利用支持向量机融合产品系统及组件级信息的寿命预测方法
【专利摘要】本发明公开了一种利用支持向量机融合产品系统及组件信息的寿命预测方法，包括以下几个步骤：步骤一、搜集系统及组件的退化信息；步骤二、获得系统及组件的逻辑关系模型；步骤三、融合组件信息并获得相应的系统信息；步骤四、系统的寿命预测；本发明能够融合系统级及组件级的性能退化信息，对产品的寿命进行预测；且不需要了解具体的系统及各组件的逻辑、结构关系，融合过程简单有效；同时能够在系统级数据稀缺的情况下，在数据的层面上融合各方面信息，将组件级信息转化为系统级信息。
【专利说明】利用支持向量机融合产品系统及组件级信息的寿命预测方 法
【技术领域】
[0001] 本发明是一种利用支持向量机等方法手段，对产品系统级及组件级性能退化数据 进行融合，从而在提高预测数据量的基础上实现产品寿命预测的方法，属于寿命与可靠性 评估【技术领域】。可用于诸如长航时无人机等大型复杂系统的寿命预测。
【背景技术】
[0002] 对于长航时无人机等系统级产品而言，由于经费等因素的限制，从系统本身所获 得的与寿命相关的信息相对有限，但在产品结构层面上，其分系统及组件在研制、生产、使 用过程中却产生了大量的可用信息，若能将产品系统级及组件级信息融合利用，那么会对 产品的寿命预测带来较大的帮助。
[0003] 在实现系统及组件性能退化数据的融合预测方面，通常组件的研发会早于系统， 在组件的研究过程中会积累一定量的组件性能退化数据。而组件的性能参数往往同系统性 能参数密切相关，在系统性能数据稀缺的情况下，若能将这些组件性能数据融合为系统性 能数据，扩充系统性能数据的数据量，对系统寿命的预测无疑会产生积极的作用。而传统的 基于故障树的融合方法是基于组件分布仿真而开展的，属于决策层融合，且其输出为寿命 数据，而非退化数据；另一方面对于某些复杂的系统而言，有时故障树的方法难以描述和确 定各组件与系统间的逻辑关系；通过对上述问题进行分析，可知解决问题的关键在于找到 合适的逻辑关系建模方法，且这种方法需满足：1)基于退化数据；2)通过输入、输出的数据 来确定逻辑关系。而机器学习的方法恰好可以满足上述需求，机器学习的目的是根据给定 的训练样本获得对某系统输入/输出之间依赖关系的估计，使它能够对未知输出做出尽可 能准确的预测。
[0004] 而在各机器学习方法中，支持向量机（Support Vector Machine, SVM)是一种有效 的方法。它是上世纪九十年代由Vladimir N.Vapnik教授领导的研究小组提出的一种新的 智能学习机器。它是以统计学习理论的VC维理论和结构风险最小化原则为基础，能够根据 有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中，以期获得最佳的推广（泛 化）能力，避免了局部最优解，在解决小样本、非线性及高维模式识别问题中表现出特有的 优势，并能够应用推广到函数拟合等其他机器学习中。同时，它在拟合模型方面要优于使用 较为广泛的人工神经网络方法。
[0005] 因此本发明采用支持向量机的方法，实现组件及系统性能退化信息的数据层融 合，以此完成对产品寿命的融合预测。
【发明内容】
[0006] 本发明的目的是为了解决上述问题，提出一种在系统级性能退化数据较少、而组 件级性能退化数据较为丰富的情况下，利用支持向量机等手段将系统级及组件级信息融 合，以此来扩充系统信息的数据量，进而对系统寿命进行预测的方法。从而解决了产品系统 级性能退化数据较少、而组件级性能退化数据较丰富情况下的寿命预测问题。
[0007] 本发明的具体步骤为：
[0008] 步骤一、搜集系统及组件的退化信息；
[0009] 步骤二、获得系统及组件的逻辑关系模型；
[0010] 步骤三、融合组件信息并获得相应的系统信息；
[0011] 步骤四、系统的寿命预测；
[0012] 本发明的优点在于：
