CN102937534A - 一种基于组合预测模型对机电设备的故障预测方法 - Google Patents

Abstract

本发明涉及一种基于组合预测模型对机电设备的故障预测方法，其步骤为：（1）在工业现场监测系统中获取工业现场运行状态监测数据，提取故障敏感特征因子作为预测时间序列；（2）初选单项预测模型，并利用各个初选单项预测模型分别对预测时间序列中的各种信号数据在一个预测区间内预测；（3）根据经验在现有评价指标中确定合适的预测精度评价指标，进而对初选单项预测模型进行包容性检验，确定是否入选组合预测模型库；（4）对预测时间序列分别计算在i时刻单项预测模型的信息熵大小，确定i时刻该单项预测模型的权重系数；（5）根据权重ω_j(i)，利用第j种预测方法在i+1时刻的组合预测值f_j(i+1)，对i+1时刻做出预测，得到i+1时刻的预测值。本发明可以广泛在各种大型机电设备中应用。

Description

一种基于组合预测模型对机电设备的故障预测方法

技术领域

本发明涉及一种机电设备故障预测方法，特别是关于一种基于组合预测模型对机电设备的故障预测方法。

背景技术

对工业现场进行故障诊断与预测的设备多是结构复杂、运行环境恶劣的大型机组，影响其运行的因素错综复杂。对一个复杂的故障可预测问题，首先要确立合适的预测模型和预测方法。由于不同的预测模型和方法各有其优点、缺点及适用范围，每种预测方法利用的数据也不尽相同，不同的数据提供了丰富的信息，如何选择不同的单项预测模型并将其有效组合起来进行预测成为目前亟待解决的难题。

由于现有的组合预测模型多是具有固定权重系数的模型，一旦确定了权重系数，在组合预测模型中权重就不再发生变化，这样容易造成组合预测模型精度不高，不能很好解决预测方法的时效性。产生权重系数变化的原因主要有三个：1、时效性问题：由于用于预测的样本数据是时间序列，随着时间的推移，每种单一预测方法的预测效果会发生变化，因此对应的权重系数也应随着时间的推移而发生变化。2、不同的预测方法其特点会发生变化：不同的预测方法对于不同的预测时间段会表现出不同的预测能力。有的方法适用于短期预测，有的方法适用于中长期预测，总体表现出“时好时坏行”，反映在权重上表现为“时大时小性”。3、单项预测方法之间的关系会发生变化：随着预测环境的变化，单项预测模型之间的相对性能也可能发生变化，改变了它们在组合预测模型中的重要程度，导致权重系数发生变化。

发明内容

针对上述问题，本发明的目的是提供一种预测精度较高的基于组合预测模型对机电设备的故障预测方法。

为实现上述目的，本发明采取以下技术方案：一种基于组合预测模型对机电设备的故障预测方法，其包括以下步骤：（1）数据采集：在工业现场监测系统中获取工业现场运行状态监测数据，对工业现场监测到的慢变信号及机械故障振动信号进行数据处理，进而提取故障敏感特征因子作为预测时间序列；（2）初选单项预测模型：采用最小方差方法、离散灰色模型、AR模型、神经网络模型经典预测模型作为初选单项预测模型1、…、m，m为整数；并利用各个初选单项预测模型分别对预测时间序列中的各种信号数据在一个预测区间内进行预测；（3）确定入选模型：根据经验在预测误差项平方和、均方误差、平均绝对误差、平均绝对误差百分比和均方误差百分比评价指标中确定合适的预测精度评价指标，进而对初选单项预测模型进行包容性检验，确定入选组合预测模型库的各单项预测模型；（4）时变组合模型预测：对预测时间序列分别计算在i时刻单项预测模型的信息熵大小，进而确定i时刻该单项预测模型在组合预测模型中的权重系数；权重系数计算方法如下：①假设可预测事件在经过数据处理后的时间序列为{x_t}，共有m种预测方法入选模型库；令x(i)为i时刻的实际观测值，f_j(i)为i时刻第j种预测方法的预测值，j＝1,2,...,m，每种预测方法采用n种指标进行评价；ω_j(i)为i时刻求出

到评价矩阵E_i；

$E_i={\left(e_{j,k}\right)}_{m\×n}=\left[\begin{array}{ccc}{e}_{\mathrm{1,1}}& ...& e_{1,n}\\ .& & .\\ .& & .\\ .& & .\\ e_{m,1}& ...& e_{m,n}\end{array}\right];$

对评价矩阵E_i的每项指标进行归一化处理，得到归一化评价矩阵P_i：

$P_i={\left(p_{j,k}\right)}_{m\×n}=\left[\begin{array}{ccc}{p}_{\mathrm{1,1}}& ...& p_{1,n}\\ .& & .\\ .& & .\\ .& & .\\ p_{m,1}& ...& p_{m,n}\end{array}\right];$

上式中，e_j,k为第j种预测方法在i时刻的第k种预测指标的误差评价值；p_j,k是归一化评价矩阵中，第j种预测方法在i时刻的第k种预测指标的评价值在总共m种预测方法中的比重：

$p_{j,k}=\frac{e_{j,k}}{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{e}_{j,k}};$

③根据步骤②得到的比重p_j,k，以及信息熵的定义，得到第j种预测方法的信息熵S_j为：

$S_j=-\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{p}_{j,k}\log p_{j,k};$

④根据信息熵S_j定义该单项预测模型i时刻在组合预测模型中的权重ω_j(i)为：

${\mathrm{\ω}}_j\left(i\right)=\frac{1-S_j}{m-\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{S}_j};$

（5）根据得到的各种预测方法的权重ω_j(i)，利用第j种预测方法在i+1时刻的组合预测值f_j(i+1)，对i+1时刻做出预测，得到i+1时刻的预测值为：

$f(i+1)=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_j\left(i\right)f_j(i+1);$

所述步骤（3）中，对初选单项预测模型的包容性检验如下：假设在t时刻对某一待预测变量采用单项预测模型A和单项预测模型B分别进行预测，单项预测模型A在t时刻的预测结果为

单项预测模型B在t时刻的预测结果为

采用回归方程表示被预测变量的实际值y_t为：

式中，β_a、β_b是回归系数，表示各单项预测模型对被预测变量实际值影响大小的参数；ε_t分别表示截距；如果(β_a,β_b)＝(1,0)，则称单项预测模型A预测包含单项预测模型B；如果(β_a,β_b)＝(0,1)，则称单项预测模型B预测包含单项预测模型A；如果(β_a,β_b)为其它值，则每个单项预测模型都包含了关于y_t的有用信息。

本发明由于采取以上技术方案，其具有以下优点：1、本发明由于采用的时变组合预测模型在不同的预测区间，对每个参与预测的单项预测模型赋予了不同的权重，而且权重系数的大小随着预测精度的高低而发生变化，因此时变组合预测模型可以发挥各个单项预测方法的优点，可以获得更高的预测精度。2、本发明对于时变组合预测模型，预测区间的划分可大可小，对下一时刻的预测值都可以重新计算分配给每个单项预测方法在此刻的权重系数。对于短期、中长期预测可根据问题的需要适当划分预测区间，进一步保证了预测精度。3、本发明采用时变权重的组合预测模型，在组合预测过程中，各单项预测模型的权重系数将随着时间的推移，依据在组合预测模型中的重要程度发生变化。组合预测模型能通过计算各个单项预测模型的信息熵来描述该单项预测模型在组合预测模型中的扰动程度，对预测时间序列分别计算在i时刻单项预测模型的信息熵大小，确定该单项预测模型在i时刻在组合预测模型中的权重系数。以预测精度误差为评价指标，建立基于信息熵的时变组合预测模型。本发明可以广泛在各种大型机电设备中应用。

附图说明

图1是本发明的整体结构示意图。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

如图1所示，本发明提供一种基于组合预测模型对机电设备的故障预测方法，是基于信息熵时变权重的组合预测模型故障预测方法。其具体步骤如下：

1）数据采集：在工业现场监测系统中获取工业现场运行状态监测数据，监测数据包括温度、压力、电量、流量等慢变信号以及机械故障振动信号，其中振动信号是故障预测中的重要参数。对工业现场监测到的慢变信号及机械故障振动信号进行数据处理，进而提取故障敏感特征因子作为预测时间序列；

其中，数据处理包括对数据进行标准化、相关性分析、计算协方差、异常点检测等处理，或是进行时域分析和频域分析。

2）初选单项预测模型：采用最小方差方法、离散灰色模型、AR模型、神经网络模型等现有技术中的经典预测模型作为初选单项预测模型1、…、m，m为整数；并利用各个初选单项预测模型分别对预测时间序列中的各种信号数据在一个预测区间内进行预测；

其中，预测区间的大小可以根据预测问题的需要进行选取，并根据需要的预测精度、计算量、响应时间等要求来确定，因此划分预测区间也可以每预测一步都调整权重。

3）确定入选模型：根据经验在预测误差项平方和、均方误差、平均绝对误差、平均绝对误差百分比、均方误差百分比等常用的评价指标中确定合适的预测精度评价指标，进而对初选单项预测模型进行包容性检验，以确定入选组合预测模型库的各单项预测模型；

其中，对初选单项预测模型的包容性检验如下：

假设在t时刻对某一待预测变量采用单项预测模型A和单项预测模型B分别进行预测，单项预测模型A在t时刻的预测结果为

单项预测模型B在t时刻的预测结果为

采用回归方程表示被预测变量的实际值y_t为：

$y_t={\mathrm{\β}}_a{f}_t^a+{\mathrm{\β}}_b{f}_t^b+{\mathrm{\ϵ}}_t,---\left(1\right)$

式（1）中，β_a、β_b是回归系数，表示各单项预测模型对被预测变量实际值影响大小的参数；ε_t分别表示截距。如果(β_a,β_b)＝(1,0)，则称单项预测模型A预测包含单项预测模型B；如果(β_a,β_b)＝(0,1)，就称单项预测模型B预测包含单项预测模型A；如果(β_a,β_b)为其它值，则两个单项预测模型不相互包容，即每个单项预测模型都包含了关于y_t的有用信息。

4）时变组合模型预测：对预测时间序列分别计算在i时刻单项预测模型的信息熵大小，进而确定i时刻该单项预测模型在组合预测模型中的权重系数。因为信息熵是系统紊乱程度的度量，某种单项预测模型的信息熵反映了该单项预测模型在组合预测模型中的扰动程度。信息熵越大，对系统的扰动越大，则在组合预测模型中所取的权重就应该越小。

在i时刻单项预测模型在组合预测模型中的权重系数计算方法如下：

①假设可预测事件在经过数据处理后的时间序列为{x_t}，共有m种预测方法入选模型库（即共有m个单项预测模型）；令x(i)为i时刻的实际观测值，f_j(i)为i时刻第j种预测方法的预测值(j＝1,2,...,m)，每种预测方法采用n种指标进行评价；ω_j(i)为i时刻求出的第j种预测方法的权重值，

0≤ω_j(i)≤1；f(i+1)为i+1时刻的组合预测值，其值为

②利用最近几个预测时间序列的采样周期得到评价矩阵E_i；

$E_i={\left(e_{j,k}\right)}_{m\×n}=\left[\begin{array}{ccc}{e}_{\mathrm{1,1}}& ...& e_{1,n}\\ .& & .\\ .& & .\\ .& & .\\ e_{m,1}& ...& e_{m,n}\end{array}\right];---\left(2\right)$

对评价矩阵E_i的每项指标进行归一化处理，可得到归一化评价矩阵P_i：

$P_i={\left(p_{j,k}\right)}_{m\×n}=\left[\begin{array}{ccc}{p}_{\mathrm{1,1}}& ...& p_{1,n}\\ .& & .\\ .& & .\\ .& & .\\ p_{m,1}& ...& p_{m,n}\end{array}\right];---\left(3\right)$

上式（2）、（3）中，e_j,k为第j种预测方法在i时刻的第k种预测指标的误差评价值；p_j,k是归一化评价矩阵中，第j种预测方法在i时刻的第k种预测指标的评价值在总共m种预测方法中的比重：

$p_{j,k}=\frac{e_{j,k}}{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{e}_{j,k}}.---\left(4\right)$

③根据步骤②得到的比重p_j,k，以及信息熵的定义，得到第j种预测方法的信息熵S_j为：

$S_j=-\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{p}_{j,k}\log p_{j,k}.---\left(5\right)$

④根据信息熵S_j定义该单项预测模型i时刻在组合预测模型中的权重ω_j(i)为：

${\mathrm{\ω}}_j\left(i\right)=\frac{1-S_j}{m-\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{S}_j}.---\left(6\right)$

5）根据得到的各种预测方法的权重ω_j(i)，利用第j种预测方法在i+1时刻的组合预测值f_j(i+1)，对i+1时刻做出预测，得到i+1时刻的预测值为：

$f(i+1)=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_j\left(i\right)f_j(i+1),---\left(7\right)$

对得到的预测值f(i+1)进行检验分析，即将预测值f(i+1)与实际值进行比较，进而得到预测精度，并采用预测精度的评价指标进行评价。其中，预测精度的评价指标可以采用预测误差项平方和、均方误差、平均绝对误差、平均绝对误差百分比或均方误差百分比，本发明采用较为简单的均方误差或者平均绝对误差。

