Markov在工厂AutomationDowntime预测中的应用.pptVIP

AUO Proprietary Confidential * AUO Proprietary Confidential AUO Proprietary Confidential AUO Proprietary Confidential Markov在工厂Automation Downtime应用 马尔可夫过程? 若每次状态的转移都只仅与前一时刻的状态有关、而与过去的状态无关，或者说状态转移过程是无后效性的，则这样的状态转移过程就称为马尔可夫过程 . 马尔可夫(Markov)（1856~1922），苏联数学家 Pij = P（Ei→Ej)=P（Ej/Ei) 以语音识别为例，当我们观测到语音信号x时，要根据这组信号推测出发送的句子Y。显然，人们应该在所有可能的句子中找最有可能性的一个。用数学语言来描述，就是在已知x的情况下，求使得条件概率P(Y|X)达到最大的时Y的值 P(X|Y)表示某句话s1,s2,s3...被读成o1,o2,o3,...的可能性 P(Y)表示字串Y本身能够成为一个合乎情理的句子的可能性 P（Y|X）= P（Y）* P（X| Y） 其中 P(k+1) = P(k) * P 状态概率转移矩阵 它须满足： 所以，马尔可夫模型的解法核心是状态转移矩阵 P 的求解！ 目前通常用的方法有两种： 一 . 主观概率法 二 . 统计估算法 a. 泊松方程 K 为单位时间（或空间）内随机事件发生的次数（平均次数），lamda 为实际（期望）发生次数 b. 正态分布函数 对于一般的情况，假定系统有m种状态S1,S2,...,Sm，根据系统的状态转移的历史记录，得出各状态间转移次数得分类统计表格，由此估计状态i转移到状态j的转移概率Pij 连续性 离散性 马尔可夫分析手法 – 实例讲解 转化成小时当机时间(min) 步骤一 目标：下一个时间段（1：00-2：00），当机时间状态最有可能是何值？ 结果：由当机时间状态由X转变为X的概率最大, 为55.56% 即8/29日1E4# 凌晨1点-2点最有可能发生的当机时间为0,也即无当机！ 单位：MIN = P Pxx=10/18=55.56% 若把目标改为：时间段2：00-3：00，当机时间状态最有可能为何值？ 状态改变2次：P（2）= P（0）* P^2 P(0)=1 X 于是有 Pxx=10/18 * 10/18 + 3/18 * 3/10 + 3/18 * 4/5 + 1/18 * 1/3 + 0 + 0 + 0 = 0.51049 根据 得： Pxx最大 Pxx = 51% 结论：时间段2：00-3：00，当机时间状态最有可能为X，即无当机 总结: 一 . 这是一个离散型随机函数模型,不适用于连续型事件。 如压痕-温度曲线或是压痕-压力曲线等等连续性变量。 二 . 用统计法算状态概率转移矩阵时，取用的历史数据须越多越好，预测的结果才更趋近于实际。 三 . 此类数学模型从来不会给出准确答案，只可能是最佳答案。 四. 任何建模的最后都要做失真分析，我这里没有。有机会再具体些，并补上！ End * * AUO Proprietary Confidential * AUO Proprietary Confidential AUO Proprietary Confidential AUO Proprietary Confidential * *