【技术实现步骤摘要】
本专利技术涉及故障预测与健康管理
,尤其涉及一种模型自匹配融合健康预测方法。
技术介绍
在设备或系统健康预测过程中,通常假定退化规律在整个预测周期内保持不变,从而采用单一预测模型进行健康预测。对于具有特定或固定退化规律的设备或系统,单一预测模型能够表现出较好的预测效果。然而,多数设备或系统在健康状态的实际退化过程中,退化规律或退化模式常常在不断地变化,不同退化模式中退化状态的存在差异,单个预测模型即便是具有自适应参数调整能力的模型,由于模型自身条件限制也是很难适用于不同的退化模式。为此,本专利技术给出模型自匹配融合健康预测方法,为实现长期有效预测,考虑退化规律的变化,能够根据最新退化规律自适应地选择多种预测模型,融合多种预测模型的预测结果进行设备或系统的健康预测,为设备或系统的健康状态预测以及剩余寿命估计提供了一种新思路。
技术实现思路
本专利技术的目的在于提供一种模型自匹配融合健康预测方法,用于预测未来设备或系统的健康状况,为实现高效准确的预测及健康管理提供保障。为了达成上述目的,本专利技术的解决方案是:模型自匹配融合健康预测方法,包括以下步骤(1)~(7):(1)选择n个预测模型构建预测模型总库,其中n为正整数且n≥1;(2)依据健康参数时间序列数据,对步骤(1)的预测模型总库中的各预测模型进行预测结果误差测试,选择其中m个预测结果误差符合正态分布的预测模型,作为组合预测模型 ...
【技术保护点】
一种模型自匹配融合健康预测方法,其特征在于,包括以下步骤:(1)选择n个预测模型构建预测模型总库,其中n为正整数且n≥1;(2)依据健康参数时间序列数据,对步骤(1)的预测模型总库中的各预测模型进行预测结果误差测试,选择其中m个预测结果误差符合正态分布的预测模型,作为组合预测模型,其中,m为正整数且m≤n,健康参数为待测系统的物理参数或非物理参数,健康参数时间序列记为xk‑N+1,xk‑N+2,…xk,k为当前时刻,N为正整数且N≤k;(3)基于健康参数时间序列数据,利用步骤(2)确定的组合预测模型中的m个预测模型对健康参数进行预测,获取对应的m组预测结果;(4)对步骤(3)的m组预测结果进行显著误差检测,依据显著误差检测结果确定出l个预测结果均无显著误差的预测模型作为匹配预测模型,其中l为正整数且l≤m;(5)利用步骤(4)中确定的l个匹配预测模型进行健康参数预测,获取对应的l组预测结果;(6)对步骤(5)获取的l组预测结果进行数据融合,得到最终的健康参数预测结果;(7)获取新的健康参数数据,重复步骤(2)至步骤(6),最终实现跟踪最新观测数据的模型自动选择匹配的长期预测。
【技术特征摘要】 【专利技术属性】
1.一种模型自匹配融合健康预测方法,其特征在于,包括以下步骤:
(1)选择n个预测模型构建预测模型总库,其中n为正整数且n≥1;
(2)依据健康参数时间序列数据,对步骤(1)的预测模型总库中的各预测模型进行预测
结果误差测试,选择其中m个预测结果误差符合正态分布的预测模型,作为组合预测模型,
其中,m为正整数且m≤n,健康参数为待测系统的物理参数或非物理参数,健康参数时间序
列记为xk-N+1,xk-N+2,…xk,k为当前时刻,N为正整数且N≤k;
(3)基于健康参数时间序列数据,利用步骤(2)确定的组合预测模型中的m个预测模型
对健康参数进行预测,获取对应的m组预测结果;
(4)对步骤(3)的m组预测结果进行显著误差检测,依据显著误差检测结果确定出l个预
测结果均无显著误差的预测模型作为匹配预测模型,其中l为正整数且l≤m;
(5)利用步骤(4)中确定的l个匹配预测模型进行健康参数预测,获取对应的l组预测结
果;
(6)对步骤(5)获取的l组预测结果进行数据融合,得到最终的健康参数预测结果;
(7)获取新的健康参数数据,重复步骤(2)至步骤(6),最终实现跟踪最新观测数据的模
型自动选择匹配的长期预测。
2.如权利要求1所述模型自匹配融合健康预测方法,其特征在于,所述步骤(1)中选择n
个预测模型构建预测模型总库,预测模型总库具体包括的预测模型有:支持向量回归预测
模型、灰色理论预测模型GM(1,1)、BP神经网络预测模型、自回归滑动平均模型ARMAM、卡尔
曼滤波预测模型、粒子滤波预测模型、多项式回归拟合预测模型,即n=7。
3.如权利要求1所述模型自匹配融合健康预测方法,其特征在于,所述步骤(2)中依据
健康参数时间序列数据,对步骤(1)中的预测模型总库中的预测模型进行预测结果误差测
试,选择m个预测结果误差符合正态分布的预测模型,作为组合预测模型,具体步骤为:
设已获取的健康参数时间数据为N个,记为xk-N+1,xk-N+2,…xk,将N个健康参数时间数据
分为N1个已知数据和N2=N-N1个测试数据,其中k为当前时刻,
(3.1)从预测模型总库中选择m0个预测模型,并给定该m0个预测模型的模型参数,其中
技术研发人员:姜媛媛,刘柱,刘延彬,
申请(专利权)人:安徽理工大学,
类型:发明
国别省市:安徽;34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。