[发明专利]一种预测机器损坏时间的生存分析方法

说明书

一种预测机器损坏时间的生存分析方法，把预测机器损坏时间的生存分析问题拆解成分时间片的子问题，将整个时间长度上的时间序列预测问题分解之后大大降低了问题使用神经网络建模长时间序列预测问题的难度，通过使用相同的神经网络来建模每个时间片的风险概率，通过条件概率法则得到最终的生存概率。在不对机器的损坏时间在时间上的分布进行任何假设的前提下，可以结合大数据训练出预测模型。不仅仅可以用在离散时间片的生存概率预测上，在连续时间的生存概率预测上也可以发挥作用。实验证明，通过深度神经网络来训练生存分析模型预测准确率远超传统方法。并且通过并行计算，本算法可以在不增加运算时间的情况下进行长距离的生存概率预测。

技术领域

本发明涉及工程领域中对于机器设备损坏时间的建模，特别是使用生存分析方法对该问题进行建模和研究。

背景技术

在工程领域，生存分析常常被用来预测机器的损坏时间。生存分析是研究生存现象和响应事件数据及其统计规律的一门学科。该学科在医学、生物学、金融学等领域应用相当广泛的统计学分支。

传统的生存分析方法往往需要对数据分布有一个非常强的假设。比如常用的参数回归，使用这种方法的时候我们要先选择一个分布，然后通过数据去拟合分布方程中的参数。还有一类Cox方法的半参数化方法，这种方法假设数据是等比例风险分布的，也就是不同的实例所属的分布之间是相同的分布只是有一些比例的区别。最近提出了一些使用深度学习来建模生存分析问题的方法，但是这些方法只关注了在使用离散时间模型的情况下如何建模而忽略了在连续时间模型下如何使用深度学习方法进行建模。

一、分析近期关于生存分析的专利技术

1.申请号为CN111312393A的中国发明专利《一种结合主动学习的时序深度生存分析系统》提出了一种结合主动学习的生存分析系统，该方法主要针对离散时域，并不适用于连续时域。

2.申请号为CN111243738A的中国发明专利《生存分析模型的构建、生存率的预测方法、装置及设备》提出了一种生存分析的模型，但是该方法无法针对单个病人的独特特征进行建模，只能进行粗粒度的建模

二、分析近期对于生存分析的研究

1.Kan Ren等在Association for the Advancement of ArtificialIntelligence(人工智能促进协会)第三十三届会议上发表的Deep Recurrent SurvivalAnalysis《深度循环生存分析神经网络》,该文将生存分析问题用一个循环神经网络来处理，其不足之处在于结果输出时延过长。

2.Changhee Lee等在Association for the Advancement of ArtificialIntelligence(人工智能促进协会)第三十二届会议上发表的DeepHit:A Deep LearningApproach to Survival Analysis With Competing Risks《深度竞争风险生存分析神经网络》,该文将生存分析问题用一个神经网络来建模，其不足之处在于无法完整使用数据中的信息。

对于国内外相关专利分析以及相关研究可以得出以下结论：目前在生存分析预测领域没有同时适用于连续时间域和离散时间域的细粒度生存分析预测模型。

因此本应用致力于开发一种可以同时适应于连续时间领和离散时间域的细粒度预测生存分析模型。

发明内容

有鉴于现有技术的上述缺陷，本发明开发一种可以同时适应于连续时间领和离散时间域的细粒度预测生存分析方法。