上述各实施例仅用于说明本发明，各步骤都是可以有所变化的，在本发明技术方案的基础上，凡根据本发明原理对个别步骤进行的改进和等同变换，均不应排除在本发明的保护范围之外。

Claims (2)

1.一种基于组合预测模型对机电设备的故障预测方法，其包括以下步骤：

（1）数据采集：在工业现场监测系统中获取工业现场运行状态监测数据，对工业现场监测到的慢变信号及机械故障振动信号进行数据处理，进而提取故障敏感特征因子作为预测时间序列；

（2）初选单项预测模型：采用最小方差方法、离散灰色模型、AR模型、神经网络模型经典预测模型作为初选单项预测模型1、…、m，m为整数；并利用各个初选单项预测模型分别对预测时间序列中的各种信号数据在一个预测区间内进行预测；

（3）确定入选模型：根据经验在预测误差项平方和、均方误差、平均绝对误差、平均绝对误差百分比和均方误差百分比评价指标中确定合适的预测精度评价指标，进而对初选单项预测模型进行包容性检验，确定入选组合预测模型库的各单项预测模型；

（4）时变组合模型预测：对预测时间序列分别计算在i时刻单项预测模型的信息熵大小，进而确定i时刻该单项预测模型在组合预测模型中的权重系数；

权重系数计算方法如下：

①假设可预测事件在经过数据处理后的时间序列为{x_t}，共有m种预测方法入选模型库；令x(i)为i时刻的实际观测值，f_j(i)为i时刻第j种预测方法的预测值，j＝1,2,...,m，每种预测方法采用n种指标进行评价；ω_j(i)为i时刻求出的第j种预测方法的权重值，

0≤ω_j(i)≤1；f(i+1)为i+1时刻的组合预测值，其值为 $f(i+1)=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_j\left(i\right)f_j(i+1);$

②利用最近几个预测时间序列的采样周期得到评价矩阵E_i；

$E_i={\left(e_{j,k}\right)}_{m\×n}=\left[\begin{array}{ccc}{e}_{\mathrm{1,1}}& ...& e_{1,n}\\ .& & .\\ .& & .\\ .& & .\\ e_{m,1}& ...& e_{m,n}\end{array}\right];$

对评价矩阵E_i的每项指标进行归一化处理，得到归一化评价矩阵P_i：

$P_i={\left(p_{j,k}\right)}_{m\×n}=\left[\begin{array}{ccc}{p}_{\mathrm{1,1}}& ...& p_{1,n}\\ .& & .\\ .& & .\\ .& & .\\ p_{m,1}& ...& p_{m,n}\end{array}\right];$

上式中，e_j,k为第j种预测方法在i时刻的第k种预测指标的误差评价值；p_j,k是归一化评价矩阵中，第j种预测方法在i时刻的第k种预测指标的评价值在总共m种预测方法中的比重：

$p_{j,k}=\frac{e_{j,k}}{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{e}_{j,k}};$

③根据步骤②得到的比重p_j,k，以及信息熵的定义，得到第j种预测方法的信息熵S_j为：

$S_j=-\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{p}_{j,k}\log p_{j,k};$

④根据信息熵S_j定义该单项预测模型i时刻在组合预测模型中的权重ω_j(i)为： ${\mathrm{\ω}}_j\left(i\right)=\frac{1-S_j}{m-\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{S}_j};$

（5）根据得到的各种预测方法的权重ω_j(i)，利用第j种预测方法在i+1时刻的组合预测值f_j(i+1)，对i+1时刻做出预测，得到i+1时刻的预测值为：

$f(i+1)=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_j\left(i\right)f_j(i+1);$

2.如权利要求1所述的一种基于组合预测模型对机电设备的故障预测方法，其特征在于：所述步骤（3）中，对初选单项预测模型的包容性检验如下：

假设在t时刻对某一待预测变量采用单项预测模型A和单项预测模型B分别进行预测，单项预测模型A在t时刻的预测结果为

单项预测模型B在t时刻的预测结果为

采用回归方程表示被预测变量的实际值y_t为：

$y_t={\mathrm{\β}}_a{f}_t^a+{\mathrm{\β}}_b{f}_t^b+{\mathrm{\ϵ}}_t,$

式中，β_a、β_b是回归系数，表示各单项预测模型对被预测变量实际值影响大小的参数；ε_t分别表示截距；如果(β_a,β_b)＝(1,0)，则称单项预测模型A预测包含单项预测模型B；如果(β_a,β_b)＝(0,1)，则称单项预测模型B预测包含单项预测模型A；如果(β_a,β_b)为其它值，则每个单项预测模型都包含了关于y_t的有用信息。

Images