基于贝叶斯估计的非完全随机化可靠性试验因子识别方法技术

本申请涉及一种基于贝叶斯估计的非完全随机化可靠性试验因子识别方法，其中，该方法包括：首先，构建威布尔分布的非线性混合模型，并根据非线性混合模型得到威布尔分布下产品寿命数据的似然函数，其中，非线性混合模型包括尺度参数和形状参数、模型系数和随机效应；然后，为非线性混合模型中的模型系数和随机效应设定模糊先验分布；最后，通过贝叶斯对似然函数和模糊先验分布进行整合，得到模型参数的后验分布，通过Gibbs算法计算模型参数的后验估计值和置信区间，并根据模型参数的置信区间识别显著因子。通过本申请，解决了现有技术中可靠性试验非完全随机化设计所造成的显著因子识别不准确的问题，提高了识别显著因子的准确性。确性。确性。

【技术实现步骤摘要】
基于贝叶斯估计的非完全随机化可靠性试验因子识别方法


[0001]本申请涉及试验设计领域，特别是涉及基于贝叶斯估计的非完全随机化可靠性试验因子识别方法。

技术介绍

[0002]随着全球经济市场的发展，低质量的产品越来越不能满足客户多样化的需求。产品质量无疑已成为企业的核心竞争力。可靠性通常被描述为随时间变化的质量。在工业试验中，产品可靠性会受到许多因子的影响。工程师需要识别出显著因子并确定这些因子的最优水平以实现改善可靠性的目的。
[0003]在现有技术中，试验设计(Design ofExperiment)是识别显著因子和确定最优因子水平以提高可靠性的重要工具，其中，完全随机化是试验设计的基本原则之一。然而，在实践中，由于试验工具的选择，可靠性试验通常是非完全随机化的设计，因此在分析可靠性试验时需要考虑随机效应的影响。但是，在现有的因子识别技术中，大都没有考虑随机效应。
[0004]目前针对相关技术中，可靠性试验因子识别时，没有考虑随机效应的问题，尚未提出有效的解决方案。因此，本专利技术提供一种基于贝叶斯估计的非完全随机化可靠性试验因子识别方法来解决此问题。

