為改善因頻繁事后維修導致的設備使用壽命驟減問題,提出基于加權馬爾可夫鏈修正的差分自回歸移動平均（ARIMA）模型來預測設備狀態(tài)參數(shù),做到事后維修轉化為視情維修�？紤]到ARIMA模型存在一定偏差和不穩(wěn)定性,引入加權馬爾可夫模型對ARIMA模型殘差序列進行分析。采用狀態(tài)特征值結合線性插值法將預測的殘差狀態(tài)轉化為具體值,殘差修正的預測值為最終狀態(tài)值。以預測船舶海水出口溫度為例,對比分析單一ARIMA模型和修正的ARIMA模型的預測結果。結果表明:修正的模型預測精度較單一ARIMA模型顯著提高,具備可行性和有效性。 

【文章來源】：計算機應用與軟件. 2020,37(12)北大核心

【文章頁數(shù)】：5 頁

【文章目錄】：
0 引 言
1 模型簡介
    1.1 ARIMA模型
    1.2 加權馬爾可夫鏈模型
    1.3 加權馬爾可夫鏈修正的ARIMA模型
2 算例分析
    2.1 問題描述與分析
    2.2 數(shù)據(jù)獲取
    2.3 ARIMA模型預測
        （1） 數(shù)據(jù)預處理。
        （2） 模型識別。
        （3） 模型預測。
    2.4 加權馬爾可夫模型預測
    2.5 加權馬爾可夫模型修正ARIMA模型
3 結 語


【參考文獻】：
期刊論文
[1]一種基于加權馬爾科夫鏈修正的SVM光伏出力預測模型[J]. 張靜,褚曉紅,黃學安,范文,陳雁,萬泉,趙加奎.  電力系統(tǒng)保護與控制. 2019(19)
[2]基于兩步分解法和SARIMA的非飽和機場能耗預測[J]. 陳靜杰,孟琦.  計算機應用與軟件. 2019(04)
[3]馬爾科夫與ARIMA組合模型對地區(qū)降雨量的預測研究[J]. 徐夢茹,王學明.  計算機應用與軟件. 2019(03)
[4]基于改進神經(jīng)網(wǎng)絡的船舶主機溫度預測[J]. 孔國利,王愛菊.  艦船科學技術. 2018(18)
[5]基于混合預測模型的船舶海水冷卻系統(tǒng)狀態(tài)參數(shù)預測[J]. 孫曉磊,鄒永久,張鵬,張躍文.  艦船科學技術. 2018(15)
[6]基于灰色預測的船舶航向簡捷魯棒控制[J]. 姜日凡,張顯庫.  大連工業(yè)大學學報. 2018(01)
[7]加權馬爾科夫鏈在榆林市降水量預測中的應用[J]. 吳林川,孫嬰嬰.  人民長江. 2017(S1)
[8]EEMD與RBF神經(jīng)網(wǎng)絡的太陽黑子月均值預測[J]. 孫堂樂,李國輝.  計算機工程與應用. 2017(24)
[9]在VTS中利用回歸分析方法預測研究[J]. 郭衛(wèi)霞,李紅平.  艦船科學技術. 2016(08)

博士論文
[1]馬爾可夫鏈預測方法及其在水文序列中的應用研究[D]. 夏樂天.河海大學 2005



本文編號：3013340