CN109376892A - 一种基于设备所处生命周期阶段的设备状态预测方法 - Google Patents

Abstract

该发明公开了一种基于设备所处生命周期阶段的设备状态预测方法，涉及数据处理领域，具体是结合设备生命周期理论对设备特定状态指标进行预测的方法。针对现有设备远程监测系统的不足，提供了一种基于设备所处生命周期阶段的设备状态预测方法。本方法针对传统的远程监测系统未考虑设备长期使用过程中故障率呈阶段性变化的特性进行改进，引入设备生命周期理论用来描述被监测设备在不同生命周期阶段中的故障率表现，并根据监测的状态数据进一步对ARIMA‑SVR组合预测模型做出改进，提高对设备未来状态的预测精度。

Description

一种基于设备所处生命周期阶段的设备状态预测方法

技术领域

本发明涉及数据处理领域，具体是结合设备生命周期理论对设备特定状态指标进行预测的方法。

背景技术

当前随着信息技术和计算机网络技术的发展，设备远程监测系统已经广泛运用到企业生产设备管理中，利用生产设备上的传感器实时传送被监测设备的状态数据，便于管理者对设备的运行状态进行实时掌控，正因如此设备远程监测系统扮演着越来越重要的角色。

然而为了应对设备将来有可能出现的故障问题，企业在更好地获知设备现在时刻运行状态的基础上，也亟需对设备未来运行状态进行估计。但传统的监测系统很少会考虑设备在长期运行中的故障率呈阶段性变化的特性，仅仅通过监测到的设备状态监测序列数据对设备未来状态进行预测，忽视了设备自身所处阶段的故障率表现，这就使得预测精准度有所欠缺。

发明内容

本发明针对现有设备远程监测系统的不足，提供了一种基于设备所处生命周期阶段的设备状态预测方法。本方法针对传统的远程监测系统未考虑设备长期使用过程中故障率呈阶段性变化的特性进行改进，引入设备生命周期理论用来描述被监测设备在不同生命周期阶段中的故障率表现，并根据监测的状态数据进一步对ARIMA-SVR组合预测模型做出改进，提高对设备未来状态的预测精度。

本发明的技术方案是一种基于设备所处生命周期阶段的设备状态预测方法，该方法包括：

步骤1：将设备的生命周期分为磨合期q₁、健壮期q₂、衰退期q₃三个状态；

步骤2：根据监测数据使用隐马尔可夫模型(Hidden Markov Model，HMM)判断设备所处生命周期阶段，并确定其对应的影响因子；

步骤3：根据步骤2中求得的设备生命周期影响因子对ARIMA-SVR(自回归积分滑动平均- 支持向量回归)组合预测模型进行改进，依据状态监测数据预测设备未来状态信息。

步骤2：根据监测数据使用隐马尔可夫模型(HMM)判断设备所处生命周期阶段，并确定其对应的影响因子；

步骤2.1模型学习：依据设备历史监测数据，使用Baum-Welch(鲍姆-韦尔奇)算法对隐马尔可夫模型λ＝(π,A,B)的各参数进行估计；

给定模型初始参数λ₀＝{π₀,A₀,B₀}，π为隐含状态初始概率分布,即初始状态q_i对应的概率为π_i,A为状态转移概率矩阵，B为观测状态概率矩阵；递推Baum-Welch算法对参数估计公式为：

其中，

表示状态转移概率矩阵A中的第(i,j)元素的估计值，表示观测状态概率矩阵B状态为j观测为k的概率估计值，表示状态q_i对应概率的估计值，o_t表示t时刻观测值，v_k表示观测值为k，T表示总时间，ξ_t(i,j)表示给定观测序列O及隐马尔可夫模型的前提下t时刻为隐含状态为q_i及t+1时刻为隐含状态q_j的概率，γ_t(i)表示给定观测序列O及隐马尔可夫模型的前提下t时刻为隐含状态q_i的概率；

