CN116523120A - 一种作战系统健康状态预测方法 - Google Patents
一种作战系统健康状态预测方法 Download PDFInfo
- Publication number
- CN116523120A CN116523120A CN202310405347.3A CN202310405347A CN116523120A CN 116523120 A CN116523120 A CN 116523120A CN 202310405347 A CN202310405347 A CN 202310405347A CN 116523120 A CN116523120 A CN 116523120A
- Authority
- CN
- China
- Prior art keywords
- model
- prediction
- data
- neural network
- predicting
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000036541 health Effects 0.000 title claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 75
- 238000013178 mathematical model Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000003862 health status Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000012731 temporal analysis Methods 0.000 claims description 3
- 238000000700 time series analysis Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 1
- 230000000087 stabilizing effect Effects 0.000 claims 1
- 238000012423 maintenance Methods 0.000 description 6
- 230000010365 information processing Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000012356 Product development Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于飞机飞行信息化技术领域,特别涉及一种作战系统健康状态预测方法,包括如下步骤:步骤一:建立自回归移动平均模型;步骤二:建立人工神经网络模型;步骤三:建立作战系统混合预测数学模型;步骤四:运用混合模型实现系统健康状态预测。本发明通过实际数据和预测案例,表明给出的基于自回归求和移动平均模型的时序预测和基于人工神经网络的组合数据驱动预测方法贴合了现代作战系统保障技术升级的重要需求,所给出的算法能够在相当程度上满足作战系统健康状态预测的实际需要,预测效率较高,预测结果有较强的指导价值,对于提升作战系统的整体保障水平,具有较强的技术推动和工程借鉴意义。
Description
技术领域
本发明属于飞机飞行信息化技术领域,特别涉及一种作战系统健康状态预测方法。
背景技术
现代作战系统是武器的指挥中枢,是一个典型的“信息密集型”系统。随着作战系统朝着模块化、智能化、大型化、复杂化、综合化方向发展,传统的预防性维修和事后维修的维修保障模式已经不能满足现代化战争对武器装备任务出勤率和战备完好率的要求。在这样的背景下,基于故障预测与健康管理(Prognostics and Health Management,PHM)技术的视情维修策略得到了装备使用单位的高度重视。针对现代作战系统研究一种高效准确的健康状态预测手段,以便根据其健康状态劣化趋势来确定最佳维修时机和最佳维修方案,成为了作战系统保障技术升级的重要需求。
发明内容
本发明的目的就是为了克服上述背景技术的缺点,提供一种作战系统健康状态预测方法。
为了实现上述技术效果,本发明通过下述技术方案实现:
一种作战系统健康状态预测方法,包括如下步骤:
步骤一:建立自回归移动平均(ARIMA)模型:
步骤二:建立人工神经网络(ANN)模型;
步骤三:建立作战系统混合预测数学模型;
步骤四:运用混合模型实现系统健康状态预测。
所述步骤一包括:基于时间序列分析所获得的规律来建立数学模型,对某一个或一组变量x(t)进行观察测量,将在一系列时刻t1,t1,…,tn,(t为时间自变量)按照时间次序排列,并用于解释变量和相互关系的数学表达式;所得到的离散数字组成序列集合x(t1),x(t2),…,x(tn),称之为时间序列对这些以时间顺序排列的数据进行分析,就可以发现其内在变化的规律;
所述步骤二包括:处理单元的类型分为三类:输入单元、输出单元和隐单元;输入单元接受外部世界的信号与数据;输出单元实现系统处理结果的输出;隐单元是处在输入和输出单元之间,不能由系统外部观察的单元,神经元间的连接权值反映了单元间的连接强度,信息的表示和处理体现在网络处理单元的连接关系中。
所述步骤三包括:时间序列的非线性成分利用人工神经网络建模,再将两部分结果合并起来,就会得到更高的预测精度;
具体有如下步骤:
步骤一:基于时间序列的预测步骤大致分为四步:
(1)收集和整理历史资料,形成时间序列,绘成统计图。
(2)分析时间序列:在时间序列中,预测对象的每一组数据都是由许多不同因素、同时发生作用后的结果,这些数据可以是离散的,也可以是有规律的。通过分析时间序列,挖掘其中隐藏的、有价值的信息,对于预测模型的选择有着至关重要的作用;
(3)辨识模型、曲线拟合:通过分析时间序列,提取有价值信息,根据其特点和规律,结合预测模型的优缺点,选择合适的预测模型,拟合出一条能反映被预测对象未来一定时间段内变化趋势的曲线;
(4)依据曲线,预测未来:通过对拟合出的曲线分析、推理,按照时间推移,对被预测对象未来某一时刻进行故障预测。
步骤二:对于作战系统来讲,用于其健康状态预测的人工神经网络模型及其预测过程可以通过三层前向神经网络来示意表明。其中x1,x2,…xn为网络的n个输入,y1,y2,…ym为网络的m个输出,ωij为输入层第i个节点到中间层第j个节点之间的连接权重,ωjk为中间层第j个节点与输出层第m个节点之间的连接权重。当其被用于作战系统的健康状态预测时,输入层中输入向量X=(x1,x2,…xn)为作战系统或其下级单元设备的状态监测数据。这些数据在经过了一定的预处理(如降噪、归一化等)后,被作为预测模型的输入参数。该预测模型的中间层又称为隐含层,可以是一层也可以是多层结构,通过ωij和ωjk为连接输入层和输出层。输出层的输出值即为预测值,输出层节点数m为预测结果的总数,Y=(y1,y2,…ym)即为此次预测的输出结果。神经网络主要通过两种方法实现预测功能,第一种将神经网络作为函数逼近器,对参数进行拟合预测;第二种则是考虑输入、输出之间的动态关系,用带反馈的动态神经网络对参数建立动态模型进行预测。基于神经网络模型进行预测过程中,首先以状态监测数据为样本,选择合理的训练、测试和分析样本;然后通过网络参数设置训练模型;再用测试样本对训练的网络模型进行测试,检验网络性能;最后用模型和分析样本进行预测。
步骤三:混合模型包括ARIMA线性子模型和ANN非线性子模型两部分。
(1)ARIMA线性子模型:假设对于时间序列输入为X=(x1,x2,…xn),其真实期望输出为Y=(y1,y2,…ym)。首先利用ARIMA模型对时间序列进行预测,则可以得到ARIMA的预测值
(2)ANN非线性子模型:根据人工神经网络模型的基本原理,设非线性子模型的预测结果为
其中,wj(j=1,2,3,…,q)和wij(i=1,2,3,…,p;j=1,2,3,…,q)为神经网络的连接权重,p、q分别表示网络输入层和中间层的节点数,通常输出层为1用来进行一步前向预测,b0与b0j为偏置项,εt为t时刻的预测误差,g为网络的激活函数。
(3)混合模型:综合式(1)和(2),得到混合模型表达式为:
其中,Yt为最终预测结果,YL(t)为自回归求和移动平均模型ARIMA的预测结果,YN(t)为ARIMA预测的残差。将YN(t)作为人工神经网络ANN模型的输入,训练ANN模型,得到ANN模型预测结果。
由于自回归求和移动平均模型不能捕捉时间序列的非线性部分,所以式(3)得到的余项包含了时间序列的非线性成分,利用人工神经网络建模余项,再将两部分结果合并起来,就会得到更高的预测精度。
步骤四:运用ARIMA与ANN混合模型来实现作战系统健康状态预测的流程步骤。下面对该混合模型预测算法的详细过程进行描述:
预测的基本场景为对时间序列X=(x1,x2,…,xt)(t为当前时刻)进行混合动态L步预测。初始时刻k=t,j=1(j为预测循环次数),N为预测数据个数。
