基于AR-Kalman的机械设备状态趋势预测方法研究.pdfVIP

l 匐 似 基于AR—Kalman的机械设备状态趋势预测方法研究 Researchon condition trend predictionmethod of mechanicaIequipmentbasedonAR．Kalman 李永耀，韩 捷，陈 磊，郝旺身，管腾飞 LIYong．yao，HANJie，CHENLei，HAOWang—shen，GUANGTeng-fei (郑州大学 振动工程研究所，郑州450001) 摘 要：为提高AR模型的趋势预测精度，结合AR模型和卡尔曼滤波方法，提出了一种新的机械设备状 态趋势预测方法。该方法利用AR模型作为预测器，以卡尔曼滤波方法作为实时修正器 ，进行 趋势预测。实验结果表明，该方法能有效地对机械设备的运行状态趋势进行预测，明显提高 了预测准确度。 关键词：AR模型；Burg算法；Kalman滤波；趋势预测 中图分类号：TH17 文献标识码：A 文章编号：1009—0134(2014)06(下)一0095—03 Doi：10．3969／J．Issn．1009-0134．2014．06(下)．26 0 引言 同时，模型参数增多，计算误差会增大。综合考 虑两方面的影响，存在一个较为合适的阶数，构 趋势预测是机械设备预知维修中非常重要的 建合适的模型，满足工程需要 。判定模型阶数的 一 部分，通过预测，可以对状态发展和早期故障 准则比较多，比较常用的为Akmke信息准则口，本 进行预知，避免重大事故的发生 。然而，预测精 节采用FPE准则判定AR模型阶数 。 度不高成为预知维修发展的瓶颈 。国内外科研工 FPE准则，称为最终预测误差准则，只是用于 作者在预测方法上进行了深入的研 “。 AR(n)模型，它以模型的一步预测方差来判定模型 AR模型因其为线性参数估计，计算速度快， 阶数 。定义： 满足工程实际需要，因此，在设备状态监测、故 脚 ()：—N+n o2 (2) 障诊断等场合，得 以广泛应用 。但是，AR模型的 — N —n “ 短期预测精度好，中长期预测精度不能很好满足 工程要求 。Kalman滤波算法是一种最优估计的递 公式中，N一数据点数；n一模型阶数；o：一模型 推滤波算法，能够实时的修正预测数据，将两者 残差。在一定的范围内，随着I1的增大，a：逐渐降 结合，以提高AR模型预测的准确性。 低 ，FPE值 由大变小 ，达到最低值 ，然后 由小变 大。取PFE值最小时的n为适用阶数 。 1 AR(n)模型的构建 1．2AR(n)模型的参数估计 1．1AR(n)模型结构和阶数选定 AR(n)模型的参数估计方法很多，包括最小二 1．