[发明专利]基于数据驱动的飞机液压泵性能变化趋势智能预测方法

权利要求书

1.一种基于数据驱动的飞机液压泵性能变化趋势智能预测方法，其特征在于：包括如下步骤：

步骤1：获取飞机液压泵的回油流量性能表征参数，形成初始参数集合；

步骤2：采用线性分解公式对性能表征参数D个原始数据进行分解，分别得到D个趋势项数据和D个细节项数据；线性分解公式具体如下:

x_t2＝x_t-x_t1

其中：k为光滑系数，1≤k≤n，x_i为原始数据序列，x_t为x_i原始数据序列中的当前值，t为数据序列号，n为序列号的最大值，x_t1为x_t分解后的趋势项数据，x_t2为x_t分解后的细节项数据，i＝1,2,3,…n，1≤t≤n；

步骤3：细节项数据归一化，形成参数数据集合；将细节项参数数据进行归一化处理，使得归一化后的数据位于(-1,1)之间；

步骤4：对归一化后的细节项数据进行相空间重构，得到细节项训练数据集；采用训练集数据构建细节项趋势预测模型，得到细节项数据趋势预测模型；

步骤5：对细节项数据进行趋势预测，得到细节项趋势预测结果；

步骤6：构建自回归积分滑动平均趋势预测模型，即ARIMA趋势项预测模型；

步骤7：对趋势项数据进行预测；将后D-d个数据输入到步骤6构建的ARIMA趋势项预测模型中，得到趋势项预测结果；

步骤8：将趋势项预测结果与细节项预测结果进行了叠加，将叠加后的结果作为基于ARIMA-LSTM的飞机液压泵性能变化趋势预测结果。

2.根据权利要求1所述的一种基于数据驱动的飞机液压泵性能变化趋势智能预测方法，其特征在于：所述所述步骤4还包括如下步骤：

步骤4.1：设置长短期记忆网络模型初始参数，输入层神经元个数为m，输出层神经元个数为e，隐含层神经元个数为u，迭代次数为p；

步骤4.2：构建训练样本数据集，将步骤3所得的归一化后的D个细节项数据中的前d个数据进行相空间重构，得到R×m的输入矩阵和R×e的输出矩阵，输入矩阵各行与输出矩阵的各行分别对应，由此得到的输入矩阵与输出矩阵作为细节项数据训练样本集，将细节项数据训练样本集代入长短期记忆网络模型进行训练，得到基于LSTM的细节项趋势预测模型。

3.根据权利要求1所述的一种基于数据驱动的飞机液压泵性能变化趋势智能预测方法，其特征在于：所述步骤5的具体方法为：将训练数据中的后m个数据作为第1组测试数据，并将第1组测试数据输入到细节项趋势预测模型，得到第1组测试数据的预测值，即为第1个预测值；然后，将第1个预测值加入到第1组数据的末尾，并去掉第1组数据中的第一个数据，形成维数相同的第2组测试数据，输入到细节项趋势预测模型，得到第2组测试数据的预测值，即为第2个预测值；重复上述步骤，将维数相同的第a组细节项测试数据，输入到细节项趋势预测模型，可得到第a组细节项数据的预测值，即为第a个预测值；将得到所有细节项趋势预测值进行反归一化处理，得到细节项趋势预测结果。

4.根据权利要求1所述的一种基于数据驱动的飞机液压泵性能变化趋势智能预测方法，其特征在于：所述步骤6的具体步骤如下：

步骤6.1：趋势项预测训练数据的构建；将步骤2所得的D个趋势项数据中的前d个数据作为ARIMA趋势项预测模型的训练数据；

步骤6.2：采用自相关系数图与偏相关系数图的方法对趋势项训练数据进行平稳性检验；若数据平稳，则输出平稳的数据；若数据不平稳，则需要对其进行差分处理并重新检验，直到平稳为止，输出得到平稳的数据；其中差分的次数就是ARIMA(p，d，q)中的阶数；其中p为自回归项，q为移动平均项数，d为时间序列成为平稳时间序列时所做的差分次数；

步骤6.3：ARIMA模型的识别与定阶；模型的识别是根据时间序列的自相关函数和偏自相关函数的截尾和拖尾性初步识别模型类型；

步骤6.4：模型的参数估计与检验；模型的参数估计采用最小二乘估计法对参数进行估计；对于模型的残差检验是判断残差序列是否通过白噪声检验，若通过，则该模型作为ARIMA趋势项预测模型，若不通过，则模型不通过检验，返回步骤6.3重新对模型的阶数p与q进行识别与定阶。