使用Baum-Welch算法计算所得的作为新的初始参数，迭代使用Baum-Welch算法计算π、A、B的值，直到达到收敛误差或最大迭代步长,最终确定模型各参数最后估计值；

步骤2.2在步骤2.1隐马尔可夫模型估计参数的基础上λ＝(π,A,B)，及新的观测序列 O＝(o₁,o₂,…,o_T)，使用Viterbi(维特比)算法计算观测序列对应的最优隐含状态序列其中表示t时刻最优隐含状态；

进一步的，所述步骤2.2的具体步骤如下：

初始化δ₁(i)＝π_ib_i(o₁)i＝1,2,…,N

ψ₁(i)＝0i＝1,2,…,N

其中δ₁(i)表示t＝1时刻状态为i的所有单个路径(i₁,i₂,...,i_t)中概率最大值，π_i表示状态q_i对应概率，b_i(o₁)表示隐含状态为i观测值为o₁的概率，N表示隐含状态的个数，ψ₁(i)表示t＝1 时刻状态为i的所有单个路径(i₁,i₂,...,i_t)中概率最大的路径的第t-1个节点；

递推对t＝2,3,…,T

其中a_ji表示状态转移概率矩阵A中的第(i,j)的元素值；

终止

其中P^*表示最优路径的概率，表示T时刻最优隐含状态；

最优路径回溯，对t＝T-1,T-2,…,1

得最优路径

步骤2.3以π_i作为每个生命周期阶段对应的影响度，且设备所处生命周期阶段判定为最优隐含状态序列中出现次数最多的状态；影响因子为

其中，为状态对应的初始概率，T为总时间；

步骤3：根据步骤2中求得的设备生命周期影响因子对ARIMA-SVR组合预测模型进行改进，依据状态监测数据预测设备未来状态信息；

步骤3.1通过现有监测数据，使用ARIMA(p,d,q)模型(自回归积分滑动平均模型)进行预测，步骤如(图5)得到观测值的预测值

步骤3.1.1监测数据监测序列平稳化处理；采用ADF(Augment Dickey-Fullertest，增强DF单根检验)方法验证监测序列是否平稳，如果序列不满足平稳条件，则通过差分操作使其符合平稳性监测序列的条件；

进一步的，所述步骤3.1.1的方法为：

Δy_t＝X_t-X_t-1(t＞1)

Δ²y_t＝Δy_t-Δy_t-1(t＞2)

Δ^dy_t＝Δ^d-1y_t-Δ^d-1y_t-1(t＞d)

其中，Δ^dy_t为经过d次差分所得的t时刻的值，X_t、X_t-1分别表示t，t-1时刻原始时间序列的值；

步骤3.1.2模型识别；通过平稳化后的监测序列的自相关系数ACF和偏自相关系数PACF 是否拖尾或者截尾来确定选用的模型，并最终确定模型的阶数p和q；模型的选择方法为：

若自相关系数ACF拖尾和偏自相关系数PACF p阶截尾，则选择自回归模型AR(p)；

若自相关系数ACF q阶截尾和偏自相关系数PACF拖尾，则选择滑动平均模型MA(q)；

若自相关系数ACF拖尾和偏自相关系数PACF拖尾，则选择自回归滑动平均模型ARMA(p,q)；

步骤3.1.3使用最小二乘法进行对参数p,q,d进行估计以及对模型选择是否选择正确进行诊断；

步骤3.1.4使用得到的模型对已获得的监测序列进行预测；其ARIMA(p,d,q)模型公式如下；

其中，其中Δ^dy_t表示y_t经d次差分转换后的监测序列，ε_t表示t时刻的随机误差，是相互独立的白噪声监测序列，并且服从标准正态分布；φ_i(i＝1,2,…,p)和θ_j(j＝1,2,…,q)表示模型的待估参数，p和q为模型的阶数；通过模型可以根据现有状态监测数据的监测序列对未来时刻进行预测；

步骤3.2计算ARIMA模型的预测残差其中x_t为t时刻真实值，为步骤3.1 得到的t时刻的预测值；

步骤3.3使用SVR(Support Vector Machine Regression，支持向量机回归)模型对得到的预测残差进行预测，得到预测结果

步骤3.3.1构造高维中的回归函数f(x)＝ω^Tφ(x)+b，其中ω^T为权重矢量，φ(x)表示将输入向量x映射为特征空间向量，b为阈值；

步骤3.3.2引入不敏感损失函数ε＞0，转化为优化目标函数；

满足约束条件

其中，其中C>0为惩罚参数，表示函数回归模型的复杂度和样本拟合精度综合评定值，值越小表示拟合效果越差，ξ_i,为松弛变量；

步骤3.3.3引入拉格朗日乘子α_i和及核函数，转化为等价对偶问题；

满足约束条件

其中，l为训练样本的个数，K(x_i,x_j)为核函数，实现高维映射的同时又不会增加可调参数的个数；常见的核函数如下：

进一步的，所述步骤3.3.3中采用的核函数为下列其中的一种：

1)线性核函数：k(x,y)＝x·y，x,y表示核函数参数；

2)多项式核函数：k(x,y)＝(γ(x·y)+c)^d，γ默认值为1/k(k为类别数)、c表示参数值默认为0、d表示最高项次数；

3)RBF高斯径向基核函数：k(x,y)＝exp(-γ(|x-y|)²)，γ默认值为1/k(k为类别数)；

4)多层感知机Sigmoid核函数：k(x,y)＝tanh(γ*x·y+c)，γ表示默认值为1/k(k为类别数)，tanh表示双曲正切函数，c表示参数值默认为0。

步骤3.3.4得到回归函数，并进行计算残差回归函数如下

步骤3.3.5对得到的残差，引入生命周期影响因子进行修正；

步骤3.3.6将ARIMA预测值与SVR及生命周影响因子修正的残差预测值求和，得到最终的预测值

本发明充分考虑了设备在长期使用中的故障率变化的特点，用设备所处不同生命周期阶段来刻画对应的故障率并量化生命周期影响因子，同时使用生命周期影响因子对ARIMA-SVR组合预测模型进行改进，提高了对设备未来状态的预测精度。

附图说明

图1为本发明方法的具体实施方式流程图；

图2为设备故障率曲线；

图3为隐马尔可夫模型；

图4为使用生命周期影响因子改进的ARIMA-SVR预测模型；

图5为ARIMA预测流程；

图6为设备温度全生命周期仿真数据；

图7为离散变换的设备温度全生命周期仿真数据；

图8为新的温度观测序列；

图9为新的温度观测序列对应的隐含生命周期阶段序列；

图10为生命周期影响因子改进的ARIMA-SVR预测与未改进ARIMA-SVR预测结果对比示意图。

具体实施方式

下面对本发明的实施例程详细说明(图1)，本实施例程在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例程。

实施例程主要可以分为以下几个步骤：

步骤1：根据设备故障率浴盆曲线设定设备生命周期阶段，对应设备在长期使用过程中不同生命周期阶段的不同故障率表现。

根据设备故障率浴盆曲线(图2)可以看出设备在刚开始使用时的磨合期，以及很长一段时间使用后的衰退期更容易发生故障，而中间的健壮期则故障率最低且运行平稳不易发生故障。因此，这里我们将被监测设备的生命周期阶段设定为：磨合期，健壮期，衰退期三个阶段。其每个阶段的对应设备特点如(表1)所示。

表1各生命周期阶段特征

步骤2：根据监测数据使用隐马尔可夫模型(HMM)判断设备所处生命周期阶段，并确定其对应的影响因子。

步骤2.1模型学习：依据设备历史监测数据，使用Baum-Welch算法对隐马尔可夫模型λ＝(π,A,B)的各参数进行估计。

如(图3)所示，隐马尔可夫模型包括两个随机序列，一个是隐含的状态转移序列I，即设备所处生命周期阶段的变化序列；另一个是与隐含状态有关的观测序列O，即设备关键部件的状态监测数据序列。通过观测序列O推断出隐含状态序列I的前提就是要先确定隐马尔可夫模型(HMM)的各参数值。其中所有可能的状态集合为Q＝{q₁＝磨合期(1)，q₂＝健壮期(2)，q₃＝衰退期(3)}，所以可能的观测集合为V，π为隐含状态初始概率分布,即初始状态q_i对应的概率为π_i,A为状态转移概率矩阵，B为观测状态概率矩阵。给定模型初始参数λ₀＝{π₀,A₀,B₀}，递推Baum-Welch算法对参数估计公式为：

其中，

表示状态转移概率矩阵A中的第(i,j)元素的估计值，表示观测状态概率矩阵B状态为j观测为k的概率估计值，表示状态q_i对应概率的估计值，o_t表示t时刻观测值，v_k表示观测值为k，T表示总时间，ξ_t(i,j)表示给定观测序列O及隐马尔可夫模型λλ的前提下 t时刻为隐含状态为q_i及t+1时刻为隐含状态q_j的概率，γ_t(i)表示给定观测序列O及隐马尔可夫模λ的前提下t时刻为隐含状态q_i的概率。

直到达到收敛误差或最大迭代步长,最终确定模型各参数估计值。

步骤2.2解码识别：在上一步已知模型估计参数的基础上λ＝(π,A,B)，及新的观测序列 O＝(o₁,o₂,…,o_T)，使用Viterbi算法计算观测序列对应的最优隐含状态序列

步骤如下：

初始化δ₁(i)＝π_ib_i(o₁)i＝1,2,…,N

ψ₁(i)＝0i＝1,2,…,N

其中δ₁(i)表示t＝1时刻状态为i的所有单个路径(i₁,i₂,...,i_t)中概率最大值，b_i(o₁)表示隐含状态为i观测值为o₁的概率，N表示隐含状态的个数，ψ₁(i)表示t＝1时刻状态为i的所有单个路径(i₁,i₂,...,i_t)中概率最大的路径的第t-1个节点初始值设定为0；

递推对t＝2,3,…,T

其中a_ji表示状态转移概率矩阵A中的第(i,j)的元素值；

终止

其中P^*表示最优路径的概率，表示T时刻最优隐含状态；

最优路径回溯，对t＝T-1,T-2,…,1

得最优路径

步骤2.3我们以隐含状态初始概率分布估计值π_i作为每个生命周期阶段对应的影响度，且设备所处生命周期阶段判定为最优隐含状态序列中出现次数最多的状态。影响因子为

其中，由上一步可知P(q_i)＝π_i，则为状态对应的初始概率，T为总时间。

步骤3：根据步骤2中求得的设备生命周期影响因子对ARIMA-SVR组合预测模型进行改进 (图4)，依据状态监测数据预测设备未来状态信息。

步骤3.1通过现有监测数据，使用ARIMA(p,d,q)模型进行预测，步骤如(图5)得到预测值

步骤3.1.1监测数据监测序列平稳化处理。可以使用ADF(Augment Dickey-Fullertest) 验证监测序列是否平稳，如果序列不满足平稳条件，则需要通过差分操作使其符合平稳性监测序列的条件，如下公式。

Δy_t＝X_t-X_t-1(t＞1)

Δ²y_t＝Δy_t-Δy_t-1(t＞2)

Δ^dy_t＝Δ^d-1y_t-Δ^d-1y_t-1(t＞d)

其中，Δ^dy_t为经过d次差分所得的t时刻的值。

步骤3.1.2模型识别。如(表2)所示，通过平稳化后的监测序列的自相关系数ACF和偏自相关系数PACF是否拖尾或者截尾来识别选用的模型，并最终确定模型的阶数p和q。

表2通过ACF和PACF选择模型

ACF	PACF	选择模型
			拖尾	p阶截尾	AR(p)(自回归模型)
q阶截尾	拖尾	MA(q)(滑动平均模型)
			拖尾	拖尾	ARMA(p,q)(自回归滑动平均模型)

