申请/专利权人：北京航空航天大学

申请日：2021-10-08

公开（公告）日：2024-06-28

公开（公告）号：CN113919216B

主分类号：G06F30/27

分类号：G06F30/27;G06N3/006;G06F111/04;G06F111/06;G06F111/08;G06F119/02

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2022.01.28#实质审查的生效;2022.01.11#公开

摘要：本发明提供一种小子样条件下的参数不确定性量化度量方法，其主要步骤如下：1获取产品参数的观测小子样，选取其分散性相对应的概率分布类型；2根据先验信息确定观测小子样累积概率的取值范围；3构建观测小子样的顺序统计量，计算其经验累积分布函数；4基于观测小子样和选取的概率分布类型建立样本的似然函数；5选取样本在累积概率约束下的似然值作为优化目标，建立目标函数；6基于经验累积概率的线性映射引入约束条件并结合目标函数构建最优化问题；7采用基于模拟退火的粒子群优化算法求解优化问题，获取概率分布参数估计值。本发明为小子样参数提供了一种简便、有效的概率不确定性量化度量方法。

主权项：1.一种小子样条件下的参数不确定性量化度量方法，其特征在于：包括以下步骤：步骤1：将产品某关键参数现场试验采集、记录的数据作为观测小子样，依据工程经验确定该关键参数的概率分布类型，所述参数为几何尺寸参数、材料性能参数、机械产品的寿命参数和电子产品的寿命参数；步骤2：根据先验信息，包括工程经验和专家认知经验，确定观测小子样累积概率的取值范围[P1,P2]内，其中P1、P2分别为依据先验信息确定的区间样本累积概率的下限值和上限值；步骤3：构建所述观测小子样的顺序统计量，计算观测小子样的经验累积分布函数；步骤4：基于观测小子样和选取的概率分布类型建立样本的似然函数；步骤5：选取观测小子样在累积概率约束下的似然值作为优化目标并建立目标函数；步骤6：基于经验累积概率的线性映射引入约束条件并结合目标函数构建最优化问题；步骤61：所述经验累积概率的线性映射是指：将观测小子样的经验累积概率值按照一次函数关系进行映射变换以获得观测小子样的累积概率映射修正值，观测小子样经验累积概率值的计算见式1，观测小子样累积概率映射修正值的计算见式2； Mcdfxi＝ai×Ecdfxi+bi,i＝1,2,…,n2其中，Ecdfxi代表顺序统计量中第i个样本的经验累积概率；n代表样本的数目；ai,bi分别代表表征映射关系的系数项和常数项，为待优化参数；Mcdfxi代表顺序统计量中第i个样本点的累积概率映射修正值；步骤62：所述引入的约束条件如下：1观测小子样累计概率映射修正值处于步骤2确定的累积概率的取值范围内；2观测小子样值和其对应的累积概率映射修正值服从单调性约束；步骤63：构建的最优化问题可描述为：在观测小子样的累积概率映射修正值满足取值范围[P1,P2]的条件下，对观测小子样的似然值进行优化，从而使观测小子样在给定条件下的发生概率最大；步骤7：采用基于模拟退火的粒子群优化算法求解优化问题以构建概率不确定性表征模型；步骤71：设定粒子群包含N个粒子pj,j＝1,2,…,N；步骤72：每个粒子pj,j＝1,2,…,N均携带n个样本的映射系数项ai,i＝1,2,…,n和映射常数项bi,i＝1,2,…,n的信息；步骤73：样本的累积概率映射修正值与在分布参数θ下的理论累积概率值之差的平方记为Q，通过最小化误差平方和Q求解每组粒子pj,j＝1,2,…,N对应的概率分布参数Q的表达式见式3； 其中，Fθxi表示顺序统计量中的第i个样本在分布参数θ下的理论累积概率值；步骤74：每个粒子pj,j＝1,2,…,N的适应度fitj,j＝1,2,…,N用观测小子样的目标函数值来表征，第j个粒子的适应度值fitj的表达式见式4； 其中，xi,i＝1,2,…n表示观测小子样，n为样本的个数，为第j个粒子对应的分布参数；步骤75：将第T代粒子群中适应度最低的粒子记为第T代中的最优粒子，并将对应的概率分布参数记为步骤76：当粒子群的迭代寻优满足收敛条件时，即当前第T代粒子群输出的最优分布参数与上一代粒子的最优分布参数的误差小于临界值ε,ε≤10-3时，将最优分布参数对应的概率分布模型作为观测小子样的不确定性量化度量模型。

全文数据：

权利要求：

百度查询： 北京航空航天大学 一种小子样条件下的参数不确定性量化度量方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD