[发明专利]基于基线模型和贝叶斯因子的系统故障早期预警方法

权利要求书

1.一种基于基线模型和贝叶斯因子的系统故障早期预警方法，其特征在于包括如下步骤：第一步：利用多元状态估计技术建立“个性化”的系统基线模型；

第二步：由系统状态参数的实际测量值减去基线值，得到状态参数的偏差值；

第三步：基于贝叶斯因子法的状态参数偏差值序列监控，借助贝叶斯因子法来分析偏差值序列，监控序列结构的异常，并及时发出故障预警。

2.如权利要求1所述的基于基线模型和贝叶斯因子的系统故障早期预警方法，其特征在于基于多元状态估计技术建模，通过系统正常工作状态下传感器的测量数据得到系统在不同时刻的观测向量，构造训练矩阵D，多元状态估计技术根据新的观测向量来对系统的动态行为进行估计。

3.  如权利要求2所述的基于基线模型和贝叶斯因子的系统故障早期预警方法，其特征在于，多元状态估计技术根据新的观测向量来对系统的动态行为进行估计的方法是：多元状态估计技术将当前观测向量与训练矩阵的每一个历史观测向量进行相似性比较，以此来确定每个历史观测向量的权重，并计算出对当前系统状态的估计：

权重向量Z的计算通过最小化误差向量来获得，在最小化误差向量的约束条件下，权重向量的最小平方误差估计表示为：

因此，当前系统状态的估计为：

其中为系统状态观测值，为系统状态估计值，代表一种非线性运算符。

4.如权利要求3所述的基于基线模型和贝叶斯因子的系统故障早期预警方法，其特征在于，所述非线性运算符采用高斯核函数。

5. 如权利要求1所述的基于基线模型和贝叶斯因子的系统故障早期预警方法，其特征在于，第三步包括如下步骤：

首先建立被监测机械系统状态参数偏差值的动态线性模型如下：

，

其中，，为t时刻的实际偏差值，为的变化率；为偏差的观测值；为状态转移矩阵；为观测噪声，为过程噪声，和分别为观测噪声和过程噪声的方差矩阵，其中和分别为分量和的噪声方差；

对于上述动态线性模型，通过定义初始状态以及观测噪声方差的共轭先验分布，并引进贴现因子，借助共轭先验贝叶斯推理在贝叶斯理论框架下求解模型；

利用贝叶斯因子或累积贝叶斯因子监控偏差值序列中的异常值或者序列结构的变化，实现对模型的监控。

6.如权利要求1所述的基于基线模型和贝叶斯因子的系统故障早期预警方法，其特征在于为使训练矩阵涵盖系统所有的正常运行状态或感兴趣的工作状态，同时尽量降低计算复杂度，采用最小—最大样本向量选择方法降低训练矩阵维度。