[發明專利]一種基于ARMA和ANN的混合動態故障預測方法

在審

• 申請號: 201710140823.8
• 申請日: 2017-03-10
• 公開（公告）號: CN107085750A
• 公開（公告）日: 2017-08-22
• 發明（設計）人: 盛山山;程韜波;李亞楠
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F17/18
• 代理公司: 廣東廣信君達律師事務所44329
• 代理人: 楊曉松

技術領域

本發明涉及一種設備故障預測方法，尤其涉及一種基于ARMA和ANN的混合動態故障預測方法。

背景技術

預測學是一門新興學科，它根據歷史數據和狀態數據，在相關理論和方法的指導下，分析和推斷研究對象未來的發展狀態和趨勢，預測技術目前已經被廣泛應用在工業、商業、金融、氣象等領域。狀態預測技術是依據設備運行狀況，評估設備當前狀態并預測未來狀態。根據預測方法的應用程度、預測精度及相關成本可以將將預測技術分為三類：基于可靠性理論的預測方法、基于數據驅動的預測方法和基于時效物理模型的預測方法，三種方法在工程應用中的廣泛性依次減弱，但是預測精度依次升高，與其相關的難度和成本也隨之增加。

現有的預測技術在理論研究和實際應用方面已經取得了較大的進步，但是，已有的預測方法也存在諸多局限，預測過程對數學模型的依賴程度較大，不能滿足復雜系統的實際要求，在系統的數學模型不精確時無法獲得滿意的結果。并且多數預測模型屬于靜態模型，缺乏自學習能力，預測模型通過一次建模獲得，模型參數保持固定不變，沒有考慮到新增樣本對模型參數的影響，對于復雜裝備的預測通常出現單步預測不精確、多步預測無效的問題。

目前的故障預測方法中，自回歸滑動平均模型適合于捕捉時間序列的線性部分，而在解決復雜非線性問題時，誤差往往很大；而神經網絡在預測非線性時間序列時效果較好，但是神經網絡在預測線性時間序列時表現較差。

發明內容

為克服現有技術的不足，結合ARMA和ANN方法各自的優點，從而較好地對時間序列進行預測，提高預測精度，本發明提出一種基于ARMA和ANN的混合動態故障預測方法。

本發明的技術方案是這樣實現的：

一種基于ARMA和ANN的混合動態故障預測方法，包括步驟

S1：根據樣本數據的特點，對樣本數據進行平穩化數據預處理，生成數據序列；

S2：根據所述數據序列的自相關系數和偏相關系數的性質及AIC準則，估計數據序列的自回歸階數和移動平均階數，確定數據序列的模型；

S3：根據最小二乘法進行模型參數估計，確定當前時刻的觀測值與歷史時刻觀測值和白噪聲序列的關系；

S4：使用所述數據序列校驗所述模型是否達到精度，若否則轉回步驟S2，直到得到合理的ARMA模型，進而得到靜態多步預測誤差；

S5：將歷史數據代入所述ARAM模型的預測方程，得到下一時刻的數據；

S6：重復步驟S3-S5進行L步預測，并將預測的數據加入數據序列；

S7：如果進行L步預測時預測循環測速小于預測數據個數，則轉步驟S8；否則，得到線性部分的預測結果，轉步驟S9；

S8：將實際觀測值代入第L步預測值，作為時間序列，轉步驟S3，進行下一次循環的L步預測；

S9：實用所述靜態多步預測誤差，訓練ANN模型，根據所述預測結果得到預測殘差，作為ANN模型的時間序列數據，重復步驟S5-S8，得到非線性部分的預測結果；

S10：由所述線性部分的預測結果和非線性部分的預測結果，得到混合模型的預測結果。

進一步地，步驟S10中混合模型的預測結果＝所述線性部分的預測結果+非線性部分的預測結果。

本發明的有益效果在于，與現有技術相比，本發明結合ARMA在捕捉時間序列線性部分方面的優點和ANN在預測非線性時間序列方面的優勢，在預測過程中考慮實時數據對模型參數的影響，結合ARMA和ANN的預測過程，建立實時動態預測模型，避免單一模型各自的局限性。

附圖說明

圖1是本發明一種基于ARMA和ANN的混合動態故障預測方法流程圖；

圖2是本發明一種基于ARMA和ANN的混合動態故障預測方法流程邏輯圖。

具體實施方式

下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。