用于蓄電池壽命預(yù)測(cè)效果圖。
具體實(shí)施例方式下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說明。本發(fā)明是一種基于動(dòng)態(tài)雙極MPNN網(wǎng)絡(luò)的小樣本數(shù)據(jù)對(duì)象的壽命預(yù)測(cè)方法，所述 的壽命預(yù)測(cè)方法是一種非參數(shù)方法，該方法不需要建立壽命影響因素及歷史數(shù)據(jù)同對(duì)象壽 命之間的參數(shù)函數(shù)關(guān)系，只需對(duì)現(xiàn)有PNN網(wǎng)絡(luò)進(jìn)行改進(jìn)后得到MPNN網(wǎng)絡(luò)，經(jīng)過對(duì)預(yù)測(cè)對(duì)象 的分析及預(yù)處理工作后，利用處理完的數(shù)據(jù)構(gòu)成一次MPNN網(wǎng)絡(luò)的訓(xùn)練集及預(yù)測(cè)集，經(jīng)過訓(xùn) 練學(xué)習(xí)之后，利用一次MPNN網(wǎng)絡(luò)預(yù)測(cè)補(bǔ)充歷史數(shù)據(jù)樣本，在完成這些工作之后即可以利用 二次MPNN網(wǎng)絡(luò)開展壽命預(yù)測(cè)工作，最后根據(jù)壽命終止判決確定壽命終止時(shí)間，進(jìn)而得到所 需要的壽命預(yù)測(cè)值，圖3所示為本發(fā)明的壽命預(yù)測(cè)方法的總體流程圖，具體實(shí)施步驟如下步驟一、收集壽命預(yù)測(cè)對(duì)象的所有可用的壽命預(yù)測(cè)相關(guān)數(shù)據(jù)；通過對(duì)預(yù)測(cè)對(duì)象及其相似產(chǎn)品分析，收集可以利用的所有壽命預(yù)測(cè)相關(guān)數(shù)據(jù)。如 對(duì)于蓄電池，其可用數(shù)據(jù)為溫度、充電電流、放電電流、放電電量、負(fù)載電流數(shù)據(jù)、充電電 量、剩余電量、電壓、充放電比等參數(shù)數(shù)據(jù)；對(duì)于太陽電池陣，其可用數(shù)據(jù)為溫度、方陣電 流數(shù)據(jù)、負(fù)載電流數(shù)據(jù)、功率、母線電壓、升壓器輸出電壓等參數(shù)數(shù)據(jù)。所述的相似產(chǎn)品是指在物理結(jié)構(gòu)、邏輯結(jié)構(gòu)及功能結(jié)構(gòu)上，同預(yù)測(cè)對(duì)象相似或相 同的產(chǎn)品。步驟二、壽命預(yù)測(cè)相關(guān)數(shù)據(jù)預(yù)處理；對(duì)步驟一中得到的壽命預(yù)測(cè)相關(guān)數(shù)據(jù)進(jìn)行分析和篩選，提取出預(yù)測(cè)對(duì)象的壽命表 征參數(shù)和壽命影響因素，并對(duì)壽命影響因素進(jìn)行分類。所述的預(yù)測(cè)對(duì)象的壽命表征參數(shù)(Ljndex)及參數(shù)數(shù)據(jù)如下(1)相似產(chǎn)品壽命表征參數(shù)(L_sim)的全壽命數(shù)據(jù)，即從相似產(chǎn)品開始使用到該 相似產(chǎn)品壽命終結(jié)的歷史時(shí)間序列數(shù)據(jù)，其時(shí)間序列數(shù)據(jù)可表示為{L_sim_Xl，L_ sim—x2，......，L_sim_xend ；(2)預(yù)測(cè)對(duì)象壽命表征參數(shù)(L_obj)現(xiàn)有的不完全壽命數(shù)據(jù)，即從預(yù)測(cè)對(duì)象開 始使用到目前為止所有的時(shí)間序列數(shù)據(jù)，其時(shí)間序列數(shù)據(jù)可表示為L_obj_xl，L_obj_ x2，......，L—obj—xnow0所述的壽命影響因素及壽命影響因素?cái)?shù)據(jù)可分為以下兩類(1)時(shí)間序列壽命影響因素?cái)?shù)據(jù)同預(yù)測(cè)對(duì)象壽命表征參數(shù)具有相同時(shí)間尺度壽 命影響因素?cái)?shù)據(jù)，這些影響因素?cái)?shù)據(jù)可表示為P_inl、P_in2、P_in3、……，其中，P_inl可
表示為P_inl_l、P_inl_2、P_inl_3、......、P_inl_i、......、P_inl_now,同理，P_in2、P_
in3、……也可以表述為相應(yīng)的序列形式。所述的壽命影響因素?cái)?shù)據(jù)包括相似產(chǎn)品壽命影 響因素的全壽命數(shù)據(jù)及預(yù)測(cè)對(duì)象壽命影響因素現(xiàn)有的時(shí)間序列數(shù)據(jù)，且相似產(chǎn)品數(shù)據(jù)的構(gòu) 成形式及表達(dá)方式與預(yù)測(cè)對(duì)象壽命表征參數(shù)L_indeX及壽命影響因素類似；(2)數(shù)據(jù)調(diào)整壽命影響因素?cái)?shù)據(jù)有別于時(shí)間序列壽命影響因素?cái)?shù)據(jù)，此類影響 因素?cái)?shù)據(jù)為有限個(gè)數(shù)據(jù)對(duì)，這些數(shù)據(jù)對(duì)是相似產(chǎn)品的歷史數(shù)據(jù)，反應(yīng)的是相應(yīng)壽命影響因 素參數(shù)同壽命之間的對(duì)應(yīng)關(guān)系。用于局部調(diào)整預(yù)測(cè)對(duì)象壽命表征參數(shù)1^」11(1^及時(shí)間序列 P_in_l、P_in2、P_in3、……的數(shù)據(jù)。如對(duì)于蓄電池壽命預(yù)測(cè)對(duì)象來說，放電深度參數(shù)即為 此類壽命影響因素，當(dāng)放電深度為17%時(shí)，其對(duì)應(yīng)的壽命值為2萬次充放電循環(huán)，由此構(gòu)成
7一個(gè)數(shù)據(jù)對(duì)((17%-20000))。該類壽命影響因素可表示為P_rell、P_rel2、P_rel3、……。在完成壽命影響因素分類后，對(duì)上述預(yù)測(cè)對(duì)象的壽命表征參數(shù)Ljndex、壽命影 響因素?cái)?shù)據(jù)P_inl、P_in2、P_in3、……(包括預(yù)測(cè)對(duì)象和相似產(chǎn)品對(duì)象數(shù)據(jù))進(jìn)行奇異 值剔除、數(shù)據(jù)降噪預(yù)處理，得到經(jīng)數(shù)據(jù)預(yù)處理的數(shù)據(jù)L_indeX_p、P_inl_p、P_in2_p、P_in3_
P、......；其中，時(shí)間序列 L_index_p 可表示為 L_index_p_l、L_index_p_2、......、L_index_
p_now ；同理，時(shí)間序列P_inl_p、P_in2_p、P_in3_p,……也可以表述為相應(yīng)的序列形式。 在進(jìn)行壽命預(yù)測(cè)的過程中，預(yù)測(cè)對(duì)象的壽命影響因素?cái)?shù)據(jù)及在預(yù)測(cè)過程中對(duì)這些數(shù)據(jù)的操 作，必須同相似產(chǎn)品的壽命影響因素?cái)?shù)據(jù)及其操作一一對(duì)應(yīng)。步驟三、數(shù)據(jù)相關(guān)性分析；考慮相似產(chǎn)品及壽命預(yù)測(cè)對(duì)象的壽命影響因素P_rell、P_rel2、P_rel3，……， 需要通過函數(shù)逼近或SPSS(統(tǒng)計(jì)產(chǎn)品與服務(wù)解決方案——Statistical Product and Service Solutions)等方法對(duì)相似產(chǎn)品和預(yù)測(cè)對(duì)象對(duì)應(yīng)的預(yù)處理后的參數(shù)進(jìn)行相關(guān)性分 析，從而得到相似產(chǎn)品和預(yù)測(cè)對(duì)象之間在壽命表征參數(shù)上的相關(guān)關(guān)系。如對(duì)于蓄電池的歷 史放電深度數(shù)據(jù)對(duì)(相似產(chǎn)品數(shù)據(jù)(17% -20000,30% -16000,……))，通過這些數(shù)據(jù)對(duì) 建立相似產(chǎn)品放電深度同壽命之間的函數(shù)關(guān)系。利用該函數(shù)關(guān)系，根據(jù)預(yù)測(cè)對(duì)象的實(shí)際放 電深度(假設(shè)為20% )和參考的相似產(chǎn)品實(shí)際放電深度(假設(shè)放電深度為30% )建立起 預(yù)測(cè)對(duì)象壽命同參考的相似產(chǎn)品壽命之間的相關(guān)關(guān)系(如線性關(guān)系)。步驟四、數(shù)據(jù)映射并得到預(yù)測(cè)對(duì)象的當(dāng)量時(shí)間序列數(shù)據(jù)值；利用步驟三得到的相似產(chǎn)品和預(yù)測(cè)對(duì)象之間在壽命表征參數(shù)上的相關(guān)關(guān)系，以相 似產(chǎn)品數(shù)據(jù)為基礎(chǔ)，映射并得到預(yù)測(cè)對(duì)象壽命表征參數(shù)的當(dāng)量數(shù)據(jù)值。如假設(shè)預(yù)測(cè)對(duì)象的 壽命表征參數(shù)時(shí)間序列{L_indeX_pi}中的第m個(gè)值L_index_pm通過步驟三得到的相關(guān)關(guān) 系映射到相似產(chǎn)品壽命表征參數(shù){L_sim_pi}中的第η個(gè)值L_sim_pn，則L_sim_pn即為L_ index_pm的當(dāng)量數(shù)據(jù)值。如此，可以得到預(yù)測(cè)對(duì)象壽命表征參數(shù)序列{L_indeX_pi}的所有 當(dāng)量數(shù)據(jù)值。步驟五、MPNN網(wǎng)絡(luò)構(gòu)建；作為分類工具，概率神經(jīng)網(wǎng)絡(luò)(PNN網(wǎng)絡(luò))采用競爭函數(shù)(Compet(g))作為網(wǎng)絡(luò) 的輸出層的核函數(shù)。作為預(yù)測(cè)工具，則需要把PNN網(wǎng)絡(luò)輸出層核函數(shù)更改為數(shù)學(xué)期望函數(shù) (Expect (g))，即將Compet (g)更改為Expect (g)，就使得原來分類工具轉(zhuǎn)換成預(yù)測(cè)工具，并 保留了原有的統(tǒng)計(jì)穩(wěn)定性和訓(xùn)練快速性的特點(diǎn)，由此得到MPNN網(wǎng)絡(luò)，如圖1、圖2所示。由 貝葉斯理論可知，概率神經(jīng)網(wǎng)絡(luò)的輸出服從某類統(tǒng)計(jì)分布。這樣可以接受上述修改，即用 數(shù)學(xué)期望函數(shù)取代競爭函數(shù)作核函數(shù)，從而使概率神經(jīng)網(wǎng)絡(luò)的統(tǒng)計(jì)工具具有預(yù)測(cè)功能。如 此，MPNN網(wǎng)絡(luò)的訓(xùn)練和預(yù)測(cè)過程可表述為隱含層權(quán)重矩陣e[1]被置為輸入訓(xùn)練樣本矩陣 Y(NXK)，輸出層權(quán)重矩陣1[2]被置為訓(xùn)練樣本的目標(biāo)矩陣T(KXN)。當(dāng)輸入所要分類的樣本向量 X時(shí)，隱含層計(jì)算輸入向量與訓(xùn)練樣本之間的距離，并輸出歸屬每一類別的概率密度；輸出 層的數(shù)學(xué)期望函數(shù)(EXpect(g))根據(jù)上層輸出的概率密度計(jì)算出數(shù)學(xué)期望值，并把所得到 的數(shù)學(xué)期望值作為MPNN網(wǎng)絡(luò)的輸出。步驟六、一次MPNN網(wǎng)絡(luò)的建立、訓(xùn)練及預(yù)測(cè)；對(duì)由步驟二得到的預(yù)測(cè)對(duì)象壽命表征參數(shù)L_indeX_p值和由步驟四得到的預(yù)測(cè) 對(duì)象的當(dāng)量數(shù)據(jù)值L_index_p_rel進(jìn)行差分比例處理，并作為一次MPNN網(wǎng)絡(luò)輸出。對(duì)由步驟二得到的相似產(chǎn)品參數(shù)P_sim_inl_p、P_sim_inl_p、P_sim_inl_p，……值和預(yù)測(cè)對(duì)象參 數(shù)P_inl_p、P_inl_p、P_inl_p,……進(jìn)行差分比例處理，作為一次MPNN網(wǎng)絡(luò)輸入?yún)?shù)，并 構(gòu)造一次MPNN網(wǎng)絡(luò)的輸入向量。至此，構(gòu)造出一次MPNN網(wǎng)絡(luò)的輸入向量和目標(biāo)向量；為了 實(shí)現(xiàn)剔除訓(xùn)練樣本中的奇異值，加快網(wǎng)絡(luò)的收斂速度，將由上述構(gòu)造的輸入向量和目標(biāo)向 量進(jìn)行歸一化處理；然后輸入一次MPNN網(wǎng)絡(luò)對(duì)其進(jìn)行訓(xùn)練；最后，利用訓(xùn)練好的一次MPNN 神經(jīng)網(wǎng)絡(luò)，對(duì)壽命指標(biāo)參數(shù)進(jìn)行預(yù)測(cè)。經(jīng)反歸一化后得到一次MPNN的預(yù)測(cè)值序列L_indeX_
pre 1_1, L_index_pre 1_2, ......, L_index_prel_end。其中，L_index_prel_end 為一次 MPNN
預(yù)測(cè)可得到的最后一個(gè)數(shù)據(jù)反歸一化值。步驟七、二次MPNN網(wǎng)絡(luò)的建立、訓(xùn)練及預(yù)測(cè)；根據(jù)預(yù)測(cè)對(duì)象的經(jīng)驗(yàn)或通過實(shí)驗(yàn)驗(yàn)證，確定二次MPNN網(wǎng)絡(luò)的輸入及輸出節(jié)點(diǎn)數(shù)。 以經(jīng)步驟二預(yù)處理的預(yù)測(cè)對(duì)象的{L_indeX_p}值以及由步驟六得到的壽命表征參數(shù)時(shí)間
序列預(yù)測(cè)值 L_index_prel_l，L_index_prel_2，......，L_index_prel_end 為數(shù)據(jù)基礎(chǔ)，根據(jù)
二次MPNN網(wǎng)絡(luò)的輸入及輸出節(jié)點(diǎn)數(shù)構(gòu)造二次MPNN的輸入向量和目標(biāo)向量，并進(jìn)行時(shí)間序 列迭代預(yù)測(cè)；最后根據(jù)壽命指標(biāo)參數(shù)的壽命終止判據(jù)確定預(yù)測(cè)對(duì)象的壽命。步驟八、動(dòng)態(tài)時(shí)間窗調(diào)整；在實(shí)際工程中，隨著時(shí)間的推移，預(yù)測(cè)對(duì)象在上述參數(shù)上的數(shù)據(jù)量逐漸增多，新的 數(shù)據(jù)能有效的提升壽命預(yù)測(cè)精度。根據(jù)實(shí)際預(yù)測(cè)對(duì)象特點(diǎn)及使用要求，設(shè)置相應(yīng)的動(dòng)態(tài)時(shí) 間窗值，如一個(gè)月、兩周、一周等。之后按照設(shè)置的時(shí)間窗值，重復(fù)上述步驟二到步驟七，對(duì) 雙極MPNN網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練和預(yù)測(cè)，重新確定預(yù)測(cè)對(duì)象的壽命值。本發(fā)明在改進(jìn)型概率神經(jīng)網(wǎng)絡(luò)(MPNN網(wǎng)絡(luò))的基礎(chǔ)上通過合理的分析和組織網(wǎng)絡(luò) 輸入及輸出數(shù)據(jù)，分階段的分別構(gòu)建一次改進(jìn)型概率神經(jīng)網(wǎng)絡(luò)(一次MPNN)和二次改進(jìn)型 概率神經(jīng)網(wǎng)絡(luò)(二次MPNN)，利用構(gòu)建的這兩個(gè)改進(jìn)型神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)，并得到預(yù)測(cè)對(duì)象的壽 命值。另外，本發(fā)明可以在給定的時(shí)間窗前提下更新壽命預(yù)測(cè)用數(shù)據(jù)，并重新訓(xùn)練神經(jīng)網(wǎng) 絡(luò)，進(jìn)而得到新數(shù)據(jù)下的預(yù)測(cè)對(duì)象的壽命值。使用者可以通過壽命預(yù)測(cè)了解預(yù)測(cè)對(duì)象的剩 余使用壽命，從而可以通過配置使用環(huán)境來控制預(yù)測(cè)對(duì)象壽命及為后勤管理進(jìn)行決策提供 依據(jù)，使得在保證預(yù)測(cè)對(duì)象的最主要的任務(wù)得以實(shí)施的前提下，最大限度的、可靠的利用和 使用預(yù)測(cè)對(duì)象，從而充分發(fā)揮預(yù)測(cè)對(duì)象的效能。實(shí)施例本實(shí)施例以我國小衛(wèi)星蓄電池為預(yù)測(cè)對(duì)象。由于小衛(wèi)星電源系統(tǒng)的壽命相關(guān)數(shù)據(jù) 極少，符合本發(fā)明所需要解決的小樣本數(shù)據(jù)壽命預(yù)測(cè)問題。通過本實(shí)施例的詳細(xì)闡述，進(jìn)一 步說明本發(fā)明的實(shí)施過程及工程應(yīng)用過程。對(duì)于小衛(wèi)星蓄電池，可以用于壽命預(yù)測(cè)的數(shù)據(jù)為在軌蓄電池放電電壓數(shù)據(jù)(不 完全數(shù)據(jù))、在軌蓄電池放電電流數(shù)據(jù)(不完全數(shù)據(jù))、在軌蓄電池放電深度數(shù)據(jù)(不完全 數(shù)據(jù))、地面蓄電池試驗(yàn)放電終壓數(shù)據(jù)(完全數(shù)據(jù))、地面蓄電池試驗(yàn)放電電流數(shù)據(jù)(恒 定)、地面蓄電池試驗(yàn)放電深度數(shù)據(jù)(恒定)以及歷史的放電深度和相應(yīng)的壽命值5對(duì)。所述的“不完全數(shù)據(jù)”表示由于在軌蓄電池仍然能夠正常工作，僅僅只是完全壽命 數(shù)據(jù)的前一部分時(shí)間序列數(shù)據(jù)。在利用上述用于壽命預(yù)測(cè)的數(shù)據(jù)的基礎(chǔ)上，應(yīng)用本發(fā)明提出的壽命預(yù)測(cè)方法對(duì)小 衛(wèi)星蓄電池的壽命進(jìn)行預(yù)測(cè)，其應(yīng)用的步驟和方法如下
9
步驟一、收集壽命預(yù)測(cè)相關(guān)的所有可用壽命預(yù)測(cè)數(shù)據(jù)；通過對(duì)小衛(wèi)星蓄電池分析，收集可以利用的所有相關(guān)數(shù)據(jù)如下預(yù)測(cè)對(duì)象數(shù)據(jù)——在軌小衛(wèi)星蓄電池(1)在軌蓄電池放電電壓數(shù)據(jù)(不完全數(shù)據(jù))；(2)在軌蓄電池充電電壓數(shù)據(jù)(不完全數(shù)據(jù))；(3)在軌蓄電池放電電流數(shù)據(jù)(不完全數(shù)據(jù))；(4)在軌蓄電池充電電流數(shù)據(jù)(不完全數(shù)據(jù))；(5)在軌蓄電池放電電量數(shù)據(jù)(不完全數(shù)據(jù))；(6)在軌蓄電池充放電比(不完全數(shù)據(jù))；相似產(chǎn)品數(shù)據(jù)——地面相似型號(hào)蓄電池(1)地面蓄電池試驗(yàn)放電終壓數(shù)據(jù)(完全數(shù)據(jù))；(2)地面蓄電池試驗(yàn)放電電流數(shù)據(jù)(恒定)；(3)地面蓄電池試驗(yàn)充電電流數(shù)據(jù)(恒定)；(4)地面蓄電池試驗(yàn)放電深度數(shù)據(jù)(恒定)；(5)歷史的放電深度和相應(yīng)的壽命值5對(duì)；步驟二、數(shù)據(jù)分析及數(shù)據(jù)預(yù)處理；對(duì)步驟一中得到的所有相關(guān)數(shù)據(jù)進(jìn)行合理的分析，結(jié)合上述對(duì)本發(fā)明的描述，提 取出可用于動(dòng)態(tài)雙極MPNN網(wǎng)絡(luò)壽命表征參數(shù)及影響因素?cái)?shù)據(jù)如下(1)壽命表征參數(shù)在軌蓄電池放電終壓數(shù)據(jù)({Ljndex})——可由‘在軌小衛(wèi)星蓄電池放電電壓’提 取獲得；地面蓄電池試驗(yàn)放電終壓數(shù)據(jù)({L_sim})；。