步骤3.1.3使用最小二乘法进行参数估计和模型诊断。

步骤3.1.4使用得到的模型对监测的监测序列进行预测。其ARIMA(p,d,q)模型公式如下。

其中，其中Δ^dy_t表示y_t经d次差分转换后的监测序列，ε_t表示t时刻的随机误差，是相互独立的白噪声监测序列，并且服从标准正态分布。Φ_i(i＝1,2,…,p)和θ_j(j＝1,2,…,q)表示模型的待估参数，p和q为模型的阶数。通过模型可以根据现有状态监测数据的监测序列对未来时刻进行预测。

步骤3.2计算ARIMA模型的预测残差其中x_t为t时刻真实值，为步骤3.1 得到的t时刻的预测值。

步骤3.3使用SVR(Support Vector Machine Regression)模型对得到的预测残差进行预测，得到预测结果

步骤3.3.1构造高维中的回归函数f(x)＝ω^Tφ(x)+b，其中ω为权重矢量，b为阈值。

步骤3.3.2引入不敏感损失函数ε＞0，转化为优化目标函数

满足约束条件

其中，其中C>0为惩罚参数，表示函数回归模型的复杂度和样本拟合精度综合评定值，值越小表示拟合效果越差，为松弛变量。

步骤3.3.3引入拉格朗日乘子α_i和及核函数，转化为等价对偶问题。

满足约束条件

其中，l为训练样本的个数，K(x_i,x_j)为核函数，实现高维映射的同时又不会增加可调参数的个数。常见的核函数如下：

5)线性核函数：k(x,y)＝x·y

6)多项式核函数：k(x,y)＝(s(x·y)+c)d

7)RBF高斯径向基核函数：k(x,y)＝exp(-γ(|x-y|)²)

8)多层感知机Sigmoid核函数：k(x,y)＝tanh(r*x·y+c)

步骤3.3.4得到回归函数，并进行残差预测回归函数如下

步骤3.3.5对得到的预测残差，引入生命周期影响因子进行修正

步骤3.3.6将ARIMA预测值与SVR及生命周影响因子修正的残差预测值求和，得到最终的预测值

发明优势：

本发明充分考虑了设备在长期使用中的故障率变化的特点，用设备所处不同生命周期阶段来刻画对应的故障率并量化生命周期影响因子，同时使用生命周期影响因子对ARIMA-SVR组合预测模型进行改进，提高了对设备未来状态的预测精度。

具体以设备监测温度示例如下：

步骤1：

根据设备故障率曲线将设备生命周期阶段划分为：磨合期，健壮期，衰退期。

步骤2：

若输入如(图6)所示设备全生命周期温度仿真数据作为模型学习数据，并将数据离散变换到[1,10]区间如(图7)。设定隐马尔可夫模型(HMM)初始参数λ₀＝{π₀,A₀,B₀}如下：

使用Baum-Welch算法求得隐马尔可夫模型参数λ＝(π,A,B)如下：

输入新的观测序列如(图8)，使用Viterbi算法求得隐含生命周期阶段序列如(图9)，其中1表示磨合期，2表示健壮期，3表示衰退期。

使用公式

求得生命周期音响因子为δ＝0.6530

步骤3：

对监测到的监测序列使用ARIMA进行预测得到预测值并计算部分预测值与实际值的预残差，然后使用SVR对残差进行预测得到残差预测值(此处选择的核函数为高斯径向基核函数)，引入监测监测序列对应的生命周期影响因子进行残差修正将ARIMA预测值与修正后的残差值求和作为最终的预测结果具体操作使用Matlab中已有的 ARIMA和SVR工具箱进行计算，得到的预测对比结果如(图10)所示。其对应的监测时间点、真实值、预测值、误差值对比如(表3)。

表3 ARIMA-SVR预测值与改进的ARIMA-SVR预测值误差数据

使用相对百分误差绝对值的平均值MAPE(mean absolute percentage error)来计算预测值相比真实值的误差率，计算公式为

其中P_t为预测值，O_t为真实观测值，N为监测点总数。

则计算得ARIMA-SVR组合预测模型MAPE为

MAPE_ARIMA-SVR＝1.46％

计算得改进的ARIMA-SVR组合预测模型的MAPE为

MAPE_{UPGRADE-ARIMA-SVR}＝0.84％

可以发现改进的ARIMA-SVR预测模型误差率更低，预测效果更好。

Claims (4)

1.一种基于设备所处生命周期阶段的设备状态预测方法，该方法包括：

步骤1：将设备的生命周期分为磨合期q₁、健壮期q₂、衰退期q₃三个状态；

步骤2：根据监测数据使用隐马尔可夫模型判断设备所处生命周期阶段，并确定其对应的影响因子；

步骤3：根据步骤2中求得的设备生命周期影响因子对ARIMA-SVR组合预测模型进行改进，依据状态监测数据预测设备未来状态信息。

步骤2：根据监测数据使用隐马尔可夫模型判断设备所处生命周期阶段，并确定其对应的影响因子；

步骤2.1模型学习：依据设备历史监测数据，使用Baum-Welch算法对隐马尔可夫模型λ＝(π,A,B)的各参数进行估计；

给定模型初始参数λ₀＝{π₀,A₀,B₀}，π为隐含状态初始概率分布,即初始状态q_i对应的概率为π_i,A为状态转移概率矩阵，B为观测状态概率矩阵；递推Baum-Welch算法对参数估计公式为：

其中，

表示状态转移概率矩阵A中的第(i,j)元素的估计值，表示观测状态概率矩阵B状态为j观测为k的概率估计值，表示状态q_i对应概率的估计值，o_t表示t时刻观测值，v_k表示观测值为k，T表示总时间，ξ_t(i,j)表示给定观测序列O及隐马尔可夫模型的前提下t时刻为隐含状态为q_i及t+1时刻为隐含状态q_j的概率，γ_t(i)表示给定观测序列O及隐马尔可夫模型的前提下t时刻为隐含状态q_i的概率；

使用Baum-Welch算法计算所得的作为新的初始参数，迭代使用Baum-Welch算法计算π、A、B的值，直到达到收敛误差或最大迭代步长,最终确定模型各参数最后估计值；

步骤2.2在步骤2.1隐马尔可夫模型估计参数的基础上λ＝(π,A,B)，及新的观测序列O＝(o₁,o₂,…,o_T)，使用Viterbi算法计算观测序列对应的最优隐含状态序列其中表示t时刻最优隐含状态；

步骤2.3以π_i作为每个生命周期阶段对应的影响度，且设备所处生命周期阶段判定为最优隐含状态序列中出现次数最多的状态；影响因子为

其中，为状态对应的初始概率，T为总时间；

步骤3：根据步骤2中求得的设备生命周期影响因子对ARIMA-SVR组合预测模型进行改进，依据状态监测数据预测设备未来状态信息；

步骤3.1通过现有监测数据，使用自回归积分滑动平均模型ARIMA(p,d,q)进行预测，得到观测值的预测值

步骤3.1.1监测数据监测序列平稳化处理；采用ADF方法验证监测序列是否平稳，如果序列不满足平稳条件，则通过差分操作使其符合平稳性监测序列的条件；

步骤3.1.2模型识别；通过平稳化后的监测序列的自相关系数ACF和偏自相关系数PACF是否拖尾或者截尾来确定选用的模型，并最终确定模型的阶数p和q；模型的选择方法为：

若自相关系数ACF拖尾和偏自相关系数PACF p阶截尾，则选择自回归模型AR(p)；

若自相关系数ACF q阶截尾和偏自相关系数PACF拖尾，则选择滑动平均模型MA(q)；

若自相关系数ACF拖尾和偏自相关系数PACF拖尾，则选择自回归滑动平均模型ARMA(p,q)；

步骤3.1.3使用最小二乘法进行对参数p,q,d进行估计以及对模型选择是否选择正确进行诊断；

步骤3.1.4使用得到的模型对已获得的监测序列进行预测；其ARIMA(p,d,q)模型公式如下；

其中，其中Δ^dy_t表示y_t经d次差分转换后的监测序列，ε_t表示t时刻的随机误差，是相互独立的白噪声监测序列，并且服从标准正态分布；φ_i(i＝1,2,…,p)和θ_j(j＝1,2,…,q)表示模型的待估参数，p和q为模型的阶数；通过模型可以根据现有状态监测数据的监测序列对未来时刻进行预测；

