[发明专利]一种基于混合预测模型的复杂装备电源组故障预测方法

权利要求书

1.一种基于混合预测模型的复杂装备电源组故障预测方法，该预测方法针对复杂装备稳像工况下的运行数据，其特征在于：

所述混合预测模型由差分整合移动平均自回归模型ARIMA和人工神经网络模型ANN组合构成的故障预测模型；

所述ARIMA模型用于对电源组呈线性变化规律的时间序列进行预测；

所述ANN模型用于对电源组呈非线性变化规律的时间序列进行预测；

所述混合预测模型用于对电源组呈线性变化规律的时间序列的预测结果和呈非线性变化规律的时间序列的预测结果进行整合，并利用核心属性并行参数进行状态监测；

步骤如下：

将电源组的原始时间序列分为线性部分和非线性部分，利用ARIMA模型对线性部分进行预测，得到线性部分预测结果，将电源组的原始时间序列与线性预测结果做差值，获取包含非线性变化规律的残差e(t)；利用ANN模型进行预测，并将非线性部分的预测结果与线性部分的预测结果进行加和得到电源组的预测结果：

S1：分析电源组故障，提取核心属性集；

S1.1：建立复杂装备中电源组所包含属性集的评价指标系统；

所述复杂装备包含电源组、CPU板、KZB板、I/O板、ADA板、角速度传感器、横风传感器和倾斜传感器；

S1.2：分析属性之间的相关性，并利用基于粗糙集的差别矩阵进行属性约简；

S1.2.1：基于差别矩阵的定义计算差别矩阵M(T)；

S1.2.2：基于已得差别矩阵M(T)计算差别函数fM(T)；

S1.3：基于最小析取范式获取核心属性集；

根据所述的的差别函数fM(T)，利用最小析取范式，进行属性约简，获取核心属性集；

S2：利用ARIMA模型对呈线性变化规律的时间序列进行预测，获得包含非线性信息的残差；

S2.1：对采集到的电源组原始时间序列进行差分处理，得到平稳化处理的平稳时间序列；

S2.2：ARIMA模型识别；

绘制平稳时间序列的自相关图与偏自相关图，依据自相关图与偏自相关图，获取ARIMA模型的自回归阶数n和移动平均阶数m的感性认识；利用赤池信息准则与贝叶斯信息准则，计算获取模型阶数(n，m)；

S2.3：参数估计：利用最小二乘法对ARIMA模型的参数进行参数估计；

S2.4：ARIMA模型的验证：对残差进行检验，判别残差是否是一段白噪声时间序列，即是否满足随机正态分布、不自相关；

S2.5：利用ARIMA模型对呈线性变化规律的时间序列进行预测；

S2.6：将电源组的原始时间序列与线性预测结果做差值，获取包含非线性变化规律的残差e(t)；

S3：利用ANN模型对呈非线性变化规律的时间序列进行预测，得到非线性预测结果；

S3.1：将核心属性集作为输入，将通过ARIMA模型获取包含非线性变化规律的残差e(t)作为输出，获取训练集和测试集；

S3.2：为防止数量级的影响做数据归一化处理；

S3.3：创建ANN模型，并进行训练、测试；

S3.4：对ANN模型的性能进行评价；

S3.5：利用ANN模型获取呈非线性规律变化的时间序列预测值e’(t)；

S4：利用ARIMA模型和ANN模型获得线性部分与非线性部分的预测结果，对两部分结果加和得到电源组的预测结果；

S4.1：单独利用ARIMA模型，对提取的核心属性集单参数进行预测，获得预测结果，并对预测结果的误差进行评价；

S4.2：单独利用ANN模型，对提取的核心属性集单参数进行预测，获得预测结果，并对预测结果的误差进行评价；

S4.3：基于混合预测模型，对提取的核心属性集单参数进行预测，获得电源组预测结果，并对预测结果的误差进行评价；

S4.4：通过对三种模型的预测结果的误差进行对比，将ARIMA模型结合ANN模型的混合预测模型预测结果作为最终结果；

S5：利用核心属性并行参数监测结合上、下限预警的状态监测方式，对电源组的运行状态进行监测，得到状态监测结果；

S5.1：计算提取的核心属性集的上、下限值；

S5.2：利用ANN模型，对电源组的核心属性并行参数时间序列进行预测，获得核心属性并行参数的预测结果，与上、下限值进行对比，并对预测结果的误差进行评价；

S5.3：利用混合预测模型，对电源组的核心属性并行参数时间序列进行预测，获得核心属性并行参数的预测结果，与上、下限值进行对比，并对预测结果的误差进行评价；

S5.4：获得对比结果，确认利用混合预测模型，并通过核心属性并行参数监测结合上、下限预警的状态监测方式，可有效降低电源组的虚警率。