含有奇异信号的电子产品退化状态趋势预测方法
【专利摘要】本发明公开了一种含有奇异信号的电子产品退化状态趋势预测方法，首先对退化数据时间序列进行分帧处理，根据三次非多项式样条函数构造的约束条件和性质，求得退化数据点处的二阶导数值，构成二阶导数矢量，再由所有帧的二阶导数矢量构成观测序列，采用观测序列对隐马尔可夫预测模型进行训练，得到一阶预测模型，然后得到各阶模型，并由此计算出状态概率分布矩阵，利用加权预测法得到下一时刻状态，然后根据一阶预测模型得到代表该状态的样条预测元，根据样条预测元中最后两个二阶导数值求得最后两个时刻之间的三次样条曲线，代入预测点时刻即可求出最终的预测值。本发明可以提高含有奇异信号的电子产品退化状态趋势预测的准确度和鲁棒性。
【专利说明】含有奇异信号的电子产品退化状态趋势预测方法
【技术领域】
[0001] 本发明属于电子产品状态预测【技术领域】，更为具体地讲，涉及一种含有奇异信号 的电子产品退化状态趋势预测方法。
【背景技术】
[0002] 状态预测技术作为故障预诊断与健康管理（PHM, Prognostic and Health Management)的重要内容之一，对于有效获取电子产品在未来时刻的退化状态是非常具有 实际意义的。通过提前预知电子产品的性能退化量，就可以提前预知电子产品的可能故障 时间并且提前合理安排维护时间，从而在很大程度上降低维护成本，因此迫切需要有效的 预测模型来监督电子产品的退化状态趋势。
[0003] 在现有的对电子产品运行状态的趋势预测方法中，广泛采用的有效预测方式是通 过历史数据进行趋势外推，以获取系统未来时刻的运行状态，这对数据序列的预测提出了 很高要求。另一方面，由于在实际中电子产品的退化过程往往伴随着奇异信号的产生。而 测点信号的奇异性常常引发测点检测的异常，导致间歇性故障表现。而且有些奇异信号是 相当不明显的，当这种奇异性处于预测模型的训练数据中，可以使用一些相关技术进行识 别与修正；而如若奇异信号包含在进行预测的测试数据中，则该奇异性对预测精度的影响 是具毁灭性的，有时会传递到各个节点，引发不确定性的大面积传播。这就要求退化状态趋 势预测模型能够对这种不确定性具有良好的鲁棒性，在这种间歇性故障情况下或是测试数 据包含极度不明显的奇异性情况下都能做出精确的趋势预测。
[0004] 另外，非多项式样条是多项式与三角样条混合的一类样条函数，其三角部分的无 限可微性质可以有效弥补多项式自身的有限次光滑的缺陷。该函数具有良好的收敛性和稳 定性，从而相对其他方法，在解决上述问题上有其优越性。
【发明内容】
[0005] 本发明的目的在于克服现有技术的不足，提供一种含有奇异信号的电子产品退化 状态趋势预测方法，对退化数据进行三次非多项式样条插值得到二阶导数值，作为训练数 据训练得到隐马尔可夫模型进行预测，提高含有奇异信号的电子产品退化状态趋势预测的 准确度和鲁棒性。
[0006] 为实现上述发明目的，本发明含有奇异信号的电子产品退化状态趋势预测方法， 包括以下步骤：
[0007] Sl :对采样得到的退化数据时间序列进行分帧处理，得到长度相同的T帧数据， 每帧中包含的退化数据的个数记为R+1，其中R > 1，退化数据记为尤,，Λ的取值范围为 ? = 1,2,3,···,/? + 1，i 的取值范围为 i = 1, 2,…，T ;
[0008] S2 :对于步骤Sl得到的每帧数据，根据三次非多项式样条函数构造的约束条件和 性质，求得退化数据din处的二阶导数据值，η的取值范围为η = 1，2, ...，R，共计R个二阶 导数值％，每帧的二阶导数值构成二阶导数矢量〇;=吆,,，"=1，2_，/?!_，1'个二阶导数矢量 构成观测序列〇 = {〇i, i = 1，2,…，T};
[0009] S3 :设置隐马尔可夫预测模型的隐状态数Ν，混合高斯元数Μ，然后初始化HMM模型 参数λ ^ =( π，Α，Β)，其中初始状态分布矩阵Ji和状态转移概率矩阵A的初始值随机生成， 观察值输出概率矩阵B的初始化方法为：对步骤Sl中得到的观测序列0中的T个二阶导数 矢量O i按顺序分为数量相同的N组序列，将第j组序列中所有二阶导数矢量的隐状态标号 标注为j，采用k均值聚类算法对每组序列中的二阶导数矢量进行聚类，聚类数等于混合高 斯元数M，对每个类分别求取均值矢量和协方差阵，作为各个高斯分量的均值矢量估值μ jm 和协方差阵估值Σ>，混合系数的计算公式为：c> = I^mAv其中为状态j中类m的样 条二阶导数值矢量数，为状态j中样条二阶导数值矢量总数；
[0010] S4 :根据步骤S2得到的观测序列对经过步骤S3初始化的隐马尔可夫预测模型进 行训练，得到一阶预测模型A1= (Ji1, A11B1),同时得到模型中每个状态对应的混合高斯模 型(6/m，，公>));
[0011] S5 :设定模型阶数K，利用隐马尔可夫模型中的Viterbi解码算法重构步骤S4得 到的一阶预测模型λ i的最优状态序列；从退化数据时间序列中提取预测时刻t+Ι前最近 的K+1个时刻退化数据yt，y t_i，…，yt_K，根据三次非多项式样条函数构造的约束条件和性 质，求得退化数据y t^k处的二阶导数值％，k的取值范围为k = 1，2,…，K，根据重构出的最 优状态序列标注K个二阶导数值所对应的隐状态Jk，分别作为k阶模型的初始态；
[0012] S6:将步骤Sl得到的观测序列0= {〇i，i = 1，2，···，Τ}进行重组，形成各阶 模型所对应的观测序列Ok = {〇(s〇k+v}，V的取值范围为V = 1，2,…，K-I，S为整数， s e {s| (s-1)*k+l彡T，s彡0};根据重组得到的观测序列0k，利用一阶预测模型λ i，求取 其余各阶模型的转移概率矩阵Ak;，k' = 2, 3,…，K，并计算观测序列的k阶相关系数rk ;
[0013] S7:根据步骤S5、S6得到的各阶模型的初始态和各阶模型的转移概率矩阵Ak得到 预测时刻t+Ι的状态概率分布：
[0014]
【权利要求】
1. 一种含有奇异信号的电子产品退化状态趋势预测方法，其特征在于包括以下步骤： 51 :对采样得到的退化数据时间序列进行分帧处理，得到长度相同的T帧数据，每 帧中包含的退化数据个数记为R+1，其中R彡1，退化数据记为4，71的取值范围为 /1 = 1，2,3,…,i? +l，i的取值范围为i= 1，2,…，T; 52 :对于步骤SlOl得到的每帧数据，根据三次非多项式样条函数构造的约束条件和性 质，求得退化数据din处的二阶导数据值，η的取值范围为η= 1，2, ...，R，共计R个二阶导 数值奶"，每帧的二阶导数值构成二阶导数矢量〇,=他"，" = 1，2，··^，τ个二阶导数矢量 构成观测序列O=Ioi,i= 1，2,…，Τ}; 53 :设置隐马尔可夫预测模型的隐状态数N，混合高斯元数M，然后初始化HMM模型参数 λ^ =(π，A，B)，其中初始状态分布矩阵π和状态转移概率矩阵A的初始值随机生成，观 察值输出概率矩阵B的初始化方法为：对步骤Sl中得到的预测序列O中的T个二阶导数矢 量Oi按顺序分为数量相同的N组序列，将第j组序列中所有二阶导数矢量的隐状态标号标 注为j，采用k均值聚类算法对每组序列中的二阶导数矢量进行聚类，聚类数等于混合高斯 元数M，对每个类分别求取均值矢量和协方差阵，作为各个高斯分量的均值矢量估值μ>和 协方差阵估值2>，混合系数的计算公式为：(^ = 11]_，111/]1]_，其中]1]_， 111为状态」_中类1]1的样条 二阶导数值矢量数，r^_为状态j中样条二阶导数值矢量总数； 54 :根据步骤S2得到的观测序列对经过步骤S3初始化的隐马尔可夫预测模型进行训 练，得到一阶预测模型A1= (πρΑρΒΙ同时得到模型中每个状态对应的混合高斯模型 (C加，Aj.m，); 55 :设定模型阶数K，利用隐马尔可夫模型中的Viterbi解码算法重构步骤S4得到的 一阶预测模型A1的最优状态序列；从退化数据时间序列中提取预测时刻t+Ι前最近的K+1 个时刻退化数据yt，yw，…，yt-K，根据三次非多项式样条函数构造的约束条件和性质，求得 退化数据处的二阶导数值％，k的取值范围为k= 1，2,…，K，根据重构出的最优状态 序列标注K个二阶导数值所对应的隐状态Jk，分别作为k阶模型的初始态； S6:将步骤Sl得到的观测序列0={〇i，i= 1，2，···，Τ}进行重组，形成各阶模 型所对应的观测序列 〇k- {〇(s-l)*k+v}，V的取值范围为V= 1，2，···，κ-l，S为整数， se{s| (s-l)*k+l彡T，s彡0};根据重组得到的观测序列0k，利用一阶预测模型λi，求取 其余各阶模型的转移概率矩阵Ak;，k' = 2, 3,…，K，并计算观测序列的k阶相关系数rk ; S7 :根据步骤S5、S6得到的各阶模型的初始态和各阶模型的转移概率矩阵Ak得到预测 时刻t+Ι的状态概率分布：
其中，P> + 1)代表k阶模型在预测时刻隐状态为j的概率； 对于同一状态的各预测概率分布进行加权作为时刻t+Ι的预测概率p^t+Ι): Λ = 1
58 :选取步骤S7中N个预测概率h(t+l)中最大概率对应的隐状态Nb，根据步骤S4得 到的一阶预测模型得到隐状态Nb对应的M个混合高斯模型，计算得到最有可能代表该状态 的样条预测元
59 :根据步骤S8得到的样条预测元的最后两个二阶导数值Bp1和Bk以及退化数据yt_i、 yt，利用三次非多项式样条函数公式求得时刻t-1和t之间的三次非多项式样条函数4(〇， 代入预测点时刻t+Ι，即可得到预测点时刻对应的预测值。
2. 根据权利要求1所述的电子产品退化状态趋势预测方法，其特征在于，所述步骤Sl 中，分帧处理采用滑动窗的方法，具体方法为：设定窗口大小R+1和滑动步长S，每滑动S， 将窗口内的R+1个退化数据作为一帧。
3. 根据权利要求1所述的电子产品退化趋势预测方法，其特征在于，所述步骤S3中，隐 马尔可夫预测模型的训练采用粒子群算法改进的Baum-Welch算法，具体方法为：每一个粒 子对应一个隐马尔可夫模型λ。= (π，A，B)，算法中的粒子适应值是采用Viterbi算法计 算的隐马尔可夫模型对于观测序列的最终输出概率，参数训练的目标是最大化最终输出概 率；粒子群算法中，粒子在每一次迭代进化后都运行Baum-Welch算法对粒子进行局部的优 化，然后不断调整粒子的速度和位置找出全局最优，反复迭代直至适应值达到预设的数值 或达到最大迭代次数，则粒子找到的最优解即为隐马尔可夫模型的极大似然解，对应的参 数即为所需一阶预测模型的参数。
【文档编号】G06Q10/04GK104463347SQ201410620666
【公开日】2015年3月25日 申请日期:2014年11月6日 优先权日:2014年11月6日
【发明者】刘震, 曾现萍, 田书林, 龙兵, 杨成林 申请人:电子科技大学