[發明專利]一種基于分層誤差控制的因子效應在線識別方法和設備

在審

• 申請號: 202210047863.9
• 申請日: 2022-01-17
• 公開（公告）號: CN114492007A
• 公開（公告）日: 2022-05-13
• 發明（設計）人: 施文;謝翔;陳曉紅
• 申請（專利權）人: 中南大學
• 主分類號: G06F30/20
• 分類號: G06F30/20
• 代理公司: 長沙市融智專利事務所(普通合伙) 43114
• 代理人: 熊開蘭

本發明公開了一種基于分層誤差控制的因子效應在線識別方法和設備，方法包括：初始化主/交互效應識別的參數；實時識別在線數據驅動的仿真模型中的變動因子，構建實時設計矩陣；由仿真模型的輸出計算變動因子的基效應；將基效應轉換為主/交互效應假設檢驗的新樣本，兩種效應均從各自新樣本抽樣獲得Bootstrap樣本，重復各獲得B個Bootstrap樣本；計算每個Bootstrap樣本的檢驗統計量，計算主/交互效應檢驗的p值；將主/交互效應檢驗的p值與各自的檢驗水平比較，確定該變動因子是否具有重要主/交互效應，完成任意觀測點對變動因子的識別。本發明可以在線識別因子效應的重要性并控制判定結果的誤差。

技術領域

本發明屬于仿真建模與分析領域，具體涉及一種基于分層誤差控制的因子效應在線識別方法和設備。

背景技術

在工業4.0背景下，物聯網、商務智能、5G和云計算等技術被集成到大規模應用中，從而實現實時數據傳輸、處理和反饋。數字孿生作為一種基于實時數據和模型的系統建模方法，是當前最先進的數字化研究范式。數字孿生通過仿真建模構建數字世界，并通過實時數據來動態更新仿真模型參數；而數字世界的特性之一是控制，基于數模聯動仿真的方式發現不同時間維度下難以察覺的動態，隨后傳遞行動指令以實現物理實體增值。這種在線數據驅動的仿真需要更強大的工具來化解系統內部復雜性，并觀察其動態特征以支持實時決策。

因子效應識別/靈敏度分析是描述仿真系統潛在輸入/輸出關系的重要技術手段，它能結合實驗設計、抽樣和統計推斷來識別出對系統輸出具有顯著影響的因子(輸入)。其中，序貫分支法與Morris基效應法被普遍認為是最有效的兩種因子效應識別方法。但傳統因子效應識別研究大多集中于靜態數據下的離線仿真模型，僅限于在一次全局靈敏度分析中控制兩類錯誤發生的概率。而在線數據驅動的仿真模型中，因子的取值范圍可能會不斷發生變動，如智能制造車間的設備故障引起的生產量降低，則因子對系統績效原有的重要性分類可能也會發生相應變化，即因子的主效應和交互(非線性)效應的顯著性發生變化。如果簡單地將離線的因子效應識別方法應用于在線設置，難以滿足實時仿真實驗分析的效率和效力要求。

隨著在線實時決策近年來受到廣泛關注，實時誤差控制研究的興起為本發明提供了解決思路。當前最先進的實時誤差控制方法包括單調的一般化alpha投資規則、丟棄-支出算法等，但這些方法都是基于不同時間點獨立性假設，未考慮同一時間點檢驗多個存在相關關系的假設(如因子效應實時識別中考慮的主效應假設和交互效應假設)的情形。因此，有必要開發一種自適應的在線方法來實時識別所變動因子的重要效應并控制總體的誤差水平。

發明內容

針對當前數字孿生背景下在線數據驅動仿真分析技術的不足，本發明提出了一種基于分層誤差控制的因子效應在線識別方法和設備，通過采用分層結構，在線識別因子效應的重要性并控制判定結果的誤差，解決了實時抵達的主效應和交互效應(本發明將交互或非線性效應統一簡稱為交互效應)假設之間互不獨立的實時假設檢驗問題。

為實現上述技術目的，本發明采用如下技術方案：

一種基于分層誤差控制的因子效應在線識別方法，包括：

步驟1，根據整體因子效應識別的FDR水平η，對主效應識別和交互效應識別進行參數初始化；

步驟2，針對在線數據驅動的仿真模型中存在的k個因子，獲取模型中在任意觀測點t取值范圍發生變動的單個因子，記為變動因子l_t，進而構建實時設計矩陣；其中，變動因子 l_t∈{1，2，…，k}；

步驟3，將實時設計矩陣輸入仿真模型獲得仿真輸出，計算變動因子的基效應；

步驟4，根據原始的變動因子基效應樣本，轉換獲取主效應假設檢驗的基效應新樣本和交互效應檢驗的基效應新樣本：