申请/专利权人：宝武装备智能科技有限公司

申请日：2023-12-15

公开（公告）日：2024-04-16

公开（公告）号：CN117892860A

主分类号：G06Q10/04

分类号：G06Q10/04;G06F17/18;G06F17/10

优先权：

专利状态码：在审-公开

法律状态：2024.04.16#公开

摘要：本发明公开了一种液压系统油箱温度趋势预测方法，本方法基于季节性ARIMA算法，季节性ARIMA模型可分解为ARMA模型组合，ARMA模型组合的求解方法描述为将数据进行季节性和总体的差分后，进行季节性ARMA模型训练、优选模型组合，季节性ARMA模型包括季节性和非季节性部分，采用原始数据集训练ARMA模型，然后将ARMA模型组合用于数据预测，并将预测结果重新进行季节性和非季节性积分，即可得到原始序列的未来预测值。本方法基于季节性ARIMA算法，输入数据获取简单，数据项单一，成本低廉，部署简便，运行时对运算软件资源要求低，可自适应于不同液压设备状态的趋势预测。

主权项：1.一种液压系统油箱温度趋势预测方法，其特征在于本方法包括如下步骤：步骤一、基于季节性ARIMA算法所得到的季节性ARIMA模型可分解为季节性ARMA模型组合，季节性ARMA模型组合包括季节性和非季节性AR模型及季节性和非季节性MA模型，季节性和非季节性AR模型由一系列自回归系数组成，季节性和非季节性MA模型由季节性和非季节性AR模型预测值与实际值的残差构成的一系列序列的自回归系数组成，采用式1描述季节性ARMA模型组合为：Xn＝φn1Xn-1+φn2Xn-2+φn3Xn-3+...+φnpXn-p+φs1Xn-1t+φs2Xn-2t+φs3Xn-3t+...+φsPXn-Pt+θn1εn-1+θn2εn-2+θn3εn-3+...+θnqεn-q+θs1εn-1t+θs2εn-2t+θs3εn-3t+...+θsQεn-Qt+c+εn1其中，Xn表示序列第n个值,εn表示季节性ARMA模型对第n个值的预测结果与实际值的偏差，c表示整个季节性ARMA模型的截距和，对于任意一个季节性ARMA模型，c为一个常数，t表示季节性ARMA模型所采用的季节性的单个周期长度在序列中的索引偏移量；φn1Xn-1+φn2Xn-2+φn3Xn-3+...+φnpXn-p构成非季节性AR模型，式中φn1～φnp表示共p个模型系数，Xn-1～Xn-p表示Xn前第一个值到Xn前第p个值；φs1Xn-1t+φs2Xn-2t+φs3Xn-3t+...+φsPXn-Pt构成季节性AR模型，式中φs1～φsP表示共P个模型系数，Xn-1t～Xn-Pt表示{Xn前第1×t个值、Xn前第2×t个值、...Xn前第P×t个值}；θn1εn-1+θn2εn-2+θn3εn-3+...+θnqεn-q构成非季节性MA模型，式中θn1～θnq表示共q个模型系数，εn-1～εn-q表示εn前第一个值到εn前第q个值；θs1εn-1t+θs2εn-2t+θs3εn-3t+...+θsQεn-Qt构成季节性MA模型，式中θs1～θsQ表示共Q个模型系数，εn-1t～εn-Qt表示{εn前第1×t个值、εn前第2×t个值、...εn前第Q×t个值}；步骤二、对于季节性ARIMA模型，确定p,P,q,Q的大小是进行模型优化的前提，给定p,P,q,Q所允许的最小值和最大值，给定模型效果判别标准，遍历所有p,P,q,Q组合，自动寻找最优组合，得到最优的季节性ARMA模型；步骤三、数据预处理，选取时间跨度大于给定周期十倍以上的油箱温度历史数据作为原始数据集，将原始数据集内小于0℃及大于100℃的显著偏离液压油物理性质的数据剔除，将落在剩余原始数据集的[μ-3σ,μ+3σ]外侧的数据全部变为与该数据点相邻的一分钟内数据的平均值，式中μ表示数据平均值，σ表示数据标准差，对原始数据集内缺失的数据做相同处理；步骤四、计算原始数据集每小时的平均温度，将间隔为一小时的平均温度值的序列作为聚合后数据集，对聚合后数据集做归一化处理,将归一化前的序列描述为[x1,x2,x3...xm]，则归一化后序列为[x1-minmax-min,x2-minmax-min,...xm-minmax-min]，其中，min、max分别表示聚合后序列内的最小值和最大值，将聚合后序列[x1-minmax-min,x2-minmax-min,...xm-minmax-min]记为[z1,z2,z3,...zm]；步骤五、对聚合后数据集做季节性的平稳性检验和季节性差分，设定季节性ARIMA算法的季节性周期，将每周期的油箱温度平均值构成平稳性检验序列，判定聚合后数据集是否呈现周期的平稳趋势；若聚合后数据集呈现季节性非平稳状态，则对聚合后数据集进行季节性差分，将原聚合后数据集变换为季节性差分后的聚合数据集，原聚合后数据集表示为[z1,z2,z3,...zm],则季节性差分后的聚合数据集表示为[z1-t,z2-t,z3-t,...zm-t]，该序列中t表示季节性的周期在原序列中的索引间隔；本步骤可重复进行，直至季节性差分后的数据集表现为季节性平稳趋势，每次进行季节性差分过程记录差分的阶数，季节性差分的阶数记为D；步骤六、对季节性差分后的聚合数据集做总体平稳性检验和差分，对于季节性差分后表现为季节性平稳的聚合序列，进行数据总体的平稳性检验，对于表现为总体非平稳的的数据进行差分；本步骤可重复进行，直至总体差分后的数据表现为总体平稳的趋势，每次进行总体差分过程记录差分的阶数，总体差分的阶数记为d；将经总体平稳性检验的输出序列记为[a1,a2,a3,...am]，并将数据集划分为季节性ARMA算法的训练数据集和测试数据集；步骤七、根据给定的p,q,P,Q的最小值和最大值，遍历所有p,q,P,Q组合，每次遍历确定一组组合，得到一组组合即开始训练季节性和非季节性AR模型；步骤八、针对经总体平稳性检验的数据集[a1,a2,a3,...am]，构建训练季节性和非季节性AR模型的拟合式2， 拟合式2包含季节性和非季节性AR模型的拟合过程，以式2矩阵乘法左侧乘子的第一行为例，分号左侧与一一相乘累加和构成am-Pt-εm-Pt中季节性成分，第一行分号右侧与一一相乘累加和构成am-Pt-εm-Pt中非季节性成分；使用线性回归优化算法得到季节性和非季节性AR模型的系数，即为季节性AR模型系数，为非季节性AR模型系数；步骤九、训练季节性和非季节性MA模型，计算季节性叠加非季节性AR模型组合在训练数据集中的预测结果与训练数据集实际值之间的残差[εm-Pt,...εm]，将该残差序列记为[ε1,...,εm]，构建训练季节性和非季节性MA模型的拟合式3， 式中ξ为拟合式3的无用残差，拟合式3包含季节性和非季节性MA模型的拟合过程，以式3矩阵乘法左侧乘子的第一行为例，分号左侧与θs1～θsQ一一相乘累加和构成εm-Qt中季节性成分，第一行分号右侧与θn1～θnq一一相乘累加和构成εm-Qt中非季节性成分；使用线性回归优化算法得到季节性和非季节性MA模型的系数，即θs1～θsQ为季节性MA模型系数，θn1～θnq为非季节性MA模型系数；步骤十、选择最优的模型组合，给定模型效果判别标准，判别标准为模型在测试数据集中的预测结果和模型参数相结合的AIC标准参数、BIC标准参数,或为模型在测试数据集预测结果的MSE标准参数，标准参数AIC＝-2×lnL+2×k,BIC＝-2×lnL+k×lnn,MSE＝1×∑ai-ai_predict2其中，n为测试数据集数值个数，k为模型参数量,k＝p+q+P+Q+1，L为似然函数，L＝-n2×log2×π-n×logσ-∑xi-xi_predict22.0σ2,式中σ表示[a1-ai_predict,...an-an_predict]这一序列的标准差；步骤十一、采用季节性ARMA模型组合进行趋势预测，将预测时间点前的历史数据进行预处理，预处理包括异常值和缺失值处理、归一化、聚合、季节性差分、总体差分；将得到的数据集记为[a1,a2,...,am]，使用季节性和非季节性AR模型组合计算得到[am-QT-qAR,am-QT-q+1AR,...,am+1AR],与序列[a1,a2,...,am]在相同索引位置相减得到[εm-QT-q,εm-QT-q+1,...,εm]，使用季节性和非季节性MA模型组合计算得到[εm+1,εm+2,...,εm+count]，下标count表示用户需要的预测的个数，εm+count表示使用季节性和非季节性MA模型组合计算得到的未来第count个值与最终预测值的残差估计值；其中，[am-QT-qAR,am-QT-q+1AR,...,am+1AR]与[εm+1,εm+2,...,εm+count]中的同索引的两个值相加，例如am+1AR+εm+1＝am+1predict,表示[a1,a2,...am]序列第m+1个值的预测值，重复上述过程count次可得到count个未来的预测值，得到的预测值序列可以表示为[am+1,am+2,...,am+count]；步骤十二、将预测结果进行总体以及季节性积分，将积分后结果逆归一化处理，得到未来某一时间段的预测结果。

全文数据：

权利要求：

百度查询： 宝武装备智能科技有限公司 液压系统油箱温度趋势预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD