[发明专利]模型自匹配融合健康预测方法

说明书

技术领域

本发明涉及故障预测与健康管理技术领域，尤其涉及一种模型自匹配融合健康预测方法。

背景技术

在设备或系统健康预测过程中，通常假定退化规律在整个预测周期内保持不变，从而采用单一预测模型进行健康预测。对于具有特定或固定退化规律的设备或系统，单一预测模型能够表现出较好的预测效果。然而，多数设备或系统在健康状态的实际退化过程中，退化规律或退化模式常常在不断地变化，不同退化模式中退化状态的存在差异，单个预测模型即便是具有自适应参数调整能力的模型，由于模型自身条件限制也是很难适用于不同的退化模式。

为此，本发明给出模型自匹配融合健康预测方法，为实现长期有效预测，考虑退化规律的变化，能够根据最新退化规律自适应地选择多种预测模型，融合多种预测模型的预测结果进行设备或系统的健康预测，为设备或系统的健康状态预测以及剩余寿命估计提供了一种新思路。

发明内容

本发明的目的在于提供一种模型自匹配融合健康预测方法，用于预测未来设备或系统的健康状况，为实现高效准确的预测及健康管理提供保障。

为了达成上述目的，本发明的解决方案是：

模型自匹配融合健康预测方法，包括以下步骤(1)～(7)：

(1)选择n个预测模型构建预测模型总库，其中n为正整数且n≥1；

(2)依据健康参数时间序列数据，对步骤(1)的预测模型总库中的各预测模型进行预测结果误差测试，选择其中m个预测结果误差符合正态分布的预测模型，作为组合预测模型，其中,m为正整数且m≤n，健康参数为待测系统的物理参数或非物理参数，健康参数时间序列记为x_k-N+1,x_k-N+2,…x_k，k为当前时刻，N为正整数且N≤k；

(3)基于健康参数时间序列数据，利用步骤(2)确定的组合预测模型中的m个预测模型对健康参数进行预测，获取对应的m组预测结果；

(4)对步骤(3)的m组预测结果进行显著误差检测，依据显著误差检测结果确定出l个预测结果均无显著误差的预测模型作为匹配预测模型，其中l为正整数且l≤m；

(5)利用步骤(4)中确定的l个匹配预测模型进行健康参数预测，获取对应的l组预测结果；

(6)对步骤(5)获取的l组预测结果进行数据融合，得到最终的健康参数预测结果；

(7)获取新的健康参数数据，重复步骤(2)至步骤(6)，最终实现跟踪最新观测数据的模型自动选择匹配的长期预测。

本发明的模型自匹配融合健康预测方法，所述步骤(1)中选择n个预测模型构建预测模型总库，预测模型总库具体包括的预测模型有：支持向量回归预测模型、灰色理论预测模型GM(1,1)、BP神经网络预测模型、自回归滑动平均模型ARMAM、卡尔曼滤波预测模型、粒子滤波预测模型、多项式回归拟合预测模型，即n＝7。

本发明的模型自匹配融合健康预测方法，所述步骤(2)中依据健康参数时间序列数据，对步骤(1)中的预测模型总库中的预测模型进行预测结果误差测试，选择m个预测结果误差符合正态分布的预测模型，作为组合预测模型，具体步骤为：

设已获取的健康参数时间数据为N个，记为x_k-N+1,x_k-N+2,…x_k,将N个健康参数时间数据分为N₁个已知数据和N₂＝N-N₁个测试数据，其中k为当前时刻，

(3.1)从预测模型总库中选择m₀个预测模型，并给定该m₀个预测模型的模型参数，其中m₀≤n且m₀为正整数；

(3.2)以N₁个已知数据作为步骤(3.1)的m₀个预测模型的输入，利用m₀个预测模型计算获取m₀组预测结果，采用偏态峰态检验法检验m₀个预测模型的预测结果是否符合正态分布，将预测结果符合正态分布的m个预测模型用以构建组合预测模型，其中，m为正整数且m≤m₀≤n，偏态峰态检验法为现有成熟方法，此处不再赘述。

本发明的模型自匹配融合健康预测方法，所述步骤(4)所述对步骤(3)的m组预测结果进行显著误差检测，依据显著误差检测结果确定出l个预测结果均无显著误差的预测模型作为匹配预测模型，具体实现为：