一种基于混合专家网络的产品可靠性评估方法技术

本发明专利技术涉及一种基于混合专家网络的产品可靠性评估方法，属于数据处理技术领域。本发明专利技术采用分层的混合专家网络，该分层混合专家网络结构为一棵完全二叉树结构，包括多层专家系统和多层门网。其中底层专家系统即叶子节点，是步骤二得到的n个底层拟合模型。每两层相邻专家系统之间有一层门网。非叶子节点为其下一层专家系统中的两个子节点的输出分别乘以对应的门网输出参数后相加得到。混合专家网络根节点的输出为最终产品可靠性评估结果。本方法可以剔除人为选择模型的过程，减少了人工干预，提高了自动化过程。拓展了退化数据分析方法的适用范围，增加了该方法的可用性。

【技术实现步骤摘要】
【专利摘要】本专利技术涉及，属于数据处理
。本专利技术采用分层的混合专家网络，该分层混合专家网络结构为一棵完全二叉树结构，包括多层专家系统和多层门网。其中底层专家系统即叶子节点，是步骤二得到的n个底层拟合模型。每两层相邻专家系统之间有一层门网。非叶子节点为其下一层专家系统中的两个子节点的输出分别乘以对应的门网输出参数后相加得到。混合专家网络根节点的输出为最终产品可靠性评估结果。本方法可以剔除人为选择模型的过程，减少了人工干预，提高了自动化过程。拓展了退化数据分析方法的适用范围，增加了该方法的可用性。【专利说明】
本专利技术涉及，属于数据处理
。
技术介绍
工业产品会随着它的使用，其性能参数会呈现一种递增或递减的变化，而当这种变化达到一定的程度时，产品就会失效。基于以上的特点，近年来人们发现，使用性能退化数据来做产品的可靠性评估相对于失效时间来说，是一个更有效的方式。由此一些退化数据分析方法被提出，而其中应用较多也是较为方便的一种方法是退化轨迹分析方法。在此方面国内外科学家提出了很多方法，其中有:邓爱民等采用线性模型对GaAs激光器工作电流的退化数据进行了可靠性分析(邓爱民，陈循，张春华，汪亚顺.基于性能退化数据的可靠性评估)、陈振珩也提到了退化轨迹的常用模型(陈振珩，刘雨时.基于性能退化数据可靠性评定的常用模型研究)、钟强晖等提出使用模型选择的方法(钟强晖，张志华，王磊.考虑模型选择的退化数据分析方法)等。然而退化轨迹分析方法由于要先选用适当的退化轨迹模型，导致其应用面受到很大的限制，并且基于模型选择的方法，由于受限于模型的种类，因此也有较大的限制。为了更好地解决基于退化轨迹的退化数据分析方法所带来的局限性问题，提高退化数据分析以及可靠性评估方法的泛化能力以及适用性，本专利技术考虑。混合专家网络是一种人工神经网络与专家网络的结合，也是一种智能计算模型，它由多个专家网络和一个门网组成，采用一种分而治之的思想，将一个复杂的问题划分为一些小的子集，再通过门网控制，使得每一个专家网络能够更好地反映这些子集的特征，最后将这些子集的结果组合起来，得到最后的输出。它可以对底层多个模型进行信息的组合或选择等，提高了对退化数据分析的适用性与泛化性。
技术实现思路
本专利技术的目的是为了更好地解决基于退化轨迹的退化数据分析方法所带来的局限性问题，提供一种适用范围更广，应用性更强的基于产品退化轨迹的产品可靠性评估方法，该方法能自适应的选择和混合已有模型，提高性能退化数据分析的泛化能力。，包括以下步骤:步骤一、对性能退化数据做相应的归一化处理。为便于数据分析和可靠性评估，对性能退化数据进行归一化处理，将性能退化数据的时间和退化量统一到同一数量级上。输入的性能退化数据为包含时间和退化量的二维数据组(tk，Xk)，输入数据总数为m。对时间和退化量的归一化规则为:t1 k=tk / max (t)x' k=xk / max(X)其中tk为第k个数据对应的输入时刻，t' k为第k个数据输入时刻的归一化结果;k=l,2, --?，m ;m为输入的数据总数,max(t)为输入时刻tk的最大值。Xk为第k个数据输入时刻的退化量，max(X)为所有退化量中的最大值，X' k为第k个数据输入时刻的归一化退化量。步骤二、应用归一化处理后的数据对产品退化轨迹数据模型进行模型拟合。将步骤一归一化得到的数据输入产品退化轨迹所涉及的n个数据模型，根据输出数据，推导出模型参数，代入模型，得到n个底层拟合模型。 常用的底层拟合模型有线性模型，幂模型，指数模型和二项式模型。由混合专家网络选择与融合应用的拟合模型，拟合效果由选用的拟合模型决定。 步骤三、将步骤一得到的归一化数据输入步骤二得到的底层拟合模型，计算得到拟合结果。将拟合结果和真实测量数据作为训练数据，根据贝叶斯概率理论以及期望最大化方法调整门网内部参数，进而调整门网针对输入数据的输出参数。本专利技术采用分层的混合专家网络，该分层混合专家网络结构为一棵完全二叉树结构，包括多层专家系统和多层门网。其中底层专家系统即叶子节点，是步骤二得到的n个底层拟合模型。每两层相邻专家系统之间有一层门网。非叶子节点为其下一层专家系统中的两个子节点的输出分别乘以对应的门网输出参数后相加得到。混合专家网络根节点的输出为最终产品可靠性评估结果。门网参数的具体训练方法为:步骤3.1，训练数据分别输入到各个底层拟合模型以及各个底层门网中，计算模型输出以及门网输出参数。二叉树型的分层混合专家网络叶子节点数为n(n为2的幂级数)，共有log【+l层。i表示该混合专家网络的层级，最上层为根节点层，不参与参数训练过程，训练过程中的层级最大值为1s则i的取值范围为，叶子节点层为第I层，每层的节点总数为n / 2i_1个。j表示第i层的节点计数。当层级i=l时，对于底层专家系统的第j个拟合模型，输入归一化退化量XS对应的拟合退化时间为最后计算输出结果U 1Jk:【权利要求】1.，其特征在于:包括以下步骤:步骤一、对性能退化数据做相应的归一化处理，将性能退化数据的时间和退化量统一到同一数量级上； 输入的性能退化数据为包含时间和退化量的二维数据组(tk，Xk)，输入数据总数为m;对时间和退化量的归一化规则为:t' k=tk / max(t)x' k=xk / max (X) 其中tk为第k个数据对应的输入时刻，t' k为第k个数据输入时刻的归一化结果；k=l,2,…，m ;m为输入的数据总数,max(t)为输入时刻tk的最大值；xk为第k个数据输入时刻的退化量，max(x)为所有退化量中的最大值，X' k为第k个数据输入时刻的归一化退化量； 步骤二、应用归一化处理后的数据对产品退化轨迹数据模型进行模型拟合； 将步骤一归一化得到的数据输入产品退化轨迹所涉及的n个数据模型，根据输出数据，推导出模型参数，代入模型，得到n个底层拟合模型； 步骤三、将步骤一得到的归一化数据输入步骤二得到的底层拟合模型，计算得到拟合结果；将拟合结果和真实测量数据作为训练数据，根据贝叶斯概率理论以及期望最大化方法调整门网内部参数，进而调整门网针对输入数据的输出参数； 本专利技术采用分层的混合专家网络，该分层混合专家网络结构为一棵完全二叉树结构，包括多层专家系统和多层门网；其中底层专家系统即叶子节点，是步骤二得到的n个底层拟合模型；每两层相邻专家系统之间有一层门网；非叶子节点为其下一层专家系统中的两个子节点的输出分别乘以对应的门网输出参数后相加得到；混合专家网络根节点的输出为最终产品可靠性评估结果； 门网参数的具体训练方法为: 步骤3.1，训练数据分别输入到各个底层拟合模型以及各个底层门网中，计算模型输出以及门网输出参数；二叉树型的分层混合专家网络叶子节点数为n，n为2的幂级数，共有log〗+l层；i表示该混合专家网络的层级，最上层为根节点层，训练过程中的层级最大值为1gPi的取值范围为，叶子节点层为第I层，每层的节点总数为n / 2H个；j表示第i层的节点计数；当层级i=l时，对于底层专家系统的第j个拟合模型，输入归一化退化量X' k对应的拟合退化时间为最后计算输出结果U 1Jk: "I Jk ~ J\ f (xZc ) 上式中/；?.)为本文档来自技高网...

【技术保护点】
一种基于混合专家网络的产品可靠性评估方法，其特征在于：包括以下步骤：步骤一、对性能退化数据做相应的归一化处理，将性能退化数据的时间和退化量统一到同一数量级上；输入的性能退化数据为包含时间和退化量的二维数据组(tk，xk)，输入数据总数为m；对时间和退化量的归一化规则为：t′k=tk／max(t)x′k=xk／max(x)其中tk为第k个数据对应的输入时刻，t′k为第k个数据输入时刻的归一化结果；k=1，2，…，m；m为输入的数据总数，max(t)为输入时刻tk的最大值；xk为第k个数据输入时刻的退化量，max(x)为所有退化量中的最大值，x′k为第k个数据输入时刻的归一化退化量；步骤二、应用归一化处理后的数据对产品退化轨迹数据模型进行模型拟合；将步骤一归一化得到的数据输入产品退化轨迹所涉及的n个数据模型，根据输出数据，推导出模型参数，代入模型，得到n个底层拟合模型；步骤三、将步骤一得到的归一化数据输入步骤二得到的底层拟合模型，计算得到拟合结果；将拟合结果和真实测量数据作为训练数据，根据贝叶斯概率理论以及期望最大化方法调整门网内部参数，进而调整门网针对输入数据的输出参数；本专利技术采用分层的混合专家网络，该分层混合专家网络结构为一棵完全二叉树结构，包括多层专家系统和多层门网；其中底层专家系统即叶子节点，是步骤二得到的n个底层拟合模型；每两层相邻专家系统之间有一层门网；非叶子节点为其下一层专家系统中的两个子节点的输出分别乘以对应的门网输出参数后相加得到；混合专家网络根节点的输出为最终产品可靠性评估结果；门网参数的具体训练方法为：步骤3.1，训练数据分别输入到各个底层拟合模型以及各个底层门网中，计算模型输出以及门网输出参数；二叉树型的分层混合专家网络叶子节点数为n，n为2的幂级数，共有层；i表示该混合专家网络的层级，最上层为根节点层，训练过程中的层级最大值为i的取值范围为叶子节点层 为第1层，每层的节点总数为n／2i?1个；j表示第i层的节点计数；当层级i=1时，对于底层专家系统的第j个拟合模型，输入归一化退化量x′k对应的拟合退化时间为最后计算输出结果μ1jk：μ1jk=f1j-1(xk′)上式中为步骤二中训练的第j个底层拟合模型的反函数；步骤3.2，计算以第j个底层拟合模型的失效时间为均值的正态分布Pjk：Pjk=αexp(?(t′k?μ1jk)2)上式中α为常数，μ1jk为第j个底层拟合模型的输出结果，t′k为实际第k个数据输入时刻的归一化数；步骤3.3，计算分层结构中第i层门网的输出参数为：当j为奇数时，gijk=evijTxk′evijTxk′+evij+1Txk′当j为偶数时，gijk=evijTxk′evij-1Txk′+evijTxk′上式中x′k为输入退化量，cij为底层门网参数向量，初始值为1，且有二叉树计数规则1hijk=PijkgijkPijkgijk+Pij+1kgij+1kj为偶数时，hijk=PijkgijkPijkgijk+Pij-1kgij-1k上两式中，当i=1时，Pijk为上述的第j个底层模型失效为均值的正态分布为Pjk，当i>1时，Pijk如下式所示：Pijk＝P(i?1)(2j?1)kg(i?1)(2j?i)k+P(i?1)(2j)kg(i?1)(2j)k步骤3.5，采用期望最大化算法，计算用于调节门网参数的调节参数为：Sijk=λ-1Sij(-1)-λ-1Sij(k-1)xk′xk′TSij(k-1)λ[hijk]-1+xk′TSij(k-1)xk′,k>=2上式中λ为衰减因子是一个常数，当k=1时，Sijk=1；当i取最大值时，即时，hijk＝1；步骤3.6，最后调整门网内部参数的调整公式为：vij(k+1)=vijk+Sijkh(i+1)((j+1)／2)k(1nhijk?gijkμijk)xk上式中vijk为第i层的第(j+1)／2个门网的内部参数；h(i+1)((j+1)／2)k为hijk对应节点的父节点的后验概率；当最上层时，公式中的h(i+1)((j+1)／2)k=1；步骤3.7，迭代步骤3.3至步骤3.6，直到得到满足收敛门限，得到各个门网内部参数；步骤四、根据步骤三训练好的门网和基础模型以及失效阈值计算伪失效寿命；伪失效寿命计算步骤如下：步骤4.1，用户输入失效阈值xth，归一化后，带入底层专家系统...

【技术特征摘要】

【专利技术属性】
技术研发人员：郭平，王坦，赵金静，张文耀，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：