[发明专利]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

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。

主权项

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，其特征在于，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，包括组件退化信息Y_z和系统退化信息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，其中系统主要由m个组件组成：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作为智能学习的输入向量、系统退化信息Y_s作为目标向量，对输入向量、目标向量进行归一化处理，采用支持向量机的方法对它们之间的关系进行学习建模，并通过训练得到一个能够表达它们间逻辑关系的模型，获得的支持向量机模型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各组件的性能退化数据Y_Z′作为支持向量机模型Φ_SVM的输入向量，输入到步骤二所构造的支持向量机模型Φ_SVM中，各组件的性能退化数据Y_Z′表示为：即得到支持向量机模型Φ_SVM的输出：目标向量Y_s′，Y_s′就是融合所得到的系统退化数据，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数据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。