[发明专利]一种基于IAALO-SVM与相似性度量的故障预测方法

说明书

本发明公开一种基于IAALO‑SVM与相似性度量的故障预测方法，步骤如下：步骤一：选取关键故障器件；步骤二：提取电路系统特征参数；步骤三：训练支持向量机回归模型；步骤四：计算相似性距离；步骤五：进行寿命融合。本发明将实测数据与离线数据相结合，针对时间序列相似性度量方法展开深入研究，有效避免了自适应蚁狮优化支持向量机单步循环迭代方法能够较多步预测实现更长时间内的准确预测，但仍具有随着预测时刻距离初始训练样本越远，预测误差越大，随之计算而出的剩余使用寿命的误差也越大的缺点。同时针对待测序列数据特点，选择动态时间规整方法挖掘待测对象与离线数据的相似度，充分利用了离线数据对待测对象进行故障预测。

技术领域

本发明涉及一种基于IAALO-SVM与相似性度量的故障预测方法，具体是一种基于自适应蚁狮优化的支持向量机(IAALO-SVM)的单步循环迭代故障预测方法，通过对支持向量机中的参数进行优化，从而得出不同条件下电子产品的退化寿命，本发明通过利用模拟电路故障参数离线数据库，将实测数据与离线数据相结合提出基于IAALO-SVM与相似性度量的故障预测新方案。引入时间序列相似性度量方法进行相似数据库的选择，以期根据相似度的大小为故障预测结果进行融合，实现模拟电路的剩余寿命预测，属于系统工程系统可靠性技术领域。

背景技术

支持向量机是近几年发展起来的基于统计学习的机器学习方法。它以统计学习理论为基础，从小样本出发，采用结构风险最小化准则，在最小化样本点误差的同时，考虑模型的结构因素，从根本上提高了泛化能力。目前，它主要应用在模式分类和非线性回归问题中，由于其优越的学习能力，在国内外日益受到广泛的关注，已经在很多领域取得了成功应用。

支持向量机的特有优势通常表现在能够很好地解决非线性小样本的高维识别和回归问题，通过少量的训练样本就能得到较小的误差。支持向量机算法能保证局部最优解一定是全局最优解，受数据维数的影响小，可以将更多的信息作为模型的输入，以提高预测的准确性。

基于自适应蚁狮优化的支持向量机的单步循环迭代故障预测方法(IAALO-SVM)，利用蚁狮优化的支持向量机模型和训练样本，每次只预测下一个时刻的参数值，之后用其替代初始训练样本中最早的真实值，构造新的训练样本，重新训练预测模型，得到下一个时刻的参数值，不断循环迭代，最后得到未来多个时刻的预测值。

自适应蚁狮优化支持向量机单步循环迭代方法虽然能够较多步预测实现更长时间内的准确预测，但仍具有随着预测时刻距离初始训练样本越远，预测误差越大，随之计算而出的剩余使用寿命的误差也越大的缺点。

发明内容

本发明的目的是提出了一种基于IAALO-SVM与相似性度量的故障预测方法，如图1所示，由于自适应蚁狮优化的支持向量机的单步循环迭代故障预测方法(IAALO-SVM)，虽然能够较多步预测实现更长时间内的准确预测，但仍具有随着预测时刻距离初始训练样本越远，预测误差越大，随之计算而出的剩余使用寿命的误差也越大的缺点，为了解决这个问题，本发明通过利用模拟电路故障参数离线数据库，将实测数据与离线数据相结合提出基于IAALO-SVM与相似性度量的故障预测新方案，如图2所示。引入时间序列相似性度量方法进行相似数据库的选择，以期根据相似度的大小为故障预测结果进行融合，实现模拟电路的剩余寿命预测。本发明旨在提高实际生产中电子产品寿命的预测准确度，从而实现故障的提前预警，指导生产和设计，提高产品的可靠性。

首先引入几个定义。

定义1：相似性距离：即综合评定两个事物之间相近程度的一种度量。两个事物越接近，它们的相似性度量也就越大，而两个事物越疏远，它们的相似性度量也就越小。

定义2：时间序列：时间序列是指将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列。时间序列法是一种定量预测方法，亦称简单外延方法。