CN112100574A - 一种基于重采样的aakr模型不确定度计算方法及*** - Google Patents
一种基于重采样的aakr模型不确定度计算方法及*** Download PDFInfo
- Publication number
- CN112100574A CN112100574A CN202010852271.5A CN202010852271A CN112100574A CN 112100574 A CN112100574 A CN 112100574A CN 202010852271 A CN202010852271 A CN 202010852271A CN 112100574 A CN112100574 A CN 112100574A
- Authority
- CN
- China
- Prior art keywords
- model
- value
- data set
- variance
- resampling
- 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.)
- Pending
Links
- 238000012952 Resampling Methods 0.000 title claims abstract description 41
- 238000004364 calculation method Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 80
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000012360 testing method Methods 0.000 claims abstract description 35
- 239000000126 substance Substances 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于重采样的AAKR模型不确定度计算方法及***,利用传感器历史状态数据集分为训练数据集和测试数据集,通过小波去噪方法对训练数据集进行去噪并计算噪声方差,提高数据精度,然后对传感器历史状态数据随机选择并进行替换,得到新训练数据集样本,以优化AAKR模型架构及多个模型预测值之间的变化即可得到多个模型预测值的模型预测方差,利用Bootstrap重采样训练数据,计算预测值和测试值之间的均方误差;结合原型模型方差计算模型偏差,形成95%的不确定度值,不需要进行经验分布模型对噪声估计值建模计算,简化了重采样过程,提高了计算效率,并且结合Jackknife方法降低了置信区间偏差保证其可靠性,在保持收敛性能基础上提高了估计效率。
Description
技术领域
本发明涉及AAKR模型不确定性的量化方法,尤其是涉及一种基于重采样的AAKR模型不确定度计算方法及***。
背景技术
核电厂关键设备在线状态监测***,有助于减少灾难性故障的风险,降低由不必要的定期维修而产生的多余成本。其中基于经验模型的状态监测方法,不依赖于对故障机理模型的深入理解,从设备的历史运行数据和运行经验出发,判定设备是否发生异常,随着物联网、大数据技术的迅速发展被广泛应用。但经验模型在用于监控核电关键仪器设备时,涉及影响模型稳定性的不适定问题,必须伴随对其不确定性的估计,同时不确定性区间的准确估计可有效降低设备虚警和漏警率,从而减少设备停机带来的经济损失。而目前对模型回归值不确定分析研究较少,传统的蒙特卡罗不确定度确定方法使用概率分布模拟噪声获取采样数据,需总体分布的先验知识及足够大样本数据,效率低且经济成本高,无法有效确保关键设备传感器状态的预测精度。
发明内容
本发明的目的在于提供一种基于重采样的AAKR模型不确定度计算方法及***,以克服现有技术的不足。
为达到上述目的,本发明采用如下技术方案:
一种基于重采样的AAKR模型不确定度计算方法,包括以下步骤:
步骤1)、将传感器历史状态数据集分为训练数据集和测试数据集;
步骤2)、通过小波去噪方法对训练数据集进行去噪并计算噪声方差;
步骤3)、通过Bootstrap方法对训练数据集进行多次重采样,每次重采样后得到一组新训练数据集,根据采样后各组新训练数据集建立多个新模型,根据多个新模型预测得到多个模型预测值,计算多个模型预测值之间的变化即可得到多个模型预测值的模型预测方差;
步骤4)、计算模型预测值与测试观察值之间的均方误差;
步骤5)、根据噪声方差、模型预测方差和均方误差计算得到模型偏差;
步骤6)、根据模型偏差和模型方差进行估计,可得到蒙特卡罗不确定度估计值为模型偏差的平方与模型方差之和的开方值的2倍。
进一步的,加载传感器历史数据,并对传感器历史数据进行检测纠正异常值,并将传感器历史状态数据集分为训练数据集和测试数据集。
进一步的,利用小波去噪方法对训练数据集去噪,
进一步的,利用下式计算多个模型预测值之间的变化即模型预测方差:
进一步的,根据蒙特卡罗不确定度估计值,计算95%置信水平对应的置信区间和预测区间,利用Jackknife偏差估计方法对AAKR模型预测的置信区间(CI)进行纠偏以及计算预测区间。
进一步的,根据蒙特卡罗不确定度估计值,计算95%置信水平对应的置信区间和预测区间,利用Jackknife偏差估计方法对AAKR模型预测的置信区间(CI)进行纠偏以及计算预测区间。
进一步的,置信区间的一般方程为:
95%置信水平的预测区间为:
一种基于重采样的AAKR模型不确定度计算***,包括数据获取模块、数据去噪模块和数据处理模块;
数据获取模块用于获取传感器历史状态数据集并将获取到的数据集分为训练数据集和测试数据集,将训练数据集传输至数据去噪模块;
数据去噪模块将接收到的训练数据集进行去噪并计算噪声方差并将噪声方差传输至数据去噪模块,同时将去噪后的训练数据传输至数据处理模块;
数据处理模块对训练数据集通过数据获取模块进行多次重采样,每次重采样后得到一组新训练数据集,根据采样后各组新训练数据集建立多个新模型,根据多个新模型预测得到多个模型预测值,计算多个模型预测值之间的变化即可得到多个模型预测值的模型预测方差;同时计算模型预测值与测试观察值之间的均方误差;最后根据噪声方差、模型预测方差和均方误差计算得到模型偏差;以模型偏差和模型方差进行估计,可得到模型偏差的平方与模型方差之和的开方值的2倍值为蒙特卡罗不确定度估计值并输出。
与现有技术相比,本发明具有以下有益的技术效果:
本发明一种基于重采样的AAKR模型不确定度计算方法,利用传感器历史状态数据集分为训练数据集和测试数据集,通过小波去噪方法对训练数据集进行去噪并计算噪声方差,提高数据精度,然后对传感器历史状态数据随机选择并进行替换,得到新训练数据集样本,以优化AAKR模型架构及多个模型预测值之间的变化即可得到多个模型预测值的模型预测方差,利用Bootstrap重采样训练数据,开发和测试多个原型模型,通过原型模型及测试数据得到预测值,计算预测值和测试值之间的均方误差;结合原型模型方差计算模型偏差,形成95%的不确定度值,不需要进行经验分布模型对噪声估计值建模计算,简化了重采样过程,提高了计算效率,并且结合Jackknife方法降低了置信区间偏差保证其可靠性,在保持收敛性能基础上提高了估计效率,为核电厂关键设备经验模型不确定度估计提供了一套可靠、高效、完整的方法流程,对关键设备传感器状态预测的准确性提高具有重要的工程应用价值。
进一步的,通过计算95%置信水平的置信区间和预测区间,并利用Jackknife偏差估计方法对置信区间分布偏差进行修正,简化了分析过程、降低了置信区间偏差,在保持收敛性能基础上提高了估计效率。
本发明一种基于重采样的AAKR模型不确定度计算***,结构简单,***通过获取传感器历史状态正常数据集进行训练,基于Bootstrap重采样的经验模型不确定度计算方法,简化了分析过程,结合Jackknife方法降低了置信区间偏差保证其可靠性。
附图说明
图1为本发明实施例中AAKR模型不确定度计算流程示意图。
图2为本发明实施例中不确定度的收敛性分析曲线图。
图3为本发明实施例中AAKR模型的纠偏前置信区间图。
图4为本发明实施例中AAKR模型的纠偏后置信区间图。
图5为本发明实施例中AAKR模型的预测区间。
具体实施方式
下面结合附图对本发明做进一步详细描述:
如图1所示,一种基于重采样的AAKR模型不确定度计算方法,包括以下步骤:
步骤1)、将传感器历史状态数据集分为训练数据集和测试数据集;
具体的,加载传感器历史数据,并对传感器历史数据进行检测纠正异常值,并将数据集分为训练数据集和测试数据集。
步骤2)、通过小波去噪方法对训练数据集进行去噪并计算噪声方差;
具体的,利用小波去噪方法对训练数据集去噪,
变量噪声的方差度量模型预测的随机误差;
步骤3)、通过Bootstrap方法对训练数据集进行N次重采样(即取一个训练测试观察值替代当前位置训练数据集的值),得到N组重采样后的训练数据集,根据N组重采样后的训练数据集建立N个新模型,根据N个新模型预测得到N个模型预测值,计算N个模型预测值之间的变化即可得到N个模型预测值的模型预测方差;
具体包括以下步骤:
对一组训练数据集进行N次Bootstrap重采样,通过每个得到的新采样数据集建立一个新的模型,即有N个新模型,从这N个新模型中估计模型预测值之间的变化;
其中Xi表示***的一个状态,Xj表示一个监测变量的时间状态序列。
Bootstrap重采样:对于监测变量Xj的时间状态序列,有放回的随机抽样ntrn次,即得到X的Bootstrap重采样样本X*。
而采用LHS重采样技术:对训练数据应用小波去噪方法得到其“真实”值,从原始训练数据中减去“真实”值,得到噪声的估计值;将噪声概率分布建模为正态分布,通过将分布分割成ntrn个不重叠的间隔(又称为“箱”),每个箱具有的概率;从每个箱中以相等的频率选择随机值,最终噪声分布被均匀地采样,以构建原型训练集。
即Xtst的预测值表示为:
同样地,第j个变量的第i个观测值的方差:
即模型预测方差可以写成:
简化后:利用下式计算N个模型预测值之间的变化即模型预测方差:
得到ntst×p维方差估计,每个p变量的方差按升序排列,选择第95个百分位数最大值来保守估计单点方差;
模型预测方差定义为参数与其期望值平方差的期望,所以模型预测方差也可表示为:
步骤4)、计算N个模型预测值与测试观察值之间的均方误差(MSE);
步骤5)、根据噪声方差、模型预测方差和均方误差计算得到模型偏差;
偏差度量任何***误差。
模型的预测性能由均方误差MSE量化,均方误差MSE根据模型预测值计算:
可约误差是模型预测值与测试观察值Xtst的真实模型M(Xtst)之间距离平方的期望;不可约误差是真实参数值与被测参数值之间的差,由随机过程和测量噪声引起,并且由于不能被确定地建模,所以称为不可约误差。
可约误差解释了模型如何充分地表示真实模型M(Xtst),其只取决于所选择的模型体系结构、训练过程和数据集。可约误差可进一步分解为偏差分量和方差分量。
模型偏差定义为模型的***误差,作为模型的预期预测值与真实目标值之间的差异,可以表示为:
设模型偏差对于每个变量是恒定的,并可由其期望值近似。那么,若偏差平方的期望为负(即,模型预测方差和估计噪声方差之和大于MSE),将其设置为零;
最终可得模型偏差具体如下所示:
实施例:
根据蒙特卡罗不确定度估计值,计算95%置信水平对应的置信区间和预测区间,利用Jackknife偏差估计方法对AAKR模型预测的置信区间(CI)进行纠偏以及计算预测区间,AAKR模型的纠偏前置信区间图如图3所示。
置信区间的一般方程由以下公式给出:
95%置信水平的PI表示为:
由于PI包含噪声方差项,从定义上讲包含CI,所以是模型不确定性的更保守估计;AAKR模型的预测区间如图5所示
本发明基于Bootstrap重采样的自联想核回归模型(AAKR)不确定度计算方法,该方法对传感器历史状态数据随机选择并进行替换,得到Bootstrap样本,以优化AAKR模型架构及确定当前预测值的不确定度,方法包括:加载历史数据、检测并纠正异常值,将数据分为训练和测试数据集;利用Bootstrap重采样训练数据,开发和测试多个原型模型,通过原型模型及测试数据得到预测值,计算预测值和测试观察值之间的均方误差(MSE);利用小波去噪方法对训练数据去噪以估计噪声方差;结合原型模型方差计算模型偏差,形成95%的不确定度值估计,计算95%置信水平的置信区间和预测区间,并利用Jackknife偏差估计方法对置信区间分布偏差进行修正,本发明简化了分析过程、降低了置信区间偏差,在保持收敛性能基础上提高了估计效率。
Claims (10)
1.一种基于重采样的AAKR模型不确定度计算方法,其特征在于,包括以下步骤:
步骤1)、将传感器历史状态数据集分为训练数据集和测试数据集;
步骤2)、通过小波去噪方法对训练数据集进行去噪并计算噪声方差;
步骤3)、通过Bootstrap方法对训练数据集进行多次重采样,每次重采样后得到一组新训练数据集,根据采样后各组新训练数据集建立多个新模型,根据多个新模型预测得到多个模型预测值,计算多个模型预测值之间的变化即可得到多个模型预测值的模型预测方差;
步骤4)、计算模型预测值与测试观察值之间的均方误差;
步骤5)、根据噪声方差、模型预测方差和均方误差计算得到模型偏差;
步骤6)、根据模型偏差和模型方差进行估计,可得到蒙特卡罗不确定度估计值为模型偏差的平方与模型方差之和的开方值的2倍。
2.根据权利要求1所述的一种基于重采样的AAKR模型不确定度计算方法,其特征在于,加载传感器历史数据,并对传感器历史数据进行检测纠正异常值,并将纠正后的数据集分为训练数据集和测试数据集。
7.根据权利要求1所述的一种基于重采样的AAKR模型不确定度计算方法,其特征在于,根据蒙特卡罗不确定度估计值,计算95%置信水平对应的置信区间和预测区间,利用Jackknife偏差估计方法对AAKR模型预测的置信区间(CI)进行纠偏以及计算预测区间。
8.根据权利要求7所述的一种基于重采样的AAKR模型不确定度计算方法,其特征在于,根据蒙特卡罗不确定度估计值,计算95%置信水平对应的置信区间和预测区间,利用Jackknife偏差估计方法对AAKR模型预测的置信区间(CI)进行纠偏以及计算预测区间。
10.一种基于重采样的AAKR模型不确定度计算***,其特征在于,包括数据获取模块、数据去噪模块和数据处理模块;
数据获取模块用于获取传感器历史状态数据集并将获取到的数据集分为训练数据集和测试数据集,将训练数据集传输至数据去噪模块;
数据去噪模块将接收到的训练数据集进行去噪并计算噪声方差并将噪声方差传输至数据去噪模块,同时将去噪后的训练数据传输至数据处理模块;
数据处理模块对训练数据集通过数据获取模块进行多次重采样,每次重采样后得到一组新训练数据集,根据采样后各组新训练数据集建立多个新模型,根据多个新模型预测得到多个模型预测值,计算多个模型预测值之间的变化即可得到多个模型预测值的模型预测方差;同时计算模型预测值与测试观察值之间的均方误差;最后根据噪声方差、模型预测方差和均方误差计算得到模型偏差;以模型偏差和模型方差进行估计,可得到模型偏差的平方与模型方差之和的开方值的2倍值为蒙特卡罗不确定度估计值并输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010852271.5A CN112100574A (zh) | 2020-08-21 | 2020-08-21 | 一种基于重采样的aakr模型不确定度计算方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010852271.5A CN112100574A (zh) | 2020-08-21 | 2020-08-21 | 一种基于重采样的aakr模型不确定度计算方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112100574A true CN112100574A (zh) | 2020-12-18 |
Family
ID=73753164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010852271.5A Pending CN112100574A (zh) | 2020-08-21 | 2020-08-21 | 一种基于重采样的aakr模型不确定度计算方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112100574A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926656A (zh) * | 2021-02-25 | 2021-06-08 | 西安交通大学 | 一种核电厂循环水泵状态预测方法、***及设备 |
CN113486473A (zh) * | 2021-07-27 | 2021-10-08 | 上海电气风电集团股份有限公司 | 风力发电机组的状态监测方法及其***及计算机可读存储介质 |
CN114996830A (zh) * | 2022-08-03 | 2022-09-02 | 华中科技大学 | 盾构隧道下穿既有隧道的可视化安全评估方法及设备 |
CN115542237A (zh) * | 2022-11-29 | 2022-12-30 | 北京志翔科技股份有限公司 | 不确定度的确定方法、装置和电子设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020123953A1 (en) * | 2000-12-15 | 2002-09-05 | Donald Goldfarb | Systems and methods for providing robust investment portfolios |
US20050234753A1 (en) * | 2004-04-16 | 2005-10-20 | Pinto Stephen K | Predictive model validation |
KR20110034288A (ko) * | 2009-09-28 | 2011-04-05 | 한국전력공사 | 중수로 압력관 반경방향 크립 예측 방법 |
CN104408317A (zh) * | 2014-12-02 | 2015-03-11 | 大连理工大学 | 一种基于Bootstrap回声状态网络集成的冶金企业煤气流量区间预测方法 |
CN104915518A (zh) * | 2015-06-30 | 2015-09-16 | 中南大学 | 一种高炉铁水硅含量二维预报模型的构建方法及应用 |
CN105975444A (zh) * | 2016-05-24 | 2016-09-28 | 南京大学 | 一种基于信息熵的地下水数值模拟不确定性定量分析方法 |
CN106126944A (zh) * | 2016-06-28 | 2016-11-16 | 山东大学 | 一种电力变压器顶层油温区间预测方法及*** |
EP3229207A2 (en) * | 2016-04-08 | 2017-10-11 | Goodrich Corporation | Warp models for registering multi-spectral imagery |
CN110096805A (zh) * | 2019-04-30 | 2019-08-06 | 福建农林大学 | 一种有限观测数据下基于改进自助法的结构参数不确定性量化及传递方法 |
CN110531054A (zh) * | 2019-09-29 | 2019-12-03 | 河南省农业科学院农业经济与信息研究所 | 基于Bootstrap抽样的土壤有机碳预测不确定性估测方法 |
CN110866314A (zh) * | 2019-10-22 | 2020-03-06 | 东南大学 | 多层双向门控循环单元网络的旋转机械剩余寿命预测方法 |
US20200184131A1 (en) * | 2018-06-27 | 2020-06-11 | Dalian University Of Technology | A method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction |
-
2020
- 2020-08-21 CN CN202010852271.5A patent/CN112100574A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020123953A1 (en) * | 2000-12-15 | 2002-09-05 | Donald Goldfarb | Systems and methods for providing robust investment portfolios |
US20050234753A1 (en) * | 2004-04-16 | 2005-10-20 | Pinto Stephen K | Predictive model validation |
KR20110034288A (ko) * | 2009-09-28 | 2011-04-05 | 한국전력공사 | 중수로 압력관 반경방향 크립 예측 방법 |
CN104408317A (zh) * | 2014-12-02 | 2015-03-11 | 大连理工大学 | 一种基于Bootstrap回声状态网络集成的冶金企业煤气流量区间预测方法 |
CN104915518A (zh) * | 2015-06-30 | 2015-09-16 | 中南大学 | 一种高炉铁水硅含量二维预报模型的构建方法及应用 |
EP3229207A2 (en) * | 2016-04-08 | 2017-10-11 | Goodrich Corporation | Warp models for registering multi-spectral imagery |
CN105975444A (zh) * | 2016-05-24 | 2016-09-28 | 南京大学 | 一种基于信息熵的地下水数值模拟不确定性定量分析方法 |
CN106126944A (zh) * | 2016-06-28 | 2016-11-16 | 山东大学 | 一种电力变压器顶层油温区间预测方法及*** |
US20200184131A1 (en) * | 2018-06-27 | 2020-06-11 | Dalian University Of Technology | A method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction |
CN110096805A (zh) * | 2019-04-30 | 2019-08-06 | 福建农林大学 | 一种有限观测数据下基于改进自助法的结构参数不确定性量化及传递方法 |
CN110531054A (zh) * | 2019-09-29 | 2019-12-03 | 河南省农业科学院农业经济与信息研究所 | 基于Bootstrap抽样的土壤有机碳预测不确定性估测方法 |
CN110866314A (zh) * | 2019-10-22 | 2020-03-06 | 东南大学 | 多层双向门控循环单元网络的旋转机械剩余寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
P RAMUHALLI等: "Uncertainty Quantification Techniques for Sensor Calibration Monitoring in Nuclear Power Plants", 《NATIONAL TECHNICAL INFORMATION SERVICE,U.S. DEPARTMENT OF COMMERCE》, 30 April 2014 (2014-04-30), pages 1 - 53 * |
文章等: "基于Bootstrap方法的在线检测***不确定度分析", 《机械工程与自动化》, no. 2, 30 April 2016 (2016-04-30), pages 34 - 36 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926656A (zh) * | 2021-02-25 | 2021-06-08 | 西安交通大学 | 一种核电厂循环水泵状态预测方法、***及设备 |
CN113486473A (zh) * | 2021-07-27 | 2021-10-08 | 上海电气风电集团股份有限公司 | 风力发电机组的状态监测方法及其***及计算机可读存储介质 |
CN114996830A (zh) * | 2022-08-03 | 2022-09-02 | 华中科技大学 | 盾构隧道下穿既有隧道的可视化安全评估方法及设备 |
CN114996830B (zh) * | 2022-08-03 | 2022-11-18 | 华中科技大学 | 盾构隧道下穿既有隧道的可视化安全评估方法及设备 |
CN115542237A (zh) * | 2022-11-29 | 2022-12-30 | 北京志翔科技股份有限公司 | 不确定度的确定方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112100574A (zh) | 一种基于重采样的aakr模型不确定度计算方法及*** | |
CN111123188A (zh) | 基于改进最小二乘法的电能表综合检定方法及*** | |
CN111046564B (zh) | 两阶段退化产品的剩余寿命预测方法 | |
CN108549908B (zh) | 基于多采样概率核主成分模型的化工过程故障检测方法 | |
KR100867938B1 (ko) | 종속변수 유사도와 커널 회귀법을 이용한 발전소 계측기성능감시용 예측방법 | |
US20170193460A1 (en) | Systems and methods for predicting asset specific service life in components | |
CN111611294B (zh) | 星敏感器数据异常检测方法 | |
Peng et al. | The transformed inverse Gaussian process as an age-and state-dependent degradation model | |
CN111680398B (zh) | 一种基于Holt-Winters模型的单机性能退化预测方法 | |
Li et al. | Particle filter‐based hybrid damage prognosis considering measurement bias | |
CN111221706A (zh) | 一种cpu使用率预测方法、***、介质及设备 | |
CN115186701A (zh) | 轴承寿命预测方法、装置、电子设备及存储介质 | |
CN111523727A (zh) | 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法 | |
JP2024045515A (ja) | 構造物診断システム、構造物診断方法、および構造物診断プログラム | |
EP3923213A1 (en) | Method and computing system for performing a prognostic health analysis for an asset | |
CN111241629B (zh) | 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 | |
CN110895624B (zh) | 基于最大熵谱估计的加速贮存与自然贮存退化数据一致性检验法 | |
Baraldi et al. | Prognostics under different available information | |
CN116231624A (zh) | 用于评估光伏电站经济效益的光伏组件输出功率预测方法 | |
CN110889083B (zh) | 基于窗谱估计的退化数据一致性检验法 | |
CN110928269A (zh) | 一种基于惯导平台的退化加速试验优化设计方法及*** | |
CN112016034A (zh) | 一种能同时处理数值离散、模型形式和模型预测偏差的不确定度量化方法 | |
CN114329714B (zh) | 一种装配式超高层结构施工运营全阶段的快速结构健康监测方法 | |
CN113806959B (zh) | 一种未来情景下河口设计高潮位定量研究方法 | |
Du et al. | Stochastic fault diagnosis using a generalized polynomial chaos model and maximum likelihood |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |