[發明專利]一種長短期預測融合的故障檢測方法

有效

• 申請號: 201711453209.3
• 申請日: 2017-12-28
• 公開（公告）號: CN108282360B
• 公開（公告）日: 2021-06-18
• 發明（設計）人: 劉雪琳;葉可江;須成忠
• 申請（專利權）人: 深圳先進技術研究院
• 主分類號: H04L12/24
• 分類號: H04L12/24;H04L12/26;G06F11/34
• 代理公司: 深圳市科進知識產權代理事務所(普通合伙) 44316
• 代理人: 趙勍毅

1.一種長短期預測融合的故障檢測方法，其特征在于，包括如下步驟：

S1：建立一個數據隨時間變化的統計模型；

S2：利用時間序列建模得到的自回歸模型，利用自回歸模型對上述統計模型的預測殘差值進行修正；

S3：利用馬爾可夫預測模型作為長期建模方案，對被修正后的統計模型進行趨勢調整；

S4：采用廣義似然比算法進行故障點檢測，根據情況變化閾值預測故障報警；

所述步驟S1中“建立一個數據隨時間變化的統計模型”還包括，為了消除日期，周數和月份對統計模型的影響，分別逐步加入總均值、日期的影響、周數的影響、月份的影響因素建立擴展統計模型；

其中：

所述擴展統計模型為：

y_t＝μ+α_i+β_w+γ_m (3)

其中，時間指數t表示為(i,d,w,m)的函數，y_t即y_(i,d,w,m)表示數據收集中第m月第w周第d天第i個間隔的觀測值；總均值是μ；α_i為總平均值一天中的第i個誤差，(∑_iα_i＝0)；β_w表示第w周的影響，∑_wβ_w＝0；γ_m表示第m月的影響，∑_mγ_m＝0；

所述步驟S2中，利用時間序列建模得到的自回歸模型如下：

ε_t＝θ₁ε_t-1+θ₂ε_t-2+μ_t (4)

擴展統計模型經修正后為:

其中，自回歸模型式(4)中，θ₁和θ₂是自回歸模型的參數，μ_t是獨立同分布的隨機變量；

所述步驟S3中，利用馬爾可夫預測模型對被修正后的統計模型進行趨勢調整具體包括如下步驟：

綜合各步對未來的影響，定義Z₁,Z₂,...Z_m為：

其中i,j,k＝1,2,…,m，P_i1⁽¹⁾,P_i2⁽¹⁾,…,P_im⁽¹⁾為一步狀態轉移矩陣中第i行的所有轉移概率，P_j1⁽²⁾,P_j2⁽²⁾,…,P_jm⁽²⁾為兩步狀態轉移矩陣中第j行的所有轉移概率，P_k1^(r),P_k2^(r),…,P_km^(r)為r步狀態轉移矩陣中第k行的所有轉移概率；

依據Z₁,Z₂,...Z_m的定義，用最大標準化方法計算權重序列{ρ_i}，如下

其中i＝1,2,…,m；

利用上述權重對修正后的統計模型進行趨勢調整；基于狀態定義，對每個狀態定義一個中間值η_i：

由此，趨勢調整后的融合預測調整模型可以表示為：

N表示殘差序列的第多少個值。

2.如權利要求1所述的一種長短期預測融合的故障檢測方法，其特征在于，所述步驟S4中“采用廣義似然比算法進行故障檢測”，具體包括：采用兩個時間窗口，即一組獲得數據的時間索引；第一個是參考窗口，所述參考窗口中的值被用來估計測試點中零假設的參數；所述參考窗口以檢測最后一個故障發生的時間開始；第二個時間窗口是測試窗口；所述測試窗口中的值用于估計發生故障的替代假設的參數，測試窗口大小為t-L，當檢測到故障時，發出警報，其中，L為一個由用戶設定的經驗值。