一种基于动态双极ＭＰＮＮ的小样本数据对象的寿命预测方法技术

本发明专利技术公开了一种基于动态双极ＭＰＮＮ的小样本数据对象的寿命预测方法，属于小样本寿命预测技术领域，该方法通过收集寿命预测对象的所有可用数据并对其进行寿命预测相关数据预处理和数据相关性分析；得到这些寿命影响因素同预测对象寿命表征参数间函数关系。然后数据映射并得到预测对象的当量数据值；通过改进的ＭＰＮＮ网络进行一次ＭＰＮＮ网络的训练及预测和二次ＭＰＮＮ网络的训练及预测；最后根据预测对象寿命表征参数的寿命终止判据确定预测对象的寿命值。本发明专利技术在实际预测对象可用数据很少的不利条件下，能充分利用预测对象寿命影响因素数据，实现小样本数据对象的寿命预测；具有较强的的通用性；寿命预测模型能动态调整神经网络，可不断提升寿命预测精度。

【技术实现步骤摘要】

本专利技术属于小样本寿命预测
，具体地说，是指一种应用于小样本数据对 象的寿命预测方法。
技术介绍
寿命预测技术涉及到的范围和领域极其广泛，从原材料的疲劳寿命到复杂成型产 品寿命，从民用领域到国防领域都需要寿命预测技术。目前，开展寿命预测工作主要有以下 三种方法a，基于物理模型的寿命预测该方法基于对研究对象的分析，从而建立反映对象 演变过程的物理模型，通过相关数据对模型参数进行调整，最后得到需要的寿命预测模型。 该方法主要应用在材料科学领域；b，基于统计模型假设的寿命预测此类方法首先假设研究对象寿命服从某种统计 分布，之后利用大量已有的寿命数据确定该模型的参数，从而建立研究对象的寿命预测模 型；C，基于寿命影响因素分析训练的寿命预测此方法主要是通过研究并确定影响预 测对象的各寿命影响因素，并借助大量的寿命试验数据建立起影响因素同寿命之间的关系 网络，从而建立研究对象的寿命预测模型。对于上述三种方法，基于物理模型的寿命预测需要深入研究预测对象的内部机 理，对于复杂系统，建立相应的物理模型的工作量将非常巨大；基于统计模型假设及基于寿 命影响因素分析训练的寿命预测则需要大量的对象寿命数据以建立寿命预测模型。考虑到 在实际工程应用中，尤其是在航空航天领域，往往会遇到各种客观条件限制，不可能存在大 量的用于寿命预测的寿命数据。因而，研究一种针对极少寿命数据，具有小样本数据特点的 寿命预测方法对符合此特点的对象来说具有重要的意义。人工神经网络(Artificial Neural Network，ANN)是一个模拟大脑神经系统结构 和功能，由大量简单处理单元即神经元广泛连接组成的人工网络。它能从已知数据中自动 归纳规则，获得这些数据的内在规律，具有很强的非线性映射能力。人工神经网络具有以下 几个突出优点1.高度的并行性；2.高度的非线性全局作用；3.良好的容错性和联想记忆 功能；4.十分强的自适应、自学习功能。概率神经网络(简称PNN网络)是人工神经网络的一种，概率神经网络模型的拓 扑结构如图1所示，概率神经网络为三层结构，分别是输入层、径向基函数层(也叫隐含层) 和竞争学习层(也叫输出层)。其中，R代表输入层有R个分量的输入向量，N为输入训练 样本向量的个数，I为输入向量，b为隐含层的阈值向量，K为输出层神经元数(即分类的 类别数)，和 分别为隐含层和输出层神经元的权重矩阵，η和η分别为隐含层和 输出层神经元的加权和向量，a和a分别为隐含层和输出层神经元的输出向量，其表达 式分别为a = radbas ( w"i | · *b)a = compet(w · a)PNN 网络中径向基函数为Radbas(u) = exp (_u2)该PNN网络的训练和分类过程可表述为隐含层权重矩阵被置为输入训练样 本矩阵Y(NXK)，输出层权重矩阵e被置为训练样本的目标矩阵T(KXN)。目标矩阵的每一列 只有一个1，其余的均为0。当输入所要分类的样本向量X时，隐含层计算输入向量与训练 样本之间的距离，并输出归属每一类别的概率密度；输出层的竞争学习激励函数选出对应 类别的最大概率密度，并对应产生1，其余类别均为0。PNN网络具有网络训练速度快、预测精度高、对于新数据无需重复训练等优点，被 广泛的用于实际工程项目中，尤其是对于分类问题。然而，对于预测问题，PNN网络显得束 手无策，从而更加无法直接利用PNN网络对具有小样本数据特性对象进行寿命预测。
技术实现思路
在现实的工程实际中很多情况下不可能得到传统寿命预测所需数据。考虑到传 统寿命预测技术中需要大量时间序列及寿命数据的特点，对于很难获取数据样本的预测对 象，研究在充分利用已有的信息前提下，尽可能准确的预测剩余寿命值是一个极具挑战的 课题。本专利技术针对传统寿命预测技术中存在的不足，综合考虑PNN网络的优缺点，在对PNN 网络改进的基础上，构建动态双极MPNN网络模型，提出利用动态双极MPNN方法，实现对具 有小样本数据特点的预测对象的寿命预测。在寿命预测的过程中动态的调整整个MPNN网 络，确保在整个寿命预测过程，预测精度随着时间的延长及数据量的增加不断提高。本专利技术提供的寿命预测方法具体通过如下步骤实现步骤一、收集寿命预测对象的所有可用数据；通过对预测对象及相似产品分析，收集可以利用的所有寿命预测相关数据。步骤二、寿命预测相关数据预处理；对步骤一得到的寿命预测数据进行分析和筛选，依据本专利技术的数据需要提取出可 用于动态双极MPNN寿命预测的寿命表征参数及寿命影响因素数据。同时，对筛选出的数据 进行奇异值剔除、数据降噪等预处理工作。步骤三、数据相关性分析；对步骤二中筛选到的寿命影响因素数据进行相关性分析，从而得到这些寿命影响 因素同预测对象寿命表征参数间函数关系。所述的相关性分析是指通过函数逼近或利用SPSS，实现对不同参数数据的相关性 分析，从而得到参数数据间的映射关系。步骤四、数据映射并得到预测对象的当量数据值；利用步骤三得到的在各寿命影响因素的作用下，得到的相似产品同预测对象寿命 表征参数间的相关关系，以参考的相似产品数据为基础，映射并得到预测对象寿命表征参 数的当量数据值。步骤五、MPNN网络构建；根据寿命预测需求，对分类PNN网络模型进行改进，并得到预测用MPNN网络模型。步骤六、一次MPNN网络的建立、训练及预测；5确定一次MPNN输入节点及输出节点数。利用预测对象寿命表征参数及其由步骤 四得到的当量数据做差分比例处理，构造一次MPNN的训练样本及测试样本；为了剔除训练 样本中的奇异值，加快网络的收敛速度，将由上述构造的输入向量、目标向量进行归一化处 理，然后输入一次MPNN网络对其进行训练，从而确定一次MPNN网络参数，并利用训练好的 一次MPNN神经网络，对寿命表征参数进行预测。步骤七、二次MPNN网络的建立、训练及预测；确定二次MPNN分别确定输入节点数及输出节点数。利用经预处理后预测对象表 征寿命参数数据和一次MPNN的预测结果，构造二次MPNN的训练及测试样本，进而开展预测 工作，最后根据预测对象寿命表征参数的寿命终止判据确定预测对象的寿命值。步骤八、动态时间窗调整；ν根据实际对象特点及使用要求，设置相应的动态时间间隔如一个月、两周、一 周等。之后按照设置的时间间隔，重复上述步骤二到步骤七，对双极MPNN网络进行重新训 练和预测。本专利技术的优点为(1)本专利技术提供的寿命预测方法在实际预测对象可用数据很少的不利条件下，能 充分利用预测对象寿命影响因素数据，实现小样本数据对象的寿命预测；(2)由于本专利技术是在PNN基础上构建而成的，因此在寿命预测过程中，无需建立寿 命影响因素及预测对象寿命表征参数同寿命之间的解析函数关系；(3)本专利技术提出的寿命预测方法是针对具有小样本数据特点的一类问题的解决解 决方案，具有较强的的通用性；(4)动态双极MPNN网络是以PNN网络为基础，经改进和构造之后而形成的寿命预 测模型，因而，其保留着PNN网络的快速训练及预测的优点；本专利技术提出的动态双极MPNN方 法弥补了传统寿命预测技术存在的问题和不足，从而解决小样本寿命预测问题，进而实现 寿命预测技术从理论研究到工程实际应用的一次跨越。(5)对于具体问题，本专利技术的寿命预测模型能动态调整本文档来自技高网...

【技术保护点】
一种基于动态双极ＭＰＮＮ的小样本数据对象的寿命预测方法，其特征在于：步骤一、收集寿命预测对象的所有可用的寿命预测数据；步骤二、寿命预测相关数据预处理；对步骤一得到的寿命预测数据进行分析和筛选，提取出预测对象的寿命表征参数和寿命影响因素，并对寿命影响因素进行分类，同时，对筛选出的数据进行奇异值剔除、数据降噪的预处理工作；步骤三、数据相关性分析；对步骤二中筛选到的寿命影响因素数据进行相关性分析，从而得到这些寿命影响因素同预测对象寿命表征参数间函数关系；步骤四、数据映射并得到预测对象的当量数据值；利用步骤三得到的在各寿命影响因素的作用下，得到的相似产品同预测对象寿命表征参数间的相关关系，以参考的相似产品数据为基础，映射并得到预测对象寿命表征参数的当量数据值；步骤五、ＭＰＮＮ网络构建；把ＰＮＮ网络输出层核函数更改为数学期望函数Ｅｘｐｅｃｔ（ｇ），得到ＭＰＮＮ网络；步骤六、一次ＭＰＮＮ网络的建立、训练及预测；利用预测对象寿命表征参数及其由步骤四得到的当量数据做差分比例处理，构造一次ＭＰＮＮ的训练样本及测试样本；将由上述构造的输入向量、目标向量进行归一化处理，然后输入一次ＭＰＮＮ网络对其进行训练，从而确定一次ＭＰＮＮ网络参数，并利用训练好的一次ＭＰＮＮ神经网络，对寿命表征参数进行预测；步骤七、二次ＭＰＮＮ网络的建立、训练及预测；利用经预处理后预测对象表征寿命参数数据和一次ＭＰＮＮ的预测结果，构造二次ＭＰＮＮ的训练及测试样本，进而开展预测工作，最后根据预测对象寿命表征参数的寿命终止判据确定预测对象的寿命值；步骤八、动态时间窗调整；根据实际对象特点及使用要求，设置相应的动态时间间隔，按照设置的时间间隔，重复上述步骤二到步骤七，对双极ＭＰＮＮ网络进行重新训练和预测。...

【技术特征摘要】

【专利技术属性】
技术研发人员：陶来发，吕琛，栾家辉，彭健，刘一薇，鄢婉娟，陈卓，唐建，
申请(专利权)人：北京航空航天大学，航天东方红卫星有限公司，兰州空间技术物理研究所，
类型：发明
国别省市：11[中国|北京]