[发明专利]一种长短期预测融合的故障检测方法

权利要求书

1.一种长短期预测融合的故障检测方法，其特征在于，包括如下步骤：

S1：建立一个数据随时间变化的统计模型；

S2：利用时间序列建模得到的自回归模型，利用自回归模型对上述统计模型的预测残差值进行修正；

S3：利用马尔可夫预测模型作为长期建模方案，对被修正后的统计模型进行趋势调整；

S4：采用广义似然比算法进行故障点检测，根据情况变化阈值预测故障报警；

所述步骤S1中“建立一个数据随时间变化的统计模型”还包括，为了消除日期，周数和月份对统计模型的影响，分别逐步加入总均值、日期的影响、周数的影响、月份的影响因素建立扩展统计模型；

其中：

所述扩展统计模型为：

y_t＝μ+α_i+β_w+γ_m (3)

其中，时间指数t表示为(i,d,w,m)的函数，y_t即y_(i,d,w,m)表示数据收集中第m月第w周第d天第i个间隔的观测值；总均值是μ；α_i为总平均值一天中的第i个误差，(∑_iα_i＝0)；β_w表示第w周的影响，∑_wβ_w＝0；γ_m表示第m月的影响，∑_mγ_m＝0；

所述步骤S2中，利用时间序列建模得到的自回归模型如下：

ε_t＝θ₁ε_t-1+θ₂ε_t-2+μ_t (4)

扩展统计模型经修正后为:

其中，自回归模型式(4)中，θ₁和θ₂是自回归模型的参数，μ_t是独立同分布的随机变量；

所述步骤S3中，利用马尔可夫预测模型对被修正后的统计模型进行趋势调整具体包括如下步骤：

综合各步对未来的影响，定义Z₁,Z₂,...Z_m为：

其中i,j,k＝1,2,…,m，P_i1⁽¹⁾,P_i2⁽¹⁾,…,P_im⁽¹⁾为一步状态转移矩阵中第i行的所有转移概率，P_j1⁽²⁾,P_j2⁽²⁾,…,P_jm⁽²⁾为两步状态转移矩阵中第j行的所有转移概率，P_k1^(r),P_k2^(r),…,P_km^(r)为r步状态转移矩阵中第k行的所有转移概率；

依据Z₁,Z₂,...Z_m的定义，用最大标准化方法计算权重序列{ρ_i}，如下

其中i＝1,2,…,m；

利用上述权重对修正后的统计模型进行趋势调整；基于状态定义，对每个状态定义一个中间值η_i：

由此，趋势调整后的融合预测调整模型可以表示为：

N表示残差序列的第多少个值。

2.如权利要求1所述的一种长短期预测融合的故障检测方法，其特征在于，所述步骤S4中“采用广义似然比算法进行故障检测”，具体包括：采用两个时间窗口，即一组获得数据的时间索引；第一个是参考窗口，所述参考窗口中的值被用来估计测试点中零假设的参数；所述参考窗口以检测最后一个故障发生的时间开始；第二个时间窗口是测试窗口；所述测试窗口中的值用于估计发生故障的替代假设的参数，测试窗口大小为t-L，当检测到故障时，发出警报，其中，L为一个由用户设定的经验值。