【技术实现步骤摘要】
一种基于重采样的AAKR模型不确定度计算方法及系统
本专利技术涉及AAKR模型不确定性的量化方法，尤其是涉及一种基于重采样的AAKR模型不确定度计算方法及系统。
技术介绍
核电厂关键设备在线状态监测系统，有助于减少灾难性故障的风险，降低由不必要的定期维修而产生的多余成本。其中基于经验模型的状态监测方法，不依赖于对故障机理模型的深入理解，从设备的历史运行数据和运行经验出发，判定设备是否发生异常，随着物联网、大数据技术的迅速发展被广泛应用。但经验模型在用于监控核电关键仪器设备时，涉及影响模型稳定性的不适定问题，必须伴随对其不确定性的估计，同时不确定性区间的准确估计可有效降低设备虚警和漏警率，从而减少设备停机带来的经济损失。而目前对模型回归值不确定分析研究较少，传统的蒙特卡罗不确定度确定方法使用概率分布模拟噪声获取采样数据，需总体分布的先验知识及足够大样本数据，效率低且经济成本高，无法有效确保关键设备传感器状态的预测精度。
技术实现思路
本专利技术的目的在于提供一种基于重采样的AAKR模型不确定度计算方法及系统...
【技术保护点】
1.一种基于重采样的AAKR模型不确定度计算方法，其特征在于，包括以下步骤：/n步骤1)、将传感器历史状态数据集分为训练数据集和测试数据集；/n步骤2)、通过小波去噪方法对训练数据集进行去噪并计算噪声方差；/n步骤3)、通过Bootstrap方法对训练数据集进行多次重采样，每次重采样后得到一组新训练数据集，根据采样后各组新训练数据集建立多个新模型，根据多个新模型预测得到多个模型预测值，计算多个模型预测值之间的变化即可得到多个模型预测值的模型预测方差；/n步骤4)、计算模型预测值与测试观察值之间的均方误差；/n步骤5)、根据噪声方差、模型预测方差和均方误差计算得到模型偏差；/...
【技术特征摘要】 【专利技术属性】
1.一种基于重采样的AAKR模型不确定度计算方法，其特征在于，包括以下步骤：
步骤1)、将传感器历史状态数据集分为训练数据集和测试数据集；
步骤2)、通过小波去噪方法对训练数据集进行去噪并计算噪声方差；
步骤3)、通过Bootstrap方法对训练数据集进行多次重采样，每次重采样后得到一组新训练数据集，根据采样后各组新训练数据集建立多个新模型，根据多个新模型预测得到多个模型预测值，计算多个模型预测值之间的变化即可得到多个模型预测值的模型预测方差；
步骤4)、计算模型预测值与测试观察值之间的均方误差；
步骤5)、根据噪声方差、模型预测方差和均方误差计算得到模型偏差；
步骤6)、根据模型偏差和模型方差进行估计，可得到蒙特卡罗不确定度估计值为模型偏差的平方与模型方差之和的开方值的2倍。
2.根据权利要求1所述的一种基于重采样的AAKR模型不确定度计算方法，其特征在于，加载传感器历史数据，并对传感器历史数据进行检测纠正异常值，并将纠正后的数据集分为训练数据集和测试数据集。
3.根据权利要求1所述的一种基于重采样的AAKR模型不确定度计算方法，其特征在于，利用小波去噪方法对训练数据集去噪，
其中，εi是训练数据集中第i个训练观测值Xi的噪声估计；是训练数据集中第i个训练观测值Xi的真实值的估计值；训练数据集中i个变量噪声的方差为：
ntrn是训练观察次数；是噪声估计的期望值；是训练数据集噪声方差。
4.根据权利要求3所述的一种基于重采样的AAKR模型不确定度计算方法，其特征在于，利用下式计算多个模型预测值之间的变化即模型预测方差：
其中，为第j个变量的第i个观测值的方差；得到ntst×p维方差估计，每个p变量的方差按升序排列，选择第95个百分位数最大值来保守估计单点方差。
5.根据权利要求4所述的一种基于重采样的AAKR模型不确定度计算方法，其特征在于，每个重采样训练数据集建立的新模型均可给出一个模型预测值即计算新模型预测值与测试观察值之间的均方误差MSE：
其中Xtst,i和分别是第i个新模型的测试观察值和模型预测值；MSE的维数为1×p，N个预测值就会产生N个1×p维MSE。
技术研发人员：成玮，张乐，陈雪峰，李芸，周光辉，高琳，邢继，堵树宏，孙涛，徐钊，于方小稚，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。