CN101894185A - 一种基于动态双极mpnn的小样本数据对象的寿命预测方法 - Google Patents

Abstract

本发明公开了一种基于动态双极MPNN的小样本数据对象的寿命预测方法，属于小样本寿命预测技术领域，该方法通过收集寿命预测对象的所有可用数据并对其进行寿命预测相关数据预处理和数据相关性分析；得到这些寿命影响因素同预测对象寿命表征参数间函数关系。然后数据映射并得到预测对象的当量数据值；通过改进的MPNN网络进行一次MPNN网络的训练及预测和二次MPNN网络的训练及预测；最后根据预测对象寿命表征参数的寿命终止判据确定预测对象的寿命值。本发明在实际预测对象可用数据很少的不利条件下，能充分利用预测对象寿命影响因素数据，实现小样本数据对象的寿命预测；具有较强的的通用性；寿命预测模型能动态调整神经网络，可不断提升寿命预测精度。

Description

一种基于动态双极MPNN的小样本数据对象的寿命预测方法

技术领域

本发明属于小样本寿命预测技术领域，具体地说，是指一种应用于小样本数据对象的寿命预测方法。

背景技术

寿命预测技术涉及到的范围和领域极其广泛，从原材料的疲劳寿命到复杂成型产品寿命，从民用领域到国防领域都需要寿命预测技术。目前，开展寿命预测工作主要有以下三种方法：

a，基于物理模型的寿命预测：该方法基于对研究对象的分析，从而建立反映对象演变过程的物理模型，通过相关数据对模型参数进行调整，最后得到需要的寿命预测模型。该方法主要应用在材料科学领域；

b，基于统计模型假设的寿命预测：此类方法首先假设研究对象寿命服从某种统计分布，之后利用大量已有的寿命数据确定该模型的参数，从而建立研究对象的寿命预测模型；

c，基于寿命影响因素分析训练的寿命预测：此方法主要是通过研究并确定影响预测对象的各寿命影响因素，并借助大量的寿命试验数据建立起影响因素同寿命之间的关系网络，从而建立研究对象的寿命预测模型。

对于上述三种方法，基于物理模型的寿命预测需要深入研究预测对象的内部机理，对于复杂***，建立相应的物理模型的工作量将非常巨大；基于统计模型假设及基于寿命影响因素分析训练的寿命预测则需要大量的对象寿命数据以建立寿命预测模型。考虑到在实际工程应用中，尤其是在航空航天领域，往往会遇到各种客观条件限制，不可能存在大量的用于寿命预测的寿命数据。因而，研究一种针对极少寿命数据，具有小样本数据特点的寿命预测方法对符合此特点的对象来说具有重要的意义。

人工神经网络(Artificial Neural Network，ANN)是一个模拟大脑神经***结构和功能，由大量简单处理单元即神经元广泛连接组成的人工网络。它能从已知数据中自动归纳规则，获得这些数据的内在规律，具有很强的非线性映射能力。人工神经网络具有以下几个突出优点：1.高度的并行性；2.高度的非线性全局作用；3.良好的容错性和联想记忆功能；4.十分强的自适应、自学习功能。

概率神经网络(简称PNN网络)是人工神经网络的一种，概率神经网络模型的拓扑结构如图1所示，概率神经网络为三层结构，分别是输入层、径向基函数层(也叫隐含层)和竞争学习层(也叫输出层)。其中，R代表输入层有R个分量的输入向量，N为输入训练样本向量的个数，y为输入向量，b^[1]为隐含层的阈值向量，K为输出层神经元数(即分类的类别数)，w ^[1]和w ^[2]分别为隐含层和输出层神经元的权重矩阵，n^[1]和n^[2]分别为隐含层和输出层神经元的加权和向量，a^[1]和a^[2]分别为隐含层和输出层神经元的输出向量，其表达式分别为：

a^[1]＝radbas(||w ^[1]-y||·*b^[1])

a^[2]＝compet(w^[2]·a^[1])

PNN网络中径向基函数为：Radbas(u)＝exp(-u²)

该PNN网络的训练和分类过程可表述为：隐含层权重矩阵w ^[1]被置为输入训练样本矩阵Y_(N×R)，输出层权重矩阵w ^[2]被置为训练样本的目标矩阵T_(K×N)。目标矩阵的每一列只有一个1，其余的均为0。当输入所要分类的样本向量X时，隐含层计算输入向量与训练样本之间的距离，并输出归属每一类别的概率密度；输出层的竞争学习激励函数选出对应类别的最大概率密度，并对应产生1，其余类别均为0。

PNN网络具有网络训练速度快、预测精度高、对于新数据无需重复训练等优点，被广泛的用于实际工程项目中，尤其是对于分类问题。然而，对于预测问题，PNN网络显得束手无策，从而更加无法直接利用PNN网络对具有小样本数据特性对象进行寿命预测。

发明内容

在现实的工程实际中很多情况下不可能得到传统寿命预测所需数据。考虑到传统寿命预测技术中需要大量时间序列及寿命数据的特点，对于很难获取数据样本的预测对象，研究在充分利用已有的信息前提下，尽可能准确的预测剩余寿命值是一个极具挑战的课题。本发明针对传统寿命预测技术中存在的不足，综合考虑PNN网络的优缺点，在对PNN网络改进的基础上，构建动态双极MPNN网络模型，提出利用动态双极MPNN方法，实现对具有小样本数据特点的预测对象的寿命预测。在寿命预测的过程中动态的调整整个MPNN网络，确保在整个寿命预测过程，预测精度随着时间的延长及数据量的增加不断提高。

本发明提供的寿命预测方法具体通过如下步骤实现：

步骤一、收集寿命预测对象的所有可用数据；

通过对预测对象及相似产品分析，收集可以利用的所有寿命预测相关数据。

步骤二、寿命预测相关数据预处理；

对步骤一得到的寿命预测数据进行分析和筛选，依据本发明的数据需要提取出可用于动态双极MPNN寿命预测的寿命表征参数及寿命影响因素数据。同时，对筛选出的数据进行奇异值剔除、数据降噪等预处理工作。

步骤三、数据相关性分析；

对步骤二中筛选到的寿命影响因素数据进行相关性分析，从而得到这些寿命影响因素同预测对象寿命表征参数间函数关系。

所述的相关性分析是指通过函数逼近或利用SPSS，实现对不同参数数据的相关性分析，从而得到参数数据间的映射关系。

步骤四、数据映射并得到预测对象的当量数据值；

利用步骤三得到的在各寿命影响因素的作用下，得到的相似产品同预测对象寿命表征参数间的相关关系，以参考的相似产品数据为基础，映射并得到预测对象寿命表征参数的当量数据值。

步骤五、MPNN网络构建；

根据寿命预测需求，对分类PNN网络模型进行改进，并得到预测用MPNN网络模型。

步骤六、一次MPNN网络的建立、训练及预测；

确定一次MPNN输入节点及输出节点数。利用预测对象寿命表征参数及其由步骤四得到的当量数据做差分比例处理，构造一次MPNN的训练样本及测试样本；为了剔除训练样本中的奇异值，加快网络的收敛速度，将由上述构造的输入向量、目标向量进行归一化处理，然后输入一次MPNN网络对其进行训练，从而确定一次MPNN网络参数，并利用训练好的一次MPNN神经网络，对寿命表征参数进行预测。

步骤七、二次MPNN网络的建立、训练及预测；

确定二次MPNN分别确定输入节点数及输出节点数。利用经预处理后预测对象表征寿命参数数据和一次MPNN的预测结果，构造二次MPNN的训练及测试样本，进而开展预测工作，最后根据预测对象寿命表征参数的寿命终止判据确定预测对象的寿命值。

步骤八、动态时间窗调整；

v根据实际对象特点及使用要求，设置相应的动态时间间隔如：一个月、两周、一周等。之后按照设置的时间间隔，重复上述步骤二到步骤七，对双极MPNN网络进行重新训练和预测。