1:根据样本数据的特点进行平稳化、数据预处理。设处理后数据序列为即训练数据。
2:模型识别,即确定模型结构,根据数据序列的自相关系数(ACF)和偏相关系数(PACF)的性质和AIC准则去估计自回归阶数n和移动平均阶数m。
3:依据最小二乘法进行模型参数估计,确定当前时刻的观测值与历史时刻观测值和白噪声序列的关系。
4:利用训练数据检验模型是否达到精度,若满足,即得到合理的ARIMA模型,从而得到静态多步预测误差etrain(t)(也即ANN的训练数据),转步骤5;否则,转步骤2。
5:将历史数据代入预测方程,得到k+1时刻数据/>
6:若k+1-n<L,则k=k+1,将预测数据加入序列,转步骤3,重新估计参数;否则转步骤7。
7:若Lj<N,转步骤8;否则得到预测结果转步骤9。
8:将实际观测值代替之前的L步预测值,作为时间序列,转步骤3,进行第j=j+1次循环的L步预测。
9:用步骤4的etrain(t)来训练ANN模型,由步骤7中ARIMA得到的预测结果得到预测残差YN(t),作为ANN的时间序列数据,同步骤5、6、7、8,得到非线性部分的预测结果
10:由和/>得到混合模型的预测结果/>结束。
本发明的优点在于:
本发明深入分析了作战系统的业务与故障特点,给出了将基于自回归求和移动平均模型(ARIMA)的时序预测和基于人工神经网络(ANN)组合的数据驱动预测方法,并给出了二者组合的混合预测数学模型,以及基于该方法的具体预测步骤。并以作战系统的某子系统为例,引入实际的监测数据,给出了健康状态预测算法的应用案例。
通过实际数据和预测案例,表明给出的基于自回归求和移动平均模型(ARIMA)的时序预测和基于人工神经网络(ANN)的组合数据驱动预测方法贴合了现代作战系统保障技术升级的重要需求,所给出的算法能够在相当程度上满足作战系统健康状态预测的实际需要,预测效率较高,预测结果有较强的指导价值,对于提升作战系统的整体保障水平,具有较强的技术推动和工程借鉴意义。
附图说明
图1是本发明流程示意图。
图2是基于时间序列的预测的基本过程步骤。
图3是用于作战系统健康状态预测的神经网络示意图。
图4是运用混合模型实现作战系统健康状态预测的流程图。
具体实施方式
为了更清楚地说明本发明所提供的技术方案,下面将结合附图和实施例对本发明作进一步描述。应当指明的是,所提供的实施例仅仅是本发明的一部分实施例,而不是全部实施例,因此不应被看作是对保护范围的限定。基于本发明中的实施例,本领域普通技术工作人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种作战系统健康状态预测方法,包括如下步骤:
步骤一:建立自回归移动平均(ARIMA)模型:
将被预测对象系统随时间变化的数据序列看为一个随机序列,对该序列建立合适的数学模型后,通过时间序列的过去值和现在值来预测未来值。时间序列预测法通过对系统设备数据形成的时间序列编制、分析和推理,根据时间序列反映出来的发展过程、变化方向和形成趋势,进行比拟、类推和延伸,进行下一段时间的预测。
步骤二:建立人工神经网络(ANN)模型
神经网络是一种运算模型,由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数,称为激励函数(Activation Function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆。网络的输出则依网络的连接方式,权重值和激励函数的不同而不同。权值越大表示输入的信号对神经元影响越大。权值可以为负值,意味着输入信号收到了抑制。权值不同那么神经元的计算也不同。通过调整权值可以得到固定输入下需要的输出值。但是当ANN是由成百上千的神经元组成时,手工计算这些权值会变得异常复杂。这时就需要一些算法技巧。调整权重的过程称为ANN的“学习”或者“训练”过程。
步骤三:建立作战系统混合预测数学模型:由于自回归移动平均模型适合于捕捉时间序列的线性部分,而在解决复杂非线性问题时,误差往往很大。而神经网络在预测非线性时间序列时效果较好,但是神经网络在预测线性时间序列时表现较差。所以,本研究将ARIMA和ANN方法相结合,建立一种同时具有两种模型各自的优点的混合模型使其从而可以较好地对时间序列进行预测,提高预测精度。
步骤四:运用混合模型实现系统健康状态预测:针对作战系统健康状态预测的工程目标,充分考虑预测过程中实时数据对模型参数的影响,结合ARIMA和ANN的预测过程,建立实时动态预测模型。
步骤一包括:基于时间序列分析所获得的规律来建立数学模型,对某一个或一组变量x(t)进行观察测量,将在一系列时刻t1,t1,…,tn,(t为时间自变量)按照时间次序排列,并用于解释变量和相互关系的数学表达式;所得到的离散数字组成序列集合x(t1),x(t2),…,x(tn),称之为时间序列,这种有时间意义的序列也称为动态数据。对这些以时间顺序排列的数据进行分析,就可以发现其内在变化的规律;
步骤二包括:人工神经网络中,神经元处理单元可表示不同的对象,例如特征、字母、概念,或者一些有意义的抽象模式。网络中处理单元的类型分为三类:输入单元、输出单元和隐单元;输入单元接受外部世界的信号与数据;输出单元实现系统处理结果的输出;隐单元是处在输入和输出单元之间,不能由系统外部观察的单元,神经元间的连接权值反映了单元间的连接强度,信息的表示和处理体现在网络处理单元的连接关系中;人工神经网络是一种非程序化、适应性、大脑风格的信息处理,其本质是通过网络的变换和动力学行为得到一种并行分布式的信息处理功能,并在不同程度和层次上模仿人脑神经系统的信息处理功能;
步骤三包括:由于自回归求和移动平均模型不能捕捉时间序列的非线性部分,所以时间序列的非线性成分利用人工神经网络建模,再将两部分结果合并起来,就会得到更高的预测精度;
步骤四包括:平台的主要研究内容是实现高科技产品研制试验室生产过程中各类异构环境下所产生的数据的融合、分析和共享,包括试验数据、数据模型、业务流程、设施资源、知识和标准等数据,提供科研生产中相关的过程保障、环境保障、人员保障和条件保障等多方面支撑。
以下结合附图和具体实施例对本发明作具体的介绍。
参照图1所示,本发明一种作战系统健康状态预测方法,包括如下步骤:
步骤一:如图2所示,基于时间序列的预测步骤大致分为四步:
(1)收集和整理历史资料,形成时间序列,绘成统计图。
(2)分析时间序列:在时间序列中,预测对象的每一组数据都是由许多不同因素、同时发生作用后的结果,这些数据可以是离散的,也可以是有规律的。通过分析时间序列,挖掘其中隐藏的、有价值的信息,对于预测模型的选择有着至关重要的作用;
(3)辨识模型、曲线拟合:通过分析时间序列,提取有价值信息,根据其特点和规律,结合预测模型的优缺点,选择合适的预测模型,拟合出一条能反映被预测对象未来一定时间段内变化趋势的曲线;
(4)依据曲线,预测未来:通过对拟合出的曲线分析、推理,按照时间推移,对被预测对象未来某一时刻进行故障预测。
步骤二:如图3所示,对于作战系统来讲,用于其健康状态预测的人工神经网络模型及其预测过程可以通过三层前向神经网络来示意表明。其中x1,x2,…xn为网络的n个输入,y1,y2,…ym为网络的m个输出,ωij为输入层第i个节点到中间层第j个节点之间的连接权重,ωjk为中间层第j个节点与输出层第m个节点之间的连接权重。当其被用于作战系统的健康状态预测时,输入层中输入向量X=(x1,x2,…xn)为作战系统或其下级单元设备的状态监测数据。这些数据在经过了一定的预处理(如降噪、归一化等)后,被作为预测模型的输入参数。该预测模型的中间层又称为隐含层,可以是一层也可以是多层结构,通过ωij和ωjk为连接输入层和输出层。输出层的输出值即为预测值,输出层节点数m为预测结果的总数,Y=(y1,y2,…ym)即为此次预测的输出结果。神经网络主要通过两种方法实现预测功能,第一种将神经网络作为函数逼近器,对参数进行拟合预测;第二种则是考虑输入、输出之间的动态关系,用带反馈的动态神经网络对参数建立动态模型进行预测。基于神经网络模型进行预测过程中,首先以状态监测数据为样本,选择合理的训练、测试和分析样本;然后通过网络参数设置训练模型;再用测试样本对训练的网络模型进行测试,检验网络性能;最后用模型和分析样本进行预测。
步骤三:混合模型包括ARIMA线性子模型和ANN非线性子模型两部分。
(1)ARIMA线性子模型:假设对于时间序列输入为X=(x1,x2,…xn),其真实期望输出为Y=(y1,y2,…ym)。首先利用ARIMA模型对时间序列进行预测,则可以得到ARIMA的预测值
(2)ANN非线性子模型:根据人工神经网络模型的基本原理,设非线性子模型的预测结果为
其中,wj(j=1,2,3,…,q)和wij(i=1,2,3,…,p;j=1,2,3,…,q)为神经网络的连接权重,p、q分别表示网络输入层和中间层的节点数,通常输出层为1用来进行一步前向预测,b0与b0j为偏置项,εt为t时刻的预测误差,g为网络的激活函数。
(3)混合模型:综合式(1)和(2),得到混合模型表达式为:
其中,Yt为最终预测结果,YL(t)为自回归求和移动平均模型ARIMA的预测结果,YN(t)为ARIMA预测的残差。将YN(t)作为人工神经网络ANN模型的输入,训练ANN模型,得到ANN模型预测结果。
由于自回归求和移动平均模型不能捕捉时间序列的非线性部分,所以式(3)得到的余项包含了时间序列的非线性成分,利用人工神经网络建模余项,再将两部分结果合并起来,就会得到更高的预测精度。
步骤四:如图4所示,运用ARIMA与ANN混合模型来实现作战系统健康状态预测的流程步骤。下面对该混合模型预测算法的详细过程进行描述:
预测的基本场景为对时间序列X=(x1,x2,…,xt)(t为当前时刻)进行混合动态L步预测。初始时刻k=t,j=1(j为预测循环次数),N为预测数据个数。
步骤1:根据样本数据的特点进行平稳化、数据预处理。设处理后数据序列为即训练数据。
步骤2:模型识别,即确定模型结构,根据数据序列的自相关系数(ACF)和偏相关系数(PACF)的性质和AIC准则去估计自回归阶数n和移动平均阶数m。
步骤3:依据最小二乘法进行模型参数估计,确定当前时刻的观测值与历史时刻观测值和白噪声序列的关系。
步骤4:利用训练数据检验模型是否达到精度,若满足,即得到合理的ARIMA模型,从而得到静态多步预测误差etrain(t)(也即ANN的训练数据),转步骤5;否则,转步骤2。
步骤5:将历史数据代入预测方程,得到k+1时刻数据/>
步骤6:若k+1-n<L,则k=k+1,将预测数据加入序列,转步骤3,重新估计参数;否则转步骤7。
步骤7:若Lj<N,转步骤8;否则得到预测结果转步骤9。
步骤8:将实际观测值代替之前的L步预测值,作为时间序列,转步骤3,进行第j=j+1次循环的L步预测。
步骤9:用步骤4的etrain(t)来训练ANN模型,由步骤7中ARIMA得到的预测结果得到预测残差YN(t),作为ANN的时间序列数据,同步骤5、步骤6、步骤7、步骤8,得到非线性部分的预测结果/>
步骤10:由和/>得到混合模型的预测结果/>结束。
Claims (10)
1.一种作战系统健康状态预测方法,其特征在于:包括如下步骤:
步骤一:建立自回归移动平均模型;
步骤二:建立人工神经网络模型;
步骤三:建立作战系统混合预测数学模型;
步骤四:运用混合模型实现系统健康状态预测。
2.根据权利要求1所述的一种作战系统健康状态预测方法,其特征在于:所述步骤一中,基于时间序列分析所获得的规律来建立数学模型,对某一个或一组变量x(t)进行观察测量,将在一系列时刻t1,t1,…,tn,,t为时间自变量,n为自然数,按照时间次序排列,并用于解释变量和相互关系的数学表达式;所得到的离散数字组成序列集合x(t1),x(t2),…,x(tn),称之为时间序列,并对这些以时间顺序排列的数据进行分析。
3.根据权利要求2所述的一种作战系统健康状态预测方法,其特征在于:所述步骤二中,人工神经网络中处理单元的类型分为输入单元、输出单元和隐单元;输入单元接受外部世界的信号与数据;输出单元实现系统处理结果的输出;隐单元是处在输入和输出单元之间,神经元间的连接权值表示单元间的连接强度,信息的表示和处理体现在网络处理单元的连接关系中。
4.根据权利要求3所述的一种作战系统健康状态预测方法,其特征在于:所述步骤三中,时间序列的非线性成分利用人工神经网络建模,再将其与自回归求和移动平均模型的结果合并起来,得到更高的预测精度。
5.根据权利要求2所述的一种作战系统健康状态预测方法,其特征在于:步骤一中的基于时间序列的预测步骤包括如下步骤:
步骤1.收集和整理历史资料,形成时间序列,绘成统计图;
步骤2.分析时间序列;
步骤3.辨识模型、曲线拟合:通过分析时间序列,提取有价值信息,根据其特点和规律,结合预测模型的优缺点,选择合适的预测模型,拟合出一条能反映被预测对象未来一定时间段内变化趋势的曲线;
步骤4.依据曲线,预测未来:通过对拟合出的曲线分析、推理,按照时间推移,对被预测对象未来某一时刻进行故障预测。
6.根据权利要求3所述的一种作战系统健康状态预测方法,其特征在于:步骤二中用于其健康状态预测的人工神经网络模型及其预测过程通过三层前向神经网络来示意表明,其中x1,x2,…xn为网络的n个输入,y1,y2,…ym为网络的m个输出,ωij为输入层第i个节点到中间层第j个节点之间的连接权重,ωjk为中间层第j个节点与输出层第m个节点之间的连接权重;当其被用于作战系统的健康状态预测时,输入层中输入向量X=(x1,x2,…xn)为作战系统或其下级单元设备的状态监测数据;经过预处理后,被作为预测模型的输入参数;该预测模型的中间层为隐含层,为一层或多层结构,通过ωij和ωjk为连接输入层和输出层;输出层的输出值即为预测值,输出层节点数m为预测结果的总数,Y=(y1,y2,…ym)即为此次预测的输出结果。
7.根据权利要求6所述的一种作战系统健康状态预测方法,其特征在于:基于神经网络模型进行预测过程中,首先以状态监测数据为样本,选择训练、测试和分析样本;然后通过网络参数设置训练模型;再用测试样本对训练的网络模型进行测试,检验网络性能;最后用模型和分析样本进行预测。
8.根据权利要求6所述的一种作战系统健康状态预测方法,其特征在于:数据的预处理为降噪和归一化。
9.根据权利要求4所述的一种作战系统健康状态预测方法,其特征在于:步骤三中混合模型包括自回归移动平均线性子模型和人工神经网络非线性子模型两部分,具体步骤如下:
(1)自回归移动平均线性子模型:假设对于时间序列输入为X=(x1,x2,…xn),其真实期望输出为Y=(y1,y2,…ym);首先利用自回归移动平均模型对时间序列进行预测,则可以得到自回归移动平均的预测值
(2)人工神经网络非线性子模型:根据人工神经网络模型的基本原理,设非线性子模型的预测结果为
其中,wj(j=1,2,3,…,q)和wij(i=1,2,3,…,p;j=1,2,3,…,q)为神经网络的连接权重,p、q分别表示网络输入层和中间层的节点数,输出层为1用来进行一步前向预测,b0与b0j为偏置项,εt为t时刻的预测误差,g为网络的激活函数;
(3)混合模型:综合式(1)和(2),得到混合模型表达式为:
其中,Yt为最终预测结果,YL(t)为自回归求和移动平均模型的预测结果,YN(t)为自回归移动平均预测的残差;将YN(t)作为人工神经网络模型的输入,训练人工神经网络模型,得到人工神经网络模型预测结果。
10.根据权利要求4所述的一种作战系统健康状态预测方法,其特征在于:步骤四中运用自回归移动平均与人工神经网络混合模型来实现作战系统健康状态预测的流程步骤,该混合模型预测算法的详细过程如下:
预测的基本场景为对时间序列X=(x1,x2,…,xt)进行混合动态L步预测,其中t为当前时刻,初始时刻k=t,j=1,其中j为预测循环次数,N为预测数据个数;
步骤1.根据样本数据的特点进行平稳化、数据预处理;设处理后数据序列为即训练数据;
步骤2.模型识别,确定模型结构,根据数据序列的自相关系数(ACF)和偏相关系数(PACF)的性质和AIC准则去估计自回归阶数n和移动平均阶数m;
步骤3.依据最小二乘法进行模型参数估计,确定当前时刻的观测值与历史时刻观测值和白噪声序列的关系;
步骤4.利用训练数据检验模型是否达到精度,若满足,即得到合理的自回归移动平均模型,从而得到静态多步预测误差etrain(t),即人工神经网络的训练数据,转步骤5;否则,转步骤2;
步骤5.将历史数据代入预测方程,得到k+1时刻数据/>
步骤6.若k+1-n<L,则k=k+1,将预测数据加入序列,转步骤3,重新估计参数;否则转步骤7;
步骤7.若Lj<N,转步骤8;否则得到预测结果转步骤9;
步骤8.将实际观测值代替之前的L步预测值,作为时间序列,转步骤3,进行第j=j+1次循环的L步预测;
步骤9.用步骤4的etrain(t)来训练人工神经网络模型,由步骤7中自回归移动平均得到的预测结果得到预测残差YN(t),作为人工神经网络的时间序列数据,同步骤5、步骤6、步骤7、步骤8,得到非线性部分的预测结果/>
步骤10.由和/>得到混合模型的预测结/>结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310405347.3A CN116523120A (zh) | 2023-04-14 | 2023-04-14 | 一种作战系统健康状态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310405347.3A CN116523120A (zh) | 2023-04-14 | 2023-04-14 | 一种作战系统健康状态预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116523120A true CN116523120A (zh) | 2023-08-01 |
Family
