[发明专利]一种基于设备所处生命周期阶段的设备状态预测方法

说明书

该发明公开了一种基于设备所处生命周期阶段的设备状态预测方法，涉及数据处理领域，具体是结合设备生命周期理论对设备特定状态指标进行预测的方法。针对现有设备远程监测系统的不足，提供了一种基于设备所处生命周期阶段的设备状态预测方法。本方法针对传统的远程监测系统未考虑设备长期使用过程中故障率呈阶段性变化的特性进行改进，引入设备生命周期理论用来描述被监测设备在不同生命周期阶段中的故障率表现，并根据监测的状态数据进一步对ARIMA‑SVR组合预测模型做出改进，提高对设备未来状态的预测精度。

技术领域

本发明涉及数据处理领域，具体是结合设备生命周期理论对设备特定状态指标进行预测的方法。

背景技术

当前随着信息技术和计算机网络技术的发展，设备远程监测系统已经广泛运用到企业生产设备管理中，利用生产设备上的传感器实时传送被监测设备的状态数据，便于管理者对设备的运行状态进行实时掌控，正因如此设备远程监测系统扮演着越来越重要的角色。

然而为了应对设备将来有可能出现的故障问题，企业在更好地获知设备现在时刻运行状态的基础上，也亟需对设备未来运行状态进行估计。但传统的监测系统很少会考虑设备在长期运行中的故障率呈阶段性变化的特性，仅仅通过监测到的设备状态监测序列数据对设备未来状态进行预测，忽视了设备自身所处阶段的故障率表现，这就使得预测精准度有所欠缺。

发明内容

本发明针对现有设备远程监测系统的不足，提供了一种基于设备所处生命周期阶段的设备状态预测方法。本方法针对传统的远程监测系统未考虑设备长期使用过程中故障率呈阶段性变化的特性进行改进，引入设备生命周期理论用来描述被监测设备在不同生命周期阶段中的故障率表现，并根据监测的状态数据进一步对ARIMA-SVR组合预测模型做出改进，提高对设备未来状态的预测精度。

本发明的技术方案是一种基于设备所处生命周期阶段的设备状态预测方法，该方法包括：

步骤1：将设备的生命周期分为磨合期q₁、健壮期q₂、衰退期q₃三个状态；

步骤2：根据监测数据使用隐马尔可夫模型(Hidden Markov Model，HMM)判断设备所处生命周期阶段，并确定其对应的影响因子；

步骤3：根据步骤2中求得的设备生命周期影响因子对ARIMA-SVR(自回归积分滑动平均- 支持向量回归)组合预测模型进行改进，依据状态监测数据预测设备未来状态信息。

步骤2：根据监测数据使用隐马尔可夫模型(HMM)判断设备所处生命周期阶段，并确定其对应的影响因子；

步骤2.1模型学习：依据设备历史监测数据，使用Baum-Welch(鲍姆-韦尔奇)算法对隐马尔可夫模型λ＝(π,A,B)的各参数进行估计；

给定模型初始参数λ₀＝{π₀,A₀,B₀}，π为隐含状态初始概率分布,即初始状态q_i对应的概率为π_i,A为状态转移概率矩阵，B为观测状态概率矩阵；递推Baum-Welch算法对参数估计公式为：

其中，