本发明的优点为：

(1)本发明提供的寿命预测方法在实际预测对象可用数据很少的不利条件下，能充分利用预测对象寿命影响因素数据，实现小样本数据对象的寿命预测；

(2)由于本发明是在PNN基础上构建而成的，因此在寿命预测过程中，无需建立寿命影响因素及预测对象寿命表征参数同寿命之间的解析函数关系；

(3)本发明提出的寿命预测方法是针对具有小样本数据特点的一类问题的解决解决方案，具有较强的的通用性；

(4)动态双极MPNN网络是以PNN网络为基础，经改进和构造之后而形成的寿命预测模型，因而，其保留着PNN网络的快速训练及预测的优点；本发明提出的动态双极MPNN方法弥补了传统寿命预测技术存在的问题和不足，从而解决小样本寿命预测问题，进而实现寿命预测技术从理论研究到工程实际应用的一次跨越。

(5)对于具体问题，本发明的寿命预测模型能动态调整神经网络，可不断提升寿命预测精度。

附图说明

图1为现有技术中概率神经网络拓扑结构示意图；

图2为本发明中经改进的概率神经网络拓扑结构示意图；

图3为本发明提供的寿命预测方法的总体流程图；

图4为地面原始数据图；

图5为经异常值处理及降噪后地面数据图；

图6为相关性分析的数据映射图；

图7为一次MPNN预测测试精度曲线图；

图8为一次MPNN寿命预测性能衰退曲线图；

图9为动态双极MPNN用于蓄电池寿命预测效果图。

具体实施方式

下面结合附图和实施例对本发明进行详细说明。

本发明是一种基于动态双极MPNN网络的小样本数据对象的寿命预测方法，所述的寿命预测方法是一种非参数方法，该方法不需要建立寿命影响因素及历史数据同对象寿命之间的参数函数关系，只需对现有PNN网络进行改进后得到MPNN网络，经过对预测对象的分析及预处理工作后，利用处理完的数据构成一次MPNN网络的训练集及预测集，经过训练学习之后，利用一次MPNN网络预测补充历史数据样本，在完成这些工作之后即可以利用二次MPNN网络开展寿命预测工作，最后根据寿命终止判决确定寿命终止时间，进而得到所需要的寿命预测值，图3所示为本发明的寿命预测方法的总体流程图，具体实施步骤如下：

步骤一、收集寿命预测对象的所有可用的寿命预测相关数据；

通过对预测对象及其相似产品分析，收集可以利用的所有寿命预测相关数据。如：对于蓄电池，其可用数据为：温度、充电电流、放电电流、放电电量、负载电流数据、充电电量、剩余电量、电压、充放电比等参数数据；对于太阳电池阵，其可用数据为：温度、方阵电流数据、负载电流数据、功率、母线电压、升压器输出电压等参数数据。

所述的相似产品是指在物理结构、逻辑结构及功能结构上，同预测对象相似或相同的产品。

步骤二、寿命预测相关数据预处理；

对步骤一中得到的寿命预测相关数据进行分析和筛选，提取出预测对象的寿命表征参数和寿命影响因素，并对寿命影响因素进行分类。

所述的预测对象的寿命表征参数(L_index)及参数数据如下：

(1)相似产品寿命表征参数(L_sim)的全寿命数据，即从相似产品开始使用到该相似

产品寿命终结的历史时间序列数据，其时间序列数据可表示为：{L_sim_x1，L_sim_x2，……，L_sim_xend；

(2)预测对象寿命表征参数(L_obj)现有的不完全寿命数据，即从预测对象开始使用到目前为止所有的时间序列数据，其时间序列数据可表示为：L_obj_x1，L_obj_x2，……，L_obj_xnow。

所述的寿命影响因素及寿命影响因素数据可分为以下两类：

(1)时间序列寿命影响因素数据：同预测对象寿命表征参数具有相同时间尺度寿命影响因素数据，这些影响因素数据可表示为P_in1、P_in2、P_in3、……，其中，P_in1可表示为：P_in1_1、P_in1_2、P_in1_3、……、P_in1_i、……、P_in1_now，同理，P_in2、P_in3、……也可以表述为相应的序列形式。所述的寿命影响因素数据包括相似产品寿命影响因素的全寿命数据及预测对象寿命影响因素现有的时间序列数据，且相似产品数据的构成形式及表达方式与预测对象寿命表征参数L_index及寿命影响因素类似；

(2)数据调整寿命影响因素数据：有别于时间序列寿命影响因素数据，此类影响因素数据为有限个数据对，这些数据对是相似产品的历史数据，反应的是相应寿命影响因素参数同寿命之间的对应关系。用于局部调整预测对象寿命表征参数L_index及时间序列P_in_1、P_in2、P_in3、……的数据。如：对于蓄电池寿命预测对象来说，放电深度参数即为此类寿命影响因素，当放电深度为17％时，其对应的寿命值为2万次充放电循环，由此构成一个数据对((17％-20000))。该类寿命影响因素可表示为：P_rel1、P_rel2、P_rel3、……。

在完成寿命影响因素分类后，对上述预测对象的寿命表征参数L_index、寿命影响因素数据P_in1、P_in2、P_in3、……(包括预测对象和相似产品对象数据)进行奇异值剔除、数据降噪预处理，得到经数据预处理的数据L_index_p、P_in1_p、P_in2_p、P_in3_p、……；其中，时间序列L_index_p可表示为L_index_p_1、L_index_p_2、……、L_index_p_now；同理，时间序列P_in1_p、P_in2_p、P_in3_p，……也可以表述为相应的序列形式。在进行寿命预测的过程中，预测对象的寿命影响因素数据及在预测过程中对这些数据的操作，必须同相似产品的寿命影响因素数据及其操作一一对应。

步骤三、数据相关性分析；

考虑相似产品及寿命预测对象的寿命影响因素P_rel1、P_rel2、P_rel3，……，需要通过函数逼近或SPSS(统计产品与服务解决方案——Statistical Product and Service Solutions)等方法对相似产品和预测对象对应的预处理后的参数进行相关性分析，从而得到相似产品和预测对象之间在寿命表征参数上的相关关系。如：对于蓄电池的历史放电深度数据对(相似产品数据(17％-20000，30％-16000，……))，通过这些数据对建立相似产品放电深度同寿命之间的函数关系。利用该函数关系，根据预测对象的实际放电深度(假设为20％)和参考的相似产品实际放电深度(假设放电深度为30％)建立起预测对象寿命同参考的相似产品寿命之间的相关关系(如：线性关系)。

步骤四、数据映射并得到预测对象的当量时间序列数据值；

利用步骤三得到的相似产品和预测对象之间在寿命表征参数上的相关关系，以相似产品数据为基础，映射并得到预测对象寿命表征参数的当量数据值。如：假设预测对象的寿命表征参数时间序列{L_index_pi}中的第m个值L_index_pm通过步骤三得到的相关关系映射到相似产品寿命表征参数{L_sim_pi}中的第n个值L_sim_pn，则L_sim_pn即为L_index_pm的当量数据值。如此，可以得到预测对象寿命表征参数序列{L_index_pi}的所有当量数据值。

步骤五、MPNN网络构建；

作为分类工具，概率神经网络(PNN网络)采用竞争函数(Compet(g))作为网络的输出层的核函数。作为预测工具，则需要把PNN网络输出层核函数更改为数学期望函数(Expect(g))，即将Compet(g)更改为Expect(g)，就使得原来分类工具转换成预测工具，并保留了原有的统计稳定性和训练快速性的特点，由此得到MPNN网络，如图1、图2所示。由贝叶斯理论可知，概率神经网络的输出服从某类统计分布。这样可以接受上述修改，即用数学期望函数取代竞争函数作核函数，从而使概率神经网络的统计工具具有预测功能。如此，MPNN网络的训练和预测过程可表述为：隐含层权重矩阵w ^[1]被置为输入训练样本矩阵Y_(N×R)，输出层权重矩阵w ^[2]被置为训练样本的目标矩阵T_(K×N)。当输入所要分类的样本向量X时，隐含层计算输入向量与训练样本之间的距离，并输出归属每一类别的概率密度；输出层的数学期望函数(Expect(g))根据上层输出的概率密度计算出数学期望值，并把所得到的数学期望值作为MPNN网络的输出。

步骤六、一次MPNN网络的建立、训练及预测；

对由步骤二得到的预测对象寿命表征参数L_index_p值和由步骤四得到的预测对象的当量数据值L_index_p_rel进行差分比例处理，并作为一次MPNN网络输出。对由步骤二得到的相似产品参数P_sim_in1_p、P_sim_in1_p、P_sim_in1_p，……值和预测对象参数P_in1_p、P_in1_p、P_in1_p，……进行差分比例处理，作为一次MPNN网络输入参数，并构造一次MPNN网络的输入向量。至此，构造出一次MPNN网络的输入向量和目标向量；为了实现剔除训练样本中的奇异值，加快网络的收敛速度，将由上述构造的输入向量和目标向量进行归一化处理；然后输入一次MPNN网络对其进行训练；最后，利用训练好的一次MPNN神经网络，对寿命指标参数进行预测。经反归一化后得到一次MPNN的预测值序列L_index_pre1_1，L_index_pre1_2，……，L_index_pre1_end。其中，L_index_pre1_end为一次MPNN预测可得到的最后一个数据反归一化值。

步骤七、二次MPNN网络的建立、训练及预测；

根据预测对象的经验或通过实验验证，确定二次MPNN网络的输入及输出节点数。以经步骤二预处理的预测对象的{L_index_p}值以及由步骤六得到的寿命表征参数时间序列预测值L_index_pre1_1，L_index_pre1_2，……，L_index_pre1_end为数据基础，根据二次MPNN网络的输入及输出节点数构造二次MPNN的输入向量和目标向量，并进行时间序列迭代预测；最后根据寿命指标参数的寿命终止判据确定预测对象的寿命。

步骤八、动态时间窗调整；

在实际工程中，随着时间的推移，预测对象在上述参数上的数据量逐渐增多，新的数据能有效的提升寿命预测精度。根据实际预测对象特点及使用要求，设置相应的动态时间窗值，如：一个月、两周、一周等。之后按照设置的时间窗值，重复上述步骤二到步骤七，对双极MPNN网络进行重新训练和预测，重新确定预测对象的寿命值。

本发明在改进型概率神经网络(MPNN网络)的基础上通过合理的分析和组织网络输入及输出数据，分阶段的分别构建一次改进型概率神经网络(一次MPNN)和二次改进型概率神经网络(二次MPNN)，利用构建的这两个改进型神经网络预测，并得到预测对象的寿命值。另外，本发明可以在给定的时间窗前提下更新寿命预测用数据，并重新训练神经网络，进而得到新数据下的预测对象的寿命值。使用者可以通过寿命预测了解预测对象的剩余使用寿命，从而可以通过配置使用环境来控制预测对象寿命及为后勤管理进行决策提供依据，使得在保证预测对象的最主要的任务得以实施的前提下，最大限度的、可靠的利用和使用预测对象，从而充分发挥预测对象的效能。

实施例

本实施例以我国小卫星蓄电池为预测对象。由于小卫星电源***的寿命相关数据极少，符合本发明所需要解决的小样本数据寿命预测问题。通过本实施例的详细阐述，进一步说明本发明的实施过程及工程应用过程。

对于小卫星蓄电池，可以用于寿命预测的数据为：在轨蓄电池放电电压数据(不完全数据)、在轨蓄电池放电电流数据(不完全数据)、在轨蓄电池放电深度数据(不完全数据)、地面蓄电池试验放电终压数据(完全数据)、地面蓄电池试验放电电流数据(恒定)、地面蓄电池试验放电深度数据(恒定)以及历史的放电深度和相应的寿命值5对。

所述的“不完全数据”表示由于在轨蓄电池仍然能够正常工作，仅仅只是完全寿命数据的前一部分时间序列数据。

在利用上述用于寿命预测的数据的基础上，应用本发明提出的寿命预测方法对小卫星蓄电池的寿命进行预测，其应用的步骤和方法如下：

步骤一、收集寿命预测相关的所有可用寿命预测数据；

通过对小卫星蓄电池分析，收集可以利用的所有相关数据如下：

预测对象数据——在轨小卫星蓄电池：

(1)在轨蓄电池放电电压数据(不完全数据)；

(2)在轨蓄电池充电电压数据(不完全数据)；

(3)在轨蓄电池放电电流数据(不完全数据)；

(4)在轨蓄电池充电电流数据(不完全数据)；

(5)在轨蓄电池放电电量数据(不完全数据)；

(6)在轨蓄电池充放电比(不完全数据)；

相似产品数据——地面相似型号蓄电池：

(1)地面蓄电池试验放电终压数据(完全数据)；

(2)地面蓄电池试验放电电流数据(恒定)；

(3)地面蓄电池试验充电电流数据(恒定)；

(4)地面蓄电池试验放电深度数据(恒定)；

(5)历史的放电深度和相应的寿命值5对；

步骤二、数据分析及数据预处理；

对步骤一中得到的所有相关数据进行合理的分析，结合上述对本发明的描述，提取出可用于动态双极MPNN网络寿命表征参数及影响因素数据如下：

(1)寿命表征参数：

在轨蓄电池放电终压数据({L_index})——可由‘在轨小卫星蓄电池放电电压’提取获得；

地面蓄电池试验放电终压数据({L_sim})；。

(2)寿命影响因素：

蓄电池充放电循环次数(包括在轨{P_in1}及地面{P_sim_in1})——可以从实验及在轨运行的时间获取(在轨小卫星每周期运行时间约为100.7min)；

在轨蓄电池放电电流数据({P_in2})；

地面蓄电池试验放电电流数据({P_sim_in2})；

在轨蓄电池放电深度数据(P_rel1)——可由‘在轨蓄电池放电电量数据’提取获得；

地面蓄电池试验放电深度数据(P_sim_rel1)；

历史的放电深度和相应的寿命值5对；

对在轨蓄电池放电电压数据、地面蓄电池试验放电终压数据和在轨蓄电池放电电流数据进行奇异值剔除，数据降噪预处理工作。图4、图5为经奇异值剔处理及降噪前后地面蓄电池试验放电终压数据图。从图中对比可以看出，经剔值及降噪后的数据比较规整、波动性更小。另外，需要从在轨蓄电池放电电压中获取在轨蓄电池放电终压数据，以表征在轨蓄电池的性能和寿命状况。此时，得到的放电终压即为预测对象寿命表征参数L_index。

步骤三、数据相关性分析；

在经步骤二预处理之后，保留下来的寿命影响因素分别为：蓄电池放电电流、蓄电池放电深度及蓄电池循环充放电次数。其中，放电电流和充放电循环次数作为动态MPNN的网络输入参数，用以反映其对寿命的影响；放电深度的影响通过放电深度的相关性分析可得。

首先，通过由步骤一获得的地面相似型号蓄电池(相似产品)的5对历史的放电深度和相应的寿命值，建立相似产品放电深度同寿命之间的函数关系L_sim＝f(P_sim_rel1)。本实施例中L_sim＝f(P_sim_rel1)为分段函数，前一部分为非线性函数，后一部分为线性函数。根据该函数关系，把地面试验放电深度数据(30％DOD)及在轨蓄电池放电深度(17％DOD)数据代入，可以得到相应的寿命值，进而得到地面试验蓄电池同在轨蓄电池寿命之间的相关关系——本实施例中两者为线性比例关系，为方便说明此处假设：在轨寿命∶地面寿命＝2∶1，且在本实施例中仅考虑DOD一个“数据调整寿命影响因素”。

所述DOD为放电深度；

步骤四、数据映射并得到预测对象的当量数据值；

利用步骤三得到的地面蓄电池之间在寿命表征参数上2∶1的相关关系，以地面蓄电池放电终压数据为基础，映射并得到在轨蓄电池放电终压的当量数据值。如图6所示，由于从DOD的角度考虑，两者的寿命比值为2∶1，也就是说从损伤程度来看，在轨17％DOD经2n次充放电后的损伤程度同地面试验30％DOD经n次放充放电后的损伤程度是当量的，如此，得到在轨第2n次放电终压值的当量值为地面试验数据的第n次放电终压值，从而完成预测对象同相似产品的映射关系。

步骤五、MPNN网络构建；

MPNN网络的构建过程参考“发明内容”步骤五。

由于在本实施例中一次MPNN网络仅有两个参数：放电电流和充放电循环次数。本实施例中二次MPNN的输入及输出节点数分别为4和1。

步骤六、一次MPNN网络的建立、训练及预测；

由于在本实施例中，时间序列寿命影响因素只有两个：蓄电池放电电流及充放电循环次数。因而，整个一次MPNN网络的输入节点数为2，输出节点数为1。利用由步骤二得到的经预处理后的在轨蓄电池放电终压数据{L_index_p}和由步骤四得到的在轨蓄电池放电终压当量数据做差分比例处理，所得处理结果作为一次MPNN网络的训练输出。同时，利用由步骤二得到的在轨蓄电池放电电流数据{P_in2_p}同地面蓄电池放电电流数据(恒值)做差分比例处理，所得处理结果作为一次MPNN网络的输入。另外，直接把蓄电池充放电循环次数作为一次MPNN的一个输入节点。如此，由放电电流及充放电循环次数构成一次MPNN的输入向量。在进行网络训练前对对放电电流差分比例数据及放电终压差分比例数据采用线性归一化方法；循环次数利用反正切方法进行归一化处理。完成训练网络，并利用训练好的一次MPNN网络，预测后续的在轨蓄电池放电终压值。

训练时间：1.0156s

预测精度：均方误差MSE＝0.0221

图7所示为一次MPNN预测测试精度曲线图，从图中可以看出一次MPNN在进行模式识别及预测中具有很高的精度。

一次MPNN网络输出为相应充放电循环次数下对应的差分归一化后的在轨放电终压值。图8为一次MPNN寿命预测性能衰退曲线，从总体趋势上同已有的实测数据趋势比较吻合。

步骤七、二次MPNN网络的建立、训练及预测；

二次MPNN网络的输入节点为数4，输出节点数为1。利用由步骤二得到的在轨蓄电池放电终压数据{L_index_p}及由一次MPNN寿命预测得到的在轨蓄电池放电终压预测数据{L_index_pre}构成放电终压时间序列数据，并对该时间序列进行归一化处理；之后按照时间序列预测思想对该时间序列进行迭代训练和预测。图9为动态双极MPNN预测效果示意图，其中右侧粗线部分所示为二次迭代预测结果。根据HY-1B小卫星蓄电池的寿命判据，得到本实施例的预测寿命值约为：5.21年，即：5年2个月15天14小时24分。

步骤八、动态时间窗调整；

本实施例的时间窗为1week，当设置的一周时间到达时，利用已经收集到的新的在轨小卫星蓄电池数据，重复上述步骤二到步骤七过程即可得到新的寿命预测值。

在工业界，尤其是新型产业或大型设备，如高精度机床、航空航天领域中，面临着预测对象样本量极少，且预测对象的健康情况对其运行管理极其重要的问题，本发明针对这一问题，从理论上、实际上考虑综合利用寿命相关数据对所研究的对象进行寿命预测。本发明通过初步的试验数据对于新研或改进的预测对象进行寿命(性能)评估，为设计者提供设计预测对象的性能参考，为预测对象的进一步改进提供依据，在很大程度上降低预测对象研制风险。

本发明的寿命预测方法为优化备件数量及维修计划提供参考，降低使用维护费用，从而在总体上降低预测对象寿命周期费用，通过寿命预测技术得到零部件的剩余寿命，可以对一些零部件重复利用；对于一些极其关键的设备，一旦发生故障将有可能导致大量的人员伤亡和财产损失，本发明的寿命预测方法为决策者提供重要的管理依据，从而最大限度的避免这些灾难性的事件发生。

Claims (5)

1.一种基于动态双极MPNN的小样本数据对象的寿命预测方法，其特征在于：

步骤一、收集寿命预测对象的所有可用的寿命预测数据；

步骤二、寿命预测相关数据预处理；

对步骤一得到的寿命预测数据进行分析和筛选，提取出预测对象的寿命表征参数和寿命影响因素，并对寿命影响因素进行分类，同时，对筛选出的数据进行奇异值剔除、数据降噪的预处理工作；

