【技术实现步骤摘要】
本专利技术涉及可靠性分析，更具体地说是一种基于多模型的蒙特卡洛模拟数据不确定性评定方法。
技术介绍
1、在重型燃气轮机及联合循环机组中，各测点分布在系统不同的部位，当某一处发生异常时，其影响通过质量流、能量流和控制流传播。部分测点的不确定度将在故障事件传播过程中予以叠加，因此在单个测点不确定度研究的基础上，针对重型燃气轮机及联合循环机组流量、功率、热耗率等测点，研究不确定度的传递效应。
2、虽然gum(guide to the expression of uncertainty in measurement)法在许多情况下是适用的，但是实际机组组成复杂，影响因素众多，同时目前积累的燃气轮机运行数据相对还是贫乏的。因此，将针对小样本测量数据展开不确定研究，拟利用非线性回归、神经网络、支持向量机等技术建立被测量的辨识模型，建立被测量的量与输入量的输入输出关系模型，采用蒙特卡洛法传播，将多种网络得到的结果集成到一起，得到输出量的不确定度。
技术实现思路
1、本专利技术的目的是提供一种基于多模型的蒙特卡洛模拟数据不确定性评定方法，解决复杂非线性系统的输入输出关系的数学模型方案。
2、本专利技术的目的通过以下技术方案来实现：
3、一种基于多模型的蒙特卡洛模拟数据不确定性评定方法，该方法包括以下步骤：
4、s1：对原始数据进行粗误差的过滤；
5、s2：将数据分为输入量和输出量，进行标准化的预处理，建立模型训练数据集和测试数据集；>
6、s3：采用arx(auto-regressive with extra inputs)、svr(support vectorregression)和rbf(radial basis function)三种方法训练回归模型，建立输入值和输出值的数学关系式；并依据训练的r2指标，计算三种回归模型的权重；计算每种方法的权重，为综合这三种方法评估结果做准备；
7、s4：确定输入量的概率分布，选择蒙特卡洛试验次数m；将m个生成的输入量带入三种训练好的回归模型中，计算得到m组输出量；
8、s5：将三种回归模型的权重和输出量相乘并加和，得到基于多模型蒙特卡洛模拟数据不确定性评定；
9、所述蒙特卡洛试验次数m为106；这个量级的模拟下，能够为输出量提供95％的置信区间；
10、所述s1中原始数据为燃机的运行数据，按照如下步骤剔除野值；
11、s11：计算剔除趋势后数据均值及标准差为：
12、
13、s12：计算各个时刻数据的残差，有：
14、
15、s13：将残差逐一与3σ进行比较，若|vi|≥3σ则对用的数据xi为野值，应该予以剔除，或用均值x代替，否则保留该数据；
16、所述s2的具体步骤为：
17、s21：将需要被评定不确定度的量作为输出量，与输出量不确定度相关的作为输入量；
18、s22：将所有的量进行[0,1]标准化处理：
19、
20、s23：将数据随机抽取80％作为训练集，20％作为测试集；
21、所述arx方法训练回归模型的步骤为：
22、步骤1：设定输入、输出信号阶数，确定参数模型矩阵；
23、步骤2：设定输出信号的滞后时间，求得偏自相关系数；
24、步骤3：估计输出值；
25、所述rbf方法训练回归模型的步骤为：
26、步骤1：初始化权重w；
27、步骤2：初始化中心c：
28、
29、其意义在于使较弱的输入信息在较小的中心附近产生较强的响应，并且不失一般性；
30、步骤3：初始化宽度向量d：
31、
32、其意义在于使每个隐含层神经元更容易实现对局部信息的感受能力，有利于提高rbf神经网络的局部相应能力；
33、步骤4：计算隐单元输出值：
34、
35、步骤5：计算输出层：y＝w z；
36、步骤6：利用梯度下降法更新参数：
37、
38、
39、
40、步骤7：通过不断更新参数，来使神经网络估计量和实际值逐渐逼近；
41、所述svr方法训练回归模型的步骤为：
42、步骤1：支持向量机的一般思想通过非线性变换的方法将输入空间变换到一个高维特征空间，并重新求取最优线性分类面，选取高斯径向基核函数作为核函数进行支持向量机运算；
43、高斯核函数：
44、步骤2：设置超参数，支持向量回归中的超参数g越大表示回归函数的软间隔越小，支持向量回归中的超参数c越大表示对错误分类的惩罚越大；g和c是算法中唯一可以调节的参数；
45、步骤3：依据上述的设置，求解最优超平面，通过解的最优超平面，使支持向量回归估计量和实际值逐渐逼近；
46、关于回归效果评价参数的说明，r2—决定系数
47、
48、其中，分子部分表示真实值与预测值的平方差之和，类似于均方差mse；分母部分表示真实值与均值的平方差之和，类似于方差var。根据r-squared的取值，来判断模型的好坏，其取值范围为[0,1]；如果结果是0，说明模型拟合效果很差；如果结果是1，说明模型无错误。一般来说，r-squared越大，表示模型拟合效果越好；
49、通过上述三种回归模型；按照回归决定系数求得不确定度合成的权重
50、
51、所述s4中：将生成的m组输入量分别带入三种训练好的回归模型中，分别得到m组输出量，将这m个输出量按照严格递增的顺序排序，通过排序模型得到输出量的分布函数，进而得到输出量的估计值、标准不确定度以及在给定包含概率95％时被测量的包含区间；
52、所述s5中：将步骤s4中得到的输出量的估计值、标准不确定度以及在给定包含概率95％时被测量的包含区间分别与步骤s3中得到的三种回归模型的权重相乘并加和：
53、将回归的不确定度按权重分配求解得到最终的基于多模型蒙特卡洛模拟数据不确定性评定方法。
54、本专利技术的有益效果为：
55、gum评定中，测量值和不确定来源变量之间有复杂的非线性关系，采用rbf、svr、arx等回归建模方法可以有效的建立测量值和不确定来源变量之间的关系；
56、采用多模型建模的方法，避免了单一模型无法适配所有情况建模，并且对建立的模型准确度进行r2评估，并计算不同建模方法的权重，将多模型结果融合到一起，提升评估结果的可靠性。
本文档来自技高网...【技术保护点】
1.一种基于多模型的蒙特卡洛模拟数据不确定性评定方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于多模型的蒙特卡洛模拟数据不确定性评定方法，其特征在于：所述蒙特卡洛试验次数M为106。
3.根据权利要求1所述的一种基于多模型的蒙特卡洛模拟数据不确定性评定方法，其特征在于：所述S1中原始数据的粗误差过滤包括以下步骤：
4.根据权利要求1所述的一种基于多模型的蒙特卡洛模拟数据不确定性评定方法，其特征在于：所述S2的具体步骤为：
5.根据权利要求1所述的一种基于多模型的蒙特卡洛模拟数据不确定性评定方法，其特征在于：所述ARX方法训练回归模型的步骤为：
6.根据权利要求5所述的一种基于多模型的蒙特卡洛模拟数据不确定性评定方法，其特征在于：所述RBF方法训练回归模型的步骤为：
7.根据权利要求6所述的一种基于多模型的蒙特卡洛模拟数据不确定性评定方法，其特征在于：所述SVR方法训练回归模型的步骤为：
8.根据权利要求7所述的一种基于多模型的蒙特卡洛模拟数据不确定性评定方法，其特征在于：通
9.根据权利要求8所述的一种基于多模型的蒙特卡洛模拟数据不确定性评定方法，其特征在于：所述S4中：将生成的M组输入量分别带入三种训练好的回归模型中，分别得到M组输出量，将这M个输出量按照严格递增的顺序排序，通过排序模型得到输出量的分布函数，进而得到输出量的估计值、标准不确定度以及在给定包含概率95％时被测量的包含区间。
10.根据权利要求9所述的一种基于多模型的蒙特卡洛模拟数据不确定性评定方法，其特征在于：所述S5中：将步骤S4中得到的输出量的估计值、标准不确定度以及在给定包含概率95％时被测量的包含区间分别与步骤S3中得到的三种回归模型的权重相乘并加和：
...【技术特征摘要】
1.一种基于多模型的蒙特卡洛模拟数据不确定性评定方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于多模型的蒙特卡洛模拟数据不确定性评定方法，其特征在于：所述蒙特卡洛试验次数m为106。
3.根据权利要求1所述的一种基于多模型的蒙特卡洛模拟数据不确定性评定方法，其特征在于：所述s1中原始数据的粗误差过滤包括以下步骤：
4.根据权利要求1所述的一种基于多模型的蒙特卡洛模拟数据不确定性评定方法，其特征在于：所述s2的具体步骤为：
5.根据权利要求1所述的一种基于多模型的蒙特卡洛模拟数据不确定性评定方法，其特征在于：所述arx方法训练回归模型的步骤为：
6.根据权利要求5所述的一种基于多模型的蒙特卡洛模拟数据不确定性评定方法，其特征在于：所述rbf方法训练回归模型的步骤为：
7.根据权利要求6所述的一种基于多模型的蒙特卡洛模...
【专利技术属性】
技术研发人员：任得志，曹云鹏，敖冉，李淑英，
申请(专利权)人：哈尔滨工程大学，
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。