基于趋势拟合残差的时序故障预测方法、系统、设备及介质技术方案

本发明专利技术涉及时序故障预测技术领域，具体涉及一种基于趋势拟合残差的时序故障预测方法、系统、设备及介质，能够实现对时序故障演化趋势的充分预测，进而更有效地保障复杂设备的运行可靠性。针对中大型设备时序故障预测困难的问题，面向发动机推力等有时序规律且具备退化趋势的信号参数，通过对于时序进行快照化的性能故障量化评估，实现对时序故障演化趋势的充分预测，进而更有效地保障复杂设备的运行可靠性。本发明专利技术时序故障预测方法包括拟合残差估计、残差阈值挖掘和故障位置预测步骤，通过趋势拟合的残差衡量性能故障程度，挖掘性能故障程度的失效边缘，实现针对于性能故障程度的趋势预测，从而支持复杂设备的可靠性保障需求。

【技术实现步骤摘要】

本专利技术涉及时序故障预测，具体涉及一种基于趋势拟合残差的时序故障预测方法、系统、设备及介质。

技术介绍

1、导弹、航天器等复杂设备常见的失效事故一般与设备性能的衰退具有密不可分的关系。虽然现有的故障检测方法能够在任务执行期间对设备的性能故障作出有效的实时监视，但捕获的故障也只能通过经验性的冗余设计进行有限的干涉，难以被完全有效修复，仍会为设备稳定运行引入不确定的风险。因此，对性能故障的提前感知，有助于提高设备实际运行期间的可靠性。

2、现有的故障预测一般基于对于时序本身的预测，一般通过时序理论、机器学习等方法预测未来时序演化曲线，并通过静态阈值对于未来故障位置进行估计。一方面，最小二乘法等传统方法较大程度地忽略时序演化的细节特征，难以应对复杂信号的特殊特征；另一方面，机器学习等新兴方法在时序演化曲线预测时对局部扰动的敏感性更强，但仍会为准确整体地误差最优而使得趋势化的性能误差演化被预测结果忽略。同时，针对于预测时序曲线的静态阈值与实际时序曲线不同，难以通过人工检验进行有效地确定。上述问题均使得时序故障预测方法在实际工程场景的应用受限，仍不能为本文档来自技高网...

【技术保护点】

1.一种基于趋势拟合残差的时序故障预测方法，其特征在于，包括拟合残差估计、残差阈值挖掘和故障位置预测；

2.如权利要求1所述的方法，其特征在于，所述拟合残差估计通过模型选择、模型预测和残差评估实现。

3.如权利要求2所述的方法，其特征在于，模型选择方式为：首先以增广迪基和福勒检验对于0阶至4阶的时序差分进行平稳性检测，选择平稳性指标低于0.05的最低阶作为ARIMA模型的差分次数；再基于贝叶斯信息准则定义适应度函数，选择使得时序差分次数差分在ARMA模型适应度最高的自回归项数与滑动平均项数，通过模型选择选择出的差分次数、自回归项数与滑动平均项数即定义最优的ARIM...

【技术特征摘要】

1.一种基于趋势拟合残差的时序故障预测方法，其特征在于，包括拟合残差估计、残差阈值挖掘和故障位置预测；

2.如权利要求1所述的方法，其特征在于，所述拟合残差估计通过模型选择、模型预测和残差评估实现。

3.如权利要求2所述的方法，其特征在于，模型选择方式为：首先以增广迪基和福勒检验对于0阶至4阶的时序差分进行平稳性检测，选择平稳性指标低于0.05的最低阶作为arima模型的差分次数；再基于贝叶斯信息准则定义适应度函数，选择使得时序差分次数差分在arma模型适应度最高的自回归项数与滑动平均项数，通过模型选择选择出的差分次数、自回归项数与滑动平均项数即定义最优的arima模型。

4.如权利要求3所述的方法，其特征在于，模型预测方式为：通过最优arima模型通过现有时序进行训练，从而基于挖掘到的递推关系重新预测时序的理论值，arima模型递推关系为：

5.如权利要求4所述的方法，其特征在于，残差评估方式为：通过比较最优arima模型预测的理论值与实际值的绝对偏差，定义信号所表征的性能故障指标,arima模型拟合残差计算公式为：

6....

【专利技术属性】
技术研发人员：宋杰，王丽丽，谷立军，于劲松，江升柱，杜春蕾，袁占涛，周金浛，唐荻音，冯昭宇，韦志会，
申请(专利权)人：廊坊第六九一六仪器厂，
类型：发明
国别省市：