[發明專利]基于多狀態參數的無失效屏蔽泵故障短期多步預測方法

有效

• 申請號: 201911029005.6
• 申請日: 2019-10-28
• 公開（公告）號: CN110765619B
• 公開（公告）日: 2023-05-30
• 發明（設計）人: 齊建軍;王東鋒;薛勇;李玉良;王黎沁;蔣平;方世源;王俊偉;于瀟;楊瓊;周靖凱
• 申請（專利權）人: 中國人民解放軍63921部隊
• 主分類號: G06F30/20
• 分類號: G06F30/20
• 代理公司: 長沙國科天河知識產權代理有限公司 43225
• 代理人: 董惠文

1.一種基于多狀態參數的無失效屏蔽泵故障短期多步預測方法，其特征在于，包括以下步驟：

步驟1：獲取屏蔽泵的歷史狀態參數數據；

步驟2：根據歷史狀態參數數據構建多個分別由不同狀態參數作為因變量，其他狀態參數作為自變量的多狀態參數線性回歸模型，以及根據歷史狀態參數數據構建出每個狀態參數的與任務時間相關的變化趨勢預測模型；

步驟3：采集屏蔽泵實時檢測數據；

步驟4：仿真計數；

步驟5：根據步驟2中的每個狀態參數的變化趨勢預測模型，仿真生成下一時段t上每個狀態參數的預測值；

步驟6：根據步驟2中的多個多狀態參數線性回歸分析模型，將步驟5中仿真預測出的時段t上每個狀態參數值代入多個多狀態參數線性回歸模型，得到時段t上各因變量狀態參數的理論值；

步驟7：將各因變量狀態參數的理論值與步驟5經仿真得到的相應狀態參數預測值進行比較，如果誤差大于所設定的閾值，則判斷屏蔽泵出現故障，記錄故障時間t_i＝t，i為當前仿真次數，轉步驟8，否則t＝t+1，轉步驟5，直到達到所需預估的時間點為止；

步驟8：判斷是否達到仿真次數要求，如果是則轉步驟9，否則轉步驟4，并且令t＝0；

步驟9：統計所有仿真結果中在每一個時段t上出現故障的頻次，計算出在時段t上屏蔽泵的故障發生概率；

步驟10：輸出屏蔽泵在所預估的時間內每一時段的故障發生概率，即得到未來一段時間連續工作的故障風險預測結果。

2.根據權利要求1所述的基于多狀態參數的無失效屏蔽泵故障短期多步預測方法，其特征在于：步驟2中所述構建多個分別由不同狀態參數作為因變量，其他狀態參數作為自變量的多狀態參數線性回歸模型的方法是：

步驟2.1：對所獲取的歷史狀態參數數據進行標準化處理；

上式中，p表示屏蔽泵監測到的狀態參數數量，n表示記錄的屏蔽泵狀態參數的數據量，x_ij表示第j個狀態參數第i條記錄的數值，表示第j個狀態參數的均值，表示第j個狀態參數第i條記錄標準化之后的數值。

步驟2.2：對標準化處理后的歷史狀態參數數據進行相關性分析，得到由不同的狀態參數作為因變量時，與該因變量狀態參數相關的自變量狀態參數；

步驟2.3：根據步驟2.2中的相關性分析結果，將不同的狀態參數分別作為因變量時，與其相關的自變量狀態參數一起分別建立多個多狀態參數線性回歸分析模型，并根據歷史狀態數據對所述多個多狀態參數線性回歸分析模型的模型參數進行估計，所述線性回歸分析方程的數量與因變量狀態參數數量一致。

3.根據權利要求2所述的基于多狀態參數的無失效屏蔽泵故障短期多步預測方法，其特征在于：步驟2.3中所述建立多狀態參數線性回歸分析模型的方法是：

步驟2.3.1：建立多元回歸分析模型；

y＝β₀+β₁x₁+β₂x₂+…+β_px_p+ε

其中，y表示因變量狀態參數，x₁，x₂，…，x_p表示自變量狀態參數；β₀為一個常數項；β₁，β₂，…，β_p表示回歸因子，為多元回歸分析模型的模型參數；ε是一個服從正態分布的隨機變量，期望為0，方差為σ，σ可通過樣本數據和預測模型進行計算，是多元回歸分析模型的標準誤差；

步驟2.3.2：對多元回歸分析模型的模型參數進行估計；

β＝(X^TX)^-1X^TY

X和Y分別表示自變量狀態參數列向量和因變量狀態參數觀測值列向量；

步驟2.3.3：對經過模型參數估計后的多元回歸分析模型進行顯著性檢驗；

步驟2.3.4：對多元回歸分析模型的模型系數進行顯著性檢驗；

步驟2.3.5：輸出多元回歸分析模型。