CN103678939A - 一种面向空间距离与形状和数据分布的退化模型一致性检验方法 - Google Patents
一种面向空间距离与形状和数据分布的退化模型一致性检验方法 Download PDFInfo
- Publication number
- CN103678939A CN103678939A CN201310741766.0A CN201310741766A CN103678939A CN 103678939 A CN103678939 A CN 103678939A CN 201310741766 A CN201310741766 A CN 201310741766A CN 103678939 A CN103678939 A CN 103678939A
- Authority
- CN
- China
- Prior art keywords
- time point
- sample
- data
- average
- test
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种面向空间距离与形状和数据分布的退化模型一致性检验方法,它有六大步骤;本发明首先进行基于似然比检验的数据分布一致性检验,确定模型数据和验证试验数据具有分布一致性;然后根据改进的灰色关联分析确定关联度的大小,最终确定模型数值接近性和曲线空间形状相似性。该方法考虑了数据分布一致性、数值接近性以及曲线空间形状相似性,弥补了现有方法中只是单方面考虑退化模型一致性检验的局限性。
Description
技术领域
本发明提出一种面向空间距离与形状和数据分布的退化模型一致性检验方法,属于退化建模的可靠性技术领域。
背景技术
随着产品可靠性和寿命水平的提高,无失效产品大量出现,传统的基于失效数据的可靠性评估方法模型已难以满足工程评定要求,为了解决此类问题,退化数据被引入到可靠性评估领域,通过退化数据建立退化模型,成为解决高可靠、长寿命产品可靠性评估问题的重要途径。
然而,基于退化模型的一致性检验问题已成为目前亟待解决的问题,虽然,有学者已经提出一些一致性检验方法,但是,现有的退化模型一致性检验方法主要是从模型数值一致性角度考虑的,几乎没有从模型形状相似性、数据是否服从同分布等方面考虑模型一致性检验方法,甚至是综合几方面因素一起来完善模型一致性检验方法,现有的这些方法有效地考察了退化模型的误差范围,但是未能反应出模型的变化规律、分布特性以及空间相似性。本发明就是抓住现有方法的不足之处,找到新的突破点,主要是从数据是否同分布、模型数值之间的距离以及模型空间形状相似性三方面综合考虑,提出一种新的退化模型一致性检验方法。
发明内容
针对建立的模型验证问题,从数据是否同分布、模型数值之间距离和模型空间形状相似性三方面来研究。本发明提供了一种面向空间距离与形状和数据分布的退化模型一致性检验方法。
本发明的目的在于利用似然比检验的退化模型一致性检验方法对模型数据是否同分布进行判定分析,利用改进的灰色关联分析方法对模型数值之间的距离以及模型空间形状的相似性进行比较研究,最终提出了基于似然比检验的同分布检验和基于改进的灰色关联数值接近性和空间形状相似性相结合的退化模型一致性检验方法。
本发明首先进行基于似然比检验的数据分布一致性检验,确定模型数据和验证试验数据具有分布一致性;然后根据改进的灰色关联分析确定关联度的大小,最终确定模型数值接近性和曲线空间形状相似性。
本发明是采用以下技术方案实现的,一种面向空间距离与形状和数据分布的退化模型一致性检验方法,其步骤如下:
步骤一:选取产品的退化模型,该模型表征性能参数△D与环境应力S和时间t的关系,其函数形式可以表示为△D=f(S,t);
步骤二:分析处理试验数据,该试验数据为恒定应力水平下m个产品的性能参数与时间的m个数据序列{yi(t),t=1,2,…,N,i=1,2,…,m};
b.计算试验数据序列中m个样本在各时间点的方差s2(t),公式如下:
其中,在本步骤中所述的m个产品、m个数据序列、m个样本中的m是同一的,以及在后续步骤里出现的m均是同一的;
步骤三:根据试验数据的应力水平和所选退化模型,得到该应力水平下产品退化模型的仿真试验数据序列,即该应力水平下产品的性能参数与时间关系的数据序列{x(t),t=1,2,…,N};
步骤四:基于似然比检验的数据分布一致性检验,可以通过如下步骤实现:
a.计算试验数据序列中m个样本在各时间点的标准差s(t),公式如下:
d.对步骤b中的各时间点下的检验统计量T(t)取绝对值得|T(t)|;
e.计算各时间点下的拒绝域W(t),公式如下:
f.若在各时间点下的检验统计量T(t)均不在拒绝域W(t)内,则认为通过基于似然比检验的数据分布一致性检验,说明这两个时间序列具有分布一致性;反之,认为不通过。
步骤五:基于改进的灰色关联的数值接近性和曲线空间形状相似性一致性检验,可以通过如下步骤实现:
a.将仿真试验数据序列各时间点的数据进行初值化处理得x'(t),公式如下:x'(t)=f(x(t))=x(t)/x(t0),其中,t0为第一个时间点;
b.将试验数据序列中m个样本各时间点的数据进行初值化处理得y′i(t),i=1,2,…,m,公式如下:
y′i(t)=f(yi(t))=yi(t)/yi(t0),其中,t0为第一个时间点;
d.经过初值化处理后,计算试验数据序列m个样本中每一个样本各时间点的数据与相应的仿真试验数据序列各时间点的数据之间的绝对差值△i(t),公式如下:
△i(t)=|x'(t)-y′i(t)|,i=1,2,…,m;
e.经过初值化处理后,计算试验数据序列中m个样本各时间点的均值与相应的仿真试验数据序列各时间点的数据之间的绝对差值△平均(t),公式如下:
f.在步骤d和e中求得的所有绝对差值△i(t)与△平均(t)中,找出最大值和最小值,即求得两极最大值△i(t)max与最小值△i(t)min,公式如下:
g.计算m个样本中每一个样本与仿真样本各时间点的关联系数γi(t),公式如下:其中,ξ为分辨系数,且ξ∈(0,1),ξ常取0.5;
注解:γi(t)和γ平均(t)体现了两序列曲线空间形状的相似性。
j.考虑到对称于仿真数据序列曲线两侧的试验数据序列曲线与仿真数据序列有相同的接近程度,记Pi(t),计算公式如下:
k.考虑到对称于仿真数据序列曲线两侧的m个试验数据均值序列曲线与仿真数据有相同的接近程度,记P平均(t),计算公式如下:
l.考虑到两序列间数值的接近程度不仅与数据间的绝对差值有关,更受到相对误差支配记为Mi(t)和M平均(t),计算公式如下:
m.考虑两序列数值各时间点的接近性Qi(t)和Q平均(t),计算公式如下:
Qi(t)=exp(-Mi(t)),Q平均(t)=exp(-M平均(t));
n.计算改进的灰色关联系数γi'(t)和γ平均'(t),公式如下:
γi'(t)=[γi(t)]τ[Qi(t)]β,γ平均'(t)=[γ平均(t)]τ[Q平均(t)]β
其中,τ+β=1,τ,β∈(0,1),由于考虑到两序列间的空间形状相似性与数值接近性在一致性检验中的重要程度相同,所以,此处τ=β=0.5;
o.计算m个样本中每一个样本与仿真样本的关联度γ(i),公式如下:
p.计算m个样本的均值与仿真样本的关联度γ(平均),公式如下:
q.根据步骤n和o求出的关联度大小确定模型数值接近性和曲线空间形状的相似度,若求出的关联度均在0.7左右,但允许由于产品性能参数呈现波动性变化规律且变化明显造成的个别样本与仿真样本的关联度偏小,但是m个样本的均值与仿真样本的关联度在0.7左右,则认为模型通过数值接近性和空间形状相似性一致性检验,反之,则不通过。
步骤六:退化模型同时满足基于似然比检验的数据同分布一致性检验和基于改进的灰色关联数值接近性和曲线空间形状相似性一致性检验,认为该模型通过一致性检验;反之,认为不通过一致性检验。
其中,在步骤二中分析处理试验数据步骤a中所述的“计算试验数据序列中m个样本在各时间点的均值”是指计算各时间点数据的算数平均值;在步骤b中所述的“计算试验数据序列中m个样本在各时间点的方差”是指样本方差。
其中,在步骤三中所述“试验数据的应力水平”是指获得试验数据是在一个给定的环境应力(如温度T=80℃、压力F=50N等)条件下;通过将给定的环境应力的数值代入退化模型,然后将不同时间点的时间值代入退化模型得到各时间点的仿真试验数据序列。
其中,在步骤四中“似然比检验”是指假设m个序列{yi(t),t=1,2,…,N,i=1,2,…,m}是来自密度函数(或分布率)为p(y(t):θ)(θ∈Θ)的总体,考虑原假设对简单备择假设的检验问题如下:
H0:θ∈θ0,H1:θ≠θ0(θ0∈Θ0)
考虑一个比较直观且自然的方法,似然比检验方法如下:
其中,在步骤四中的步骤c中“置信水平”是指总体参数值落在样本统计值某一区内的概率;在步骤d中“拒绝域”是指当m个序列{yi(t),t=1,2,…,N,i=1,2,…,m}是来自正态总体N(μ(t),σ2(t))的简单样本,其中μ(t),σ2(t)未知,在显著性水平α=0.05下给出检验问题:H0:μ(t)=μ0(t),H1:μ(t)≠μ0(t)
则似然比为:
由于当μ(t),σ2(t)未知,则有μ(t)和σ2(t)的极大似然估计分别为:
又当μ(t)=μ0(t)=x(t)(x(t),t=1,2,…,N为仿真数据序列)已知时,σ2(t)的极大似然估计为:
得到似然比为:
令 则有
由于λ(y(t))是|T(t)|的单调增函数,所以不等式λ(y(t))>c与|T(t)|>c1等价,所以有P{λ(y(t))>c|H0成立}=P{|T(t)|>c1|H0成立}=α
又因为当H0成立时,有
则得到临界值 因此检验统计量 在显著性水平α下,拒绝域为
其中,在步骤五中“改进的灰色关联的数值接近性与空间形状相似性”是指考虑到两序列间数值接近性,见灰色关联分析方法进行改进,通过改进的灰色关联得到灰色关联度,用其来分析和确定模型数值接近性和空间形状相似性程度,是对两个模型变化态势的定量和定性比较与分析,如果两个模型在变化过程中相对变化态势一致性较高,则两者的灰色关联度就越大。
其中,在步骤五中的a、b、c中“数据初值化处理”是指将数据无量纲化,即将第一个时间点的数据作为分母,然后将第一个时间点到最后一个时间点的数据依次作为分子去除分母,得到各时间点的数据初值化结果;在步骤d和e中“绝对差值”是指两数据序列中数据之差的绝对值;在步骤g和h中“关联系数”是指两序列在各时间点的关联程度值;在步骤j和k中“sgn”是指符号函数,即x>0时sgn=1,x=0时sgn=0,x<0时sgn=-1;在步骤o和p中“关联度”是指将各时间点的关联系数取算术平均值得到的两序列间关联程度的数量表示。
本发明一种面向空间距离与形状和数据分布的退化模型一致性检验方法,其优点是:
1.本发明从数据是否同分布、模型数值之间距离和模型空间形状相似性三方面检验模型和试验数据的一致性,该方法考虑了数据分布一致性、数值接近性以及曲线空间形状相似性,弥补了现有方法中只是单方面考虑退化模型一致性检验的局限性;
2.本发明可以用于退化模型验证,方法实施简便,适用范围广,可操作性强。
附图说明
图1是本发明方法流程图。
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。
以下实施例是按照附图1所示的流程进行实施的,本实施例选取了加速度计标度因数退化模型为实施范例,标度因素作为加速度计关键性能参数之一,本方法为加速度计标度因素退化模型一致性检验提供了有效途径。
本发明一种面向空间距离与形状和数据分布的退化模型一致性检验方法,以某加速度计标度因素为例,其具体实施步骤如下:
步骤一:选取加速度计标度因数的退化模型为
步骤二:分析处理试验数据,该试验数据为80℃应力水平下3块加速度计标度因数与时间关系的3个数据序列{yi(t),t=1,2,…,18,i=1,2,…,3};
表1试验数据中3个加速度计标度因数在各时间点的均值
b.计算试验数据中3个加速度计标度因数在各时间点的方差s2(t),由公式得:第一个时间点的方差为
表2试验数据中3个加速度计标度因数在各时间点的方差
步骤三:根据试验数据的应力水平80℃和步骤一中的模型,得到80℃下产品退化模型的仿真试验数据序列,即80℃下加速度计标度因数与时间关系的数据序列{x(t),t=1,2,…,18},由公式得:第一个时间点的加速度计标度因数为
同理,计算其它各时间点的加速度计标度因数与上述计算过程类似,通过计算得各时间点的加速度计标度因数如表3所示:
表3各时间点的加速度计标度因数
步骤四:基于似然比检验的数据分布一致性检验,可以通过如下步骤实现:
a.计算试验数据3个加速度计标度因数在各时间点的标准差s(t),由公式得:第一个时间点的标准差为
同理,计算其它各时间点的标准差与上述计算过程类似,通过计算得各时间点的标准差如表4所示:
表43个加速度计标度因数各时间点的标准差
b.计算各时间点下的检验统计量T(t),由公式得:第一个时间点下的检验统计量为
同理,计算其它各时间点下的检验统计量与上述计算过程类似,通过计算得各时间点下的检验统计量如表5所示:
表5各时间点下的检验统计量
时间/h | 120 | 240 | 360 | 480 | 600 | 720 | 840 | 960 | 1080 |
T(t) | 0.9189 | 0.3462 | 0.3386 | -1.7533 | -1.2705 | 0.1222 | -0.4295 | -0.1790 | -0.1131 |
时间/h | 1200 | 1320 | 1440 | 1560 | 1680 | 1800 | 1920 | 2040 | 2160 |
T(t) | -0.7623 | -0.2892 | -0.3811 | -0.3844 | 0.2604 | -0.1468 | -0.2236 | 0.1246 | 0.3004 |
d.对步骤b中的各时间点下的检验统计量T(t)取绝对值得|T(t)|,结果如表6所示:
表6各时间点下的检验统计量的绝对值
时间/h | 120 | 240 | 360 | 480 | 600 | 720 | 840 | 960 | 1080 |
|T(t)| | 0.9189 | 0.3462 | 0.3386 | 1.7533 | 1.2705 | 0.1222 | 0.4295 | 0.1790 | 0.1131 |
时间/h | 1200 | 1320 | 1440 | 1560 | 1680 | 1800 | 1920 | 2040 | 2160 |
|T(t)| | 0.7623 | 0.2892 | 0.3811 | 0.3844 | 0.2604 | 0.1468 | 0.2236 | 0.1246 | 0.3004 |
e.计算各时间点下的拒绝域W(t),由步骤c得W(t)={T(t):|T(t)|>4.3027};
f.经过对比得,在各时间点下的检验统计量T(t)均不在拒绝域W(t)内,则认为通过基于似然比检验的数据同分布一致性检验,说明这两个时间序列具有分布一致性。
步骤五:基于改进的灰色关联的数值接近性和曲线空间形状相似性一致性检验,可以通过如下步骤实现:
a.将仿真试验数据序列各时间点的数据进行初值化处理得x'(t),由公式得:第一个时间点的数据初值化处理结果为
x'(1)=f(x(1))=x(1)/x(t0)=x(1)/x(1)=1
其中t0为第一个时间点,同理,其它各时间点的数据进行初值化处理与上述计算过程类似,通过计算得各时间点的数据初值化处理结果如表6所示;
b.将试验数据序列中3个加速度计标度因数各时间点的数据进行初值化处理得yi'(t),i=1,2,…,m,由公式得:第一个时间点的数据初值化结果为
yi'(1)=f(yi(1))=yi(1)/yi(t0)=yi(1)/yi(1)=1
其中t0为第一个时间点,同理,其它各时间点的数据进行初值化处理与上述计算过程类似,通过计算得各时间点的数据初值化处理结果如表6所示;
其中t0为第一个时间点,同理,其它各时间点的均值进行初值化处理与上述计算过程类似,通过计算得各时间点的均值初值化处理结果如表7所示;
表7加速度计标度因数数据初值化处理结果
d.经过初值化处理后,计算试验数据序列样本1中加速度计标度因数在各时间点的数据与相应的仿真试验数据序列各时间点的数据之间的绝对差值△1(t),由公式得:两者在第一个时间点的数据之间的绝对差值为
△1(1)=|x'(1)-y1'(1)|=|1-1|=0
同理,计算两者在其他时间点的数据之间的绝对差值与上述计算过程类似,对于样本2和样本3计算同上,所以通过计算得各时间点的数据之间的绝对差值如表8所示;
e.经过初值化处理后,计算试验数据序列中3个样本中加速度计标度因数各时间点的均值与相应的仿真试验数据序列各时间点的数据之间的绝对差值△平均(t),由公式得:两者在第一个时间点的数据之间的绝对差值为
同理,计算两者在其他各时间点的数据之间的绝对差值与上述计算过程类似,通过计算得两者在各时间点的数据之间的绝对差值如表8所示;
表8各时间点下的数据之间的绝对差值
f.在步骤d和e中求得的所有绝对差值△i(t)和△平均(t)中,找出最大值和最小值,即求得两极最大值△i(t)max和最小值△i(t)min,由公式得:
g.计算样本1中加速度计标度因数与仿真数据各时间点的关联系数γ1(t),由公式得:第一个时间点的关联系数为
同理,计算其他各时间点的关联系数与上述计算过程类似,对于样本2和样本3同上,所以通过计算得各时间点的关联系数如表9所示;
h.计算3个样本中加速度计标度因数与仿真数据各时间点的关联系数γ平均(t),由公式得:第一个时间点的关联系数为
同理,计算其他各时间点的关联系数与上述计算过程类似,通过计算得各时间点的关联系数如表9所示;
表9各时间点的关联系数
则对于样本1在第一个时间点下有y1'(1)-x'(1)=1-1=0,同理,其它各时间点下的计算与上述计算过程类似,对于样本2、3以及3样本均值进一步处理过程同上,最终处理结果如表10所示:
表10样本1、2、3以及3样本均值进一步处理结果
j.考虑到对称于仿真数据序列曲线两侧的试验数据序列与仿真数据序列有相同的接近程度,记Pi(t),由步骤i,再根据公式得:在第一个时间点的Pi(t)为:y1'(1)=x'(1)时,
同理,在其它各时间点的Pi(t)计算与上述过程类似,且对于样本2、3可类似给出,结果如表11所示;
k.考虑到对称于仿真数据序列曲线两侧的3个样本试验数据均值序列与仿真数据序列有相同的接近程度P平均(t),由步骤i,再根据公式得:在第一个时间点的P平均(t)为: 时,
同理,在其它各时间点的P平均(t)计算与上述过程类似,结果如表11所示:
表11各时间点的接近程度值
时间/h | 120 | 240 | 360 | 480 | 600 | 720 | 840 | 960 | 1080 |
P1(t) | 1 | 1.39 | 1.69 | 1.95 | 2.17 | 2.36 | 2.54 | 2.71 | 2.87 |
P2(t) | 1 | 1.39 | 1.69 | 1.95 | 2.17 | 2.36 | 2.54 | 2.71 | 2.87 |
P3(t) | 1 | 1.39 | 1.69 | 1.95 | 2.17 | 2.36 | 2.54 | 2.71 | 2.87 |
P平均(t) | 1 | 1.39 | 1.69 | 1.95 | 2.17 | 2.36 | 2.54 | 2.71 | 2.87 |
时间/h | 1200 | 1320 | 1440 | 1560 | 1680 | 1800 | 1920 | 2040 | 2160 |
P1(t) | 3.02 | 3.16 | 3.30 | 3.43 | 3.55 | 3.67 | 3.78 | 3.90 | 4.00 |
P2(t) | 3.02 | 3.16 | 3.30 | 3.43 | 3.55 | 3.67 | 3.78 | 3.90 | 4.00 |
P3(t) | 3.02 | 3.16 | 3.30 | 3.43 | 3.55 | 3.67 | 3.78 | 3.90 | 4.00 |
P平均(t) | 3.02 | 3.16 | 3.30 | 3.43 | 3.55 | 3.67 | 3.78 | 3.90 | 4.00 |
l.考虑到两序列数值的接近程度不仅与数据的绝对差值有关,更受到相对误差支配记为Mi(t)和M平均(t),由公式得:样本1试验数据序列与仿真数据序列在第一个时间点的接近程度有:
同理,其它各时间点的接近程度计算与上述过程类似。上述计算结果如表12所示:
表12两序列在各时间点下的接近程度
时间/h | 120 | 240 | 360 | 480 | 600 | 720 | 840 | 960 | 1080 |
M1(t) | 0 | 0.071 | 0.024 | 0.732 | 0.501 | 0.075 | 0.107 | 0.101 | 0.141 |
M2(t) | 0 | 0.523 | 0.457 | 0.740 | 0.742 | 0.519 | 0.622 | 0.541 | 0.607 |
M3(t) | 0 | 0.192 | 0.214 | 1.018 | 0.999 | 0.491 | 0.984 | 0.678 | 0.801 |
M平均(t) | 0 | 0.257 | 0.266 | 0.792 | 0.715 | 0.322 | 0.530 | 0.421 | 0.405 |
时间/h | 1200 | 1320 | 1440 | 1560 | 1680 | 1800 | 1920 | 2040 | 2160 |
M1(t) | 0.370 | 0.111 | 0.054 | 0.058 | 0.086 | 0.091 | 0.057 | 0.200 | 0.337 |
M2(t) | 0.626 | 0.537 | 0.583 | 0.541 | 0.030 | 0.046 | 0.444 | 0.237 | 0.088 |
M3(t) | 0.988 | 0.888 | 1.108 | 1.258 | 1.041 | 1.249 | 1.306 | 1.095 | 1.071 |
M平均(t) | 0.616 | 0.471 | 0.526 | 0.545 | 0.204 | 0.438 | 0.482 | 0.292 | 0.173 |
m.考虑两序列数值各时间点的接近性Qi(t)和Q平均(t),由公式得:
样本1试验数据序列与仿真数据序列在第一个时间点的数值接近性为:
Q1(1)=exp(-M1(1))=exp(-0)=1,同理,其它各时间点的数值接近性计算与上述过程类似,且对于样本2、3试验数据序列与仿真数据序列各时间点的数值接近性计算同上;对于3个样本试验数据序列与仿真数据序列在第一个时间点的数值接近性为:Q平均(1)=exp(-M平均(1))=exp(-0)=1,同理,其它各时间点的数值接近性计算与上述过程类似。上述计算结果如表13所示:
表13两序列各时间点的数值接近性
时间/h | 120 | 240 | 360 | 480 | 600 | 720 | 840 | 960 | 1080 |
Q1(t) | 1 | 0.932 | 0.976 | 0.481 | 0.606 | 0.927 | 0.899 | 0.904 | 0.868 |
Q2(t) | 1 | 0.593 | 0.633 | 0.477 | 0.476 | 0.595 | 0.537 | 0.582 | 0.545 |
Q3(t) | 1 | 0.825 | 0.807 | 0.361 | 0.368 | 0.612 | 0.374 | 0.508 | 0.449 |
Q平均(t) | 1 | 0.773 | 0.766 | 0.453 | 0.489 | 0.725 | 0.589 | 0.656 | 0.667 |
时间/h | 1200 | 1320 | 1440 | 1560 | 1680 | 1800 | 1920 | 2040 | 2160 |
Q1(t) | 0.691 | 0.895 | 0.947 | 0.947 | 0.918 | 0.913 | 0.945 | 0.819 | 0.714 |
Q2(t) | 0.535 | 0.585 | 0.558 | 0.582 | 0.970 | 0.955 | 0.642 | 0.789 | 0.916 |
Q3(t) | 0.372 | 0.411 | 0.330 | 0.353 | 0.353 | 0.289 | 0.271 | 0.335 | 0.343 |
Q平均(t) | 0.540 | 0.624 | 0.591 | 0.580 | 0.816 | 0.645 | 0.618 | 0.747 | 0.841 |
n.计算改进的灰色关联系数γi'(t)和γ平均'(t),由公式得:
样本1试验数据序列与仿真数据序列第一个时间点的改进的灰色关联系数为:
同理,其它各时间点的改进的灰色关联系数计算与上述过程类似,且对于样本2、3试验数据序列与仿真数据序列各时间点的改进的灰色关联系数计算同上;对于3个样本的均值序列与仿真数据序列第一个时间点的改进的灰色关联系数为:同理,其它各时间点的改进的灰色关联系数计算与上述过程类似。上述计算结果如表14所示:
表14两序列各时间点改进的灰色关联系数
时间/h | 120 | 240 | 360 | 480 | 600 | 720 | 840 | 960 | 1080 |
γ1'(t) | 1 | 0.9470 | 0.9810 | 0.5616 | 0.6620 | 0.9381 | 0.9102 | 0.9114 | 0.8760 |
γ2'(t) | 1 | 0.6871 | 0.7062 | 0.5588 | 0.5444 | 0.6449 | 0.5859 | 0.6196 | 0.5792 |
γ3'(t) | 1 | 0.8699 | 0.8484 | 0.4520 | 0.4476 | 0.6602 | 0.4366 | 0.5520 | 0.4921 |
γ平均'(t) | 1 | 0.8309 | 0.8168 | 0.5363 | 0.5586 | 0.7607 | 0.6324 | 0.6861 | 0.6900 |
时间/h | 1200 | 1320 | 1440 | 1560 | 1680 | 1800 | 1920 | 2040 | 2160 |
γ1'(t) | 0.7073 | 0.8967 | 0.9508 | 0.9446 | 0.9124 | 0.9091 | 0.9394 | 0.8077 | 0.5919 |
γ2'(t) | 0.5646 | 0.6045 | 0.5755 | 0.5933 | 0.9678 | 0.7957 | 0.6373 | 0.7782 | 0.9073 |
γ3'(t) | 0.4162 | 0.4470 | 0.3685 | 0.3593 | 0.3809 | 0.3190 | 0.3004 | 0.3542 | 0.3583 |
γ平均'(t) | 0.5695 | 0.6411 | 0.6058 | 0.5914 | 0.8132 | 0.6438 | 0.6153 | 0.7365 | 0.8292 |
o.计算m个样本中每一个样本与仿真样本的关联度γ(i),由公式得:
p.计算m个样本的均值与仿真样本的关联度γ(平均),公式如下:
q.根据步骤o与p求出的关联度大小,样本1和2试验数据序列与仿真数据序列的关联度在0.68以上,样本3试验数据序列与仿真数据序列的关联度刚刚达到0.5,这可能是由于加速度计标度因数呈现波动性变化规律且变化明显造成的,且3个样本试验数据序列的均值与仿真数据序列的关联度几乎达到0.7,因此,认为该模型通过数值接近性和曲线空间形状相似性一致性检验。
步骤六:由于模型同时满足基于似然比检验的数据分布一致性检验和基于改进的灰色关联数值接近性和曲线空间形状相似性一致性检验,则认为该模型通过一致性检验
本发明中应用字母的物理意义如下表说明:
Claims (7)
1.一种面向空间距离与形状和数据分布的退化模型一致性检验方法,其特征在于:该方法具体步骤如下:
步骤一:选取产品的退化模型,该模型表征性能参数△D与环境应力S和时间t的关系,其函数形式表示为△D=f(S,t);
步骤二:分析处理试验数据,该试验数据为恒定应力水平下m个产品的性能参数与时间的m个数据序列{yi(t),t=1,2,…,N,i=1,2,…,m};
b.计算试验数据序列中m个样本在各时间点的方差s2(t),公式如下:
其中,在本步骤中所述的“m个产品”、“m个数据序列”、“m个样本”中的m是同一的,以及在后续步骤里出现的m均是同一的;
步骤三:根据试验数据的应力水平和所选退化模型,得到该应力水平下产品退化模型的仿真试验数据序列,即该应力水平下产品的性能参数与时间关系的数据序列{x(t),t=1,2,…,N};
步骤四:基于似然比检验的数据分布一致性检验,通过如下步骤实现:
a.计算试验数据序列中m个样本在各时间点的标准差s(t),公式如下:
c.计算临界值给定置信水平1-α和m个样本下,查“t分布表”得到t分布下的
d.对步骤b中的各时间点下的检验统计量T(t)取绝对值得|T(t)|;
e.计算各时间点下的拒绝域W(t),公式如下:
f.若在各时间点下的检验统计量T(t)均不在拒绝域W(t)内,则认为通过基于似然比检验的数据分布一致性检验,说明这两个时间序列具有分布一致性;反之,认为不通过;
步骤五:基于改进的灰色关联的数值接近性和曲线空间形状相似性一致性检验,通过如下步骤实现:
a.将仿真试验数据序列各时间点的数据进行初值化处理得x'(t),公式如下:x'(t)=f(x(t))=x(t)/x(t0),其中,t0为第一个时间点;
b.将试验数据序列中m个样本各时间点的数据进行初值化处理得y′i(t),i=1,2,…,m,公式如下:y′i(t)=f(yi(t))=yi(t)/yi(t0),其中,t0为第一个时间点;
d.经过初值化处理后,计算试验数据序列m个样本中每一个样本各时间点的数据与相应的仿真试验数据序列各时间点的数据之间的绝对差值△i(t),公式如下:
△i(t)=|x'(t)-y′i(t)|,i=1,2,…,m;
e.经过初值化处理后,计算试验数据序列中m个样本各时间点的均值与相应的仿真试验数据序列各时间点的数据之间的绝对差值△平均(t),公式如下:
f.在步骤d和e中求得的所有绝对差值△i(t)与△平均(t)中,找出最大值和最小值,即求得两极最大值△i(t)max与最小值△i(t)min,公式如下:
注解:γi(t)和γ平均(t)体现了两序列曲线空间形状的相似性;
j.考虑到对称于仿真数据序列曲线两侧的试验数据序列曲线与仿真数据序列有相同的接近程度,记Pi(t),计算公式如下:
k.考虑到对称于仿真数据序列曲线两侧的m个试验数据均值序列曲线与仿真数据有相同的接近程度,记P平均(t),计算公式如下:
l.考虑到两序列间数值的接近程度不仅与数据间的绝对差值有关,更受到相对误差支配记为Mi(t)和M平均(t),计算公式如下:
m.考虑两序列数值各时间点的接近性Qi(t)和Q平均(t),计算公式如下:
Qi(t)=exp(-Mi(t)),Q平均(t)=exp(-M平均(t));
n.计算改进的灰色关联系数γ′i(t)和γ平均'(t),公式如下:
γ′i(t)=[γi(t)]τ[Qi(t)]β,γ平均'(t)=[γ平均(t)]τ[Q平均(t)]β
其中,τ+β=1,τ,β∈(0,1),由于考虑到两序列间的空间形状相似性与数值接近性在一致性检验中的重要程度相同,所以,此处τ=β=0.5;
o.计算m个样本中每一个样本与仿真样本的关联度γ(i),公式如下:
p.计算m个样本的均值与仿真样本的关联度γ(平均),公式如下:
q.根据步骤n和o求出的关联度大小确定模型数值接近性和曲线空间形状的相似度,若求出的关联度均在0.7左右,但允许由于产品性能参数呈现波动性变化规律且变化明显造成的个别样本与仿真样本的关联度偏小,但是m个样本的均值与仿真样本的关联度在0.7左右,则认为模型通过数值接近性和空间形状相似性一致性检验,反之,则不通过;
步骤六:退化模型同时满足基于似然比检验的数据同分布一致性检验和基于改进的灰色关联数值接近性和曲线空间形状相似性一致性检验,认为该模型通过一致性检验;反之,认为不通过一致性检验。
2.根据权利要求1所述的一种面向空间距离与形状和数据分布的退化模型一致性检验方法,其特征在于:在步骤二中分析处理试验数据步骤a中所述的“计算试验数据序列中m个样本在各时间点的均值”是指计算各时间点数据的算数平均值;在步骤b中所述的“计算试验数据序列中m个样本在各时间点的方差”是指样本方差。
3.根据权利要求1所述的一种面向空间距离与形状和数据分布的退化模型一致性检验方法,其特征在于:在步骤三中所述“试验数据的应力水平”是指获得试验数据是在一个给定的环境应力条件下;通过将给定的环境应力的数值代入退化模型,然后将不同时间点的时间值代入退化模型得到各时间点的仿真试验数据序列。
5.根据权利要求1所述的一种面向空间距离与形状和数据分布的退化模型一致性检验方法,其特征在于:在步骤四中的步骤c中“置信水平”是指总体参数值落在样本统计值某一区内的概率;在步骤d中“拒绝域”是指当m个序列{yi(t),t=1,2,…,N,i=1,2,…,m}是来自正态总体N(μ(t),σ2(t))的简单样本,其中μ(t),σ2(t)未知,在显著性水平α=0.05下给出检验问题:H0:μ(t)=μ0(t),H1:μ(t)≠μ0(t)
则似然比为:
由于当μ(t),σ2(t)未知,则有μ(t)和σ2(t)的极大似然估计分别为:
又当μ(t)=μ0(t)=x(t)(x(t),t=1,2,…,N为仿真数据序列)已知时,σ2(t)的极大似然估计为:
得到似然比为:
令 则有
由于λ(y(t))是|T(t)|的单调增函数,所以不等式λ(y(t))>c与|T(t)|>c1等价,所以有P{λ(y(t))>c|H0成立}=P{|T(t)|>c1|H0成立}=α
又因为当H0成立时,有
则得到临界值 因此检验统计量 在显著性水平α下,拒绝域为
6.根据权利要求1所述的一种面向空间距离与形状和数据分布的退化模型一致性检验方法,其特征在于:在步骤五中“改进的灰色关联的数值接近性与空间形状相似性”是指考虑到两序列间数值接近性,见灰色关联分析方法进行改进,通过改进的灰色关联得到灰色关联度,用其来分析和确定模型数值接近性和空间形状相似性程度,是对两个模型变化态势的定量和定性比较与分析,如果两个模型在变化过程中相对变化态势一致性较高,则两者的灰色关联度就越大。
7.根据权利要求1所述的一种面向空间距离与形状和数据分布的退化模型一致性检验方法,其特征在于:在步骤五中的a、b、c中“数据初值化处理”是指将数据无量纲化,即将第一个时间点的数据作为分母,然后将第一个时间点到最后一个时间点的数据依次作为分子去除分母,得到各时间点的数据初值化结果;在步骤d和e中“绝对差值”是指两数据序列中数据之差的绝对值;在步骤g和h中“关联系数”是指两序列在各时间点的关联程度值;在步骤j和k中“sgn”是指符号函数,即x>0时sgn=1,x=0时sgn=0,x<0时sgn=-1;在步骤o和p中“关联度”是指将各时间点的关联系数取算术平均值得到的两序列间关联程度的数量表示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310741766.0A CN103678939B (zh) | 2013-12-27 | 2013-12-27 | 一种面向空间距离与形状和数据分布的退化模型一致性检验方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310741766.0A CN103678939B (zh) | 2013-12-27 | 2013-12-27 | 一种面向空间距离与形状和数据分布的退化模型一致性检验方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103678939A true CN103678939A (zh) | 2014-03-26 |
CN103678939B CN103678939B (zh) | 2017-01-11 |
Family
ID=50316469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310741766.0A Expired - Fee Related CN103678939B (zh) | 2013-12-27 | 2013-12-27 | 一种面向空间距离与形状和数据分布的退化模型一致性检验方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103678939B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116884225A (zh) * | 2023-09-05 | 2023-10-13 | 天津大学 | 评估自动驾驶车辆比例对交通效率影响的方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6684349B2 (en) * | 2000-01-18 | 2004-01-27 | Honeywell International Inc. | Reliability assessment and prediction system and method for implementing the same |
CN101620045A (zh) * | 2009-07-31 | 2010-01-06 | 北京航空航天大学 | 基于时间序列的步进应力加速退化试验可靠性评估方法 |
CN101894221A (zh) * | 2010-08-02 | 2010-11-24 | 北京航空航天大学 | 基于退化量分布非平稳时序分析的加速退化试验产品寿命预测方法 |
CN102253242A (zh) * | 2011-04-27 | 2011-11-23 | 北京航空航天大学 | 一种基于双参数加速退化数据的加速度计稳定期确定方法 |
US20120143564A1 (en) * | 2010-12-01 | 2012-06-07 | Xerox Corporation | System and method for predicting remaining useful life of device components |
CN102521604A (zh) * | 2011-11-21 | 2012-06-27 | 上海交通大学 | 一种基于巡检***的设备性能退化评估装置及方法 |
-
2013
- 2013-12-27 CN CN201310741766.0A patent/CN103678939B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6684349B2 (en) * | 2000-01-18 | 2004-01-27 | Honeywell International Inc. | Reliability assessment and prediction system and method for implementing the same |
CN101620045A (zh) * | 2009-07-31 | 2010-01-06 | 北京航空航天大学 | 基于时间序列的步进应力加速退化试验可靠性评估方法 |
CN101894221A (zh) * | 2010-08-02 | 2010-11-24 | 北京航空航天大学 | 基于退化量分布非平稳时序分析的加速退化试验产品寿命预测方法 |
US20120143564A1 (en) * | 2010-12-01 | 2012-06-07 | Xerox Corporation | System and method for predicting remaining useful life of device components |
CN102253242A (zh) * | 2011-04-27 | 2011-11-23 | 北京航空航天大学 | 一种基于双参数加速退化数据的加速度计稳定期确定方法 |
CN102521604A (zh) * | 2011-11-21 | 2012-06-27 | 上海交通大学 | 一种基于巡检***的设备性能退化评估装置及方法 |
Non-Patent Citations (3)
Title |
---|
姚军 等: "基于灰色理论的失效机理一致性检验方法", 《北京航空航天大学学报》, vol. 39, no. 6, 30 June 2013 (2013-06-30) * |
潘晓茜 等: "基于灰色预测的加速试验机理一致性判定方法", 《北京航空航天大学学报》, vol. 39, no. 6, 30 June 2013 (2013-06-30) * |
王前程 等: "加速度计加速退化机理一致性边界确定方法", 《北京航空航天大学学报》, vol. 38, no. 11, 30 November 2012 (2012-11-30) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116884225A (zh) * | 2023-09-05 | 2023-10-13 | 天津大学 | 评估自动驾驶车辆比例对交通效率影响的方法及装置 |
CN116884225B (zh) * | 2023-09-05 | 2023-12-26 | 天津大学 | 评估自动驾驶车辆比例对交通效率影响的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103678939B (zh) | 2017-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647470B (zh) | 一种基于聚类和深度信念网络的漏损初定位方法 | |
CN110472846B (zh) | 核电厂热工水力安全分析最佳估算加不确定性方法 | |
Kuravsky et al. | A numerical technique for the identification of discrete-state continuous-time Markov models | |
CN103150446B (zh) | 临近空间飞行器模型验证与仿真实现方法 | |
CN103942457A (zh) | 基于关联向量机回归的水质参数时间序列预测方法 | |
CN102722892B (zh) | 基于低秩矩阵分解的sar图像变化检测方法 | |
CN104766175A (zh) | 一种基于时间序列分析的电力***异常数据辨识与修正方法 | |
CN103678938B (zh) | 一种面向空间形状和误差范围的退化模型一致性检验方法 | |
CN106920007A (zh) | 基于二阶自组织模糊神经网络的pm2.5智能预测方法 | |
CN103678869A (zh) | 一种飞行参数缺失数据的预测估计方法 | |
CN107515965A (zh) | 一种基于不确定过程的加速退化建模评估方法 | |
CN111625516A (zh) | 检测数据状态的方法、装置、计算机设备和存储介质 | |
CN110442911B (zh) | 一种基于统计机器学习的高维复杂***不确定性分析方法 | |
CN111610407A (zh) | 基于朴素贝叶斯的电缆老化状态评估方法和装置 | |
CN104732545A (zh) | 结合稀疏近邻传播和快速谱聚类的纹理图像分割方法 | |
CN111144017A (zh) | 一种基于ff-rvm的多时段间歇过程软测量建模方法 | |
CN112016253A (zh) | 一种适用于cfd不确定度量化的高保真度混沌多项式修正方法 | |
CN104795063A (zh) | 一种基于声学空间非线性流形结构的声学模型构建方法 | |
CN105825063A (zh) | 一种测试性设计中测试点定量选择方法 | |
CN103353295A (zh) | 一种精确预测大坝坝体垂直变形量的方法 | |
CN103678939A (zh) | 一种面向空间距离与形状和数据分布的退化模型一致性检验方法 | |
CN105046089A (zh) | 一种预测强降雨及洪涝灾害的方法 | |
Coeurjolly et al. | Towards optimal Takacs–Fiksel estimation | |
US20240103920A1 (en) | Method and system for accelerating the convergence of an iterative computation code of physical parameters of a multi-parameter system | |
CN114819449A (zh) | 预测车辆除霜性能的方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information |
Inventor after: Xu Dan Inventor after: Chen Zhijun Inventor after: Chen Yunxia Inventor after: Kang Rui Inventor before: Chen Zhijun Inventor before: Xu Dan Inventor before: Chen Yunxia Inventor before: Kang Rui |
|
COR | Change of bibliographic data | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170111 Termination date: 20201227 |