[發明專利]一種基于多維卡爾曼濾波修正的故障主動預測方法

在審

• 申請號: 201811209130.0
• 申請日: 2018-10-17
• 公開（公告）號: CN109508475A
• 公開（公告）日: 2019-03-22
• 發明（設計）人: 楊順昆;茍曉冬;李紅曼;黃婷婷;林歐雅;李大慶;陶飛;佘志坤
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06F17/50
• 分類號: G06F17/50
• 代理公司: 北京慧泉知識產權代理有限公司 11232
• 代理人: 王順榮;唐愛華

1.一種基于多維卡爾曼濾波修正的故障主動預測方法，其特征在于：其具體實施步驟如下：

步驟1：獲取復數個用于軟件預測的度量的歷史版本數據；

步驟2：將所述復數個度量的歷史版本數據進行相關性分析，篩選出至少三個度量；

步驟3：基于篩選出的度量建立復數種模型，分別基于該復數種模型估計歷史版本數據變量中的缺失數據；

步驟4：選取至少三個歷史版本的數據對當前版本的故障數據進行估計，記為第一故障數據；

步驟5：基于復數種估計模型，分別建立卡爾曼濾波狀態更新方程，計算卡爾曼增益以及估計誤差；

步驟6：估計下一版本的故障數據，記為第二故障數據；

步驟7：當第二故障數據比第一故障的數據更趨近于真實故障數據時，將所述步驟5的過程進行遞歸重復；

步驟8：基于最后一次卡爾曼濾波狀態更新方程，預測未知版本的故障數據；

通過上述步驟，能實現未知版本的軟件故障數據的預測，并且能夠根據卡爾曼濾波所提供的狀態更新方程以及卡爾曼增益，計算出模型的估計誤差，進而自適應的調整系統模型的相關參數，實時適應故障數據預測模型的變化情況，從而實現高精度的估計。

2.根據權利要求1所述的一種基于多維卡爾曼濾波修正的故障主動預測方法，其特征在于：

在步驟1中所述的“獲取復數個用于軟件預測的度量的歷史版本數據”，其具體作法如下：在故障主動預測技術中，根據給定的軟件，以函數為節點，以調用關系為邊，建立函數調用關系網絡，基于該復雜網絡，獲取多個度量元，該度量元可以是靜態的拓撲結構指標，如：節點數量、邊、平均度、聚集系數、平均路徑和社團數量，也可以是動態的拓撲結構指標，如：滲流值；所述度量元為軟件的多個歷史版本中獲取得到。

3.根據權利要求1所述的一種基于多維卡爾曼濾波修正的故障主動預測方法，其特征在于：

在步驟2中所述的“將所述復數個度量的歷史版本數據進行相關性分析，篩選出至少三個度量”，其具體作法如下：在一種實施方式中，分別計算任何度量與故障數據之間的相關系數，進而選取相關的度量元，或將所述復數個度量數據的多個歷史版本數據進行歸一化處理后，置于同一時序圖中，選取與所述故障數據折線趨勢接近的折線所對應的度量元。

4.根據權利要求1所述的一種基于多維卡爾曼濾波修正的故障主動預測方法，其特征在于：

在步驟3中所述的“基于篩選出的度量建立多種模型，分別基于該多種模型估計歷史版本數據變量中的缺失數據”，其具體作法如下：將所述篩選出的度量元進行平穩性分析，分別建立與所述故障數據間的回歸模型，基于該模型，估計多個度量的歷史版本數據中的缺失數據，或基于所述篩選出的多個度量元建立面板數據模型，得到所述故障數據與多個度量分布之間的方程關系，進而估計缺陷數據的歷史版本數據中的缺失數據，或基于差分小波神經網絡的軟件故障預測方法，構建差分還原模型，從而將模型中輸出的預測值轉換為最新故障間隔時間的預測數據。

5.根據權利要求1所述的一種基于多維卡爾曼濾波修正的故障主動預測方法，其特征在于：

在步驟4中所述的“選取至少三個歷史版本的數據對當前版本的故障數據進行估計，記為第一故障數據”，其具體作法如下：選取版本數據的前k個版本的數據作為歷史參考數據，同時為本預測方法的輸入數據，基于多種估計方法建立所述歷史參考數據與預測值之間的線性方程，其中所述估計方法包括：線性回歸方程法，面板數據分析法，以及差分小波神經網絡的差分還原法，分別將每個模型輸出的預測值與實際值間的差值記為殘差，基于各個估計方法得到的k+1版本的故障數據記為每種估計模型的第一故障數據。