基于多残差回归预测算法的电子产品退化趋势预测方法技术

本发明专利技术公开了一种基于多残差回归预测算法的电子产品退化趋势预测方法，通过对电子产品退化数据特性的充分分析选取最为适宜的初始拟合模型并对残差进行合理建模，最终实现对产品寿命的预测。同时根据历史样本同期预测误差特性的普适度对现场服役样本进行修正，提出一种先加权和后加权两种理论可行的残差回归方法，更好地反映一般情况，最后达到一种高精度的预测，对电子产品的运行状态和预期寿命起到很好地指示作用，成为产品商对设备的维修和报废时间的参考。

【技术实现步骤摘要】

本专利技术属于电子产品状态预测
，更为具体地讲，涉及一种基于多残差回归预测算法的电子产品退化状态趋势预测方法。
技术介绍
时间序列预测技术是目前一种理论发展比较成熟且预测精度较为准确的电子系统故障预诊断与健康管理(PHM,PrognosticandHealthManagement)的重要手段，都是根据分析一定已掌握的历史数据时间上的关联性退化趋势预测未来的走向。实际数据的时间序列能够展示研究对象在一定时期内的发展变化趋势与规律，因而可以从时间序列中找出变量变化的特征、趋势以及发展规律，从而对变量的未来变化进行有效地预测。其中的ARMA建模方法在计量经济学领域更是广为使用。较为准确的电子产品退化状态预测对于工程上降低维护成本有重大意义。时间序列预测技术中卡尔曼滤波模型、自适应滤波模型和马尔科夫模型对序列平稳性要求不高，马尔科夫模型需要一定的统计概率数据。本专利技术着重研究ARMA模型，其对于平稳序列的预测精度较为可观，预测步数较多，对于电子产品的性能退化趋势有较好的预测效果。同等实验条件下的数据之间的比较融合可以抵消一部分环境噪声和累计误差的影响，基于这个理论，本专利技术在从寻找历史样本外推误差的模拟现场样本外推误差的过程中运用了多种残差回归方法，相应地提高了预测准确度。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于多残差回归预测算法的电子产品退化状态趋势预测方法，弥补了当前基于相似性和差异分析的方法同时刻点性能退化数据无自回归性带来的较大误差，以及历史样本的外推修正方式单一且未赋予权重的不足。为实现上述专利技术目的，本专利技术基于多残差回归预测算法的电子产品退化趋势预测方法，其特征在于，包括以下步骤：(1)、选取m组同一型号电子产品的退化数据作为历史样本，每组历史样本均从零时刻开始，每间隔Δt时间对电子产品的检测指标进行采样，当m组历史样本中有T％的历史样本达到失效阈值时的采样点记为Th，对应的历史样本实际采样时刻记为Th×Δt，则第i组历史样本序列可表示为h(i)＝h(i)0,h(i)1,…h(i)Th，其中，i＝1,2,…,m,T∈(0,100)；选取一组同一型号电子产品作为现场服役样本，每组现场服役样本均从零时刻开始，每间隔Δt时间对电子产品的检测指标进行采样，当前采样点为Tp时，现场服役样本的序列表示为x＝x0,x1,…xTp；(2)、对m组历史样本和一组现场服役样本进行尺度变换处理得到归一化的m组历史样本序列ho和归一化的一组现场服役样本序列xo,其中，截取ho的前Tp个值来表示序列ho；(3)、根据预选的初始拟合模型对归一化现场服役样本序列xo进行初始拟合，生成残差序列ro，ro经过cd阶差分处理后，利用ARMA建模进行归一化，得到现场服役样本自修正预测序列Axp＝Axp0,Axp1,…AxpTp+k，其中，AxpTp+k已达到失效阈值；(4)、利用先加权历史样本残差回归法对归一化的m组历史样本序列进行处理，得到加权历史样本当前时刻外推预测序列和加权历史样本序列的残差序列residual1；利用后加权历史样本残差回归法对归一化的m组历史样本进行处理，得到m组历史数据当前时刻外推预测序列和m组历史数据当前时刻序列的残差序列residual2；(5)、计算序列Axp的前Tp个序列值Axp0,Axp1,…AxpTp与归一化现场服役样本序列xo＝xo0,xo1,…xoTp之间的差值，得到残差序列residual3；(6)、根据residual1和residual2的退化预测趋势对residual3进行修正，得到最终的外推预测曲线hAxp，再对外推预测曲线hAxp进行样条差值处理，得到现场服役样本的预测失效时间和剩余寿命。其中，所述的步骤(2)中，尺度变换处理的具体方法为：利用贝塞尔法分别对m组历史样本和现场服役样本进行坏点剔除，再将得到的样本分别按照如下公式统一映射到[a,b]范围内；xi‾=a+(b-a)×xi-xminxmax-xmin]]>尺度变换后得到归一化的m组历史样本序列ho和归一化的一组现场服役样本序列xo，其中第i组归一化历史样本序列可表示为ho(i)＝ho(i)0,ho(i)1,…ho(i)Th，其中，i＝1,2,…,m，归一化现场服役样本的序列可表示为xo＝xo0,xo1,…xoTp；其中，a,b为常数，xi表示剔除坏点后的m组历史样本和现场服役样本的统称，xmin表示样本集合中最小的样本，xmax表示样本集合中最大的样本。进一步的，所述的步骤(3)中，现场样本自修正预测序列Axp的获取方法为：(3.1)、依据拟合精度和泛化程度最优的原则选取归一化现场服役样本序列xo的预选初始拟合模型，得到初始拟合后的序列xof以及xof与xo的残差序列ro；(3.2)、每次对ro差分一步，当前差分阶数c增加1，同时分析差分残差序列ro(c)是否符合ARMA建模要求，即验证差分残差序列ro(c)的偏相关函数与自相关函数的绝对值是否拖尾，如果满足，则进入步骤(3.3)；如果不满足，则重复步骤(3.2)继续进行差分；(3.3)、记录满足要求时的差分阶数cd,根据AIC准则进行定阶代入ARMA预测模型对差分残差序列进行处理，得到从采样点零到采样点Tp+k的k步预测序列最后对序列还原差分，并与初始拟合曲线外推序列xof相加，得到归一化现场样本自修正预测序列Axp。更进一步的，所述的步骤(4)中，先加权历史样本残差回归法和后加权历史样本残差回归法分别对归一化的m组历史样本序列进行处理的方法为：(4.1)、设置相似度分配权重值w(i)w(i)=z(i)Σu=1mz(u)]]>其中，z(i)=Σu=1mSx↔hα(u)Sx↔hα(i),Sx↔h(i)=[Σk=1pωk(xok-hok(i))t]1t]]>其中，u代表归一化历史样本的编号用以和分子中的i区分；Sx→h(i)为第i个归一化历史样本同归一化现场服役样本的相似性测度，α为控制相似性测度的的权重因数，xok是归一化现场服役样本第k个采样点处的数据，hok(i)为归一化的第i组历史样本第k个采样点处的数据，k代表采样点，p代表总采样点数，ωk为第k个采样点的距离权重，t代表距离函数累加阶数；(4.2)、本文档来自技高网...

【技术保护点】
一种基于多残差回归预测算法的电子产品退化趋势预测方法，其特征在于，包括以下步骤：(1)、选取m组同一型号电子产品的退化数据作为历史样本，每组历史样本均从零时刻开始，每间隔Δt时间对电子产品的检测指标进行采样，当m组历史样本中有T％的历史样本达到失效阈值时的采样点记为Th，对应的历史样本实际采样时刻记为Th×Δt，则第i组历史样本序列可表示为h(i)＝h(i)0,h(i)1,…h(i)Th，其中，i＝1,2,…,m,T∈(0,100)；选取一组同一型号电子产品作为现场服役样本，每组现场服役样本样本均从零时刻开始，每间隔Δt时间对电子产品的检测指标进行采样，当前采样点为Tp时，现场服役样本的序列表示为x＝x0,x1,…xTp；(2)、对m组历史样本和一组现场服役样本进行尺度变换处理得到归一化的m组历史样本序列ho和归一化的一组现场服役样本序列xo,其中，截取ho的前Tp个值来表示序列ho；(3)、根据预选的初始拟合模型对归一化现场服役样本序列xo进行初始拟合，生成残差序列ro，ro经过cd阶差分处理后，利用ARMA建模进行归一化，得到现场服役样本自修正预测序列Axp＝Axp0,Axp1,...AxpTp+k，其中，AxpTp+k已达到失效阈值；(4)、利用先加权历史样本残差回归法对m组历史样本序列进行处理，得到加权历史样本当前时刻外推预测序列和加权历史样本序列的残差序列residual1；利用后加权历史样本残差回归法对归一化的m组历史样本进行处理，得到m组历史数据当前时刻外推预测序列和m组历史数据当前时刻序列的残差序列residual2；(5)、计算序列Axp的前Tp个序列值Axp0,Axp1,...AxpTp与归一化现场服役样本序列xo＝xo0,xo1,…xoTp之间的差值，得到残差序列residual3；(6)、根据residual1和residual2的退化预测趋势对residual3进行修正，得到最终的外推预测曲线hAxp，再对外推预测曲线hAxp进行样条差值处理，得到现场服役样本的预测失效时间和剩余寿命。...

【技术特征摘要】
1.一种基于多残差回归预测算法的电子产品退化趋势预测方法，其特征在
于，包括以下步骤：
(1)、选取m组同一型号电子产品的退化数据作为历史样本，每组历史样
本均从零时刻开始，每间隔Δt时间对电子产品的检测指标进行采样，当m组历
史样本中有T％的历史样本达到失效阈值时的采样点记为Th，对应的历史样本实
际采样时刻记为Th×Δt，则第i组历史样本序列可表示为h(i)＝h(i)0,h(i)1,…h(i)Th，
其中，i＝1,2,…,m,T∈(0,100)；
选取一组同一型号电子产品作为现场服役样本，每组现场服役样本样本均
从零时刻开始，每间隔Δt时间对电子产品的检测指标进行采样，当前采样点为Tp
时，现场服役样本的序列表示为x＝x0,x1,…xTp；
(2)、对m组历史样本和一组现场服役样本进行尺度变换处理得到归一化
的m组历史样本序列ho和归一化的一组现场服役样本序列xo,其中，截取ho的前
Tp个值来表示序列ho；
(3)、根据预选的初始拟合模型对归一化现场服役样本序列xo进行初始拟
合，生成残差序列ro，ro经过cd阶差分处理后，利用ARMA建模进行归一化，得
到现场服役样本自修正预测序列Axp＝Axp0,Axp1,...AxpTp+k，其中，AxpTp+k已达到失
效阈值；
(4)、利用先加权历史样本残差回归法对m组历史样本序列进行处理，得
到加权历史样本当前时刻外推预测序列和加权历史样本序列的残差序列
residual1；
利用后加权历史样本残差回归法对归一化的m组历史样本进行处理，得到m
组历史数据当前时刻外推预测序列和m组历史数据当前时刻序列的残差序列
residual2；
(5)、计算序列Axp的前Tp个序列值Axp0,Axp1,...AxpTp与归一化现场服役样本
序列xo＝xo0,xo1,…xoTp之间的差值，得到残差序列residual3；
(6)、根据residual1和residual2的退化预测趋势对residual3进行修正，得到最
终的外推预测曲线hAxp，再对外推预测曲线hAxp进行样条差值处理，得到现场
服役样本的预测失效时间和剩余寿命。
2.根据权利要求1所述的基于多残差回归预测算法的电子产品退化趋势预
测方法，其特征在于，在步骤(2)中，尺度变换处理的具体方法为：
利用贝塞尔法分别对m组历史样本和现场服役样本进行坏点剔除，再将得
到的样本分别按照如下公式统一映射到[a,b]范围内；
xi‾=a+(b-a)×xi-xminxmax-xmin]]>尺度变换后得到归一化的m组历史样本序列ho和归一化的一组现场服役样
本序列xo，其中第i组归一化历史样本序列可表示为ho(i)＝ho(i)0,ho(i)1,…ho(i)Th，其
中，i＝1,2,…,m，归一化现场服役样本的序列可表示为xo＝xo0,xo1,…xoTp；
其中，a,b为常数，xi表示剔除坏点后的m组历史样本和现场服役样本的统
称，xmin表示样本集合中最小的样本，xmax表示样本集合中最大的样本。
3.根据权利要求1所述的基于多残差回归预测算法的电子产品退化趋势预
测方法，其特征在于，在步骤(3)中，现场样本自修正预测序列Axp的获取方
法为：
(3.1)、依据拟合精度和泛化程度最优的原则选取归一化现场服役样本序列
xo的预选初始拟合模型，得到初始拟合后的序列xof以及xof与xo的残差序列ro；
(3.2)、每次对ro差分一步，当前差分阶数c增...

【专利技术属性】
技术研发人员：刘震，龙伊雯，程玉华，田书林，曾现萍，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51