[发明专利]基于模糊贴近度和粒子滤波的故障预报方法

摘要

本发明针对设备系统往往具有不确定性和非线性的特点，提出一种将模糊贴近度和粒子滤波算法相结合的故障预报方法。本发明方法采用状态空间模型描述系统的故障演化过程，利用粒子滤波算法跟踪和预测系统的运行状态；利用隶属度函数设计了描述系统运行正常的正常模糊子集和运行异常的异常模糊子集；计算由粒子滤波算法求得的预测序列的正常隶属度集合；再计算该正常隶属度集合与正常模糊子集的贴近程度，计算该正常隶属度集合与异常模糊子集的贴近程度。当实时监测系统运行时，若该正常隶属度集合与异常模糊子集的贴近度大于其与正常模糊子集的贴近度时，则预报有故障发生；本发明可实现故障的早期预报，是一种有效的故障预报方法。

主权项

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{yt}，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,…,yk}代入正常隶属度函数的公式，求得正常模糊子集Ak＝{G(y1),G(y2),…,G(yk)}；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,…,yk}代入异常隶属度函数的公式，求得异常模糊子集Bk＝{G′(y1),G′(y2),…,G′(yk)}；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Dk＝{G(yt+1),G(yt+2),…,G(yt+k)}；S7、分别计算Dk与Ak和Bk的贴近度计算贴近度σ(Dk,Ak)和σ(Dk,Bk)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μQ(xi)与μR(xi)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(Dk,Bk)>σ(Dk,Ak)时，则预报出现故障。