CN106021888B - 一种结合直觉模糊集和灰色模型的故障预报方法 - Google Patents
一种结合直觉模糊集和灰色模型的故障预报方法 Download PDFInfo
- Publication number
- CN106021888B CN106021888B CN201610317414.6A CN201610317414A CN106021888B CN 106021888 B CN106021888 B CN 106021888B CN 201610317414 A CN201610317414 A CN 201610317414A CN 106021888 B CN106021888 B CN 106021888B
- Authority
- CN
- China
- Prior art keywords
- degree
- normal
- intuitionistic fuzzy
- membership
- abnormal
- 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.)
- Expired - Fee Related
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
本发明涉及一种结合直觉模糊集和灰色模型的故障预报方法,通过设计正常隶属度函数、异常隶属度函数、正常直觉模糊子集和异常直觉模糊子集来描述系统的运行状态;采用灰色模型估计系统运行的未来状态,可得到预测序列;计算预测序列的直觉模糊集合,并用于计算与正常和异常直觉模糊子集的贴近度;与贴近正常直觉模糊子集相比,当预测序列的直觉模糊集合更贴近异常直觉模糊子集时预报故障即将来临。本发明可成功地实现故障的早期预报,是一种有效的故障预测方法。
Description
技术领域
本发明涉及故障预测领域,特别是一种结合直觉模糊集和灰色模型的故障预报方法。
背景技术
随着工业技术的发展,现代工业系统的规模越来越大、结构越来越复杂,带来更高的经济利益和生产效率的同时,也使得影响系统正常运行的因素增多,引发故障的潜在因素变多。检测设备和系统何时出现故障对生产和人身安全是非常重要的。设备和系统何时出现故障的迹象具有不确定性和模糊性,并且故障预测本身也是具有不确定性和模糊性的。基于灰色理论的灰色模型和直觉模糊集适合于描述和分析不确定性和模糊性的问题。由于直觉模糊集同时考虑了隶属度和非隶属度两方面的信息,因此在处理信息的能力比模糊集要强,对不确定性的描述有更强的实用性;而灰色系统理论着重研究解决小样本、贫信息这种不确定性问题。在故障预报/预测方面,国内外研究人员已将灰色方法应用于故障预测中,例如利用粒子群优化灰色模型参数的故障预测方法,一种灰色相关向量机方法的故障预测,结合粗糙集和灰色理论的故障预测方法等;而直觉模糊集尚未见报道被用于故障预测。可以看出,灰色模型/方法已被应用于故障预测中,但是直觉模糊集尚未引入故障预测,也没有结合直觉模糊集和灰色模型的故障预报方法。
发明内容
有鉴于此,本发明的目的是提出一种结合直觉模糊集和灰色模型的故障预报方法,可成功地实现故障的早期预报,是一种有效的故障预测方法。
本发明采用以下方案实现:一种结合直觉模糊集和灰色模型的故障预报方法,包括以下步骤:
步骤S1:设设备或系统正常运行时的初始m个时间点的观测数据为{yt}(t=1,2,3,…,m),计算该观测数据的均值ε和标准差σ,设定集合的元素数目k;
步骤S2:计算前k个连续正常运行的观测数据{yt}(t=1,2,3,…,k)的正常隶属度和异常隶属度;其中k≤m;
步骤S3:根据步骤S2的正常隶属度和异常隶属度得到正常直觉模糊子集Ak以及异常直觉模糊子集Bk;
步骤S4:在当前时刻t,采用灰色GM(1,1)模型估计系统未来运行的预测序列
步骤S5:将步骤S4中得到的预测序列代入正常隶属度函数得到得该预测序列的直觉模糊集合:
步骤S6:计算Dt与Ak的贴近度NIFS(Dt,Ak),计算Dt与Bk的贴近度NIFS(Dt,Bk);
步骤S7:在当前时刻,判断异常贴近度是否大于正常贴近度,即判断NIFS(Dt,Bk)是否大于NIFS(Dt,Ak),若是,则预报故障即将来临;若否,则令t=t+1,返回步骤S4。
进一步地,步骤S2中分别采用下式计算正常隶属度和异常隶属度:
其中,G(y)为正常隶属度函数,G'(y)为异常隶属度函数,y为观测变量;在G'(y)中,当k个连续观测数据的均值大于等于ε时,公式中±取+号;当k个连续观测数据的均值小于ε时,公式中±取-号;其中,ε表示步骤S1中计算获得的观测数据的均值,σ表示步骤S1中计算获得的观测数据的标准差。
进一步地,步骤S3中所述正常直觉模糊子集的获得采用以下方法:将初始正常运行时的k个连续观测数据{y1,y2,...,yk}代入正常隶属度函数,得到正常直觉模糊子集Ak:
Ak={<G(y1),1-G(y1)>,<G(y2),1-G(y2)>,…,<G(yk),1-G(yk)>}。
进一步地,步骤S3中所述异常直觉模糊子集的获得采用以下方法:将初始正常运行时的k个连续观测数据{y1,y2,...,yk}代入异常隶属度函数,得到异常直觉模糊子集Bk:
Bk={<G′(y1),1-G′(y1)>,<G′(y2),1-G′(y2)>,…,<G′(yk),1-G′(yk)>}
进一步地,步骤S6中,所述计算Dt与Ak的贴近度NIFS(Dt,Ak)以及所述计算Dt与Bk的贴近度NIFS(Dt,Bk)均采用以下方法:具有k对元素的直觉模糊集合Q={<μ(xi),γ(xi)>}和R={<μ(zi),γ(zi)>}之间的贴近度公式如下:
其中μ(·)表示隶属度、γ(·)表示非隶属度:依据上式计算Dt与Ak的贴近度NIFS(Dt,Ak),计算Dt与Bk的贴近度NIFS(Dt,Bk);其中,μQ(xi)为直觉模糊集Q中的第i个隶属度,μR(zi)为直觉模糊集R中的第i个隶属度,γQ(xi)为直觉模糊集Q中的第i个非隶属度,γR(zi)为直觉模糊集R中的第i个非隶属度。
特别的,所述步骤S4具体为:
设X(0)=(x(0)(1),x(0)(2),…,x(0)(n))为非负序列,X(1)为X(0)的1-AGO(一次累加)序列,X(1)=(x(1)(1),x(1)(2),…,x(1)(n)),其中则称
x(0)(k)+ax(1)(k)=b,其中k=1,2,…,n;
为GM(1,1)模型的原始形式。
称
x(0)(k)+az(1)(k)=b,其中k=2,…,n;
为GM(1,1)模型的基本形式,为灰色微分方程。其中
称
为x(0)(k)+az(1)(k)=b,其中k=2,…,n的白化方程,也称影子方程。
对参数a和b的估计,主要通过x(0)(k)+az(1)(k)=b,其中k=2,…,n,采用最小二乘法估计,得出
其中为参数列,且
设则得到下列三点结论:
1、白化方程的解,也称时间响应函数,为:
x(1)(t)=(x(1)(1)-b/a)e-a(t-1)+b/a。
2、GM(1,1)模型x(0)(k)+az(1)(k)=b的时间响应序为:
其中k=1,2,…,n。
3、还原值位:
进一步地,-a反映了和的发展趋势,称为GM(1,1)模型的发展系数。b称为灰色作用量,它是外生的或者从实际问题的背景中产生的,反映了数据变化关系,其确切内涵是灰色的。使用上述递推公式,可获得未来的预测值。
与现有技术相比,本发明有以下有益效果:
1、利用直觉模糊子集来描述系统的正常、异常状态。
2、结合灰色模型的优点和直觉模糊集的优点对复杂的系统进行有效的故障预测。
附图说明
图1为本发明的方法流程示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
如图1所示,本实施例提供了一种结合直觉模糊集和灰色模型的故障预报方法,包括以下步骤:
步骤S1:设设备或系统正常运行时的初始m个时间点的观测数据为{yt}(t=1,2,3,…,m),计算该观测数据的均值ε和标准差σ,设定集合的元素数目k;
步骤S2:计算前k个连续正常运行的观测数据{yt}(t=1,2,3,…,k)的正常隶属度和异常隶属度;其中k≤m;
步骤S3:根据步骤S2的正常隶属度和异常隶属度得到正常直觉模糊子集Ak以及异常直觉模糊子集Bk;
步骤S4:在当前时刻t,采用灰色GM(1,1)模型估计系统未来运行的预测序列
步骤S5:将步骤S4中得到的预测序列代入正常隶属度函数得到得该预测序列的直觉模糊集合:
步骤S6:计算Dt与Ak的贴近度NIFS(Dt,Ak),计算Dt与Bk的贴近度NIFS(Dt,Bk);
步骤S7:在当前时刻,判断异常贴近度是否大于正常贴近度,即判断NIFS(Dt,Bk)是否大于NIFS(Dt,Ak),若是,则预报故障即将来临;若否,则令t=t+1,返回步骤S4。
在本实施例中,步骤S2中分别采用下式计算正常隶属度和异常隶属度:
其中,G(y)为正常隶属度函数,G'(y)为异常隶属度函数,y为观测变量;在G'(y)中,当k个连续观测数据的均值大于等于ε时,公式中±取+号;当k个连续观测数据的均值小于ε时,公式中±取-号;其中,ε表示步骤S1中计算获得的观测数据的均值,σ表示步骤S1中计算获得的观测数据的标准差。
在本实施例中,步骤S3中所述正常直觉模糊子集的获得采用以下方法:将初始正常运行时的k个连续观测数据{y1,y2,…,yk}代入正常隶属度函数,得到正常直觉模糊子集Ak:
Ak={<G(y1),1-G(y1)>,<G(y2),1-G(y2)>,…,<G(yk),1-G(yk)>}。
在本实施例中,步骤S3中所述异常直觉模糊子集的获得采用以下方法:将初始正常运行时的k个连续观测数据{y1,y2,…,yk}代入异常隶属度函数,得到异常直觉模糊子集Bk:
Bk={<G′(y1),1-G′(y1)>,<G′(y2),1-G′(y2)>,…,<G′(yk),1-G′(yk)>}。
在本实施例中,步骤S6中,所述计算Dt与Ak的贴近度NIFS(Dt,Ak)以及所述计算Dt与Bk的贴近度NIFS(Dt,Bk)均采用以下方法:具有k对元素的直觉模糊集合Q={<μ(xi),γ(xi)>}和R={<μ(zi),γ(zi)>}之间的贴近度公式如下:
其中μ(·)表示隶属度、γ(·)表示非隶属度:依据上式计算Dt与Ak的贴近度NIFS(Dt,Ak),计算Dt与Bk的贴近度NIFS(Dt,Bk);其中,μQ(xi)为直觉模糊集Q中的第i个隶属度,μR(zi)为直觉模糊集R中的第i个隶属度,γQ(xi)为直觉模糊集Q中的第i个非隶属度,γR(zi)为直觉模糊集R中的第i个非隶属度。
特别的,在本实施例中,所述步骤S4具体为:
设X(0)=(x(0)(1),x(0)(2),…,x(0)(n))为非负序列,X(1)为X(0)的1-AGO(一次累加)序列,X(1)=(x(1)(1),x(1)(2),…,x(1)(n)),其中则称
x(0)(k)+ax(1)(k)=b,其中k=1,2,…,n;
为GM(1,1)模型的原始形式。
称
x(0)(k)+az(1)(k)=b,其中k=2,…,n;
为GM(1,1)模型的基本形式,为灰色微分方程。其中
称
为x(0)(k)+az(1)(k)=b,其中k=2,…,n的白化方程,也称影子方程。
对参数a和b的估计,主要通过x(0)(k)+az(1)(k)=b,其中k=2,…,n,采用最小二乘法估计,得出
其中为参数列,且
设则得到下列三点结论:
1、白化方程的解,也称时间响应函数,为:
x(1)(t)=(x(1)(1)-b/a)e-a(t-1)+b/a。
2、GM(1,1)模型x(0)(k)+az(1)(k)=b的时间响应序为:
其中k=1,2,…,n。
3、还原值位:
在本实施例中,-a反映了和的发展趋势,称为GM(1,1)模型的发展系数。b称为灰色作用量,它是外生的或者从实际问题的背景中产生的,反映了数据变化关系,其确切内涵是灰色的。使用上述递推公式,可获得未来的预测值。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (5)
1.一种结合直觉模糊集和灰色模型的故障预报方法,其特征在于:包括以下步骤:
步骤S1:设设备或系统正常运行时的初始m个时间点的观测数据为{yt}(t=1,2,3,…,m),计算该观测数据的均值ε和标准差σ,设定集合的元素数目k;
步骤S2:计算前k个连续正常运行的观测数据{yt}(t=1,2,3,…,k)的正常隶属度和异常隶属度;其中k≤m;
步骤S3:根据步骤S2的正常隶属度和异常隶属度获得正常直觉模糊子集Ak以及异常直觉模糊子集Bk;
步骤S4:在当前时刻t,采用灰色GM(1,1)模型估计系统未来运行的预测序列
步骤S5:将步骤S4中得到的预测序列代入正常隶属度函数,获得该预测序列的直觉模糊集合:
步骤S6:计算Dt与Ak的贴近度NIFS(Dt,Ak),计算Dt与Bk的贴近度NIFS(Dt,Bk);
步骤S7:在当前时刻,判断异常贴近度是否大于正常贴近度,即判断NIFS(Dt,Bk)是否大于NIFS(Dt,Ak),若是,则预报故障即将来临;
若否,则令t=t+1,返回步骤S4。
2.根据权利要求1所述的一种结合直觉模糊集和灰色模型的故障预报方法,其特征在于:步骤S2中分别采用下式计算正常隶属度和异常隶属度:
其中,G(y)为正常隶属度函数,G'(y)为异常隶属度函数,y为观测变量;在G'(y)中,当k个连续观测数据的均值大于等于ε时,公式中±取+号;当k个连续观测数据的均值小于ε时,公式中±取-号;其中,ε表示步骤S1中计算获得的观测数据的均值,σ表示步骤S1中计算获得的观测数据的标准差。
3.根据权利要求1所述的一种结合直觉模糊集和灰色模型的故障预报方法,其特征在于:步骤S3中所述正常直觉模糊子集的获得采用以下方法:将初始正常运行时的k个连续观测数据{y1,y2,…,yk}代入正常隶属度函数,得到正常直觉模糊子集Ak:
Ak={<G(y1),1-G(y1)>,<G(y2),1-G(y2)>,…,<G(yk),1-G(yk)>}。
4.根据权利要求1所述的一种结合直觉模糊集和灰色模型的故障预报方法,其特征在于:步骤S3中所述异常直觉模糊子集的获得采用以下方法:将初始正常运行时的k个连续观测数据{y1,y2,…,yk}代入异常隶属度函数,得到异常直觉模糊子集Bk:
Bk={<G′(y1),1-G′(y1)>,<G′(y2),1-G′(y2)>,…,<G′(yk),1-G′(yk)>}。
5.根据权利要求1所述的一种结合直觉模糊集和灰色模型的故障预报方法,其特征在于:步骤S6中,所述计算Dt与Ak的贴近度NIFS(Dt,Ak)以及所述计算Dt与Bk的贴近度NIFS(Dt,Bk)均采用以下方法:具有k对元素的直觉模糊集合Q={<μ(xi),γ(xi)>}和R={<μ(zi),γ(zi)>}之间的贴近度公式如下:
