[發明專利]一種預測機器損壞時間的生存分析方法

有效

• 申請號: 202011375405.5
• 申請日: 2020-11-30
• 公開（公告）號: CN112507612B
• 公開（公告）日: 2022-08-02
• 發明（設計）人: 鄭雷;張偉楠
• 申請（專利權）人: 上海交通大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06F119/12
• 代理公司: 上海旭誠知識產權代理有限公司 31220
• 代理人: 鄭立

一種預測機器損壞時間的生存分析方法，把預測機器損壞時間的生存分析問題拆解成分時間片的子問題，將整個時間長度上的時間序列預測問題分解之后大大降低了問題使用神經網絡建模長時間序列預測問題的難度，通過使用相同的神經網絡來建模每個時間片的風險概率，通過條件概率法則得到最終的生存概率。在不對機器的損壞時間在時間上的分布進行任何假設的前提下，可以結合大數據訓練出預測模型。不僅僅可以用在離散時間片的生存概率預測上，在連續時間的生存概率預測上也可以發揮作用。實驗證明，通過深度神經網絡來訓練生存分析模型預測準確率遠超傳統方法。并且通過并行計算，本算法可以在不增加運算時間的情況下進行長距離的生存概率預測。

技術領域

本發明涉及工程領域中對于機器設備損壞時間的建模，特別是使用生存分析方法對該問題進行建模和研究。

背景技術

在工程領域，生存分析常常被用來預測機器的損壞時間。生存分析是研究生存現象和響應事件數據及其統計規律的一門學科。該學科在醫學、生物學、金融學等領域應用相當廣泛的統計學分支。

傳統的生存分析方法往往需要對數據分布有一個非常強的假設。比如常用的參數回歸，使用這種方法的時候我們要先選擇一個分布，然后通過數據去擬合分布方程中的參數。還有一類Cox方法的半參數化方法，這種方法假設數據是等比例風險分布的，也就是不同的實例所屬的分布之間是相同的分布只是有一些比例的區別。最近提出了一些使用深度學習來建模生存分析問題的方法，但是這些方法只關注了在使用離散時間模型的情況下如何建模而忽略了在連續時間模型下如何使用深度學習方法進行建模。

一、分析近期關于生存分析的專利技術

1.申請號為CN111312393A的中國發明專利《一種結合主動學習的時序深度生存分析系統》提出了一種結合主動學習的生存分析系統，該方法主要針對離散時域，并不適用于連續時域。

2.申請號為CN111243738A的中國發明專利《生存分析模型的構建、生存率的預測方法、裝置及設備》提出了一種生存分析的模型，但是該方法無法針對單個病人的獨特特征進行建模，只能進行粗粒度的建模

二、分析近期對于生存分析的研究

1.Kan Ren等在Association for the Advancement of ArtificialIntelligence(人工智能促進協會)第三十三屆會議上發表的Deep Recurrent SurvivalAnalysis《深度循環生存分析神經網絡》,該文將生存分析問題用一個循環神經網絡來處理，其不足之處在于結果輸出時延過長。

2.Changhee Lee等在Association for the Advancement of ArtificialIntelligence(人工智能促進協會)第三十二屆會議上發表的DeepHit:A Deep LearningApproach to Survival Analysis With Competing Risks《深度競爭風險生存分析神經網絡》,該文將生存分析問題用一個神經網絡來建模，其不足之處在于無法完整使用數據中的信息。

對于國內外相關專利分析以及相關研究可以得出以下結論：目前在生存分析預測領域沒有同時適用于連續時間域和離散時間域的細粒度生存分析預測模型。

因此本應用致力于開發一種可以同時適應于連續時間領和離散時間域的細粒度預測生存分析模型。

發明內容

有鑒于現有技術的上述缺陷，本發明開發一種可以同時適應于連續時間領和離散時間域的細粒度預測生存分析方法。