(2)壽命影響因素蓄電池充放電循環(huán)次數(shù)(包括在軌{P_inl}及地面{P_sim_inl})——可以從實(shí)驗(yàn) 及在軌運(yùn)行的時(shí)間獲取(在軌小衛(wèi)星每周期運(yùn)行時(shí)間約為100.7min)；在軌蓄電池放電電流數(shù)據(jù)({P_in2})；地面蓄電池試驗(yàn)放電電流數(shù)據(jù)({P_sim_in2})；在軌蓄電池放電深度數(shù)據(jù)(P_rell)——可由‘在軌蓄電池放電電量數(shù)據(jù)’提取獲得；地面蓄電池試驗(yàn)放電深度數(shù)據(jù)(P_sim_rell)；歷史的放電深度和相應(yīng)的壽命值5對(duì)；對(duì)在軌蓄電池放電電壓數(shù)據(jù)、地面蓄電池試驗(yàn)放電終壓數(shù)據(jù)和在軌蓄電池放電電 流數(shù)據(jù)進(jìn)行奇異值剔除，數(shù)據(jù)降噪預(yù)處理工作。圖4、圖5為經(jīng)奇異值剔處理及降噪前后地 面蓄電池試驗(yàn)放電終壓數(shù)據(jù)圖。從圖中對(duì)比可以看出，經(jīng)剔值及降噪后的數(shù)據(jù)比較規(guī)整、波 動(dòng)性更小。另外，需要從在軌蓄電池放電電壓中獲取在軌蓄電池放電終壓數(shù)據(jù)，以表征在軌 蓄電池的性能和壽命狀況。此時(shí)，得到的放電終壓即為預(yù)測(cè)對(duì)象壽命表征參數(shù)L_indeX。步驟三、數(shù)據(jù)相關(guān)性分析；在經(jīng)步驟二預(yù)處理之后，保留下來的壽命影響因素分別為蓄電池放電電流、蓄電 池放電深度及蓄電池循環(huán)充放電次數(shù)。其中，放電電流和充放電循環(huán)次數(shù)作為動(dòng)態(tài)MPNN的 網(wǎng)絡(luò)輸入?yún)?shù)，用以反映其對(duì)壽命的影響；放電深度的影響通過放電深度的相關(guān)性分析可
10
首先，通過由步驟一獲得的地面相似型號(hào)蓄電池(相似產(chǎn)品)的5對(duì)歷史的放電 深度和相應(yīng)的壽命值，建立相似產(chǎn)品放電深度同壽命之間的函數(shù)關(guān)系L_sim = f(P_sim_ rell)。本實(shí)施例中L_Sim = f(P_Sim_rell)為分段函數(shù)，前一部分為非線性函數(shù)，后一部 分為線性函數(shù)。根據(jù)該函數(shù)關(guān)系，把地面試驗(yàn)放電深度數(shù)據(jù)(30% D0D)及在軌蓄電池放電 深度(17% D0D)數(shù)據(jù)代入，可以得到相應(yīng)的壽命值，進(jìn)而得到地面試驗(yàn)蓄電池同在軌蓄電 池壽命之間的相關(guān)關(guān)系——本實(shí)施例中兩者為線性比例關(guān)系，為方便說明此處假設(shè)在軌 壽命地面壽命=2 1，且在本實(shí)施例中僅考慮DOD—個(gè)“數(shù)據(jù)調(diào)整壽命影響因素”。所述DOD為放電深度；步驟四、數(shù)據(jù)映射并得到預(yù)測(cè)對(duì)象的當(dāng)量數(shù)據(jù)值；利用步驟三得到的地面蓄電池之間在壽命表征參數(shù)上2 1的相關(guān)關(guān)系，以地面 蓄電池放電終壓數(shù)據(jù)為基礎(chǔ)，映射并得到在軌蓄電池放電終壓的當(dāng)量數(shù)據(jù)值。如圖6所示， 由于從DOD的角度考慮，兩者的壽命比值為2 1，也就是說從損傷程度來看，在軌17%D0D 經(jīng)2η次充放電后的損傷程度同地面試驗(yàn)30% DOD經(jīng)η次放充放電后的損傷程度是當(dāng)量的， 如此，得到在軌第2η次放電終壓值的當(dāng)量值為地面試驗(yàn)數(shù)據(jù)的第η次放電終壓值，從而完 成預(yù)測(cè)對(duì)象同相似產(chǎn)品的映射關(guān)系。步驟五、MPNN網(wǎng)絡(luò)構(gòu)建；MPNN網(wǎng)絡(luò)的構(gòu)建過程參考“發(fā)明內(nèi)容”步驟五。由于在本實(shí)施例中一次MPNN網(wǎng)絡(luò)僅有兩個(gè)參數(shù)放電電流和充放電循環(huán)次數(shù)。本 實(shí)施例中二次MPNN的輸入及輸出節(jié)點(diǎn)數(shù)分別為4和1。步驟六、一次MPNN網(wǎng)絡(luò)的建立、訓(xùn)練及預(yù)測(cè)；由于在本實(shí)施例中，時(shí)間序列壽命影響因素只有兩個(gè)蓄電池放電電流及充放電 循環(huán)次數(shù)。因而，整個(gè)一次MPNN網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)為2，輸出節(jié)點(diǎn)數(shù)為1。利用由步驟二得 到的經(jīng)預(yù)處理后的在軌蓄電池放電終壓數(shù)據(jù){L_indeX_p}和由步驟四得到的在軌蓄電池 放電終壓當(dāng)量數(shù)據(jù)做差分比例處理，所得處理結(jié)果作為一次MPNN網(wǎng)絡(luò)的訓(xùn)練輸出。同時(shí)， 利用由步驟二得到的在軌蓄電池放電電流數(shù)據(jù){P_in2_p}同地面蓄電池放電電流數(shù)據(jù)(恒 值)做差分比例處理，所得處理結(jié)果作為一次MPNN網(wǎng)絡(luò)的輸入。另外，直接把蓄電池充放 電循環(huán)次數(shù)作為一次MPNN的一個(gè)輸入節(jié)點(diǎn)。如此，由放電電流及充放電循環(huán)次數(shù)構(gòu)成一次 MPNN的輸入向量。在進(jìn)行網(wǎng)絡(luò)訓(xùn)練前對(duì)對(duì)放電電流差分比例數(shù)據(jù)及放電終壓差分比例數(shù)據(jù) 采用線性歸一化方法；循環(huán)次數(shù)利用反正切方法進(jìn)行歸一化處理。完成訓(xùn)練網(wǎng)絡(luò)，并利用訓(xùn) 練好的一次MPNN網(wǎng)絡(luò)，預(yù)測(cè)后續(xù)的在軌蓄電池放電終壓值。訓(xùn)練時(shí)間1.0156s預(yù)測(cè)精度均方誤差MSE = 0. 0221圖7所示為一次MPNN預(yù)測(cè)測(cè)試精度曲線圖，從圖中可以看出一次MPNN在進(jìn)行模 式識(shí)別及預(yù)測(cè)中具有很高的精度。一次MPNN網(wǎng)絡(luò)輸出為相應(yīng)充放電循環(huán)次數(shù)下對(duì)應(yīng)的差分歸一化后的在軌放電終 壓值。圖8為一次MPNN壽命預(yù)測(cè)性能衰退曲線，從總體趨勢(shì)上同已有的實(shí)測(cè)數(shù)據(jù)趨勢(shì)比較 吻合。步驟七、二次MPNN網(wǎng)絡(luò)的建立、訓(xùn)練及預(yù)測(cè)；
二次MPNN網(wǎng)絡(luò)的輸入節(jié)點(diǎn)為數(shù)4，輸出節(jié)點(diǎn)數(shù)為1。利用由步驟二得到的在軌蓄 電池放電終壓數(shù)據(jù){L_indeX_p}及由一次MPNN壽命預(yù)測(cè)得到的在軌蓄電池放電終壓預(yù)測(cè) 數(shù)據(jù){L_indeX_pre}構(gòu)成放電終壓時(shí)間序列數(shù)據(jù)，并對(duì)該時(shí)間序列進(jìn)行歸一化處理；之后 按照時(shí)間序列預(yù)測(cè)思想對(duì)該時(shí)間序列進(jìn)行迭代訓(xùn)練和預(yù)測(cè)。圖9為動(dòng)態(tài)雙極MPNN預(yù)測(cè)效 果示意圖，其中右側(cè)粗線部分所示為二次迭代預(yù)測(cè)結(jié)果。根據(jù)HY-IB小衛(wèi)星蓄電池的壽命 判據(jù)，得到本實(shí)施例的預(yù)測(cè)壽命值約為5. 21年，即5年2個(gè)月15天14小時(shí)24分。步驟八、動(dòng)態(tài)時(shí)間窗調(diào)整；本實(shí)施例的時(shí)間窗為lweek，當(dāng)設(shè)置的一周時(shí)間到達(dá)時(shí)，利用已經(jīng)收集到的新的在 軌小衛(wèi)星蓄電池?cái)?shù)據(jù)，重復(fù)上述步驟二到步驟七過程即可得到新的壽命預(yù)測(cè)值。在工業(yè)界，尤其是新型產(chǎn)業(yè)或大型設(shè)備，如高精度機(jī)床、航空航天領(lǐng)域中，面臨著 預(yù)測(cè)對(duì)象樣本量極少，且預(yù)測(cè)對(duì)象的健康情況對(duì)其運(yùn)行管理極其重要的問題，本發(fā)明針對(duì) 這一問題，從理論上、實(shí)際上考慮綜合利用壽命相關(guān)數(shù)據(jù)對(duì)所研究的對(duì)象進(jìn)行壽命預(yù)測(cè)。本 發(fā)明通過初步的試驗(yàn)數(shù)據(jù)對(duì)于新研或改進(jìn)的預(yù)測(cè)對(duì)象進(jìn)行壽命(性能)評(píng)估，為設(shè)計(jì)者提 供設(shè)計(jì)預(yù)測(cè)對(duì)象的性能參考，為預(yù)測(cè)對(duì)象的進(jìn)一步改進(jìn)提供依據(jù)，在很大程度上降低預(yù)測(cè) 對(duì)象研制風(fēng)險(xiǎn)。本發(fā)明的壽命預(yù)測(cè)方法為優(yōu)化備件數(shù)量及維修計(jì)劃提供參考，降低使用維護(hù)費(fèi) 用，從而在總體上降低預(yù)測(cè)對(duì)象壽命周期費(fèi)用，通過壽命預(yù)測(cè)技術(shù)得到零部件的剩余壽命， 可以對(duì)一些零部件重復(fù)利用；對(duì)于一些極其關(guān)鍵的設(shè)備，一旦發(fā)生故障將有可能導(dǎo)致大量 的人員傷亡和財(cái)產(chǎn)損失，本發(fā)明的壽命預(yù)測(cè)方法為決策者提供重要的管理依據(jù)，從而最大 限度的避免這些災(zāi)難性的事件發(fā)生。
權(quán)利要求
一種基于動(dòng)態(tài)雙極MPNN的小樣本數(shù)據(jù)對(duì)象的壽命預(yù)測(cè)方法，其特征在于步驟一、收集壽命預(yù)測(cè)對(duì)象的所有可用的壽命預(yù)測(cè)數(shù)據(jù)；步驟二、壽命預(yù)測(cè)相關(guān)數(shù)據(jù)預(yù)處理；對(duì)步驟一得到的壽命預(yù)測(cè)數(shù)據(jù)進(jìn)行分析和篩選，提取出預(yù)測(cè)對(duì)象的壽命表征參數(shù)和壽命影響因素，并對(duì)壽命影響因素進(jìn)行分類，同時(shí)，對(duì)篩選出的數(shù)據(jù)進(jìn)行奇異值剔除、數(shù)據(jù)降噪的預(yù)處理工作；步驟三、數(shù)據(jù)相關(guān)性分析；對(duì)步驟二中篩選到的壽命影響因素?cái)?shù)據(jù)進(jìn)行相關(guān)性分析，從而得到這些壽命影響因素同預(yù)測(cè)對(duì)象壽命表征參數(shù)間函數(shù)關(guān)系；步驟四、數(shù)據(jù)映射并得到預(yù)測(cè)對(duì)象的當(dāng)量數(shù)據(jù)值；利用步驟三得到的在各壽命影響因素的作用下，得到的相似產(chǎn)品同預(yù)測(cè)對(duì)象壽命表征參數(shù)間的相關(guān)關(guān)系，以參考的相似產(chǎn)品數(shù)據(jù)為基礎(chǔ)，映射并得到預(yù)測(cè)對(duì)象壽命表征參數(shù)的當(dāng)量數(shù)據(jù)值；步驟五、MPNN網(wǎng)絡(luò)構(gòu)建；把PNN網(wǎng)絡(luò)輸出層核函數(shù)更改為數(shù)學(xué)期望函數(shù)Expect(g)，得到MPNN網(wǎng)絡(luò)；步驟六、一次MPNN網(wǎng)絡(luò)的建立、訓(xùn)練及預(yù)測(cè)；利用預(yù)測(cè)對(duì)象壽命表征參數(shù)及其由步驟四得到的當(dāng)量數(shù)據(jù)做差分比例處理，構(gòu)造一次MPNN的訓(xùn)練樣本及測(cè)試樣本；將由上述構(gòu)造的輸入向量、目標(biāo)向量進(jìn)行歸一化處理，然后輸入一次MPNN網(wǎng)絡(luò)對(duì)其進(jìn)行訓(xùn)練，從而確定一次MPNN網(wǎng)絡(luò)參數(shù)，并利用訓(xùn)練好的一次MPNN神經(jīng)網(wǎng)絡(luò)，對(duì)壽命表征參數(shù)進(jìn)行預(yù)測(cè)；步驟七、二次MPNN網(wǎng)絡(luò)的建立、訓(xùn)練及預(yù)測(cè)；利用經(jīng)預(yù)處理后預(yù)測(cè)對(duì)象表征壽命參數(shù)數(shù)據(jù)和一次MPNN的預(yù)測(cè)結(jié)果，構(gòu)造二次MPNN的訓(xùn)練及測(cè)試樣本，進(jìn)而開展預(yù)測(cè)工作，最后根據(jù)預(yù)測(cè)對(duì)象壽命表征參數(shù)的壽命終止判據(jù)確定預(yù)測(cè)對(duì)象的壽命值；步驟八、動(dòng)態(tài)時(shí)間窗調(diào)整；根據(jù)實(shí)際對(duì)象特點(diǎn)及使用要求，設(shè)置相應(yīng)的動(dòng)態(tài)時(shí)間間隔，按照設(shè)置的時(shí)間間隔，重復(fù)上述步驟二到步驟七，對(duì)雙極MPNN網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練和預(yù)測(cè)。
2.根據(jù)權(quán)利要求1所述的基于動(dòng)態(tài)雙極MPNN的小樣本數(shù)據(jù)對(duì)象的壽命預(yù)測(cè)方法，其特 征在于所述的相關(guān)性分析是指通過函數(shù)逼近或利用SPSS，實(shí)現(xiàn)對(duì)不同參數(shù)數(shù)據(jù)的相關(guān)性 分析，從而得到參數(shù)數(shù)據(jù)間的映射關(guān)系。
3.根據(jù)權(quán)利要求1所述的基于動(dòng)態(tài)雙極MPNN的小樣本數(shù)據(jù)對(duì)象的壽命預(yù)測(cè)方法，其特 征在于所述的MPNN網(wǎng)絡(luò)的訓(xùn)練和預(yù)測(cè)過程表述為隱含層權(quán)重矩陣e[1]被置為輸入訓(xùn)練 樣本矩陣Y(NXK)，輸出層權(quán)重矩陣#被置為訓(xùn)練樣本的目標(biāo)矩陣T(KXN)；當(dāng)輸入所要分類的 樣本向量X時(shí)，隱含層計(jì)算輸入向量與訓(xùn)練樣本之間的距離，并輸出歸屬每一類別的概率 密度；輸出層的數(shù)學(xué)期望函數(shù)Expect (g)根據(jù)上層輸出的概率密度計(jì)算出數(shù)學(xué)期望值，并 把所得到的數(shù)學(xué)期望值作為MPNN網(wǎng)絡(luò)的輸出。
4.根據(jù)權(quán)利要求1所述的基于動(dòng)態(tài)雙極MPNN的小樣本數(shù)據(jù)對(duì)象的壽命預(yù)測(cè)方法，其特 征在于所述的預(yù)測(cè)對(duì)象的壽命表征參數(shù)及參數(shù)數(shù)據(jù)如下(1)相似產(chǎn)品壽命表征參數(shù)的全壽命數(shù)據(jù)，即從相似產(chǎn)品開始使用到該相似產(chǎn)品壽命終結(jié)的歷史時(shí)間序列數(shù)據(jù)，其時(shí)間序列數(shù)據(jù)表示為{L_sim_Xl，L_sim_x2,……，L_sim_ xend ；(2)預(yù)測(cè)對(duì)象壽命表征參數(shù)現(xiàn)有的不完全壽命數(shù)據(jù)，即從預(yù)測(cè)對(duì)象開始使用到目前為 止所有的時(shí)間序列數(shù)據(jù)，其時(shí)間序列數(shù)據(jù)表示為L_obj_xl，L_obj_x2，……，L_obj_xnow。
5.根據(jù)權(quán)利要求1所述的基于動(dòng)態(tài)雙極MPNN的小樣本數(shù)據(jù)對(duì)象的壽命預(yù)測(cè)方法，其特 征在于所述的壽命影響因素及壽命影響因素?cái)?shù)據(jù)分為以下兩類(1)時(shí)間序列壽命影響因素?cái)?shù)據(jù)同預(yù)測(cè)對(duì)象壽命表征參數(shù)具有相同時(shí)間尺度壽命影 響因素?cái)?shù)據(jù)，這些影響因素?cái)?shù)據(jù)表示為P_inl、P_in2、P_in3、……，其中，P_inl表示為P_inl_l、P_inl_2、P_inl_3、......、P_inl_i、......、P_inl_now，同理，P_in2、P_in3、......也表述為相應(yīng)的序列形式；(2)數(shù)據(jù)調(diào)整壽命影響因素?cái)?shù)據(jù)此類影響因素?cái)?shù)據(jù)為有限個(gè)數(shù)據(jù)對(duì)，這些數(shù)據(jù)對(duì)是 相似產(chǎn)品的歷史數(shù)據(jù)，反應(yīng)的是相應(yīng)壽命影響因素參數(shù)同壽命之間的對(duì)應(yīng)關(guān)系，用于局部 調(diào)整預(yù)測(cè)對(duì)象壽命表征參數(shù)L_indeX及時(shí)間序列P_inl、P_in2、P_in3、……的數(shù)據(jù)。
全文摘要
本發(fā)明公開了一種基于動(dòng)態(tài)雙極MPNN的小樣本數(shù)據(jù)對(duì)象的壽命預(yù)測(cè)方法，屬于小樣本壽命預(yù)測(cè)技術(shù)領(lǐng)域，該方法通過收集壽命預(yù)測(cè)對(duì)象的所有可用數(shù)據(jù)并對(duì)其進(jìn)行壽命預(yù)測(cè)相關(guān)數(shù)據(jù)預(yù)處理和數(shù)據(jù)相關(guān)性分析；得到這些壽命影響因素同預(yù)測(cè)對(duì)象壽命表征參數(shù)間函數(shù)關(guān)系。然后數(shù)據(jù)映射并得到預(yù)測(cè)對(duì)象的當(dāng)量數(shù)據(jù)值；通過改進(jìn)的MPNN網(wǎng)絡(luò)進(jìn)行一次MPNN網(wǎng)絡(luò)的訓(xùn)練及預(yù)測(cè)和二次MPNN網(wǎng)絡(luò)的訓(xùn)練及預(yù)測(cè)；最后根據(jù)預(yù)測(cè)對(duì)象壽命表征參數(shù)的壽命終止判據(jù)確定預(yù)測(cè)對(duì)象的壽命值。本發(fā)明在實(shí)際預(yù)測(cè)對(duì)象可用數(shù)據(jù)很少的不利條件下，能充分利用預(yù)測(cè)對(duì)象壽命影響因素?cái)?shù)據(jù)，實(shí)現(xiàn)小樣本數(shù)據(jù)對(duì)象的壽命預(yù)測(cè)；具有較強(qiáng)的的通用性；壽命預(yù)測(cè)模型能動(dòng)態(tài)調(diào)整神經(jīng)網(wǎng)絡(luò)，可不斷提升壽命預(yù)測(cè)精度。
文檔編號(hào)G06N3/02GK101894185SQ20101022095
公開日2010年11月24日 申請(qǐng)日期2010年6月29日 優(yōu)先權(quán)日2010年6月29日
發(fā)明者劉一薇, 呂琛, 唐建, 彭健, 欒家輝, 鄢婉娟, 陳卓, 陶來發(fā) 申請(qǐng)人:北京航空航天大學(xué);航天東方紅衛(wèi)星有限公司;蘭州空間技術(shù)物理研究所