其中μ(·)表示隶属度、γ(·)表示非隶属度:依据上式计算Dt与Ak的贴近度NIFS(Dt,Ak),计算Dt与Bk的贴近度NIFS(Dt,Bk);其中,μQ(xi)为直觉模糊集Q中的第i个隶属度,μR(zi)为直觉模糊集R中的第i个隶属度,γQ(xi)为直觉模糊集Q中的第i个非隶属度,γR(zi)为直觉模糊集R中的第i个非隶属度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610317414.6A CN106021888B (zh) | 2016-05-13 | 2016-05-13 | 一种结合直觉模糊集和灰色模型的故障预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610317414.6A CN106021888B (zh) | 2016-05-13 | 2016-05-13 | 一种结合直觉模糊集和灰色模型的故障预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106021888A CN106021888A (zh) | 2016-10-12 |
CN106021888B true CN106021888B (zh) | 2018-08-17 |
Family
ID=57099500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610317414.6A Expired - Fee Related CN106021888B (zh) | 2016-05-13 | 2016-05-13 | 一种结合直觉模糊集和灰色模型的故障预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106021888B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133376A (zh) * | 2017-03-27 | 2017-09-05 | 哈尔滨工程大学 | 一种基于灰色预测模型的自主式水下机器人推进器弱故障程度预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1601239A (zh) * | 2004-10-22 | 2005-03-30 | 梅特勒-托利多(常州)称重设备系统有限公司 | 基于灰色理论的称重传感器故障预测方法 |
CN102779232A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于样条插值改进多变量灰色模型的故障预测方法 |
CN102779233A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于正则化方法改进多变量灰色模型的故障预测方法 |
CN104156612A (zh) * | 2014-08-25 | 2014-11-19 | 福建师范大学 | 基于粒子滤波的正向与逆向预测误差的故障预报方法 |
CN105571638A (zh) * | 2015-12-17 | 2016-05-11 | 安徽理工大学 | 一种机械设备故障组合预测系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8126199B2 (en) * | 2009-05-29 | 2012-02-28 | Xerox Corporation | Identification of faulty jets via sensing on customer images |
-
2016
- 2016-05-13 CN CN201610317414.6A patent/CN106021888B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1601239A (zh) * | 2004-10-22 | 2005-03-30 | 梅特勒-托利多(常州)称重设备系统有限公司 | 基于灰色理论的称重传感器故障预测方法 |
CN102779232A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于样条插值改进多变量灰色模型的故障预测方法 |
CN102779233A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于正则化方法改进多变量灰色模型的故障预测方法 |
CN104156612A (zh) * | 2014-08-25 | 2014-11-19 | 福建师范大学 | 基于粒子滤波的正向与逆向预测误差的故障预报方法 |
CN105571638A (zh) * | 2015-12-17 | 2016-05-11 | 安徽理工大学 | 一种机械设备故障组合预测系统及方法 |
Non-Patent Citations (1)
Title |
---|
《基于直觉正态云模型和最优变权的变压器绝缘状态评估》;李孟东;《电测与仪表》;20160325;第53卷(第6期);第42-50页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106021888A (zh) | 2016-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Cloud-based parallel machine learning for tool wear prediction | |
Amiri et al. | Change point estimation methods for control chart postsignal diagnostics: a literature review | |
JP6141235B2 (ja) | 時系列データにおける異常を検出する方法 | |
CN106950945B (zh) | 一种基于量纲可变型独立元分析模型的故障检测方法 | |
WO2014042147A1 (ja) | データ集中予測装置、データ集中予測方法、及びそのプログラム | |
CN103020166B (zh) | 一种电力实时数据异常检测方法 | |
CN104677997B (zh) | 一种变压器油色谱在线监测差异化预警方法 | |
CN111080074B (zh) | 基于网络多特征关联的系统服役安全态势要素获取方法 | |
Shi et al. | Improving power grid monitoring data quality: An efficient machine learning framework for missing data prediction | |
Tran et al. | Algorithm for estimating online bearing fault upon the ability to extract meaningful information from big data of intelligent structures | |
Tang et al. | Fault diagnosis of rolling bearing based on probability box theory and GA-SVM | |
Su et al. | A novel multi‐hidden semi‐Markov model for degradation state identification and remaining useful life estimation | |
Dong et al. | Quality monitoring and root cause diagnosis for industrial processes based on Lasso-SAE-CCA | |
CN106021888B (zh) | 一种结合直觉模糊集和灰色模型的故障预报方法 | |
CN105718733B (zh) | 基于模糊贴近度和粒子滤波的故障预报方法 | |
CN109324591B (zh) | 基于鲁棒估计器的随机混杂系统的故障诊断装置及方法 | |
CN117708738A (zh) | 基于多模态变量相关性的传感器时序异常检测方法及系统 | |
Movaffagh et al. | Monotonic change point estimation in the mean vector of a multivariate normal process | |
Zhou et al. | Performance evaluation method for network monitoring based on separable temporal exponential random graph models with application to the study of autocorrelation effects | |
CN104848883B (zh) | 一种基于稀疏表示的传感器噪声与故障的判别方法 | |
Shibuya et al. | Anomaly detection method based on fast local subspace classifier | |
Zhou et al. | Detecting Errors in Numerical Data via any Regression Model | |
Rosli et al. | Optimized neural network of predictive maintenance for Air Booster Compressor (ABC) motor failure | |
CN109583124A (zh) | 一种基于adrc的hmm故障预测系统 | |
Ai-min et al. | Fault diagnosis method of high voltage circuit breaker based on (RBF) artificial neural network |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180817 |