张 蕾

(上海电机学院 机械学院, 上海 201306)

设备状态预测就是根据设备运行参数的历史数据预测设备在未来时刻的运行状况，估计设备的剩余寿命并预防可能发生的故障，是实现设备智能维护的关键[1]。状态预测的实质是由状态参数构成的时间序列的预测，比较经典的方法是建立时序模型，例如自回归移动平均(ARMA)模型或自回归(AR)模型[2-5]。时序模型主要适用于平稳时间序列，而且要求模型的参数必须估计准确。随着信号处理技术的发展，逐渐出现了一些新型且适用于非平稳时间序列的预测方式，例如小波变换、灰色模型和支持向量机等[6-8]。但这些方法主要适合于单个状态参数时间序列的预测。在复杂系统中，多个状态参数之间往往相互影响，而且影响规律不能明显地用公式表达。根据多个状态参数的历史数据对某个参数进行预测时，神经网络成为比较理想的工具[9-12]。

训练模式的选择是神经网络预测过程中不可轻视的重要环节，模式繁多的训练样本会导致神经网络训练过程的无所适从，使神经网络收敛缓慢，甚至不收敛，影响了其实际应用。本文提出一种利用时序相似性搜索选择训练样本的方法，这种相似性搜索是在待预测序列的历史序列中进行的，是一种“纵向”的相似性。搜索的目的是找出与待预测序列具有相同变化趋势的序列，如果序列只受自身因素的影响，趋势相同的序列，其下一刻的取值也必然存在相似性。……