ID=87407474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310405347.3A Pending CN116523120A (zh) | 2023-04-14 | 2023-04-14 | 一种作战系统健康状态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116523120A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130253942A1 (en) * | 2012-03-22 | 2013-09-26 | Hong Kong Baptist University | Methods and Apparatus for Smart Healthcare Decision Analytics and Support |
CN112308300A (zh) * | 2020-10-19 | 2021-02-02 | 中国电子科技集团公司第三十八研究所 | 一种大型电子产品状态预测管理系统 |
CN113221338A (zh) * | 2021-04-25 | 2021-08-06 | 南京邮电大学 | 一种基于数字孪生的复杂装备系统模型验证方法及系统 |
WO2022134391A1 (zh) * | 2020-12-25 | 2022-06-30 | 中国科学院西安光学精密机械研究所 | 融合神经元模型、神经网络结构及训练、推理方法、存储介质和设备 |
US20220341996A1 (en) * | 2021-01-11 | 2022-10-27 | Dalian University Of Technology | Method for predicting faults in power pack of complex equipment based on a hybrid prediction model |
CN115730743A (zh) * | 2022-12-05 | 2023-03-03 | 大连交通大学 | 一种基于深度神经网络的战场作战趋势预测方法 |
-
2023
- 2023-04-14 CN CN202310405347.3A patent/CN116523120A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130253942A1 (en) * | 2012-03-22 | 2013-09-26 | Hong Kong Baptist University | Methods and Apparatus for Smart Healthcare Decision Analytics and Support |
CN112308300A (zh) * | 2020-10-19 | 2021-02-02 | 中国电子科技集团公司第三十八研究所 | 一种大型电子产品状态预测管理系统 |
WO2022134391A1 (zh) * | 2020-12-25 | 2022-06-30 | 中国科学院西安光学精密机械研究所 | 融合神经元模型、神经网络结构及训练、推理方法、存储介质和设备 |
US20220341996A1 (en) * | 2021-01-11 | 2022-10-27 | Dalian University Of Technology | Method for predicting faults in power pack of complex equipment based on a hybrid prediction model |
CN113221338A (zh) * | 2021-04-25 | 2021-08-06 | 南京邮电大学 | 一种基于数字孪生的复杂装备系统模型验证方法及系统 |
CN115730743A (zh) * | 2022-12-05 | 2023-03-03 | 大连交通大学 | 一种基于深度神经网络的战场作战趋势预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Long short-term memory network for remaining useful life estimation | |
CN108764520B (zh) | 一种基于多层循环神经网络和d-s证据理论的水质参数预测方法 | |
CN112131212A (zh) | 基于集成学习技术面向混合云场景的时序数据异常预测方法 | |
CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
CN112819136A (zh) | 基于cnn-lstm神经网络模型与arima模型的时间序列预测方法及系统 | |
Zio et al. | Failure and reliability predictions by infinite impulse response locally recurrent neural networks | |
CN113240341A (zh) | 一种基于大数据的信息系统效能评估方法 | |
CN112381320A (zh) | 一种社区人员流量预测方法、系统、存储介质及设备 | |
CN112257914B (zh) | 一种基于随机森林的航空安全因果预测方法 | |
CN110757510A (zh) | 一种机器人剩余寿命预测方法及系统 | |
Bi et al. | Hybrid task prediction based on wavelet decomposition and ARIMA model in cloud data center | |
Manohar et al. | Load forecasting by a novel technique using ANN | |
CN114219177A (zh) | 机房环境调控方法、装置、电子设备及存储介质 | |
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 | |
Le | Contribution to deterioration modeling and residual life estimation based on condition monitoring data | |
Kim et al. | A study toward appropriate architecture of system-level prognostics: physics-based and data-driven approaches | |
CN116523120A (zh) | 一种作战系统健康状态预测方法 | |
Panayiotou et al. | Model abstraction for discrete event systems using neural networks and sensitivity information | |
CN114154266B (zh) | 基于偏秩相关的流因果结构学习的燃气轮机故障预测方法 | |
Xia et al. | Degradation prediction and rolling predictive maintenance policy for multi-sensor systems based on two-dimensional self-attention | |
Li et al. | Method for predicting failure rate of airborne equipment based on optimal combination model | |
Sun et al. | Short-Term Exhaust Gas Temperature Trend Prediction of a Marine Diesel Engine Based on an Improved Slime Mold Algorithm-Optimized Bidirectional Long Short-Term Memory—Temporal Pattern Attention Ensemble Model | |
He et al. | NARNET-based prognostics modeling for deteriorating systems under dynamic operating conditions | |
Rahman et al. | A reinforcement learning approach to predicting human design actions using a data-driven reward formulation | |
Huang et al. | Fault prognosis of engineered systems: A deep learning perspective |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |