CN105678089B - 模型自匹配融合健康预测方法 - Google Patents
模型自匹配融合健康预测方法 Download PDFInfo
- Publication number
- CN105678089B CN105678089B CN201610021751.0A CN201610021751A CN105678089B CN 105678089 B CN105678089 B CN 105678089B CN 201610021751 A CN201610021751 A CN 201610021751A CN 105678089 B CN105678089 B CN 105678089B
- Authority
- CN
- China
- Prior art keywords
- forecast model
- model
- forecast
- prediction
- prediction result
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明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。
Description
技术领域
本发明涉及故障预测与健康管理技术领域,尤其涉及一种模型自匹配融合健康预测方法。
背景技术
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,本发明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。
发明内容
本发明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,本发明的解决方案是:
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。
本发明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。
本发明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。
本发明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。
本发明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
(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
下面结合附图对本发明的技术方案进行详细说明。
本发明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。本发明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,本发明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、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。
(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。具体实现为:
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,
(2.1)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;
(2.2)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。
(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,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。
(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,具体实现为:
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,
(6.1)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;
(6.2)求取
(6.3)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。
(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。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (4)
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,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,
(6.1)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;
(6.2)求取
(6.3)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q步的健康参数预测结果 其中,r=k+1,k+2,…,k+q;
(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。
4.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(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,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610021751.0A CN105678089B (zh) | 2016-01-11 | 2016-01-11 | 模型自匹配融合健康预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610021751.0A CN105678089B (zh) | 2016-01-11 | 2016-01-11 | 模型自匹配融合健康预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105678089A CN105678089A (zh) | 2016-06-15 |
CN105678089B true CN105678089B (zh) | 2018-01-26 |
Family
ID=56300414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610021751.0A Active CN105678089B (zh) | 2016-01-11 | 2016-01-11 | 模型自匹配融合健康预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105678089B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107957562B (zh) * | 2018-01-05 | 2023-06-09 | 广西大学 | 一种锂离子电池剩余寿命在线预测方法 |
CN110188659B (zh) * | 2019-05-27 | 2021-06-01 | Oppo广东移动通信有限公司 | 健康检测方法及相关产品 |
CN110260858A (zh) * | 2019-06-25 | 2019-09-20 | 哈尔滨工程大学 | 一种基于最优阶数灰色自适应动态滤波的航迹跟踪方法 |
CN112862220A (zh) * | 2021-03-23 | 2021-05-28 | 山东中创软件工程股份有限公司 | 一种设备生命周期预测方法、装置及相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708305A (zh) * | 2012-06-20 | 2012-10-03 | 天津工业大学 | 一种基于卡尔曼滤波融合的风速序列预测方法 |
CN102789545A (zh) * | 2012-07-12 | 2012-11-21 | 哈尔滨工业大学 | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 |
CN104899608A (zh) * | 2015-06-19 | 2015-09-09 | 西安交通大学 | 滚动轴承剩余寿命预测的加权融合相关向量机模型 |
-
2016
- 2016-01-11 CN CN201610021751.0A patent/CN105678089B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708305A (zh) * | 2012-06-20 | 2012-10-03 | 天津工业大学 | 一种基于卡尔曼滤波融合的风速序列预测方法 |
CN102789545A (zh) * | 2012-07-12 | 2012-11-21 | 哈尔滨工业大学 | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 |
CN104899608A (zh) * | 2015-06-19 | 2015-09-09 | 西安交通大学 | 滚动轴承剩余寿命预测的加权融合相关向量机模型 |
Non-Patent Citations (2)
Title |
---|
基于算法融合的自适应短期负荷组合预测模型研究;陆宁等;《电力系统保护与控制》;20121101;第40卷(第21期);109-113 * |
基于随机退化数据建模的设备剩余寿命自适应预测方法;孙国玺等;《电子学报》;20150630(第6期);1119-1125 * |
Also Published As
Publication number | Publication date |
---|---|
CN105678089A (zh) | 2016-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105678089B (zh) | 模型自匹配融合健康预测方法 | |
CN108375715B (zh) | 一种配电网线路故障风险日预测方法及系统 | |
CN106125714B (zh) | 结合bp神经网络与二参数威布尔分布的故障率预测方法 | |
Hu et al. | Online performance assessment method for a model-based prognostic approach | |
KR101675198B1 (ko) | 다중 의사 결정 문제 해결을 위한 계층적 분석 기법, 회색수 및 엔트로피 기반의 해법 연산 방법 | |
US8903750B1 (en) | Adaptive learning network for fusion of remaining useful life with machinery condition | |
KR20200071876A (ko) | 공정 중 생산품 불량 예측시스템 및 불량 예측을 위한 학습모델 생성방법 | |
Salari et al. | Optimal preventive and opportunistic maintenance policy for a two-unit system | |
CN107464023A (zh) | 生命周期预测模型的在线学习方法和设备 | |
US20220155733A1 (en) | Method of performing a process and optimizing control signals used in the process | |
CN104462808B (zh) | 安全水平位移与水位的滑动可变窗口动态数据拟合方法 | |
CN113383282A (zh) | 校正离子注入半导体制造工具中的部件故障 | |
CN104516339B (zh) | 优化化工间歇生产操作的方法及经优化的生产操作系统 | |
Srinivasan et al. | Semi-Markov decision process with partial information for maintenance decisions | |
JP2009151383A (ja) | 製造プロセスにおける操業と品質の関連解析装置、解析方法、プログラム、及びコンピュータ読み取り可能な記録媒体 | |
CN117008557B (zh) | 共混型互穿网络热塑性弹性体的生产控制方法及系统 | |
CN110969306A (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
CN113554213A (zh) | 一种天然气需求预测方法、系统、存储介质及设备 | |
Lutska et al. | Forecasting the efficiency of the control system of the technological object on the basis of neural networks | |
TW202101142A (zh) | 營運評估裝置、營運評估方法、及程式 | |
CN109961160B (zh) | 一种基于潮流参数的电网未来运行趋势预估方法及系统 | |
CN102142192B (zh) | 基于组合多步预测的行人交通拥堵预警方法及系统 | |
JP2020076744A (ja) | 劣化測定からの制約付き凸回帰を使用する、残存耐用年数の適応的推定方法 | |
Ling et al. | Information gain-based inspection scheduling for fatigued aircraft components | |
JP2020149209A (ja) | 残差特性推定モデル作成方法および残差特性推定モデル作成システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |