[发明专利]基于极小样本数据的时钟装置寿命预测方法

说明书

本发明公开了基于极小样本数据的时钟装置寿命预测方法，具体包括以下步骤：设计时钟装置加速寿命试验获取原始试验样本数据；对BP神经网络进行学习训练，然后通过所述训练好的BP神经网络对所述原始实验样本数据进行仿真；将样本数据作为Bootstrap算法的数据输入，利用所述Bootstrap法的再抽样理论，将样本量扩充至适合可靠性分析的大样本量；结合最小二乘线性拟合算法，确定时钟装置可靠性分布模型参数；计算加速应力下的时钟装置可靠性指标MTBF，并结合加速因子将所述加速应力下的可靠性指标MTBF折算到新研制设备时钟装置在正常应力条件下的可靠性指标MTBF值。本发明在缺少先验信息以及数据样本呈现极小样本特点的情况下，可以对极小样本数据进行有效扩容，方便形成大样本数据实现对时钟装置的寿命预测。

技术领域

本发明涉及寿命预测技术领域，具体为基于极小样本数据的时钟装置寿命预测方法。

背景技术

针对小样本问题，Bayes法、GreyModel法、支持向量机(SVM)方法以及Bootstrap法是实际工程中的常用方法；Bayes法可结合小样本下多种来源、多种形式的先验信息，得到较完整的后验信息，从而得到较好的概率估计值；此两种方法均能在一定程度上解决小样本问题，但缺点在于需要一定的先验信息，对于缺少先验信息的新研制设备不适用；

GreyModel法基于灰色理论建立灰色预测寿命模型，从而预测产品在小样本条件下的可靠性寿命数据；Bootstrap法通过对数据进行随机重复抽样实现将小样本问题转化为大样本问题，但在样本数据不足10个时该方法仿真可能带来很大偏差；支持向量机(SVM)方法是一种基于结构风险最小化原则的机器学习方法，在解决小样本情况下的回归问题方面展现了良好的学习性能，但SVM在解决野值点敏感问题上仍存在很大不足，需要考虑小样本数据存在的分散性。

上述多种方法虽能在一定程度上解决小样本问题，但在极小样本情况下对产品进行寿命预测时，仍存在不足。

因此，亟需研究基于极小样本数据的时钟装置寿命预测方法，对于提高运维工作效率具有重要意义。

发明内容

本发明的目的在于提供基于极小样本数据的时钟装置寿命预测方法，解决的现有技术中虽能在一定程度上解决小样本问题，但在极小样本情况下对产品进行寿命预测时，仍存在不足的问题。

为实现上述目的，本发明提供如下技术方案：基于极小样本数据的时钟装置寿命预测方法，具体包括以下步骤：

步骤1，设计加速寿命试验获取原始试验样本数据，并对所述原始实验样本数据进行预处理；

步骤2，对BP神经网络进行学习训练，确定网络内部的结构参数，并将训练好的BP神经网络保存，然后通过所述训练好的BP神经网络对所述原始实验样本数据进行仿真得到与所述原始数据样本变化规律近似的扩充数据样本，直至将样本量扩充至10；

步骤3，将所述10个样本数据作为Bootstrap算法的数据输入，利用所述Bootstrap法的再抽样理论，将10个样本量扩充至适合可靠性分析的大样本量，结合最小二乘线性拟合算法，估算出时钟装置失效分布函数模型参数估值；

步骤4，根据应力施加类型，计算加速应力下的可靠性指标MTBF，并结合加速因子将所述加速应力下的可靠性指标MTBF折算到新研制设备在正常应力条件下的可靠性指标MTBF值，进行正常工作条件下的寿命预测。

优选的，所述步骤1包括：

S1、分析新研制设备系统原理，并基于系统原理分析对其进行失效分析，并设计加速寿命试验获取原始试验数据；

S2、按照时间长短排序得到原始失效数据样本，并按经验公式可计算出其对应的可靠度R(t_i)；