基于等维新息灰色马尔可夫模型的校准间隔预测
2024-01-21
来源:好走旅游网
维普资讯 http://www.cqvip.com 第20卷第5期 传感技术学报 CHINESE JOURNAL OF SENSORS AND ACTUATORS Vo1.20 No.5 2007年5月 May.2007 Prediction of Calibration Interval Based on an Innovation Gray—Markov Model SUN Qun ,MENG Xiao一{eng,WANG Guo—hua (schoolofinstrumentation science&Opto-electronicsEngineering,BeijingUniversity ofAeronautics andAstronautics,BeOing100083,China) Abstract:To optimize the calibration interval of a measuring instrument,characters of historialc alcibration data are analyzed and an innovation Gray-Markov GM(1,1)modeliS established.The Markov chain method iS presented basd eon the innovation GM(1,1)model,which reduces random fluctuation of calibration data.Experiments are also done to test the mode1.Results demonstrate that the precision of the innovation Gray-Markov GM(1,1)model iS higher than the GM(1,1)model,the innovation GM(1,1)model and the Gray-Markov mode1.Therefore the modeliS a best model to forecast the calibration interval of a measuring instrument. Key words:calibration interval;innovation GM(1,1)model;Markov model;gray theory EEACC:7320C 基于等维新息灰色马尔可夫模型的校准间隔预测 孙 群 ,孟晓风,王国华 (北京航空航天大学仪器科学与光电工程学院,北京100083) 摘 要:针对测量仪器校准间隔的优化问题,分析了历史校准数据的特征,建立了等维新息马尔可夫GM(1,1)预测模型.在 等维新息GM(1,1)模型的基础上,引入马尔可夫模型,克服了随机波动数据对预测精度的影响.通过仿真实验对预测模型进 行了验证,结果表明,等维灰色马尔可夫GM(1,1)模型的预测精度高于常规灰色GM(1,1)模型、等维新息灰色GM(1,1)模型 和常规灰色马尔可夫GM(1,1)模型,更适合用于测量仪器校准间隔的预测。 关键词:校准间隔;等维新息灰色GM(1,1)模型;马尔可夫模型;灰色理论 中图分类号: 93O 文献标识码:A 文章编号:1Oo4—1699(2OO7)05-1O95-05 为保证测量仪器的精度,通常按照规定的校准 间隔对其进行校准.校准间隔一般由大量同类仪器 经过统计分析确定.然而由于生产工艺、使用环境和 使用状况的差别,同类仪器的使用寿命并不相等,存 在个体差异,致使固定校准间隔的校准方式容易引 起不足计量或过剩计量.因此,根据实际情况进行测 量仪器校准间隔的优化便成为研究的热点. 文献[5 ̄73也提出一些基于统计建模思想,优化调 整校准隔的方法.然而,上述提到的统计模型不仅需 要大量的数据,而且必须保证校准过程服从正态分 布或其他附加条件,才能得到比较理想的结果.文献 [83根据测量仪器历史校准数据小样本的特点,基于 灰色理论建立了历史校准数据的灰色GM(1,1)模 型,并采用灰色灾变预测的方法预测校准日期.但 是,灰色GM(1,1)模型的预测精度容易受建模数据 随机波动的影响. 本文在测量仪器的校准间隔可以通过历史校准 数据预测的假设下,分析了历史校准数据的特征,并 对校准数据进行了数学描述.在测量仪器校准间隔 灰色预测模型的基础上,引人马尔可夫预测理论,提 出了等维新息灰色马尔可夫GM(1,1)模型[9],进行 了仿真实验,并分析了实验结果. 文献[13采用统计模型中的维纳过程模型建立 了电子尺的校准漂移模型,进行校准间隔的调整.文 献[2]提出用统计方法对校准数据建模,通过进行时 间序列分析,确定校准间隔.文献[3]给出一类统计 建模方法,针对测量仪器的可观测参数,建立校准漂 移模型,根据模型确定和调整校准间隔.文献[43基 于统计分析方法建立测量仪器校准的随机漂移模 型,通过对校准间隔的参数化,优化校准间隔.此外 收稿日期:2006—06—18 修改日期:2006-07-19 维普资讯 http://www.cqvip.com 1096 传感技术学报 2007正 1校准数据分析与建模思想 1.1校准数据序列分析 ①:对X∞ 作一次累加生成(1一AGO),得到 X“ 一{ “ (1),z (2),…,z“ ( )) (3) 其中: (1) 历史校准数据序列可以用序列(1)表示 X∞’一fz∞’(1),z∞’(2),…,z∞’in)} z㈩(志)一∑z“”( ),k一1,2,…, )一 (4) (5) 某校准时间t的校准数据可表示为: ‘。 it)一 +b+ 1/t)J+ ( )+ ( )+ ( )+ P(f)+32(f)] ②:根据公式(5),对X∞ 作准光滑性检验. (2) 其中: z∞’(f)一校准值; 标称值; 『广测量仪器的系统偏差; (f)一测量仪器的老化趋势项; a(f)一计量标准、仪器引入的随机误差; (f)一测量条件引入的随机误差; (f)一重复性检验引人的随机误差; P(f)一其它因素引入的随机误差; ( )一随机波动趋势项; 测量仪器的校准结果表现为动态发展趋势,趋 势项 +6+ (f)]反映了仪器随自身惯性、使用时 间、环境等因素影响引起的长期确定性变化趋势,随 机项[-ait)+flit)+ (f)+P(f)+32(f)]则反映了随 机因素影响导致的随机波动趋势. 1.2建模思想 测量仪器的校准数据具有小样本、非线性的特 点,适合用灰色预测模型.然而,校准数据具有一定 的波动性,灰色预测模型预测精度便相应降低,并且 可能出现较大的误差.虽然灰色预测模型群中的新 息模型和等维新息模型也能在一定程度上克服建模 数据的随机波动影响,但是对于波动较大数据,预测 精度降低.基于随机过程的马尔可夫理论恰恰能弥 补灰色预测的不足,适用于随机波动序列的预测.马 尔可夫理论指出:系统将来的状态只与目前的状态 有关,而与系统过去的状态无关,状态转移过程无后 效性.根据系统状态之间的转移概率来预测系统未 来发展.转移概率反映了各种随机因素的影响程度, 反映了各状态之间的内在规律性.将灰色预测模型 与马尔可夫模型结合起来,用灰色预测模型预测校 准数据的总体趋势,用马尔可夫模型对随机波动项 进行预测,是提高预测精度一种有效途径. 2等维新息灰色马尔可夫预测模型 2.1等维新息GM(1,1)模型建模 利用灰色序列GM(1,1)模型的基本形式 ∞ (志)+口 n (志)一b进行建模的步骤如下: ③:根据公式(6),检验X“ 是否满足指数规律. 志)一 (6) ④:对x“ 作紧邻域生成,得到 “ (志). (志)一0.5x‘ (志)+0.5x‘ (志一1) (7) ⑤:根据数据建立预报模型,得到灰色微分方程 的白化形式: +甜㈩一 B i8) 则其解(9)即为Xn 的预报模型. 广.. 。.l lL i(1 (志+1)一( (I)一旦)e + (9) (( ¨ ( 2 3 ⑥:对参数数列 ,“] 进行最/J,--乘估计,得到: 一(B B)一 B XN i10) L“-J 其中 眦‘。 (2)] X N—l I… lI ( )J ∞ ⑦:将式(10)的结果带人式(9),确定预报模 型,求出X“ 的模拟值. ⑧:将求解所得的Xn 根据公式(11)进行累减 生成,还原得出x∞ 的模拟值. y-‘。 (志+1)一i‘ (志+1)一i‘ (志) (11) ⑨:置人新信息 ∞ in+1),相应的去掉最老的 信息z∞ (1),根据新序列式(12)建立新的GM(1, 1)模型,按照上述步骤进行建模并求解. X∞’一{z∞’(2),z∞’(3),…,z∞’in),z∞’in+1)) (12) ⑩:不断加人最新的信息,去掉最老的信息,保 持建模数据不变,重复①~⑨步,则可建立等维新息 灰色GM(1,1)模型. 从预测角度看,等维新息GM(1,1)模型是GM (1,1)模型群中最理想的模型,随着系统的发展,老 数据的信息意义将逐步降低,在不断补充新信息的 同时,及时的去掉老数据,建模序列更能反映系统在 目前的特征. 维普资讯 http://www.cqvip.com 第5期 孙群,孟晓风等:基于等维新息灰色马尔可夫模型的校准间隔预测 max/} 一P 1097 (19) 2.2马尔可夫过程状态划分 对于符合马尔可夫链特点的非平稳随机序列 (1),将其划分为 个状态,任一状态o 可表示为: 一则可认为下一时刻系统最有可能由状态o 转向 o .如果矩阵P中第k行存在两个或两个以上的概 率相同或相近时,则需要考察二步或,z步转移概率 矩阵,以确定未来的转移状态. 2.4 等维新息灰色马尔可夫预测模型 [ z ], ∈ , 一1,2,…, (13) (14) (15) 其中: 1 一卫(走)+A 2 一卫(走)+B 确定了状态转移矩阵后,便确定了状态变动的 灰元区间[⑧ 。 ].将等维灰色模型与马尔可夫 灰元o 和 z 随时间变化,状态划分的数目 以及 参数A 和B 根据序列(1)的实际情况确定.常用的 状态划分方法有以下几种. (1)常数划分法:选取有代表性的常数作为状 态划分的界限. (2)平行曲线法:以卫∞ (走)为基准,划分成与 一卫∞ (走)平行的若干条形区域,每一个条形区域作 为一个状态,卫∞ (走)反映了原始数据的变化趋势. (3)残差的标准化离差法:首先计算原始数据 与预测数据的残差 ,计算出残差平均值 、残差标 准差 ,再将得到的残差的标准化离差叩作为划分 状态的考核指标. (4)相对误差法:以原始数据与预测数据的偏 差 所处的不同上下阈值作为状态划分的标准. (5)相对值划分法:首先按照公式(16)计算每 个数据的趋势, ×100%(走一1 2”, ) (16) 』 , 然后按照序列的趋势进行状态划分,趋势小于 100 为下降趋势,大于100 的为上升趋势,再按 照趋势的强弱进行状态细分. 一般来讲,状态划分的越多,则预测精度越高. 但是状态的划分同数据的数量和具体值有关,数据 较少或数据值相差不大时,应该划分较少的状态. 2.3状态转移概率矩阵计算 假设Mo.( )为由状态 经过m步转移到状 态 的原始数据样本数,M为处于状态⑧ 的原始 数据样本数.则其状态转移概率: P ( )一Mo (m);i一1,2,…, (17) 』 状态转移矩阵: Pl1( ) Pl2( ) Pl ( ) P2l( ) P22( z) P2 ( ) P== (18) P『f1( ) P『J2( ) P ( ) 在实际应用中,一般只要考察一步转移概率矩 阵P.假设预测对象处于⑧ 状态,则考察状态转移 概率矩阵P中第k行,如果满足: 模型结合起来,选取灰元区间的中位数,则可得到序 列最终的预测结果: 1 1 卫∞H(K+1): 1 ∽ ]=告 ∞ (走+1)(A+Bi) 厶 (20) 2.5 灰色阈值灾变预测 灰色灾变预测实质是异常值的预测,对于原始序 列(1),给定上限异常值(阈值) ,定义上灾变序列: 一{xEq(1)],xEq(2)],…,xEq(m)]} 一{xEq( )}]f xEq(i)] ;i:I,2,…,,n}(21) 定义灾变日期序列: Q(∽一{q(I),q(2),…,q(m)} (22) 对灾变日期序列(22)建立预测模型,即为上灾变预 测.同样,给定下限异常值 ,可以定义下灾变序列 (23),进行下灾变预测. X一{xEq(1)],xEq(2)],…, q( )]} 一{ q( )}]J x[q( )] 一1,2,…,m}(23) 灰色灾变预测的目的是通过对灾变日期序列的 研究,寻找其规律性,预测未来灾变发生的日期.本 文将等维新息马尔可夫预测模型应用于历史校准数 据序列的灾变预测,通过对灾变日期分析,得到下次 校准日期. 3仿真实验 文献[8]收集了St.John’S and St.Mary’S In— stitute of Technology(SJSMIT)校准实验室的有 关仪器的历史校准数据.本文选取其中数字万用表 HP3478A和Fluke45的历史校准数据,作为实验测 试数据.仪器的校准时间为1999年6月至2000年 5月.为了方便比较,预测模型的误差指标采用文献 E8]提供的最小均方差MSE(mean squared error), 定义如下: MSE一 (卫(0】一 (o’) (24) 3.1仿真实验1-HP3478A 数字万用表HP3478A的历史校准数据如表1 所示. 维普资讯 http://www.cqvip.com 1098 传感技术学报 2007点 表1 ItP3478A的历史校准数据 给定lO V量值的标准电压,对数字万用表 HP3478A进行校准,要求校准不确定度在0.01 9/6 之内.根据校准规定的不确定度(O.Ol )进行计算, 得到上灾变值:10.001 00 V,下灾变值:9.999 000 V.由表l提供的历史校准数据,得到上灾变日期序 列为Q ’一(3,4,7,8,9,ll,12),没有下灾变发生. 取灾变日期序列的前6个数据作为建模数据, 最后1个数据作为测试数据.分别采用灰色GM(1, 1)模型、等维新息GM(1,1)模型、灰色马尔可夫 GM(1,1)模型、等维新息灰色马尔可夫GM(1,1)模 型进行拟合和预测.由于建模数据较少,故仅在预测 时引人马尔可夫模型.随着数据的增加,可以在拟合 时也引人马尔可夫模型.马尔可夫模型的状态划分采 用相对值划分法,根据灾变序列趋势的相对值,适当 选取状态划分的数目,按照第2节的步骤进行计算. 由于模型较多,为了便于比较,仅绘出常规灰色 马尔可夫GM(1,1)模型和4维新息马尔可夫GM (1,1)模型的曲线,如图l所示. 图1实验1中模型的拟合与预测曲线 一 同时,计算得到各模型的拟合与预测的最小均 方差MSE,如表2所示. 表2实验1中不同模型的拟合与预测[MsE] 仿真实验l的结果表明,常规灰色GM(1,1)模 型的拟合与预测精度最低.等维新息灰色马尔可夫 GM(1,1)模型的精度要高于常规灰色马尔可夫GM (1,1)模型,预测精度也高于单纯的等维新息GM (1,1)模型.其中4维新息灰色马尔可夫模型的预测 精度最高,最小均方差MSE的数量级达到了lO_。, 明显优于其它模型. 3.2仿真实验2=Fluke45 用lO V]量值的标准电压校准数字万用表Flukel5, 规定校准不确定度在0.029/6以内,历史校准数据如表3 所示.根据校准规定的不确定度(O.O29/6)进行计算,得 到上灾变值:10.002 0 V,下灾变值:9.998 0 V由表3 提供的历史校准数据,得到下灾变日期序列为 ∞一 {2,4,6,7,lO,l2),没有上灾变发生. 表3 Nuke45的历史校准数据 取灾变日期序列的前5个数据作为建模数据, 最后1个数据作为测试数据.采用与仿真实验l中 相同的预测模型和计算方法,得到相关曲线,如图2 所示. 图2一 实验2中模型的拟合与预测曲线 同样,可以得到模型的拟合与预测的最小均方 误差MSE列表,如表4所示. 表4实验2中不同模型的拟合与预测[MsE] 仿真实验2的结果表明,等维新息灰色马尔可 维普资讯 http://www.cqvip.com