技术实现思路

[0005]本申请实施例提供了一种基于贝叶斯估计的非完全随机化可靠性试验因子识别方法，有效地解决了相关技术中可靠性试验因子识别时，没有考虑随机效应的问题。
[0006]第一方面，本申请实施例提供了一种基于贝叶斯估计的非完全随机化可靠性试验因子识别方法，所述方法包括：
[0007]构建威布尔分布的非线性混合模型，并根据所述非线性混合模型得到威布尔分布下产品寿命数据的似然函数，其中，所述非线性混合模型包括尺度参数和形状参数、模型系数和随机效应；
[0008]为所述非线性混合模型中的模型系数和随机效应设定模糊先验分布；
[0009]通过贝叶斯对所述似然函数和所述模糊先验分布进行整合，得到模型参数的后验分布，通过Gibbs算法计算模型参数的后验估计值和置信区间，并根据模型参数的置信区间识别显著因子。
[0010]在其中一些实施例中，在构建威布尔分布的非线性混合模型之前，所述方法包括：
[0011]获取产品寿命数据t，设定所述产品寿命数据t服从威布尔分布，即t～dweibull(η，β)，η为尺度参数，β为形状参数，其概率密度函数和累积分布函数分别表示为：
[0012][0013][0014]其中f表示概率密度函数，F表示累积分布函数；
[0015]在其中一些实施例中，构建威布尔分布的非线性混合模型包括：
[0016]分别构建尺度参数和形状参数与试验因子的模型，并将随机效应通过与尺度参数的对数线性关系纳入模型中，得到威布尔分布的非线性混合模型，具体模型如下：
[0017][0018][0019]b
i
～N(0，σ
b2
)，i＝1，2，...，m
[0020]其中，p表示试验因子个数，表示协变量，α＝(α0，α1，...，α
p
)
T
和γ＝(γ0，γ1，...，γ
p
)
T
分别是模型系数，假设试验有m个处理组合，则b
i
表示第i个处理组合下的随机效应，并假设每个随机效应独立且同分布，即服从均值为0，方差为σ
b2
的正态分布。
[0021]在其中一些实施例中，为所述非线性混合模型中的模型系数和随机效应设定模糊先验分布包括：
[0022]为所述模型系数设定正态分布，为所述随机效应设定GAMMA分布。
[0023]在其中一些实施例中，根据模型参数的置信区间判断显著因子包括：
[0024]若模型参数的置信区间中不包含0，则所述模型参数所对应的因子为显著因子，否则，为不显著因子。
[0025]在其中一些实施例中，在根据模型参数的置信区间判断得到显著因子后，所述方法还包括：
[0026]根据识别得到的显著因子，分别确定尺度参数和形状参数的回归模型。
[0027]第二方面，本申请实施例提供了一种基于贝叶斯估计的非完全随机化可靠性试验因子识别系统，所述系统包括：
[0028]构建模块，用于构建威布尔分布的非线性混合模型，并根据所述非线性混合模型得到威布尔分布下产品寿命数据的似然函数，其中，所述非线性混合模型包括尺度参数和形状参数、模型系数和随机效应；
[0029]设定模块，用于为所述非线性混合模型中的模型系数和随机效应设定模糊先验分布；
[0030]整合识别模块，用于通过贝叶斯对所述似然函数和所述模糊先验分布进行整合，得到模型参数的后验分布，通过Gibbs算法计算模型参数的后验估计值和置信区间，并根据模型参数的置信区间识别显著因子。
[0031]在其中一些实施例中，所述系统还包括获取模块，在构建威布尔分布的非线性混合模型之前，
[0032]所述获取模块，用于获取产品寿命数据，设定所述产品寿命数据服从威布尔分布。
[0033]第三方面，本申请实施例提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的方法。
[0034]第四方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该程序被
等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指大于或者等于两个。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
[0046]本实施例提供了一种基于贝叶斯估计的非完全随机化可靠性试验因子识别方法，图1是根据本申请实施例的基于贝叶斯估计的非完全随机化可靠性试验因子识别方法的流程图，如图1所示，该流程包括如下步骤：
[0047]步骤S101，构建威布尔分布的非线性混合模型，并根据非线性混合模型得到威布尔分布下产品寿命数据的似然函数，其中，非线性混合模型包括尺度参数和形状参数、模型系数和随机效应。
[0048]在一实施例中，构建威布尔分布的非线性混合模型包括：
[0049]获取产品寿命数据t，设定产品寿命数据t服从威布尔分布，即t～dweibull(η，β)，η为尺度参数，β为形状参数，其概率密度函数和累积分布函数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于贝叶斯估计的非完全随机化可靠性试验因子识别方法，其特征在于，所述方法包括：构建威布尔分布的非线性混合模型，并根据所述非线性混合模型得到威布尔分布下产品寿命数据的似然函数，其中，所述非线性混合模型包括尺度参数和形状参数、模型系数和随机效应；为所述非线性混合模型中的模型系数和随机效应设定模糊先验分布；通过贝叶斯对所述似然函数和所述模糊先验分布进行整合，得到模型参数的后验分布，通过Gibbs算法计算模型参数的后验估计值和置信区间，并根据模型参数的置信区间识别显著因子。2.根据权利要求1所述的方法，其特征在于，在构建威布尔分布的非线性混合模型之前，所述方法包括：获取产品寿命数据t，设定所述产品寿命数据t服从威布尔分布，即t～dweibull(η,β),其概率密度函数和累积分布函数分别表示为：其概率密度函数和累积分布函数分别表示为：其中η为尺度参数，β为形状参数，f表示概率密度函数，F表示累积分布函数。3.根据权利要求1所述的方法，其特征在于，构建威布尔分布的非线性混合模型，所述方法包括：分别构建尺度参数和形状参数与试验因子的模型，并将随机效应通过与尺度参数的对数线性关系纳入模型中，得到威布尔分布的非线性混合模型，具体模型如下：数线性关系纳入模型中，得到威布尔分布的非线性混合模型，具体模型如下：b
i
～N(0,σ
b2
),i＝1,2,
…
,m其中，p表示试验因子个数，表示协变量，α＝(α0,α1,
…
,α
p
)
T
和γ＝(γ0,γ1,
…
,γ
p
)
T
分别是模型系数，假设试验有m个处理组合，则b
i
表示第i个处理组合下的随机效应，并假...

【专利技术属性】
技术研发人员：吕珊珊，赵伊晨，程聪，李森，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：