模型自匹配融合健康預測方法
【技術領域】
[0001] 本發明涉及故障預測與健康管理技術領域，尤其涉及一種模型自匹配融合健康預 測方法。
【背景技術】
[0002] 在設備或系統健康預測過程中，通常假定退化規律在整個預測周期內保持不變， 從而采用單一預測模型進行健康預測。對于具有特定或固定退化規律的設備或系統，單一 預測模型能夠表現出較好的預測效果。然而，多數設備或系統在健康狀態的實際退化過程 中，退化規律或退化模式常常在不斷地變化，不同退化模式中退化狀態的存在差異，單個預 測模型即便是具有自適應參數調整能力的模型，由于模型自身條件限制也是很難適用于不 同的退化模式。
[0003] 為此，本發明給出模型自匹配融合健康預測方法，為實現長期有效預測，考慮退化 規律的變化，能夠根據最新退化規律自適應地選擇多種預測模型，融合多種預測模型的預 測結果進行設備或系統的健康預測，為設備或系統的健康狀態預測以及剩余壽命估計提供 了 一種新思路。

【發明內容】

[0004] 本發明的目的在于提供一種模型自匹配融合健康預測方法，用于預測未來設備或 系統的健康狀況，為實現高效準確的預測及健康管理提供保障。
[0005] 為了達成上述目的，本發明的解決方案是：
[0006] 模型自匹配融合健康預測方法，包括以下步驟(1)~(7):
[0007] (1)選擇η個預測模型構建預測模型總庫，其中η為正整數且1;
[0008] (2)依據健康參數時間序列數據，對步驟(1)的預測模型總庫中的各預測模型進行 預測結果誤差測試，選擇其中m個預測結果誤差符合正態分布的預測模型，作為組合預測模 型，其中，m為正整數且η，健康參數為待測系統的物理參數或非物理參數，健康參數時間 序列記為xk-N+i，xk-N+2,…xk，k為當前時刻，Ν為正整數且k;
[0009] (3)基于健康參數時間序列數據，利用步驟(2)確定的組合預測模型中的m個預測 模型對健康參數進行預測，獲取對應的m組預測結果；
[0010] (4)對步驟(3)的m組預測結果進行顯著誤差檢測，依據顯著誤差檢測結果確定出1 個預測結果均無顯著誤差的預測模型作為匹配預測模型，其中1為正整數且l<m;
[0011] (5)利用步驟(4)中確定的1個匹配預測模型進行健康參數預測，獲取對應的1組預 測結果；
[0012] (6)對步驟(5)獲取的1組預測結果進行數據融合，得到最終的健康參數預測結果；
[0013] (7)獲取新的健康參數數據，重復步驟(2)至步驟(6)，最終實現跟蹤最新觀測數據 的模型自動選擇匹配的長期預測。
[0014] 本發明的模型自匹配融合健康預測方法，所述步驟(1)中選擇η個預測模型構建預 測模型總庫，預測模型總庫具體包括的預測模型有:支持向量回歸預測模型、灰色理論預測 模型GM(1，1)、BP神經網絡預測模型、自回歸滑動平均模型ARMAM、卡爾曼濾波預測模型、粒 子濾波預測模型、多項式回歸擬合預測模型，即n = 7。
[0015] 本發明的模型自匹配融合健康預測方法，所述步驟(2)中依據健康參數時間序列 數據，對步驟（1)中的預測模型總庫中的預測模型進行預測結果誤差測試，選擇m個預測結 果誤差符合正態分布的預測模型，作為組合預測模型，具體步驟為：
[0016] 設已獲取的健康參數時間數據為N個，記為^^^^^^，…^，將^^個健康參數時間 數據分為見個已知數據和他=~-見個測試數據，其中k為當前時刻，
[0017] (3.1)從預測模型總庫中選擇mo個預測模型，并給定該mo個預測模型的模型參數， 其中η且mo為正整數；
[0018] (3.2)以他個已知數據作為步驟(3.1)的mo個預測模型的輸入，利用mo個預測模型 計算獲取mo組預測結果，采用偏態峰態檢驗法檢驗mo個預測模型的預測結果是否符合正態 分布，將預測結果符合正態分布的m個預測模型用以構建組合預測模型，其中，m為正整數且 m < η，偏態峰態檢驗法為現有成熟方法，此處不再贅述。
[0019] 本發明的模型自匹配融合健康預測方法，所述步驟(4)所述對步驟(3)的m組預測 結果進行顯著誤差檢測，依據顯著誤差檢測結果確定出1個預測結果均無顯著誤差的預測 模型作為匹配預測模型，具體實現為：
[0020] 采用F檢驗法對步驟(3)的m個的預測結果進行顯著誤差檢測，若預測結果有顯著 誤差，則調整具有顯著誤差的預測模型的參數，若經過10次調整，該預測模型的預測結果依 舊不符合誤差容限，則從其余n-m個模型中選擇一個模型替換該具有顯著誤差的預測模型； 對新采用的預測模型進行顯著誤差檢測及模型參數調整;直至所采用的預測模型的預測結 果均符合規定的誤差容限；最終確定出1組預測結果均無顯著誤差的預測模型作為匹配預 測模型，其中1為正整數且1 < m。
[0021] 本發明的模型自匹配融合健康預測方法，所述步驟(5)中的1組預測結果進行數據 融合，得到最終的預測結果，具體步驟為：
[0022]設已獲取的健康參數時間序列數據為N個，記為^-^，^^^，…^，將^^個健康參數 時間數據分為Λ個已知數據和Ν2 = Ν-Λ個測試數據，其中k為當前時刻，
[0023]以他個已知數據為輸入，利用步驟(4)確定的1個預測模型，獲取1組預測結果，每 組預測結果有N2個預測數據，
[0024] (5.1)依據處個測試數據和N2個預測數據計算平均相對誤差e f 其中j = l，2,…，l，i = k-N2+l，k-N2+2，···，k，為采用第j個預測模型的第i個預測數據，Xi 為測試數據；
[0025] (5.2)求耳
[0026] (5.3)以N個已知健康參數時間序列數據為輸入，利用步驟(4)確定的1個預測模 型，獲取前向q步的預測結果為，最終求得前向前向q步的健康參數預測 結果.
，.，其中，r = k+l，k+2,…，k+q。
【附圖說明】
[0027] 圖1是模型自匹配融合健康預測方法流程圖。
【具體實施方式】
[0028] 下面結合附圖對本發明的技術方案進行詳細說明。
[0029] 本發明提供一種模型自匹配融合健康預測方法，其總體思路為:首先根據現有多 種成熟預測模型構建預測模型總庫，然后基于待測系統的健康參數時間序列數據對預測模 型總庫中的預測模型進行預測結果誤差測試，選擇其中多個預測結果誤差符合正態分布的 預測模型，作為組合預測模型，并進一步確定出符合預測結果誤差容限要求的1個匹配預測 模型用于健康參數的預測，最后融合這1個匹配預測模型的預測結果，最終獲取待測系統健 康參數的預測值。本發明方法能夠實時跟蹤最新觀測數據，進行多種預測模型的自動選擇 匹配，依據數據特點自動選擇并融合多種預測模型的預測結果，尤其適用于無明顯變化規 律或變化規律復雜的系統的長期準確預測。
[0030] 如圖1所示，本發明的模型自匹配融合健康預測方法，具體實施包括以下步驟（1) ~⑴：
[0031] (1)選擇η個預測模型構建預測模型總庫，其中η為正整數且1
[0032] 選擇η個預測模型構建預測模型總庫，預測模型總庫具體包括的預測模型有:支持 向量回歸預測模型、灰色理論預測模型GM(1，1)、BP神經網絡預測模型、自回歸滑動平均模 型ARMAM、卡爾曼濾波預測模型、粒子濾波預測模型、多項式回歸擬合預測模型，即n = 7。
[0033] (2)依據健康參數時間序列數據，對步驟(1)的預測模型總庫中的各預測模型進行 預測結果誤差測試，選擇其中m個預測結果誤差符合正態分布的預測模型，作為組合預測模 型，其中，m為正整數且η，健康參數為待測系統的物理參數或非物理參數，健康參數時間 序列記為xk-N+i，xk-N+2，…xk，k為當前時刻，Ν為正整數且Ν < k。具體實現為：
[0034]設已獲取的健康參數時間數據為N個，記為^^^^^^，…^，將^^個健康參數時間 數據分為見個已知數據和他=~-見個測試數據，其中k為當前時刻，
[0035] (2.1)從預測模型總庫中選擇mo個預測模型，并給定該mo個預測模型