[發明專利]基于神經網絡組合模型的狀態預測的方法及裝置

在審

• 申請號: 202011226472.0
• 申請日: 2020-11-04
• 公開（公告）號: CN112434842A
• 公開（公告）日: 2021-03-02
• 發明（設計）人: 王亮;王相;戚學文;熊傳梁;楊璐
• 申請（專利權）人: 中國人民解放軍91776部隊
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/08;G06N3/02
• 代理公司: 北京知果之信知識產權代理有限公司 11541
• 代理人: 卜榮麗

1.一種基于神經網絡組合模型的狀態預測的方法，其特征在于，所述方法包括：

根據灰色預測模型對非長期使用設備的故障發生時間進行預測，得到第一預測結果；

根據時間序列模型對所述非長期使用設備的故障發生時間進行預測，得到第二預測結果；

根據回歸分析模型對所述非長期使用設備的故障發生時間進行預測，得到第三預測結果；

將第一預測結果、第二預測結果、第三預測結果作為BP神經網絡預測模型的輸入，得到所述非長期使用設備的故障發生時間的最終預測值，以根據所述最終預測值對所述非長期使用設備的狀態進行預測。

2.根據權利要求1所述的基于神經網絡組合模型的狀態預測的方法，其特征在于，所述根據灰色預測模型對非長期使用設備的故障發生時間進行預測，得到第一預測結果包括：

基于所述非長期使用設備的歷史故障發生時間，根據灰色GM(1,1)模型，對所述非長期使用設備的故障發生時間進行預測得到第一預測結果。

3.根據權利要求2所述的基于神經網絡組合模型的狀態預測的方法，其特征在于，所述根據時間序列模型對所述非長期使用設備的故障發生時間進行預測，得到第二預測結果包括：

基于所述非長期使用設備的歷史故障發生時間，根據二次指數平滑模型對所述非長期使用設備的故障發生時間進行預測，得到第二預測結果。

4.根據權利要求3所述的基于神經網絡組合模型的狀態預測的方法，其特征在于，所述根據回歸分析模型對所述非長期使用設備的故障發生時間進行預測，得到第三預測結果包括：

基于所述非長期使用設備的歷史故障發生時間，根據一元回歸分析模型對所述非長期使用設備的故障發生時間進行預測。

5.根據權利要求1所述的基于神經網絡組合模型的狀態預測的方法，其特征在于，所述非長期使用設備為自動駕駛儀。

6.一種BP神經網絡預測模型訓練的方法，其特征在于，所述方法包括：

獲取訓練樣本，所述訓練樣本包括非長期使用設備的實際故障發生時間序列，以及分別基于灰色預測模型、時間序列模型、回歸分析模型對所述非長期使用設備的故障發生時間的預測結果，所述預測結果是對所述實際故障發生時間序列的預測結果；

將所述預測結果作為輸入、將所述實際故障時間序列作為輸出，并根據網絡結構、初始權值以及閾值的設定，對BP神經網絡進行訓練，得到網絡中對應于每個結點的權值與閾值，最終得到BP神經網絡預測模型。

7.根據權利要求6所述的BP神經網絡預測模型訓練的方法，其特征在于，所述方法還包括：

基于非長期使用設備的歷史故障發生時間分別建立所述灰色預測模型、所述時間序列模型、所述回歸分析模型。

8.一種基于神經網絡組合模型的狀態預測的裝置，其特征在于，所述裝置包括：

第一預測單元，用于根據灰色預測模型對非長期使用設備的故障發生時間進行預測，得到第一預測結果；

第二預測單元，用于根據時間序列模型對所述非長期使用設備的故障發生時間進行預測，得到第二預測結果；

第三預測單元，用于根據回歸分析模型對所述非長期使用設備的故障發生時間進行預測，得到第三預測結果；

最終預測單元，用于將第一預測結果、第二預測結果、第三預測結果作為BP神經網絡預測模型的輸入，得到所述非長期使用設備的故障發生時間的最終預測值，以根據所述最終預測值對所述非長期使用設備的狀態進行預測。