步骤三、数据相关性分析；

对步骤二中筛选到的寿命影响因素数据进行相关性分析，从而得到这些寿命影响因素同预测对象寿命表征参数间函数关系；

步骤四、数据映射并得到预测对象的当量数据值；

利用步骤三得到的在各寿命影响因素的作用下，得到的相似产品同预测对象寿命表征参数间的相关关系，以参考的相似产品数据为基础，映射并得到预测对象寿命表征参数的当量数据值；

步骤五、MPNN网络构建；

把PNN网络输出层核函数更改为数学期望函数Expect(g)，得到MPNN网络；

步骤六、一次MPNN网络的建立、训练及预测；

利用预测对象寿命表征参数及其由步骤四得到的当量数据做差分比例处理，构造一次MPNN的训练样本及测试样本；将由上述构造的输入向量、目标向量进行归一化处理，然后输入一次MPNN网络对其进行训练，从而确定一次MPNN网络参数，并利用训练好的一次MPNN神经网络，对寿命表征参数进行预测；

步骤七、二次MPNN网络的建立、训练及预测；

利用经预处理后预测对象表征寿命参数数据和一次MPNN的预测结果，构造二次MPNN的训练及测试样本，进而开展预测工作，最后根据预测对象寿命表征参数的寿命终止判据确定预测对象的寿命值；

步骤八、动态时间窗调整；

根据实际对象特点及使用要求，设置相应的动态时间间隔，按照设置的时间间隔，重复上述步骤二到步骤七，对双极MPNN网络进行重新训练和预测。

2.根据权利要求1所述的基于动态双极MPNN的小样本数据对象的寿命预测方法，其特征在于：所述的相关性分析是指通过函数逼近或利用SPSS，实现对不同参数数据的相关性分析，从而得到参数数据间的映射关系。 

3.根据权利要求1所述的基于动态双极MPNN的小样本数据对象的寿命预测方法，其特征在于：所述的MPNN网络的训练和预测过程表述为：隐含层权重矩阵w ^[1]被置为输入训练样本矩阵Y_(N×R)，输出层权重矩阵w ^[2]被置为训练样本的目标矩阵T_(K×N)；当输入所要分类的样本向量X时，隐含层计算输入向量与训练样本之间的距离，并输出归属每一类别的概率密度；输出层的数学期望函数Expect(g)根据上层输出的概率密度计算出数学期望值，并把所得到的数学期望值作为MPNN网络的输出。

4.根据权利要求1所述的基于动态双极MPNN的小样本数据对象的寿命预测方法，其特征在于：所述的预测对象的寿命表征参数及参数数据如下：

(1)相似产品寿命表征参数的全寿命数据，即从相似产品开始使用到该相似产品寿命终结的历史时间序列数据，其时间序列数据表示为：{L_sim_x1，L_sim_x2，……，L_sim_xend；

(2)预测对象寿命表征参数现有的不完全寿命数据，即从预测对象开始使用到目前为止所有的时间序列数据，其时间序列数据表示为：L_obj_x1，L_obj_x2，……，L_obj_xnow。

5.根据权利要求1所述的基于动态双极MPNN的小样本数据对象的寿命预测方法，其特征在于：所述的寿命影响因素及寿命影响因素数据分为以下两类：

(1)时间序列寿命影响因素数据：同预测对象寿命表征参数具有相同时间尺度寿命影响因素数据，这些影响因素数据表示为P_in1、P_in2、P_in3、……，其中，P_in1表示为：P_in1_1、P_in1_2、P_in1_3、……、P_in1_i、……、P_in1_now，同理，P_in2、P_in3、……也表述为相应的序列形式；

(2)数据调整寿命影响因素数据：此类影响因素数据为有限个数据对，这些数据对是相似产品的历史数据，反应的是相应寿命影响因素参数同寿命之间的对应关系，用于局部调整预测对象寿命表征参数L_index及时间序列P_in1、P_in2、P_in3、……的数据。 

Images