CN102779233A - 基于正则化方法改进多变量灰色模型的故障预测方法 - Google Patents

基于正则化方法改进多变量灰色模型的故障预测方法 Download PDF

Info

Publication number
CN102779233A
CN102779233A CN2012102053875A CN201210205387A CN102779233A CN 102779233 A CN102779233 A CN 102779233A CN 2012102053875 A CN2012102053875 A CN 2012102053875A CN 201210205387 A CN201210205387 A CN 201210205387A CN 102779233 A CN102779233 A CN 102779233A
Authority
CN
China
Prior art keywords
mrow
msubsup
math
msup
munderover
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2012102053875A
Other languages
English (en)
Inventor
沈毅
贺智
冯乃章
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN2012102053875A priority Critical patent/CN102779233A/zh
Publication of CN102779233A publication Critical patent/CN102779233A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

基于正则化方法改进多变量灰色模型的故障预测方法,属于故障预测领域,本发明为解决多变量灰色模型GM(1,N)在用最小二乘法计算灰色系数的过程中可能出现病态,但目前没有解决方案的问题。本发明在不改变原有多变量灰色模型计算框架的前提下,在求灰色系数前,先判断是否会出现病态问题,如果是,则用正则化方法来求解该系数,否则,仍用最小二乘法求解。这样,有利于得到更加准确的灰色系数,提高灰色模型的故障预测精度。

