【技术实现步骤摘要】
基于退化趋势分析和GRNN的缺失数据模拟方法
[0001]本专利技术属于可靠性及寿命试验中的加速退化试验方法领域,具体涉及一种基于退化趋势分析和GRNN的缺失数据模拟方法。
技术介绍
[0002]当产品测试仪器故障、测试人员过失等情况发生时,会造成在加速退化试验中采集到的产品性能退化数据出现缺失。而在加速退化试验的退化数据分析、寿命预测等工作中,数据的缺失会对性能退化数据的处理带来困难,很多传统的性能退化数据处理方法无法对有缺失数据的数据进行统计分析,比如一些关于时间序列数据分析的方法就要求所分析的数据为完整的等间距数据集。在寿命预测中,使用有缺失的产品性能退化数据进行分析预测时,会对产品寿命预测结果的造成偏差。
[0003]这时要么改进传统的数据处理方法,使之能够适应有缺失的性能退化数据,要么针对有缺失的数据进行处理,使之转化为完整的数据。前一种方案,在实现上有难度,后一种方案的实现更切合实际,且有缺失的数据转化为完整的数据后可以应用到更多的数据处理方法中,适用性更强。
[0004]采用有效的方法处理缺失数据可以提高对数据资源的有效利用,减少数据资源的浪费;并会有助于性能退化数据的处理,有助于加速退化试验评估,有助于故障预测或寿命预测等工作,甚至可能影响研究结论,减少如寿命预测结果不准确等情况所带来的隐患。
[0005]常用的缺失数据插补法,如回归插补法等,一般都忽略了真实数据的不确定性。回归分析插补的基本思想是利用辅助变量与已观测数据的关系,建立回归模型,利用已知的辅助变量的信息,对缺失的 ...
【技术保护点】
【技术特征摘要】
1.一种基于退化趋势分析和GRNN的缺失数据模拟方法,其特征在于,包括以下步骤:(一)建立退化数据变化趋势模型,包括:假设完整的退化数据为Y,其对应的时间为T,记Y=(Yobs,Ymis),T=(Tobs,Tmis),其中已观测的退化数据Yobs、已观测的退化数据对应的时间Tobs和缺失的数据对应的时间Tmis为已知数据,具体为:式中,n为已观测数据的数据量,m为缺失数据的数据量。以已观测退化数据Yobs=(yobs_1,yobs_2,
…
,yobs_n)为输出,数据获取的试验时间Tobs=(tobs_1,tobs_2,
…
,tobs_n)为输入,利用数据分析软件进行趋势分析,得到产品性能退化数据的趋势模型:y
obs_i
=f(t
obs_i
);式中,f(tobs_i)是趋势模型函数。通过分析得到的退化趋势模型,将缺失数据对应的时间Tmis=(tmis_1,tmis_2,
…
,tmis_m)作为输入,计算缺失数据的趋势序列Qmis=(qmis_1,qmis_2,
…
,qmis_m):q
mis_i
=f(t
mis_i
),i=1,2,
···
,m;(二)通过GRNN估计缺失数据的残差序列,实现方法包括:将已观测数据对应的时间Tobs作为输入,通过趋势模型计算已观测数据的趋势序列Qobs=(qobs_1,qobs_2,
…
,qobs_n),并用已观测退化数据的真实值Yobs减去已观测数据的趋势序列Qobs,得到已观测退化数据的残差序列Eobs=(eobs_1,eobs_2,
…
,eobs_n):e
obs_i
=y
obs_i
‑
q
obs_i
,i=1,2,
···
,n;将已观测退化数据的残差序列Eobs作为输出向量,相应的时间Tobs作为输入向量,训练并建立GRNN神经网络;通过训练好的GRNN神经网络估计缺失数据的残差序列,将缺失数据对应的时间Tmis作为输入,通过训练好的GRNN神经网络估计缺失数据的残差序列Emis=(emis_1,emis_2,
…
,emis_m):估计缺失数据残差序列的过程中,不断更新GRNN神经网络的训练数据,将已经估计得到的残差序列值emis_i与对应的时间tmis_i补充到训练数据{Eobs,Tobs}中,通过新训练数据训练得到的GRNN神经网络估计下一个缺失数据的...
【专利技术属性】
技术研发人员:范晔,杨璐,刘宇峰,周洁,德新林,王强,杨学印,
申请(专利权)人:北京强度环境研究所,
类型:发明
国别省市:
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。