[发明专利]基于模糊贴近度和粒子滤波的故障预报方法

权利要求书

1.一种基于模糊贴近度和粒子滤波的故障预报方法，其特征在于：包括如下步骤，

S1、系统正常运行时的统计计算

在系统正常运行时，获得观测序列{y_t}，其中t＝1,2,3,…m，并计算其均值ε和标准差σ；在当前时刻t，采用经典的粒子滤波算法估计系统未来运行的预测序列i＝t+1,t+2,…,t+k；

S2、正常隶属度函数

假设k个连续的观测数据服从高斯分布，则设计正常隶属度函数如下：

G(x)=exp[-(x-ϵ)210×σ2]]]>

其中，x为观测变量，分母中的常数10可控制x取值在3个标准差之内时G(x)>0.5；

S3、正常模糊子集

设系统在初始运行阶段处于正常状态，将初始正常运行时的k个连续观测数据{y₁,y₂,…,y_k}代入正常隶属度函数的公式，求得正常模糊子集A_k＝{G(y₁),G(y₂),…,G(y_k)}；

S4、异常隶属度函数

假设k个连续的观测数据服从高斯分布，则设计异常隶属度函数如下：

G′(x)=exp[-(x-(ϵ±6×σ))210×σ2]]]>

其中，x为观测变量，当k个连续观测数据的均值大于等于ε时，公式中的正负号采用加号；当k个连续观测数据的均值小于ε时，公式中的正负号采用减号；

S5、异常模糊子集

设系统在初始运行阶段处于正常状态，将初始正常运行时的k个连续观测数据{y₁,y₂,…,y_k}代入异常隶属度函数的公式，求得异常模糊子集B_k＝{G′(y₁),G′(y₂),…,G′(y_k)}；

S6、预测数据的正常隶属度集合

将k个连续的预测序列i＝t+1,t+2,…,t+k代入正常隶属度函数的公式，求得预测序列的正常隶属度集合D_k＝{G(y_t+1),G(y_t+2),…,G(y_t+k)}；

S7、分别计算D_k与A_k和B_k的贴近度

计算贴近度σ(D_k,A_k)和σ(D_k,B_k)所采用的集合Q和R之间的海明贴近度公式如下：

σ(Q,R)=1-1nΣi=1n|μQ(xi)-μR(xi)|]]>

其中μ_Q(x_i)与μ_R(x_i)分别为隶属度集合Q和R中的第i个隶属度；贴近度越大，说明集合Q和R越相似；反之，贴近度越小，集合Q和R越不相似；

S8、故障预报：在时刻t，若σ(D_k,B_k)>σ(D_k,A_k)时，则预报出现故障。