杲玄玄，李长云，雷小葳

(湖南工业大学 计算机学院，湖南 株洲 412008)

0 引言

工业装备通常结构复杂、组件数量庞大，确保工业装备正常运行的时间和效率是非常重要的。运用适当的技术或方法研究当前系统运行状态以及系统已知的历史数据 、参数、运行环境条件等，以达到在故障发生前就能够进行监测和诊断的目的，有助于最大化产量和质量、减少废料损耗以及降低意外停机、维护和维修的成本。但是工业装备运行干扰因素众多，而且采集到的数据呈现上下波动情况，导致难以建立准确的预测模型，再加上工业装备精密、复杂、高耦合等特性导致监测点无法大量布置，而且部分部件无法直接监控，在这样的情况下常常无法获取完整的信息，这使得工业装备的故障预测更加困难[1-2]。而且大多数的模型都只利用现有的数据进行建模，没有考虑到工业装备在预测的过程中越是往后发展，干扰因素就会越多，使系统在运行时的不确定性放大，模型的预测值误差会越大。

针对上述问题提出一种基于神经网络的新陈代谢GM(1，1)预测模型。新陈代谢模型通过利用采集到的系统运行时最新信息，不断地更新预测模型，可以有效地削弱系统不确定性，而且可以很好地解决GM(1，1)模型容易陷入局部预测问题[3]。同时灰色GM模型的强融合力以及渗透力，让它与神经网络模型可以有机地组合。而神经网络可以弥补GM模型缺乏非线性问题处理能力的缺点，同时增加了自我学习能力[4]。……