步骤3.2计算ARIMA模型的预测残差其中x_t为t时刻真实值，为步骤3.1得到的t时刻的预测值；

步骤3.3使用SVR模型对得到的预测残差进行预测，得到预测结果

步骤3.3.1构造高维中的回归函数f(x)＝ω^Tφ(x)+b，其中ω^T为权重矢量，φ(x)表示将输入向量x映射为特征空间向量，b为阈值；

步骤3.3.2引入不敏感损失函数ε＞0，转化为优化目标函数；

满足约束条件

其中，其中C>0为惩罚参数，表示函数回归模型的复杂度和样本拟合精度综合评定值，值越小表示拟合效果越差，ξ_i,为松弛变量；

步骤3.3.3引入拉格朗日乘子α_i和及核函数，转化为等价对偶问题；

满足约束条件

其中，l为训练样本的个数，K(x_i,x_j)为核函数，实现高维映射的同时又不会增加可调参数的个数；常见的核函数如下：

步骤3.3.4得到回归函数，并进行计算残差回归函数如下

步骤3.3.5对得到的残差，引入生命周期影响因子进行修正；

步骤3.3.6将ARIMA预测值与SVR及生命周影响因子修正的残差预测值求和，得到最终的预测值

2.如权利要求1所述的一种基于设备所处生命周期阶段的设备状态预测方法，其特征在于所述步骤2.2的具体步骤如下：

初始化δ₁(i)＝π_ib_i(o₁)i＝1,2,…,N

ψ₁(i)＝0i＝1,2,…,N

其中δ₁(i)表示t＝1时刻状态为i的所有单个路径(i₁,i₂,...,i_t)中概率最大值，π_i表示状态q_i对应概率，b_i(o₁)表示隐含状态为i观测值为o₁的概率，N表示隐含状态的个数，ψ₁(i)表示t＝1时刻状态为i的所有单个路径(i₁,i₂,...,i_t)中概率最大的路径的第t-1个节点；

递推对t＝2,3,…,T

其中a_ji表示状态转移概率矩阵A中的第(i,j)的元素值；

终止

其中P^*表示最优路径的概率，表示T时刻最优隐含状态；

最优路径回溯，对t＝T-1,T-2,…,1

得最优路径

3.如权利要求1所述的一种基于设备所处生命周期阶段的设备状态预测方法，其特征在于所述步骤3.1.1的方法为：

Δy_t＝X_t-X_t-1(t＞1)

Δ²y_t＝Δy_t-Δy_t-1(t＞2)

Δ^dy_t＝Δ^d-1y_t-Δ^d-1y_t-1(t＞d)

其中，Δ^dy_t为经过d次差分所得的t时刻的值，X_t、X_t-1分别表示t，t-1时刻原始时间序列的值。

4.如权利要求1所述的一种基于设备所处生命周期阶段的设备状态预测方法，其特征在于所述步骤3.3.3中采用的核函数为下列其中的一种：

1)线性核函数：k(x,y)＝x·y，x,y表示核函数参数；

2)多项式核函数：k(x,y)＝(γ(x·y)+c)^d，γ默认值为1/k，k为类别数、c表示参数值默认为0、d表示最高项次数；

3)RBF高斯径向基核函数：k(x,y)＝exp(-γ(|x-y|)²)，γ默认值为1/k，为类别数；

4)多层感知机Sigmoid核函数：k(x,y)＝tanh(γ*x·y+c)，γ表示默认值为1/k，k为类别数，tanh表示双曲正切函数，c表示参数值默认为0。