申请/专利权人：大连理工大学

申请日：2021-12-14

公开（公告）日：2024-04-16

公开（公告）号：CN114169107B

主分类号：G06F30/17

分类号：G06F30/17;G06F30/27;G06F18/2135;G06F111/04;G06F111/08;G06F119/02

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2022.03.29#实质审查的生效;2022.03.11#公开

摘要：本发明涉及计算机领域中剩余寿命的预测，涉及一种基于随机停滞非线性退化模型的寿命预测算法。本发明使用隐状态来表示各个阶段的设备的状况，各个隐状态的值只与参数λ有关，可以简化对状态的推测的计算量，对预处理的数据进行归一化后可以避免实际数据过大或者过小导致的数据操作的难度。多次迭代求解与真实情况误差最小的参数进而获得隐状态序列，可以很好的提高预测的精确程度。本专利的数据背景是用于处理具有随机停滞状态的数据集，由于基于机器学习的方法需要对大量的过往数据进行总结才能得出模型，因此基于概率的方法可以很好的弥补对于小规模数据的预测，但基于概率的其他方法在处理具有随机停滞的数据集时效果有一定的限制。

主权项：1.一种基于随机停滞非线性退化模型的寿命预测算法，其特征在于，包括以下步骤：步骤1：对已有的数据进行数据预处理；步骤1-1：计算初始正常序列的均值υ，方差以及最大值U0；步骤1-2：随着新的数据的到来，算法迭代求解序列的最大值、方差和均值，直到出现当前数据与之前序列中末尾两个数据连续超出退化阈值时，从正常运行过程进入退化过程，如果退化值超过退化阈值则判定其失效；步骤1-3：对退化数据进行单调非减处理，并将数据进行归一化处理，以待后续的使用；步骤2：剩余寿命模型的参数进行初始化；步骤2-1：初始化预测模型的参数，初始化参数隐状态个数K以及隐状态初始序列zλ＝z0,z1,...,zK；步骤2-2：将时间-隐状态矩阵进行初始化；步骤3：求解在参数λ下的Viterbi算法；步骤3-1：将初始化好的时间-隐状态矩阵传入当前算法，并对该矩阵的值进行更新；步骤3-2：生成当前时刻下的最优隐状态下标序列，并将当前时刻生成的最优隐状态下标序列以及当前时刻最优时间-隐状态矩阵进行返回；步骤4：状态路径迭代进行剩余寿命预测；步骤4-1：传入t时刻实时数据，以及初始化好的参数步骤4-2：迭代执行步骤3，更新矩阵以及隐状态下标序列，并且进行参数λ的更新；步骤4-3：判断当前时刻的ω值与上一次的ω的差值的绝对值的关系，如果依然大于阈值ε，则继续进行迭代并使用新的参数对时间-隐状态矩阵以及隐状态下标序列进行更新，否则返回剩余寿命的预测结果。

全文数据：

权利要求：

百度查询： 大连理工大学 一种基于随机停滞非线性退化模型的寿命预测算法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD