但应该清楚，本发明不限于【具体实施方式】的范围，对本技术领域的普通技 术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些 变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
【主权项】
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At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ThX Δ t，则第i组历 史样本序列可表示为]1(；〇=]1(;〇()，11(;〇1，~11(;〇111，其中，1 = 1，2，~，1]1，1'￡(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At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 序列表不为Χ = Χ0，Χ1，Η·ΧΤρ; (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h。和归一化的一组现场服役样本序列X。，其中，截取h。的前Tp个值来表不序列h。； (3) 、根据预选的初始拟合模型对归一化现场服役样本序列X。进行初始拟合，生成残差 序列η，Γ。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 Αχρ=Αχρ〇，Αχρι, ...Αχρτρ+k，其中，Αχρτρ+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residuall; 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Αχρ的前Tp个序列值Αχρο,Αχρι, · . ·ΑχρτΡ与归一化现场服役样本序列x〇 = x〇o，χ〇ι，…χ〇τρ之间的差值，得至丨」残差序列re s i dual 3; (6) 、根据residual 1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； χ( = α^φ-α)χ ^ mas ^min 尺度变换后得到归一化的m组历史样本序列h。和归一化的一组现场服役样本序列x。，其 中第i组归一化历史样本序列可表示为1ι〇(;?)=1ι〇(;?)()，，其中，i = l，2,…， m，归一化现场服役样本的序列可表示为χ〇=X。。，x〇i，; 其中，a，b为常数，Xl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Αχρ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X。的预选初 始拟合模型，得到初始拟合后的序列X〇f以及X〇f与X。的残差序列r。； (3.2) 、每次对r。差分一步，当前差分阶数c增加1，同时分析差分残差序列是否符合 ARMA建模要求，即验证差分残差序列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r/M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〇4. 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，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) /·、 -O') u.(/) = _〔-- Σζ(〃） u~] m YSa^h(u) 0 , 其中，眷s』=[^(Xiik-h()k(OT 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，1。1{是归一化 现场服役样本第k个采样点处的数据，h〇 k(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，ω k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) 、利用先加权历史样本残差回归法对m组归一化历史样本进行处理 先加权历史样本残差回归法将m组归一化历史数据按照归一化现场服役样本的相似度 分配权重值，融合为一个历史样本hpO,再进行差分、拟合和建模预测，得到加权融合历史数 据当前时刻外推预测序列ahpO,再用ahpO与hpO作差，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residuall。 (4.3) 、利用后加权历史样本残差回归法对m组归一化历史样本进行处理 后加权历史样本残差回归法同时处理m组归一化历史样本的前Tp个采样点构成一个数 据矩阵，再对数据矩阵进行差分、拟合和建模预测，得到m组归一化历史数据当前时刻Th-Tp 步外推预测采样点构成的序列矩阵，其中第i组位于矩阵第i行，记为ahp(i)，ahp(i)=ahp (1)〇，&1^(1)1^1^(1)1再将序列矩阵与归一化历史样本序列对应的组作差，得到的残 差矩阵，再将残差矩阵的每行按照residual3的相似度分配权重值，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. 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(6)中，代8丨(1皿11和16 8丨(1皿12的退化预测趋势对16 8丨(1皿13进行修正方 法为： 分别选取residual 1和residual2的前Tp个点组成退化序列，再分配权重值，使 residuall和residual2的线性和residual = c · residuall+d · residual2与residual3最 接近，c，d为常数，再将residual与Αχρ相加，最终结果hAxp即为多残差回归修正的现场服役 样本预测序列。
【专利摘要】本发明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。
【IPC分类】G06F17/50
【公开号】CN105468850
【申请号】CN201510837510
【发明人】刘震, 龙伊雯, 程玉华, 田书林, 曾现萍
【申请人】电子科技大学
【公开日】2016年4月6日
【申请日】2015年11月26日