利用支持向量机融合产品系统及组件级信息的寿命预测方法

摘要

本发明公开了一种利用支持向量机融合产品系统及组件信息的寿命预测方法，包括以下几个步骤：步骤一、搜集系统及组件的退化信息；步骤二、获得系统及组件的逻辑关系模型；步骤三、融合组件信息并获得相应的系统信息；步骤四、系统的寿命预测；本发明能够融合系统级及组件级的性能退化信息，对产品的寿命进行预测；且不需要了解具体的系统及各组件的逻辑、结构关系，融合过程简单有效；同时能够在系统级数据稀缺的情况下，在数据的层面上融合各方面信息，将组件级信息转化为系统级信息。

说明书

技术领域

本发明是一种利用支持向量机等方法手段，对产品系统级及组件级性能退化数据 进行融合，从而在提高预测数据量的基础上实现产品寿命预测的方法，属于寿命与可 靠性评估技术领域。可用于诸如长航时无人机等大型复杂系统的寿命预测。

背景技术

对于长航时无人机等系统级产品而言，由于经费等因素的限制，从系统本身所获 得的与寿命相关的信息相对有限，但在产品结构层面上，其分系统及组件在研制、生 产、使用过程中却产生了大量的可用信息，若能将产品系统级及组件级信息融合利用， 那么会对产品的寿命预测带来较大的帮助。

在实现系统及组件性能退化数据的融合预测方面，通常组件的研发会早于系统， 在组件的研究过程中会积累一定量的组件性能退化数据。而组件的性能参数往往同系 统性能参数密切相关，在系统性能数据稀缺的情况下，若能将这些组件性能数据融合 为系统性能数据，扩充系统性能数据的数据量，对系统寿命的预测无疑会产生积极的 作用。而传统的基于故障树的融合方法是基于组件分布仿真而开展的，属于决策层融 合，且其输出为寿命数据，而非退化数据；另一方面对于某些复杂的系统而言，有时 故障树的方法难以描述和确定各组件与系统间的逻辑关系；通过对上述问题进行分 析，可知解决问题的关键在于找到合适的逻辑关系建模方法，且这种方法需满足：1) 基于退化数据；2)通过输入、输出的数据来确定逻辑关系。而机器学习的方法恰好 可以满足上述需求，机器学习的目的是根据给定的训练样本获得对某系统输入/输出 之间依赖关系的估计，使它能够对未知输出做出尽可能准确的预测。

而在各机器学习方法中，支持向量机(Support Vector Machine,SVM)是一种有 效的方法。它是上世纪九十年代由Vladimir N.Vapnik教授领导的研究小组提出的一 种新的智能学习机器。它是以统计学习理论的VC维理论和结构风险最小化原则为基 础，能够根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中，以期获 得最佳的推广(泛化)能力，避免了局部最优解，在解决小样本、非线性及高维模式 识别问题中表现出特有的优势，并能够应用推广到函数拟合等其他机器学习中。同时， 它在拟合模型方面要优于使用较为广泛的人工神经网络方法。

因此本发明采用支持向量机的方法，实现组件及系统性能退化信息的数据层融 合，以此完成对产品寿命的融合预测。

发明内容

本发明的目的是为了解决上述问题，提出一种在系统级性能退化数据较少、而组 件级性能退化数据较为丰富的情况下，利用支持向量机等手段将系统级及组件级信息 融合，以此来扩充系统信息的数据量，进而对系统寿命进行预测的方法。从而解决了 产品系统级性能退化数据较少、而组件级性能退化数据较丰富情况下的寿命预测问 题。

本发明的具体步骤为：

步骤一、搜集系统及组件的退化信息；

步骤二、获得系统及组件的逻辑关系模型；

步骤三、融合组件信息并获得相应的系统信息；

步骤四、系统的寿命预测；

本发明的优点在于：

(1)本发明能够融合系统级及组件级的性能退化信息，对产品的寿命进行预测；

(2)本发明不需要了解具体的系统及各组件的逻辑、结构关系，融合过程简单 有效；

(3)本发明能够在系统级数据稀缺的情况下，在数据的层面上融合各方面信息， 将组件级信息转化为系统级信息。

附图说明

图1是本发明的流程图；

图2是支持向量机的模型训练流程图；

图3基于SVM的数据融合过程；

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

本发明是一种综合利用组件及系统性能退化信息对产品寿命进行预测的方法，在 满足以下适用范围时使用：

1.组件及系统信息皆为退化信息；

2.系统及组件具有部分同步的信息；

3.系统同各组件的逻辑关系不改变。

方法的流程图如图1所示，包括以下几个步骤：。

步骤一、搜集系统及组件的退化信息

搜集系统及组件的退化信息，搜集的数据形式为系统及其各组件的性能退化数 据，其中一部分数据应为系统及各组件在时间上同步的性能退化数据(组件退化信息 Y_z，系统退化信息Y_s)，还有另一部分比例较大的各组件的性能退化数据Y_Z′。

其中，同步的性能退化数据是指在同一时间序列T＝(t₁,t₂,...,t_n)下，所同时获取 的系统退化信息Y_s＝(y_s1,y_s2,...,y_sn)，以及组件退化信息(若系统主要由m个组件 组成)：

$Y_Z=\left(\begin{array}{c}{y}_{Z11},y_{Z12},...,y_{Z1n}\\ .\\ .\\ .\\ y_{\mathrm{Zi}1},y_{\mathrm{Zi}2},...,y_{\mathrm{Zin}}\\ .\\ .\\ .\\ y_{\mathrm{Zm}1,}{y}_{\mathrm{Zm}2,...,}{y}_{\mathrm{Zmn}}\end{array}\right)$

步骤二、获得系统及组件的逻辑关系模型

将同系统信息同步的组件退化信息Y_z作为输入、系统退化信息Y_s作为输出，采用 支持向量机的方法对它们之间的关系进行学习建模，并得到一个能够表达它们间逻辑 关系的模型。支持向量机的学习建模过程采用matlab中的支持向量机工具包来实现。

将Y_Z作为智能学习的输入向量，将Y_s作为目标向量，对输入向量、目标向量进 行归一化处理，便可对模型进行训练。其中支持向量机的模型训练如图2所示。

通过训练所获得的SVM模型Φ_SVM即是组件与系统间的关系模型，它刻画了组件 退化信息同系统退化信息间的逻辑关系。

步骤三、融合组件信息并获得相应的系统信息

将搜集得到的没有对应系统信息的组件退化信息Y_Z′作为输入，输入到步骤二所 构造的表征系统和组件逻辑关系的SVM模型Φ_SVM中，将组件退化信息融合为对应的 系统退化信息Y_s′。若组件退化信息矩阵Y_Z′为：

$Y_Z^{\text{'}}=\left(\begin{array}{cccc}{y}_{Z11}^{\text{'}}& y_{Z12}^{\text{'}}& ...& y_{Z1l}^{\prime }\\ y_{Z21}^{\text{'}}& y_{Z22}^{\text{'}}& ...& y_{Z2l}^{\text{'}}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ y_{\mathrm{Zm}1}^{\text{'}}& y_{\mathrm{Zm}2}^{\text{'}}& ...& y_{\mathrm{Zml}}^{\text{'}}\end{array}\right)$

将Y_Z′作为SVM模型Φ_SVM的输入量，那么便可得到目标向量Y_s′，Y_s′就是融合得 到的系统退化数据，其过程如图3所示。

步骤四、系统的寿命预测

利用组件信息融合所得到的系统退化信息Y_s′，结合相应的基于性能退化数据的 寿命预测模型，预测得到系统的寿命指标。

通常系统寿命预测模型的形式为：

τ＝L(θ|Y)                  (1)

其中τ为产品的寿命，θ为模型的参数向量，Y为系统退化信息。

因此，结合模型(1)，通过系统退化数据Y_s′，求得θ的值。从而得到寿命预测模 型的具体形式，进而实现了产品的寿命预测。

实施例：

已知某系统由两个组件(组件1和组件2)组成，系统及组件的寿命情况均可通 过其性能退化数据体现，但组件同系统的逻辑关系未知。由于系统的信息较为稀缺， 而组件的信息较为丰富，因此采用本专利的方法将系统与组件信息融合，对系统的寿 命进行预测。

步骤一、搜集系统及组件的退化信息

首先搜集系统及组件在使用条件下(25℃)的同步性能退化信息，已知系统进行 了t＝500小时的试验，测试间隔为1小时，因此测得相应500组的系统同步数据：

Y_s＝(τ₁,...,τ₅₀₀)，

以及组件1和组件2的数据：

$Y_Z=\left(\begin{array}{c}{Y}_{Z1}=(C_1,...,C_{500})\\ Y_{Z2}=(L_1,...,L_{500})\end{array}\right)$

同时搜集各组件在25℃下的5000小时的性能退化数据Y_Z′，测试间隔为1小时， 因此测得相应5000组的组件数据：

$Y_Z^{\text{'}}=\left(\begin{array}{c}{Y}_{Z1}^{\text{'}}=(C_1,...,C_{5000})\\ Y_{Z2}^{\text{'}}=(L_1,...,L_{5000})\end{array}\right)$

步骤二、获得系统及组件的逻辑关系模型

将Y_Z作为支持向量机的输入向量，将Y_s作为目标向量，对输入向量、目标向量 进行归一化处理，若系统性能参数上限值为600，组件一的性能参数上限值为600， 组件二的性能参数上限值为60，那么：

Y_SG＝Y_s/600，Y_Z1G＝Y_Z1/600，Y_Z2G＝Y_Z2/60。

将归一化后的输入向量Y_Z1G、Y_Z1G和目标向量Y_SG用于支持向量机的训练，进而 得到训练后的支持向量机Φ_SVM。

步骤三、融合组件信息并获得相应的系统信息

将5000组的组件数据Y_Z′输入到所构建的系统及组件性能参数逻辑关系模型 Φ_SVM中来，输出得到相应的5000组系统的性能退化数据：

Y_s′＝(τ₁,...,τ₅₀₀₀)

步骤四、系统的寿命预测

利用组件信息融合所得到的系统退化信息Y_s′，结合漂移布朗运动的性能退化模 型，对系统的寿命进行预测，预测得到系统在使用条件下(25℃)的可靠性寿命(可 靠度为0.9)为20000小时。