模型自匹配融合健康预测方法技术

技术编号:14986398 阅读:106 留言:0更新日期:2017-04-03 18:06
本发明专利技术公开一种模型自匹配融合健康预测方法,首先根据现有多种成熟预测模型构建预测模型总库,然后基于待测系统的健康参数时间序列数据对预测模型总库中的预测模型进行预测结果误差测试,选择其中多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,并进一步确定出符合预测结果误差容限要求的l个匹配预测模型用于健康参数的预测,并融合这l个匹配预测模型的预测结果,最终获取待测系统健康参数的预测值。本发明专利技术方法能够实时跟踪最新观测数据,进行多种预测模型的自动选择匹配,依据数据特点自动选择并融合多种预测模型的预测结果,尤其适用于无明显变化规律或变化规律复杂的系统的长期准确预测。

【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,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。本专利技术的模型自匹配融合健康预测方法,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。本专利技术的模型自匹配融合健康预测方法,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m0≤n且m0为正整数;(3.2)以N1个已知数据作为步骤(3.1)的m0个预测模型的输入,利用m0个预测模型计算获取m0组预测结果,采用偏态峰态检验法检验m0个预测模型的预测结果是否符合正态分布,将预测结果符合正态分布的m个预测模型用以构建组合预测模型,其中,m为正整数且m≤m0≤n,偏态峰态检验法为现有成熟方法,此处不再赘述。本专利技术的模型自匹配融合健康预测方法,所述步骤(4)所述对步骤(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,具体实现为:采用F检验法对步骤(3)的m个的预测结果进行显著误差检测,若预测结果有显著误差,则调整具有显著误差的预测模型的参数,若经过10次调整,该预测模型的预测结果依旧不符合误差容限,则从其余n-m个模型中选择一个模型替换该具有显著误差的预测模型;对新采用的预测模型进行显著误差检测及模型参数调整;直至所采用的预测模型的预测结果均符合规定的误差容限;最终确定出l组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。本专利技术的模型自匹配融合健康预测方法,所述步骤(5)中的l组预测结果进行数据融合,得到最终的预测结果,具体步骤为:设已获取的健康参数时间序列数据为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,以N1个已知数据为输入,利用步骤(4)确定的l个预测模型,获取l组预测结果,每组预测结果有N2个预测数据,(5.1)依据N2个测试数据和N2个预测数据计算平均相对误差ej,其中j=1,2,…,l,i=k-N2+1,k-N2+2,…,k,为采用第j个预测模型的第i个预测数据,xi为测试数据;(5.2)求取pj=1-(ej/Σj=1lej);]]>(5.3)以N个已知健康参数时间序列数据为输入,利用步骤(4)确定的l个预测模型,获取前向q步的预测结果为最终求得前向前向q步的健康参数预测结果其中,r=k+1,k+2,…,k+q。附图说明图1是模型自匹配融合健康预测方法流程图。具体实施方式下面结合附图对本专利技术的技术方案进行详细说明。本专利技术提供一种模型自匹配融合健康预测方法,其总体思路为:首先根据现有多种成熟预测模型构建预测模型总库,然后基于待测系统的健康参数时间序列数据对预测模型总库中的预测模型进行预测结果误差测试,选择其中多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,并进一步确定出符合预测结果误差容限要求的l个匹配预测模型用于健康参数的预测,最后融合这l个匹配预测模型的预测结果,最终获取待测系统健康参数的预测值。本专利技术方法能够实时跟踪最新观测数据,进行多种预测模型的自动选择匹配,依据数据特点自动选择并融合多种预测模型的预测结果,尤其适用于无明显变化规律或变化规律复杂的系统的长期准确预测。如图1所示,本专利技术的模型自匹配融合健康预测方法,具体实施包括以下步骤(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、本文档来自技高网...
模型自匹配融合健康预测方法

【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】
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

【专利技术属性】
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

网友询问留言 已有0条评论
  • 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。

1