Description

基于正则化方法改进多变量灰色模型的故障预测方法
技术领域
本发明涉及基于正则化方法改进多变量灰色模型的故障预测方法,属于故障预测领域。
背景技术
依据系统与信息之间的关系,可将系统分为三类:白色系统(信息完全明确)、黑色系统(信息完全不明确)和灰色系统(信息部分明确,部分不明确)。鉴于很多实际设备系统呈现灰性,华中理工大学的邓聚龙教授于1982年提出了解决此类问题的灰色系统理论,现今已经成为故障预测等众多领域的主要方法之一。作为灰色理论的重要分支,灰色模型通过建立特殊的微分方程来揭示系统内部事物连续发展变化的规律,对时间序列短、统计数据少、信息不完全的设备系统的建模与分析,具有独特的优势,得到了广泛的应用。事实上,灰色模型可以统称为GM(P,Q),其中G代表Grey,M代表Model,P代表灰色模型是P阶方程,Q代表灰色模型有Q个变量。最常用的灰色模型是一维情形的GM(1,1)(P=1,Q=1),多变量灰色模型可以表示为GM(1,N)(P=1,Q=N)。
作为一种重要的故障预测技术,灰色模型一方面得到了日益广泛的应用,另一方面仍存在很多亟待解决的问题,如,病态问题。然而,从目前的研究成果来看,已有的病态问题解决办法并不多:对于GM(1,1),主要是通过对原始数据进行简单的数乘变换,以期抑制在最小二乘法求解灰色系数时可能出现的病态问题;对于GM(1,N),即使是迄今最为突出的基于卷积积分的多变量模型(Convolution Integral based GM(1,N),以下简称GMC(1,N)),也没有涉及对病态问题的处理算法,这直接导致了GM(1,N)在存在病态问题时会失效,使得其模型模拟能力和故障预测能力大大下降,阻碍了GM(1,N)的进一步应用。综上所述,寻求一套切实可行的GM(1,N)病态问题解决办法,不但能提高其故障预测精度,而且有助于其在社会、经济等其他领域的深入应用,扩大灰色系统理论的影响力。
发明内容
本发明目的是为了解决多变量灰色模型GM(1,N)(Regularization Tools based)在用最小二乘法计算灰色系数的过程中可能出现病态,但目前没有解决方案的问题,提供了一种基于正则化方法改进多变量灰色模型的故障预测方法。
本发明所述基于正则化方法改进多变量灰色模型的故障预测方法,该方法包括以下步骤:
步骤一、输入的待测设备的故障原始特征数据序列为
X 1 ( 0 ) = { x 1 ( 0 ) ( 1 ) , x 1 ( 0 ) ( 2 ) , . . . , x 1 ( 0 ) ( k ) , . . . , x 1 ( 0 ) ( n ) } , k=1,2,...,n    (1)
x 1 ( 0 ) ( k ) ≥ 0 ;
输入的待测设备的故障相关数据序列为
X i ( 0 ) = { x i ( 0 ) ( 1 ) , x i ( 0 ) ( 2 ) , . . . , x i ( 0 ) ( t ) , . . . , x i ( 0 ) ( n + m ) } , i=2,3,...,N,t=1,2,...,n+m    (2)
x i ( 0 ) ( t ) ≥ 0 ,
其中,m为待预测数据个数,
Figure BDA00001791854900025
i=2,3,...,N决定,
通过公式 x 1 ( 1 ) ( k ) = Σ l = 1 k x 1 ( 0 ) ( l ) - - - ( 3 )
公式 x i ( 1 ) ( t ) = Σ l = 1 t x i ( 0 ) ( l ) - - - ( 4 )
计算
Figure BDA00001791854900029
i=1,2,...,N的一阶累加生成数
步骤二、以
Figure BDA000017918549000211
为初值,建立如下多变量灰色模型R-GMC(1,N)
dx 1 ( 1 ) ( t ) dt + ax 1 ( 1 ) ( t ) = Σ i = 1 N - 1 b i x i + 1 ( 1 ) ( t ) + b N - - - ( 5 )
令灰色系数为κ=[a b1 b2...bN]T,计算R-GMC(1,N)的灰色系数κ,根据公式(5)梯形公式化简为
Bκ=Y    (6)
其中
Y = x 1 ( 0 ) ( 1 ) x 1 ( 0 ) ( 2 ) · · · x 1 ( 0 ) ( n ) T - - - ( 7 )
Figure BDA00001791854900031
步骤三、判断步骤二中的矩阵方程(6)是否病态,如果是,则执行步骤五;否则,执行步骤四;
矩阵方程(6)中矩阵B的大小为(n-1)×(N+1),而BTB为(N+1)×(N+1)的对称矩阵,
则判断矩阵方程(6)是否为病态的条件为:
判断BTB的条件数cond(BTB)=||BTB||2||(BTB)-1||2是否大于1000,其中||·||2为二范数,
如果判断结果为是,则确定矩阵方程(6)是病态的;如果判断结果为否,则确定矩阵方程(6)是良态的。
步骤四、由最小二乘法计算得到灰色系数κ:κ=[a b1 b2...bN]T=(BTB)-1BTY,然后执行步骤六;
步骤五、由正则化方法求解κ,然后执行步骤六;
步骤六、利用步骤四或五求得的灰色系数κ对
Figure BDA00001791854900032
进行预测:
x ^ 1 ( 1 ) ( t ) = x 1 ( 0 ) ( 1 ) e - a ( t - 1 ) + 1 2 e - a ( t - 1 ) f ( 1 ) + Σ τ = 2 t - 1 [ e - a ( t - τ ) f ( τ ) ] + 1 2 f ( t ) - - - ( 9 )
其中, f ( t ) = Σ i = 1 N - 1 b i x i + 1 ( 1 ) ( t ) + b N ,
Figure BDA00001791854900035
Figure BDA00001791854900037
的预测值,bi,i=1,2,...,N为相关系数,a为发展系数;
步骤七、由步骤六的可求得
x ^ 1 ( 0 ) ( t ) = x ^ 1 ( 1 ) ( t ) - x ^ 1 ( 1 ) ( t - 1 ) - - - ( 10 )
其中, x ^ 1 ( 0 ) ( 1 ) = x 1 ( 0 ) ( 1 ) ,
Figure BDA000017918549000312
的预测值。
步骤八、由步骤一至七得到了
Figure BDA000017918549000313
就可以通过下式计算R-GMC(1,N)的预测精度
RMSPEPR = 1 n Σ t = 1 n [ x ^ 1 ( 0 ) ( t ) - x 1 ( 0 ) ( t ) ] 2 / [ x 1 ( 0 ) ( t ) ] 2 × 100 % - - - ( 11 )
RMSPEPO = 1 m Σ t = n + 1 n + m [ x ^ 1 ( 0 ) ( t ) - x 1 ( 0 ) ( t ) ] 2 / [ x 1 ( 0 ) ( t ) ] 2 × 100 % - - - ( 12 )
其中,RMSPEPR为由前部分样本,即t=1,2,...,n组成的根平均平方误差百分比,而RMSPEPO为由后部分样本,即t=n+1,n+2,...,n+m组成的根平均平方误差百分比;
步骤九、判断条件
Figure BDA00001791854900042
是否满足,其中ε1为故障阈值上界,ε2为故障阈值下界,
若满足,则说明待测设备无故障;否则,判定待测设备有故障。
本发明的优点:
1)在计算灰色系数的过程中,本发明方法先判断矩阵方程Bκ=Y是否病态,如果是,则用正则化方法来求取灰色系数,否则,仍用最小二乘法求解该系数。这样能有效处理病态问题,得到较准确的灰色系数,有助于提高故障预测精度;
2)本发明方法不改变原有多变量灰色模型故障预测的框架,计算过程简单,易于实现与扩展,有利于该模型的推广应用。
附图说明
图1是本发明所述一种基于正则化方法多变量灰色模型的故障预测方法流程图;
图2是本发明方法选用正则化方法LC-TSVD来求解灰色系数过程中的正则化参数图;
图3是本发明方法与GMC(1,N)求得的
Figure BDA00001791854900043
t=1,2,...,12的故障预测值及原始值对比图;
图4是本发明方法与GMC(1,N)求得的
Figure BDA00001791854900044
t=1,2,...,12的故障预测值及原始值对比图;
图5是本发明方法与GMC(1,N)的故障预测精度(包括RMSPEPR和RMSPEPO)对比图。
具体实施方式
具体实施方式一:下面结合图1说明本实施方式,本实施方式所述基于正则化方法改进多变量灰色模型的故障预测方法,该方法包括以下步骤:
步骤一、输入的待测设备的故障原始特征数据序列为
X 1 ( 0 ) = { x 1 ( 0 ) ( 1 ) , x 1 ( 0 ) ( 2 ) , . . . , x 1 ( 0 ) ( k ) , . . . , x 1 ( 0 ) ( n ) } , k=1,2,...,n    (1)
x 1 ( 0 ) ( k ) ≥ 0 ;
输入的待测设备的故障相关数据序列为
X i ( 0 ) = { x i ( 0 ) ( 1 ) , x i ( 0 ) ( 2 ) , . . . , x i ( 0 ) ( t ) , . . . , x i ( 0 ) ( n + m ) } , i=2,3,...,N,t=1,2,...,n+m    (2)
x i ( 0 ) ( t ) ≥ 0 ,
其中,m为待预测数据个数,
Figure BDA00001791854900054
Figure BDA00001791854900055
i=2,3,...,N决定,
通过公式 x 1 ( 1 ) ( k ) = Σ l = 1 k x 1 ( 0 ) ( l ) - - - ( 3 )
公式 x i ( 1 ) ( t ) = Σ l = 1 t x i ( 0 ) ( l ) - - - ( 4 )
计算
Figure BDA00001791854900058
i=1,2,...,N的一阶累加生成数
Figure BDA00001791854900059
步骤二、以
Figure BDA000017918549000510
为初值,建立如下多变量灰色模型R-GMC(1,N)
dx 1 ( 1 ) ( t ) dt + ax 1 ( 1 ) ( t ) = Σ i = 1 N - 1 b i x i + 1 ( 1 ) ( t ) + b N - - - ( 5 )
令灰色系数为κ=[a b1 b2...bN]T,计算R-GMC(1,N)的灰色系数κ,根据公式(5)梯形公式化简为
Bκ=Y    (6)
其中
Y = x 1 ( 0 ) ( 1 ) x 1 ( 0 ) ( 2 ) · · · x 1 ( 0 ) ( n ) T - - - ( 7 )
Figure BDA000017918549000513
步骤三、判断步骤二中的矩阵方程(6)是否病态,如果是,则执行步骤五;否则,执行步骤四。
步骤四、由最小二乘法计算得到灰色系数κ:κ=[a b1 b2...bN]T=(BTB)-1BTY,然后执行步骤六;
步骤五、由正则化方法求解κ,然后执行步骤六;
步骤六、利用步骤四或五求得的灰色系数κ对
Figure BDA00001791854900061
进行预测:
x ^ 1 ( 1 ) ( t ) = x 1 ( 0 ) ( 1 ) e - a ( t - 1 ) + 1 2 e - a ( t - 1 ) f ( 1 ) + Σ τ = 2 t - 1 [ e - a ( t - τ ) f ( τ ) ] + 1 2 f ( t ) - - - ( 9 )
其中, f ( t ) = Σ i = 1 N - 1 b i x i + 1 ( 1 ) ( t ) + b N ,
Figure BDA00001791854900064
Figure BDA00001791854900065
Figure BDA00001791854900066
的预测值,bi,i=1,2,...,N为相关系数,a为发展系数;
步骤七、由步骤六的
Figure BDA00001791854900067
可求得
x ^ 1 ( 0 ) ( t ) = x ^ 1 ( 1 ) ( t ) - x ^ 1 ( 1 ) ( t - 1 ) - - - ( 10 )
其中, x ^ 1 ( 0 ) ( 1 ) = x 1 ( 0 ) ( 1 ) ,
Figure BDA000017918549000610
Figure BDA000017918549000611
的预测值。
步骤八、由步骤一至七得到了
Figure BDA000017918549000612
就可以通过下式计算R-GMC(1,N)的预测精度
RMSPEPR = 1 n Σ t = 1 n [ x ^ 1 ( 0 ) ( t ) - x 1 ( 0 ) ( t ) ] 2 / [ x 1 ( 0 ) ( t ) ] 2 × 100 % - - - ( 11 )
RMSPEPO = 1 m Σ t = n + 1 n + m [ x ^ 1 ( 0 ) ( t ) - x 1 ( 0 ) ( t ) ] 2 / [ x 1 ( 0 ) ( t ) ] 2 × 100 % - - - ( 12 )
其中,RMSPEPR为由前部分样本,即t=1,2,...,n组成的根平均平方误差百分比,而RMSPEPO为由后部分样本,即t=n+1,n+2,...,n+m组成的根平均平方误差百分比;
步骤九、判断条件
Figure BDA000017918549000615
是否满足,其中ε1为故障阈值上界,ε2为故障阈值下界,
若满足,则说明待测设备无故障;否则,判定待测设备有故障。
具体实施方式二:本实施方式对实施方式一作进一步说明,步骤三中矩阵方程(6)中矩阵B的大小为(n-1)×(N+1),而BTB为(N+1)×(N+1)的对称矩阵,
则判断矩阵方程(6)是否为病态的条件为:
判断BTB的条件数cond(BTB)=||BTB||2||(BTB)-1||2是否大于1000,其中||·||2为二范数,
如果判断结果为是,则确定矩阵方程(6)是病态的;如果判断结果为否,则确定矩阵方程(6)是良态的。
具体实施方式三:本实施方式对实施方式一作进一步说明,步骤五中求解κ的正则化方法选用LC-TSVD或GCV-TSVD。
步骤五中常见的正则化方法有:最小二乘正交分解法(Least Squares QuadratureResolution,以下简称LSQR)、Tikhonov正则化方法(Tikhonov Regularization,以下简称TR)、截断奇异值法(Truncated singular Value Decomposition,以下简称TSVD)。其中,与TR和TSVD有关的参数求取方法又包括:L-曲线法(L-Curve,以下简称LC)和广义交叉检验法(Generalized Cross-Validation,GCV)。如此一来,能得到5种典型的正则化方法:LSQR、LC-TR、GCV-TR、LC-TSVD及GCV-TSVD。不同的正则化方法对病态问题的处理效果不同,本发明推荐选用LC-TSVD或GCV-TSVD来求解κ。
具体实施方式四:下面结合图1至图5给出一个具体的实施例,建立基于正则化方法改进多变量灰色模型(Regularization Tools based GMC(1,N),以下简称R-GMC(1,N),本实施例中取R-GMC(1,3),N=3)的实施例,来阐述本发明的具体实施方式。
执行步骤一、假设输入的故障原始特征数据序列和相关数据序列分别为 X 1 ( 0 ) = { x 1 ( 0 ) ( 1 ) , x 1 ( 0 ) ( 2 ) , . . . , x 1 ( 0 ) ( 6 ) } X i ( 0 ) = { x i ( 0 ) ( 1 ) , x i ( 0 ) ( 2 ) , . . . , x i ( 0 ) ( n ) , . . . , x i ( 0 ) ( 12 ) } , i=2,3,具体数值如下所示
x 1 ( 0 ) ( k ) = αc k x 2 ( 0 ) ( k ) = x 1 ( 0 ) ( k ) + ( α + 0.1 ) β k x 3 0 ( k ) = x 1 ( 0 ) ( k ) + ( α - 0.2 ) ( β + 0.1 ) ( k + 0.5 )
其中α=0.8,β=0.9,k=1,2,...,12,
Figure BDA00001791854900074
可由
Figure BDA00001791854900075
i=2,3反映,待预测数据个数为6,
Figure BDA00001791854900076
k=1,2, ...,6且
Figure BDA00001791854900077
t=1,2,...,12,i=2,3,
Figure 000009
Figure BDA00001791854900079
的原始值,用于计算预测精度。通过
Figure BDA000017918549000710
k=1,2,...,6和
Figure BDA000017918549000711
t=1,2,...,12,i=2,3计算i=1,2,3的一阶累加生成数(the First-orderAccumulated Generating Operation,以下简称1-AGO)。
执行步骤二、以
Figure BDA000017918549000713
为初值,建立如下R-GMC(1,3)
dx 1 ( 1 ) ( t ) dt + ax 1 ( 1 ) ( t ) = Σ i = 1 3 - 1 b i x i + 1 ( 1 ) ( t ) + b 3 , t=1,2,...,12
令灰色系数为κ=[a b1 b2 b3]T,则上式可由梯形公式化简为
Bκ=Y
其中
Y = x 1 ( 0 ) ( 1 ) x 1 ( 0 ) ( 2 ) · · · x 1 ( 0 ) ( 6 ) T
Figure BDA00001791854900082
执行步骤三、判断步骤二中的矩阵方程Bκ=Y是否病态。如果是,则执行步骤五,否则,执行步骤四。
考虑到Bκ=Y中矩阵B的大小为11×4,而BTB为5×5的对称矩阵,本实施例由判断BTB的条件数cond(BTB)=||BTB||2||(BTB)-1||2是否大于1000来决定Bκ=Y是否病态,其中||·||2为二范数。如果cond(BTB)>1000则认为(2)是病态的,否则,则认为Bκ=Y是良态的。本实施例中,cond(BTB)=||BTB||2||(BTB)-1||2≈1.1527×1016>>1000,属于严重病态,则执行步骤五。
执行步骤四、当矩阵方程Bκ=Y不是病态的,则由最小二乘法计算得到灰色系数κ:κ=[a b1 b2 b3]T=(BTB)-1BTY,并执行步骤六。
本实施例严重病态,则跳过步骤四,由步骤五计算灰色系数κ。
执行步骤五、当矩阵方程Bκ=Y存在病态问题,则由正则化方法求解κ,并执行步骤六。
常见的正则化方法有:最小二乘正交分解法(Least Squares Quadrature Resolution,以下简称LSQR)、Tikhonov正则化方法(Tikhonov Regularization,以下简称TR)、截断奇异值法(Truncated singular Value Decomposition,以下简称TSVD)。其中,与TR和TSVD有关的参数求取方法又包括:L-曲线法(L-Curve,以下简称LC)和广义交叉检验法(GeneralizedCross-Validation,GCV)。如此一来,能得到5种典型的正则化方法:LSQR、LC-TR、GCV-TR、LC-TSVD及GCV-TSVD。不同的正则化方法对病态问题的处理效果不同,本实施例选用LC-TSVD来求解灰色系数κ,图2为R-GMC(1,3)求解κ过程中的正则化参数图。从图2知,本实施例中LC-TSVD选定前3个奇异值来计算灰色系数,于是,得κ=[0.0191 -0.0406 0.0000 0.7579]T
执行步骤六、利用步骤五求得的灰色系数κ,就可以由下式对
Figure BDA00001791854900091
t=1,2,...,12进行预测
x ^ 1 ( 1 ) ( t ) = x 1 ( 0 ) ( 1 ) e - a ( t - 1 ) + 1 2 e - a ( t - 1 ) f ( 1 ) + Σ τ = 2 t - 1 [ e - a ( t - τ ) f ( τ ) ] + 1 2 f ( t ) , t=2,3,...,12
其中, f ( t ) = Σ i = 1 3 - 1 b i x i + 1 ( 1 ) ( t ) + b 3 ,
Figure BDA00001791854900094
t=1,2,...,12为
Figure BDA00001791854900096
t=1,2,...,12的预测值。图3所示为本发明方法R-GMC(1,3)与基于卷积积分的多变量模型(Convolution Integralbased GM(1,N),以下简称GMC(1,N),本实施例中取GMC(1,3),N=3)求得
Figure BDA00001791854900097
t=1,2,...,12的预测值及原始值对比图。可以看出,本发明得到的
Figure BDA00001791854900098
t=1,2,...,12与原始值较为贴近,预测结果比较理想。
执行步骤七、由步骤六的
Figure BDA00001791854900099
t=1,2,...,12,可求得
x ^ 1 ( 0 ) ( t ) = x ^ 1 ( 1 ) ( t ) - x ^ 1 ( 1 ) ( t - 1 ) , t=2,3,...,12
其中, t=1,2,...,12为
Figure BDA000017918549000913
t=1,2,...,12的预测值。图4显示了本发明方法R-GMC(1,3)与GMC(1,3)求得的
Figure BDA000017918549000914
t=1,2,...,12预测值与原始值对比图。与图3类似,可以发现本发明方法得到的
Figure BDA000017918549000915
t=1,2,...,12与原始值较为贴近,预测结果较为理想。
执行步骤八、由步骤一至七得到了
Figure BDA000017918549000916
t=1,2,...,12,就可以通过下式计算R-GMC(1,3)的预测精度
RMSPEPR = 1 6 Σ t = 1 6 [ x ^ 1 ( 0 ) ( t ) - x 1 ( 0 ) ( t ) ] 2 / [ x 1 ( 0 ) ( t ) ] 2 × 100 %
RMSPEPO = 1 6 Σ t = 7 12 [ x ^ 1 ( 0 ) ( t ) - x 1 ( 0 ) ( t ) ] 2 / [ x 1 ( 0 ) ( t ) ] 2 × 100 %
其中,RMSPEPR为由前部分样本(即t=1,2,...,6)组成的根平均平方误差百分比(RootMean Squared Percentage Error of PRiori-sample period),而RMSPEPO为由后部分样本(即t=7,8,...,12)组成的根平均平方误差百分比(Root Mean Squared Percentage Error ofPOst-sample period)。图5所示为本发明方法R-GMC(1,3)与GMC(1,3)的预测精度(包括RMSPEPR和RMSPEPO)对比图。从图5可以看出,本发明方法得到的RMSPEPR和RMSPEPO比GMC(1,3)分别降低了14.8791%和29.7121%,预测精度大大提高。
执行步骤九、判断条件t=7,8,...,12是否满足,其中ε1=0.2,ε2=0.4分别为故障上界和下界,若满足,则设备有故障,否则,无故障。从图4知,GMC(1,3)在序列2之后开始严重偏离原始值,并在序列10至序列12预测出设备无故障,与实际情形不符,而R-GMC(1,3)与原始值吻合较好,能准确地对设备故障进行预测。
总之,图2至图5充分说明了本发明R-GMC(1,N)方法能有效解决灰色系数求解过程中可能遇到的病态问题,准确反映原始数据变化趋势,提高故障预测精度,是对原有方法的巧妙改进。

Claims (3)

1.基于正则化方法改进多变量灰色模型的故障预测方法,其特征在于,该方法包括以下步骤:
步骤一、输入的待测设备的故障原始特征数据序列为
X 1 ( 0 ) = { x 1 ( 0 ) ( 1 ) , x 1 ( 0 ) ( 2 ) , . . . , x 1 ( 0 ) ( k ) , . . . , x 1 ( 0 ) ( n ) } , k=1,2,...,n    (1)
x 1 ( 0 ) ( k ) ≥ 0 ;
输入的待测设备的故障相关数据序列为
X i ( 0 ) = { x i ( 0 ) ( 1 ) , x i ( 0 ) ( 2 ) , . . . , x i ( 0 ) ( t ) , . . . , x i ( 0 ) ( n + m ) } , i=2,3,...,N,t=1,2,...,n+m    (2)
x i ( 0 ) ( t ) ≥ 0 ,
其中,m为待预测数据个数,
Figure FDA00001791854800016
i=2,3,...,N决定,
通过公式 x 1 ( 1 ) ( k ) = Σ l = 1 k x 1 ( 0 ) ( l ) - - - ( 3 )
公式 x i ( 1 ) ( t ) = Σ l = 1 t x i ( 0 ) ( l ) - - - ( 4 )
计算
Figure FDA00001791854800019
i=1,2,...,N的一阶累加生成数
Figure FDA000017918548000110
步骤二、以
Figure FDA000017918548000111
为初值,建立如下多变量灰色模型R-GMC(1,N)
dx 1 ( 1 ) ( t ) dt + ax 1 ( 1 ) ( t ) = Σ i = 1 N - 1 b i x i + 1 ( 1 ) ( t ) + b N - - - ( 5 )
令灰色系数为κ=[a b1 b2...bN]T,计算R-GMC(1,N)的灰色系数κ,根据公式(5)梯形公式化简为
Bκ=Y    (6)
其中
Y = x 1 ( 0 ) ( 1 ) x 1 ( 0 ) ( 2 ) · · · x 1 ( 0 ) ( n ) T - - - ( 7 )
Figure FDA00001791854800021
步骤三、判断步骤二中的矩阵方程(6)是否病态,如果是,则执行步骤五;否则,执行步骤四;
步骤四、由最小二乘法计算得到灰色系数κ:κ=[a b1 b2...bN]T=(BTB)-1BTY,然后执行步骤六;
步骤五、由正则化方法求解κ,然后执行步骤六;
步骤六、利用步骤四或五求得的灰色系数κ对
Figure FDA00001791854800022
进行预测:
x ^ 1 ( 1 ) ( t ) = x 1 ( 0 ) ( 1 ) e - a ( t - 1 ) + 1 2 e - a ( t - 1 ) f ( 1 ) + Σ τ = 2 t - 1 [ e - a ( t - τ ) f ( τ ) ] + 1 2 f ( t ) - - - ( 9 )
其中, f ( t ) = Σ i = 1 N - 1 b i x i + 1 ( 1 ) ( t ) + b N ,
Figure FDA00001791854800025
Figure FDA00001791854800026
Figure FDA00001791854800027
的预测值,bi,i=1,2,...,N为相关系数,a为发展系数;
步骤七、由步骤六的
Figure FDA00001791854800028
可求得
x ^ 1 ( 0 ) ( t ) = x ^ 1 ( 1 ) ( t ) - x ^ 1 ( 1 ) ( t - 1 ) - - - ( 10 )
其中, x ^ 1 ( 0 ) ( 1 ) = x 1 ( 0 ) ( 1 ) ,
Figure FDA000017918548000212
的预测值。
步骤八、由步骤一至七得到了
Figure FDA000017918548000213
就可以通过下式计算R-GMC(1,N)的预测精度
RMSPEPR = 1 n Σ t = 1 n [ x ^ 1 ( 0 ) ( t ) - x 1 ( 0 ) ( t ) ] 2 / [ x 1 ( 0 ) ( t ) ] 2 × 100 % - - - ( 11 )
RMSPEPO = 1 m Σ t = n + 1 n + m [ x ^ 1 ( 0 ) ( t ) - x 1 ( 0 ) ( t ) ] 2 / [ x 1 ( 0 ) ( t ) ] 2 × 100 % - - - ( 12 )
其中,RMSPEPR为由前部分样本,即t=1,2,...,n组成的根平均平方误差百分比,而RMSPEPO为由后部分样本,即t=n+1,n+2,...,n+m组成的根平均平方误差百分比;
步骤九、判断条件
Figure FDA000017918548000216
是否满足,其中ε1为故障阈值上界,ε2为故障阈值下界,
若满足,则说明待测设备无故障;否则,判定待测设备有故障。
2.根据权利要求1所述基于正则化方法改进多变量灰色模型的故障预测方法,其特征在于,步骤三中矩阵方程(6)中矩阵B的大小为(n-1)×(N+1),而BTB为(N+1)×(N+1)的对称矩阵,
则判断矩阵方程(6)是否为病态的条件为:
判断BTB的条件数cond(BTB)=||BTB||2||(BTB)-1||2是否大于1000,其中||·||2为二范数,
如果判断结果为是,则确定矩阵方程(6)是病态的;如果判断结果为否,则确定矩阵方程(6)是良态的。
3.根据权利要求1所述基于正则化方法改进多变量灰色模型的故障预测方法,其特征在于,步骤五中求解κ的正则化方法选用LC-TSVD或GCV-TSVD。
CN2012102053875A 2012-06-20 2012-06-20 基于正则化方法改进多变量灰色模型的故障预测方法 Pending CN102779233A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2012102053875A CN102779233A (zh) 2012-06-20 2012-06-20 基于正则化方法改进多变量灰色模型的故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2012102053875A CN102779233A (zh) 2012-06-20 2012-06-20 基于正则化方法改进多变量灰色模型的故障预测方法

Publications (1)

Publication Number Publication Date
CN102779233A true CN102779233A (zh) 2012-11-14

Family

ID=47124143

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2012102053875A Pending CN102779233A (zh) 2012-06-20 2012-06-20 基于正则化方法改进多变量灰色模型的故障预测方法

Country Status (1)

Country Link
CN (1) CN102779233A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103196591A (zh) * 2013-03-07 2013-07-10 同济大学 一种基于正则化和奇异值分解的结构载荷识别方法
CN106021888A (zh) * 2016-05-13 2016-10-12 福建师范大学 一种结合直觉模糊集和灰色模型的故障预报方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090187510A1 (en) * 2008-01-22 2009-07-23 Kung-Hsiung Chang Calculating Method for Systematic Risk

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090187510A1 (en) * 2008-01-22 2009-07-23 Kung-Hsiung Chang Calculating Method for Systematic Risk

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
TZU-LI TIEN: "The indirect measurement of tensile strength of material by the grey prediction model GMC(1,n)", 《MEASUREMENT SCIENCE AND TECHNOLOGY》, vol. 16, no. 6, 7 May 2005 (2005-05-07), pages 1322 - 1328, XP020090622, DOI: doi:10.1088/0957-0233/16/6/013 *
徐振东: "多变量灰控制模型的算法研究", 《中国优秀硕士学位论文全文数据库基础科学辑》, 15 June 2008 (2008-06-15), pages 4 - 12 *
李福琴: "灰色模型的稳定性和建模精度研究", 《中国优秀硕士学位论文全文数据库基础科学辑》, 15 April 2007 (2007-04-15), pages 37 - 38 *
范千 等: "病态问题解算的直接正则化方法比较", 《贵州大学学报(自然科学版)》, vol. 28, no. 4, 15 August 2011 (2011-08-15), pages 29 - 32 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103196591A (zh) * 2013-03-07 2013-07-10 同济大学 一种基于正则化和奇异值分解的结构载荷识别方法
CN103196591B (zh) * 2013-03-07 2015-10-21 同济大学 一种基于正则化和奇异值分解的结构载荷识别方法
CN106021888A (zh) * 2016-05-13 2016-10-12 福建师范大学 一种结合直觉模糊集和灰色模型的故障预报方法
CN106021888B (zh) * 2016-05-13 2018-08-17 福建师范大学 一种结合直觉模糊集和灰色模型的故障预报方法

Similar Documents

Publication Publication Date Title
CN104166787B (zh) 一种基于多阶段信息融合的航空发动机剩余寿命预测方法
CN102208028B (zh) 一种适用于动态复杂系统的故障预测和诊断方法
CN112685910B (zh) 一种基于混合预测模型的复杂装备电源组故障预测方法
CN105425779A (zh) 基于局部邻域标准化和贝叶斯推断的ica-pca多工况故障诊断方法
CN102736546A (zh) 一种流程工业复杂机电系统的状态监测装置及方法
CN113642754A (zh) 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法
CN115049019B (zh) 金属有机框架对砷的吸附性能评估方法、装置及相关设备
CN112187528A (zh) 基于sarima的工业控制系统通信流量在线监测方法
CN111241629B (zh) 基于数据驱动的飞机液压泵性能变化趋势智能预测方法
CN115829157A (zh) 基于变分模态分解和Autoformer模型的化工水质指标预测方法
CN114818817B (zh) 一种电容式电压互感器微弱故障识别系统及方法
CN115495924A (zh) 基于arima模型的mosfet寿命预测方法
CN115526265A (zh) 一种基于递进式学习结构的非侵入式负荷分解方法
CN116665483A (zh) 一种新的预测剩余停车位的方法
CN102750445B (zh) 基于复化Simpson公式改进多变量灰色模型的故障预测方法
CN102779233A (zh) 基于正则化方法改进多变量灰色模型的故障预测方法
Wang et al. Degradation prediction method by use of autoregressive algorithm
CN111859625A (zh) 基于大数据的节能控制方法、装置及存储介质
CN102779232A (zh) 基于样条插值改进多变量灰色模型的故障预测方法
CN113887119A (zh) 一种基于sarima-lstm的河流水质预测方法
CN116821828A (zh) 一种基于工业数据的多维时序预测方法
CN110501986B (zh) 一种基于加权部分互信息的质量相关过程监控方法
CN114330104A (zh) 一种航天器在轨空间环境异常风险预测方法
CN107480442A (zh) 依赖于时间和状态的长程相关退化过程剩余寿命预测方法
CN113554106A (zh) 一种面向电力缺失数据的协同补全方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20121114