基于Mallat算法与ARMA模型的露天矿卡车故障率预测

为提高露天矿山运输卡车故障率预测精度、降低因非平稳时间序列数据造成的精度损失及有效解决模型参数估计困难等问题,提出一种基于小波分析与自回归滑动平均模型(ARMA)的露天矿山卡车故障率预测方法。首先,根据矿山时间序列数据的非平稳特征,采用Mallat算法分频处理原始数据,将原始的时间序列分解为一组近似系数和多组细节系数;然后,采用ARMA模型拟合与预测单支重构后的小波系数;其次,引入模型的相关变量,将ARMA模型的参数估计问题转化为带有相关变量的多维高斯分布参数估计问题;最后,通过计算模型中的典型相关变量实现ARMA模型的定阶与参数估计并与其他算法模型进行对比。结果表明:采用此法预测测试集数据,绝对误差的平均值为0. 322,相对误差的平均值为5. 49%;这说明此种组合模型具有更高的拟合精度,应用该模型进行卡车故障率预测是可行且有效的。