基于强跟踪滤波的轨道客车微动开关剩余寿命预测方法

    公开(公告)号:CN109885849A

    公开(公告)日:2019-06-14

    申请号:CN201810425592.X

    申请日:2018-05-07

    IPC分类号: G06F17/50 G01R31/327

    摘要: 一种基于强跟踪滤波的轨道客车微动开关剩余寿命预测方法,属于可靠性工程技术领域。它为了解决现有微动开关剩余寿命预测方法适用性低、鲁棒性差的问题。其方法:1、建立带有随机参数的微动开关剩余寿命模型;2、采用贝叶斯后验估计算法实时更新随机参数;3、采用EM算法同时更新模型初始参数以及系统误差;4、采用强跟踪滤波算法融合预测残差,当预测结果出现明显偏差时及时修正模型中的随机参数;5、根据更新后的参数实时预测微动开关剩余使用寿命。优点是自适应预测能力强,不依赖于同类型历史数据,当微动开关在寿命末期退化过程不稳定时或模型初始参数设置不正确时,仍然可以保持较高的剩余寿命预测精度。

    一种可解释的机器学习方法——深度证据推理规则

    公开(公告)号:CN114358289A

    公开(公告)日:2022-04-15

    申请号:CN202111167208.9

    申请日:2021-10-04

    摘要: 本发明涉及一种可解释的机器学习方法——深度证据推理规则,属于机器学习方法领域。该方法步骤如下:1.将定量数据和定性知识转化为置信度分布输入到DERR模型中。2.将输入特征通过证据推理规则进行特征融合。3.在前向传播过程中,利用若干个证据推理规则块(ERRB)建立DERR模型的层结构。对于输入特征,提取每个ERRB的局部输入特征作为输出特征。4.当得到下层权重时,通过权重的反向传播得到上层权重。5.通过基于协方差矩阵的自适应演化策略(CMA‑ES)优化算法,对DERR模型参数进行优化。本发明的优点是与传统机器学习方法相比,本模型具有出色的分类能力;可以描述更一般的不确定性信息;可以输入各种类型的特征;本模型具有良好的可解释性。