[发明专利]一种基于数据和模型融合的预警方法

摘要

本发明公开的一种基于数据和模型融合的预警方法，依次通过数据采集、特征提取、建立正常状态标准、跟踪特征变量退化轨迹、基于数据驱动的预测模型及连续循环更新预测模型参数这些步骤，实现系统运行退化趋势的可靠预测，本发明的预警方法不依赖于系统数学模型和先验知识，仅依靠历史运行数据和实时数据就能预测系统未来一段时间的变化趋势，在系统异常变化初期就能预测到短期内可能发生的故障，以便工作人员及时排除潜在风险，有效避免事故发生，提高系统运行的安全性和可靠性，同时也能减少经济损失和环境污染。

主权项

1.一种基于数据和模型融合的预警方法，其特征在于，包括以下步骤：/n步骤一，采集系统过程运行数据，并进行特征选择与提取；/n步骤二，根据特征变量确定系统的正常状态基准，通过状态监控跟踪这些特征变量的退化轨迹，并判断是否有异常发生；/n若异常发生，则继续跟踪特征变量的退化轨迹，并进行状态估计或者参数辨识，将特征变量对代入基于数据驱动的预测模型进行在线训练，更新预测模型，然后返回步骤一；/n若无异常发生，表明特征变量的退化轨迹达到预先设定阈值，发出警报表明已检测到故障，此时触发预测程序，预测状态或者估计剩余使用寿命，继续进行步骤三；/n步骤三，对历史数据库中的数据进行离线训练，得到最基本的预测训练模型，结合当前状态和预测模型的参数进行在线训练，利用基于数据的预测方法得到预测值，预测值计算公式如下：/nY_k＝f(U_1:q,Y_1:k-1)+ε_k (1)/n其中，k-1表示该时刻触发预测程序，Y_k是k步的预测值，是通过观测手段得到的值，其限定范围是Y_k∈R^p；Y_1:k-1是到k-1步的系统历史数据，U_1:q是系统输入，q是输入变量维数，f(·)是非线性预测函数，ε_k是表示预测不确定性的噪声；/n步骤四，将含有未知模型参数的预测模型嵌入到粒子滤波学习结构中，结构描述如下：/nX_k＝g(X_k-1)+w_k (2)/n其中，g:Rⁿ→Rⁿ是系统状态转移函数，X_k是模型参数，是k步不可观测状态向量，其限定范围是X_k∈Rⁿ，w_k∈Rⁿ是时间独立的噪声，X_k-1是k-1步的不可观测状态向量，在每个离散时间时刻，k步的预测值Y_k与模型参数X_k相关，且两者关系如下：/nY_k＝h(X_k)+v_k (3)/n其中，h:Rⁿ→R^p是测量函数，v_k∈R^p是时间独立的噪声，p是输出变量维数；/n步骤五，通过粒子滤波更新模型参数X_k，得到RUL或者能反应系统运行状态的变化趋势的预测指标。/n