基于KLMS算法和趋势滤波的自适应故障预测方法技术

本发明专利技术涉及一种基于KLMS算法和趋势滤波的自适应故障预测方法，将传感器采集的实时数据进行L1趋势滤波，获取趋势滤波后数据，将趋势滤波后数据进行归一化处理，处理后数据送入核最小均方方法进行实时预测，获得预测采集数据，用于实时故障预测。没有关于待提取信息的先验统计知识，直接利用观测数据依据判据在观测过程中不断递归更新，结构简单，鲁棒性强，成本更低；同时满足在线实时预测、非线性预测、具备自适应更新能力，预测结果更逼近真实值，为故障诊断提供依据；获取趋势项和故障预测可同时兼顾，确保了数据动态波动小，降噪声干扰，计算复杂度较低、跟踪时变能力更强。跟踪时变能力更强。跟踪时变能力更强。

【技术实现步骤摘要】
基于KLMS算法和趋势滤波的自适应故障预测方法


[0001]本专利技术涉及一种故障预测技术，特别涉及一种基于KLMS算法和趋势滤波的自适应故障预测方法。

技术介绍

[0002]目前，国内外针对故障预测的方法主要有基于经验模型、基于可靠性模型、基于物理模型、基于数据驱动。
[0003]其中，基于物理模型，提出了一种支持向量机(SVM)和非线性卡尔曼滤波相结合预测模型。
[0004]经验模型的方法主要有专家系统和故障树，有以关系数据库为基础的多征兆模糊故障诊断专家系统，故障树分析逐步计算概率分析。
[0005]基于可靠性模型，以统计理论为基础，对故障数据进行分析，主要有贝叶斯方法、Dempster
‑
Shafer理论与可靠性评估等，但所有这些方法一般都是基于贝叶斯定理估计故障的概率密度函数，多数研究都将这类方法归类于数据驱动方法。
[0006]基于数据驱动的方法包括小波分析、经验模式分解和支持向量机等方法。主要有基于支持向量机(SVM)的方法和标准人工神经网络(ANN)模型，基于PCA与支持向量SV本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于KLMS算法和趋势滤波的自适应故障预测方法，其特征在于，将传感器采集的实时数据进行L1趋势滤波，获取趋势滤波后数据，将趋势滤波后数据进行归一化处理，处理后数据送入核最小均方方法进行实时预测，获得下一时刻预测数据，预测数据用于实时故障预测。2.根据权利要求1所述基于KLMS算法和趋势滤波的自适应故障预测方法，其特征在于，所述核最小均方方法进行实时预测的具体步骤如下：1)输入趋势滤波归一化后时间序列样本数据X＝{X1,...,X
n
}，确保样本长度；2)设置核最小均方方法参数，步长η、自适应滤波器长度δ、初始化权值向量w0，预设迭代误差阈值ε，高斯核带宽σ；3)根据学习规则进行权值向量更新，进行...

【专利技术属性】
技术研发人员：符栋梁，宋美如，王强，章艺，俞炅旻，高伟，
申请(专利权)人：中国船舶重工集团公司第七零四研究所，
类型：发明
国别省市：