[0013] (1)本发明能够融合系统级及组件级的性能退化信息，对产品的寿命进行预测；
[0014] (2)本发明不需要了解具体的系统及各组件的逻辑、结构关系，融合过程简单有 效；
[0015] (3)本发明能够在系统级数据稀缺的情况下，在数据的层面上融合各方面信息，将 组件级信息转化为系统级信息。
【专利附图】
【附图说明】
[0016] 图1是本发明的流程图；
[0017] 图2是支持向量机的模型训练流程图；
[0018] 图3基于SVM的数据融合过程；
【具体实施方式】
[0019] 下面将结合附图和实施例对本发明作进一步的详细说明。
[0020] 本发明是一种综合利用组件及系统性能退化信息对产品寿命进行预测的方法，在 满足以下适用范围时使用：
[0021] 1.组件及系统信息皆为退化信息；
[0022] 2.系统及组件具有部分同步的信息；
[0023] 3.系统同各组件的逻辑关系不改变。
[0024] 方法的流程图如图1所示，包括以下几个步骤：。
[0025] 步骤一、搜集系统及组件的退化信息
[0026] 搜集系统及组件的退化信息，搜集的数据形式为系统及其各组件的性能退化数 据，其中一部分数据应为系统及各组件在时间上同步的性能退化数据（组件退化信息乙，系 统退化信息Y s)，还有另一部分比例较大的各组件的性能退化数据Y/。
[0027] 其中，同步的性能退化数据是指在同一时间序列T = (tp t2, . . .，tn)下，所同时获 取的系统退化信息Ys = (ysl，ys2,...，ysn)，以及组件退化信息（若系统主要由m个组件组 成）：
【权利要求】
1. 利用支持向量机融合产品系统及组件信息的寿命预测方法，其特征在于，包括以下 几个步骤： 步骤一、搜集系统及组件的退化信息 搜集系统及组件的退化信息，搜集的数据形式为系统及其各组件的性能退化数据，其 中一部分数据应为系统及各组件在时间上同步的性能退化数据（组件退化信息Yz，系统退 化信息Ys)，还有另一部分比例较大的各组件的性能退化数据Υ/。 其中，同步的性能退化数据是指在同一时间序列T = (tp t2,. . .，tn)下，所同时获取的 系统退化信息Ys = (ysl，ys2,...，ysn)，以及组件退化信息（若系统主要由m个组件组成） ：
步骤二、获得系统及组件的逻辑关系模型 将同系统信息同步的组件退化信息Yz作为智能学习的输入向量、系统退化信息乙作为 目标向量，对输入向量、目标向量进行归一化处理，采用支持向量机的方法对它们之间的关 系进行学习建模，并通过训练得到一个能够表达它们间逻辑关系的模型。 获得的支持向量机模型〇SVM即是组件与系统间的关系模型，它刻画了组件退化信息同 系统退化信息间的逻辑关系。 步骤三、融合组件信息并获得相应的系统信息 将搜集得到的各组件退化信息Yz'作为支持向量机模型〇SVM的输入向量，输入到步骤 二所构造的支持向暈机模塑Φ,?中，组件退化信息矩阵Yz'可表示为：
即可得到支持向量机模型〇SVM的输出：目标向量^，YS'就是融合得到的系统退化 数据。 步骤四、系统的寿命预测 利用组件信息融合所得到的系统退化信息Ys'，结合相应的基于性能退化数据的寿命 预测模型，预测得到系统的寿命指标。
2. 根据权利要求1所述的利用支持向量机融合产品系统及组件信息的寿命预测方法， 其特征在于，所述的步骤四具体为： 系统寿命预测模型的形式为： τ = L(0 |γ) (1) 其中τ为产品的寿命，Θ为模型的参数向量，Υ为系统退化信息。 因此，结合模型（1)，通过系统退化数据V，求得Θ的值。从而得到寿命预测模型的 具体形式，进而实现了产品的寿命预测。
【文档编号】G06F19/00GK104102846SQ201410357059
【公开日】2014年10月15日 申请日期:2014年7月24日 优先权日:2014年7月24日
【发明者】王立志, 向锦武, 王晓红, 李宇翔, 木漫漫 申请人:北京航空航天大学