国内外液压系统故障预测技术的发展历史概述

1.国外故障预测技术的发展现状

PHM系统的核心功能之一就是可以进行故障预测。故障预测技术并不是一门崭新的技术，早在1979年Saeks^[21]等人就开始了研究，但发展一直比较缓慢。由于围绕故障预测技术的很多概念尚未给出形式化定义，因此还没有关于该技术的统一定义。Hess^[22]提出的关于故障预测技术的定义较为常用，且具有一定的指导意义。他指出：故障预测技术是针对设备的初始故障状态或附属元件的失效状态，提供早期的检测和隔离能力，并且管理和预报设备由该故障状态向失效状态进展情况的技术和手段。以航空航天和军工领域为应用背景，美国和许多发达国家均在积极开展故障预测技术的研究。从公开发表的文献[23，24]看，国外对于故障预测技术的研究已经从方案设计阶段进入到了全面实施和验证阶段，一系列与故障预测技术相关的研究计划已全面启动。美国国防部、空军等军事部门和NASA等纷纷开展相关研究工作，很多跨国公司和著名大学也参与进来，如波音公司、格鲁门公司、通用动力等公司和佐治亚理工大学、宾夕法尼亚大学、马里兰大学、康涅狄格大学等高等院校。

对于故障预测实现方法的分类，目前尚不统一^[25，26]。从实际研究中应用较为广泛的理论、方法和技术路线来看，主要可以分为：基于模型的故障预测技术（Model-based approa-ches），基于知识的故障预测技术（Knowledge-based approaches）和基于数据的故障预测技术（Data-driven approaches）三大类。

（1）基于模型的故障预测技术 应用基于模型的故障预测技术的前提是已知对象系统的数学模型，这些模型通常由一定的领域专家给出，经过大量的数据验证，通常比较精确。其典型代表是基于随机滤波理论的故障预测。

随机滤波理论在故障预测中最典型的应用，就是递推贝叶斯滤波算法。递推贝叶斯滤波算法的核心是对系统变量的后验概率密度进行估计，而系统变量的后验概率密度包含了滤波问题所需的全部信息。递推贝叶斯滤波算法从理论上给出了预测问题求解的方法，但对于大多数实际系统而言，很难求得贝叶斯估计的解析解。卡尔曼滤波（Kalman Filtering，KF）算法可以视为递推贝叶斯滤波算法在线性系统中的实现形式。由于经典卡尔曼滤波方法只能用于线性系统的滤波问题，而实际系统通常为非线性系统，因此其应用范围十分有限。对于非线性滤波问题的实现主要有以下两种技术途径：①将非线性环节进行线性化，对高阶项采用忽略或逼近措施；②用采样方法近似求取非线性函数的概率密度分布。

递推贝叶斯滤波算法关于非线性滤波问题的第一种技术实现途径的典型代表是扩展卡尔曼滤波（Extended Kalman Filtering，EKF）方法，其思想是将非线性函数（系统的状态方程和观测方程）在状态变量的滤波估计值附近进行泰勒级数展开，对展开式取其一次项得到系统的近似线性化方程，然后利用线性滤波理论中的有关成果导出有限范围内的近似滤波估计值。S.Tangirala^[27]等人针对旋转机械轴承系统的疲劳故障问题提出了一种基于EKF的故障预测方法。对于存在有限观测噪声干扰的对象系统，该方法通过对其模型添加一项成型滤波器方程进行状态增广，构成一个新的增广系统状态方程。结合增广系统的状态方程，采用EKF算法可以估计未来时刻增广系统所对应的系统变量的一阶和二阶统计特性。在增广系统变量服从高斯分布的假设下，即可获得原系统变量的未来时刻随机分布的全部统计特性，从而估计出故障系统的剩余使用寿命。对EKF思想的进一步发展，出现了多种广义二阶EKF算法。相对于基本EKF算法，二阶方法考虑了泰勒级数展开的二次项，因此减少了由于线性化所引起的估计误差，提高了对非线性系统的滤波精度。但相对于基本EKF方法，其计算量和实现的复杂性也大大提高，因此其在故障预测领域的应用范围较为有限。

尽管EKF方法得到了广泛应用，但其仍存在局限性，即：①必须满足小扰动假设，也就是说EKF只适用于弱非线性系统，对于强非线性系统小扰动假设不成立，此时其滤波性能极不稳定甚至发散；②必须计算Jacobin矩阵及其幂矩阵，运算量巨大，难于实现。

对于递推贝叶斯滤波算法关于非线性滤波问题的第二种技术实现途径，由于近似非线性函数的概率密度分布比近似非线性函数更容易，使得应用采样方法获取近似非线性分布来解决非线性滤波问题的途径在近期得到了广泛应用，主要有以无迹卡尔曼滤波为代表的确定性采样滤波方法和以粒子滤波为代表的随机采样滤波方法。

无迹卡尔曼滤波（Unscented Kalman Filtering，UKF）算法是通过非线性变换U变换对非线性模型的状态均值和方差进行递推和更新，其核心是认为状态概率密度分布可以通过能完全表达状态变量密度函数的均值和方差的有限个样本点来描述。UKF和EKF的计算量相当，并具有相同的算法结构，但其性能优于EKF；同时UKF采用了确定性采样，避免了粒子滤波算法的粒子退化问题。但是UKF算法的应用前提是系统状态必须满足高斯分布假设。对于实际问题中广泛存在的非高斯分布状态模型，若仍采用均值和方差表征状态概率分布，将导致滤波性能的下降。D.Chelidze^[28]等人将相空间重构算法和UKF算法相结合构成了一种新的故障预测算法。该方法引入了两个独立的状态变量，分别表征系统的工作状态和故障状态，并假设故障状态的变化相对于工作状态的变化是一个缓慢的过程。通过重构正常状态下的系统输入、输出数据对应的相空间，可以获得系统正常工作状态下的参考模型。采用原系统的故障状态变量作为状态变量构成一个新系统状态方程，原系统真实输出与其参考模型输出的残差作为观测值构成新系统的观测方程。对新系统方程应用UKF算法即可预测元系统故障状态的变化过程。

粒子滤波（Particle Filtering，PF）算法是一种基于蒙特卡罗仿真和递推贝叶斯估计的滤波方法，相对于UKF算法，PF算法不受模型线性、高斯假设的约束，理论上能适用于任意非线性、非高斯动态系统的滤波问题^[29]。

综上所述，基于模型的故障预测算法具有能深入对象系统本质的性质和实现实时故障预测的特点，并且对象系统的故障特征通常与模型参数紧密联系。随着对设备故障演化机理的逐步深入，模型可以被逐渐修正来提高其预测精度。但是，在实际工程应用中，通常要求对象系统的数学模型具有较高精度，而对于复杂的动态系统通常难以建立精确的数学模型。因此，基于模型的故障预测方法在实际应用中的应用范围和使用效果均受到限制。

（2）基于知识的故障预测技术 由于在实际工程应用中，常常无法获得对象系统的精确数学模型，这就大大限制了基于模型的故障预测方法的使用范围。而基于知识的故障预测技术不需要对象系统的精确数学模型，同时能够有效表达对象系统相关领域专家的经验知识，因此是有生命力的一类方法。基于知识的故障预测方法的典型代表是专家系统和模糊逻辑。

专家系统是将人类专家的知识经验以知识库的形式存入计算机，并模仿人类专家解决问题的推理方式和思维过程，运用这些知识和经验对现实中的问题作出判断和决策。因此，可以认为专家系统是一个使用知识和推理的智能计算机程序，专家系统也是人工智能领域最主要的研究内容之一。故障诊断是专家系统一个传统的应用领域^[30]，而近年来专家系统也被用在故障预测技术的研究中。CASSANDRA^[31]是一种故障预测专家系统，它被用来在线监测和评估工业设备的工作和健康状态。PROMISE（Prognostic and Intelligent Monitoring Expert System）^[32]是罗马大学机械工程学院研制的故障预测与智能监测专家系统，该系统能实时生成关于设备故障发生及其严重程度的信息，预报将来一段时间内会检测到的及可能产生的故障的相关情况，并将这些信息及相应的维修建议报告给工厂管理人员。专家系统在故障预测技术研究领域中的应用还表现为与其他技术手段的结合，如与神经网络技术的结合^[27]等。专家系统本身存在着不易克服的缺陷，如知识获取的瓶颈问题。一方面，由于专家系统的知识有一定的局限性；另一方面，规则化表述专家知识也有相当大的难度。这两个原因造成了专家系统知识库的不完备，表现为当遇到一个没有相关规则与之对应的新的故障现象时，系统显得无能为力。另外，专家系统在运行过程中不能从推理的实例中获得新的知识，并且对一些疑难的故障和系统设计的一些边缘问题求解显示出其脆弱性。

在很多工程技术领域，还存在着许多模糊概念，有的是以语言表达的主观模糊概念，有的是由于客观上信息的不完全带来的模糊，又或由于测量、加工及建模精度等原因造成的模糊。模糊逻辑提供了表达和处理模糊概念的机制，由于其具有处理不确定性信息的能力，模糊理论和模糊逻辑为解决故障预测问题提供了重要的理论方法和实现工具。模糊预测系统最大的特点是其模糊规则库可以直接用专家知识来构造，因而能充分利用并有效处理专家语言和经验，而且一个适当设计的模糊逻辑系统可以在任意精度上逼近某个给定的非线性函数。单独使用模糊模型进行故障预测的实例还不多，一般将模糊模型与其他模型相结合（如模糊神经网络故障预测），以期获得更好的应用效果。

综上所述，基于知识的故障预测技术的最大优势是能够充分利用对象系统有关的领域专家的知识和经验。但是，基于知识的故障预测技术更适合于定性推理，而不太适合于定量计算，因而在实际应用中具有局限性。

（3）基于数据的故障预测技术 在许多预测问题中，建立复杂设备的精确数学模型是不经济甚至不可能的，同时领域专家的经验知识又无法进行有效地表达，那么设备的历史工作数据就成为了解设备性能下降的主要途径甚至唯一途径。基于数据的故障预测方法的基本思想就是通过对历史数据在一定费用函数的约束下进行学习得到一定数学模型关系，逼近对象数据中所隐含的映射机制，从而利用该数学模型进行预测^[33]。根据学习时所采用的模型类型不同，该方法可以分为采用线性模型和非线性模型学习的两大类方法。采用线性模型进行学习的典型代表是一系列经典时间序列分析方法；采用非线性模型学习的典型代表为：灰色模型和机器学习（神经网络、支持向量机）等方法。

1）基于经典时间序列分析的故障预测方法。自1970年Box和Jenkins的《Time Series Analysis：Forecasting and Control》^[34]一书问世以来，经典时间序列分析方法的研究和应用得到飞速发展。经典时间序列方法将数据看成一个随机序列，根据相邻观测值所具有的依赖性建立线性数学模型来拟合时间序列。在实际应用中，最常用的拟合模型是自回归（Auto-Re-gressive，AR）模型。用已知序列数据对模型中的线性表达参数进行拟合，然后将获得的拟合参数代入AR模型中即可进行时间序列预测。

经典时间序列分析方法经过几十年的发展，已经非常成熟，并应用到了社会生活中的各个领域。基于经典时间序列分析的故障预测方法，其最大优势是预测过程耗时非常短，很符合在线短期故障预测的需求。但是，该方法采用线性模型来拟合数据序列，从本质上不适用于非线性系统，故在实际应用中只对短期预测结果有意义。

2）基于灰色理论的故障预测技术。设备故障征兆与故障之间存在着明显的不确定性和灰色性，这类系统是典型的灰色系统。基于这样的认识，应用灰色理论对设备一些关键参数的测试数据建立灰色预测模型，用来预测系统未来一段时间内的状态变化情况，就是目前主要的灰色理论在故障预测研究中的应用形式。

灰色理论是根据系统的行为特征数据，找出特征之间和其自身的数学关系或变化规律，建立一种描述被研究系统的动态变化特征的模型^[35]。有文献指出，对于非负的数据序列，通过累加可以弱化其随机性、增强规律性，使生成的序列呈指数增长规律。在该理论的基础上，通过对原始数据序列进行累加后，得到规律性较强的累加序列，再用指数曲线去拟合累加序列，从而得出对原始数据序列的预测值。

用来进行故障预测的灰色预测模型主要是单参数预测模型GM（1，1）和多参数预测模型GM（1，N），其中单参数预测模型可以被视为多参数预测模型的特例。应用灰色理论进行参数建模不需要统计特征量，能适用于任何非线性变化的预测，尤其比较适合于小样本、短时期的系统参数预测建模；但传统灰色预测模型并不适用于中长期预测，等维新息灰色预测方法是对传统灰色预测方法的改进，而原始数据序列的光滑度也对灰色预测得的结果有着较大影响。提高数据序列光滑度，同时采用等维新息灰色预测方法，可以有效提高灰色预测模型在中长期故障预测中的精确度。(www.xing528.com)

3）基于机器学习的故障预测技术。机器学习的主要思想是从观测数据出发寻找规律，并利用这些规律对未来数据或无法观测的数据进行预测。学习的目的是根据给定的训练样本求解系统输入、输出之间的依赖关系。机器学习应用于故障预测技术问题研究的典型形式是神经网络和支持向量机。

人工神经网络（Artificial Neural Networks，ANN）是由大量简单的处理单元（神经元）广泛互联而成的非线性、自适应、自组织网络，它是对人脑神经网络某种程度上的简化、抽象和模拟，而并非真实实现。ANN理论是巨信息量并行处理和大规模平行计算技术的基础，神经网络既是高度非线性动力学系统，又是自适应组织系统，可以用来描述认知、决策及控制的智能行为。神经网络的工作方式分两个阶段：学习阶段和执行阶段。学习阶段是指神经网络自我完善阶段，网络按照一定的学习规则改变网络结构和神经元连接权值，使目标函数能更好地符合；在执行阶段，网络的结构和连接权值保持不变。神经网络技术应用于故障预测研究的实例有很多。S.Zhang^[36]等人使用自组织神经网络进行故障发展的多变量趋势跟踪，从而预测轴承系统的剩余使用寿命。P.W.Tse^[37]等人使用回归神经网络（Recurrent Neural Networks，RNN）预测设备工作状态的发展趋势。

神经网络在故障预测研究中还经常与其他技术相结合，衍生出多种特殊形式的神经网络，诸如小波神经网络（Wavelet Neural Networks，WNN）、模糊神经网络（Fuzzy Neural Networks，FNN）等。这些特殊的神经网络既继承了传统神经网络结构的优势，又在一定程度上克服了其不足之处，因而在故障预测研究中取得了很好的效果。

P.Wang^[38]等人使用了一种动态小波神经网络把传感器监测数据转化为对象系统故障特征随时间的演变模型从而预测机械轴承的剩余寿命。首先使用具有不同裂纹程度轴承的振动信号数据训练小波神经网络模型，然后再将该模型应用于轴承裂纹演变过程的故障预测。他们通过实验数据证明了使用小波神经网络的预测效果要好于使用AR模型，并给出了评价故障预测系统性能指标的标准。W.Q.Wang^[39]等人分别采用回归神经网络和模糊神经网络对旋转机械故障预测问题进行了研究，并对两者的预测结果进行了对比，指出在对模糊神经网络进行适当训练的条件下，其故障预测结果要优于回归神经网络的预测结果。

神经网络技术在故障预测领域取得了良好的应用效果，但是神经网络技术也存在着先天不足。神经网络学习缺乏严密的理论体系指导，在实际应用中，往往需要经过大量费时费力的实验摸索才能确定合适的神经网络模型、算法及参数设置，其应用效果完全取决于使用者的经验。使用神经网络技术的过程中很难将领域专家的经验知识加入预测系统中，并且神经网络预测的过程对于操作者而言是一个黑箱，预测推理行为难于解释。神经网络还存在学习速度慢、易陷入局部极小点等技术难点。另外，神经网络的过学习问题也是比较典型的一类问题；研究人员发现，训练误差过小反而会导致推广能力下降，即真实风险加大，这就是过学习问题。在有限样本情况下，神经网络的学习精度和推广能力之间的矛盾几乎是不可调和的，虽然采用复杂的学习机器容易使学习误差更小，但往往丧失了推广能力。因此，我们需要一种能够指导我们在小样本情况下建立有效学习和推广方法的理论。

统计学习理论的发展和完善为此问题的解决提供了坚实的理论基础和有效的学习方法。统计学习理论具有完备的理论基础和严格的理论体系，其核心思想是通过控制学习机器的容量实现对推广能力的控制。在这一理论体系下诞生的支持向量机（Support Vector Machine，SVM）技术是一种新的通用机器学习方法，特别适合于训练样本较少的情况，被认为是一种非常有前途的机器学习方法。SVM与传统的神经网络学习不同，它实现了结构风险最小化的归纳原则，取得了较小的实际风险，即对未来样本具有较好的泛化能力^[40]。

基于SVM的故障预测技术的基本思想与基于神经网络的故障预测技术类似，即通过所谓的SVM回归模型逼近重构系统的预测模型。不同的是，基于SVM的故障预测是通过一个非线性映射将对象系统特征参数映射到一个高维特征空间，并在该高维特征空间采用线性模型学习的方法重构原系统预测模型，从而对系统特征参数的变化情况进行预测。

相对于神经网络，SVM应用于故障预测领域的实例还不是很多。但是有研究表明，它正越来越受到重视，代表着一个新的研究方向。SVM方法应用于故障预测研究的主要优点是：专门针对小样本情况；得到的将是全局最优解，解决了在神经网络方法中无法避免的局部极值问题；将实际问题通过非线性变换转换到高维特征空间，保证了SVM具有良好的推广能力，同时解决了维数灾难问题。SVM的应用研究虽然已经取得了一些阶段性成果，但是SVM也有一些问题需要深入研究：SVM的性能依赖于核函数的选择，如何选择合适的核函数来满足机械设备的非线性非平稳条件值得探讨；SVM的训练和测试速度有时很慢，还需要进一步研究改进算法以适应设备故障预测的实时性要求。

综上所述，基于数据的故障预测技术不需要对象系统的数学模型和领域专家的经验知识，而是以采集的数据为基础，通过各种数据分析处理方法挖掘其中的隐含信息进行预测操作，从而避免了基于模型和基于知识的故障预测方法的缺点，成为了一种较为实用的故障预测方法。但是，实际应用中一些关键设备的典型数据（历史工作数据、故障注入数据以及仿真试验数据）的获取代价通常十分高昂，而且所获得的数据往往具有很强的不确定性和不完整性。这些问题都加大了实现故障预测技术的难度。

2.国内故障预测技术发展现状

目前，国内关于故障预测技术方面的研究成果不是很多，各种故障预测方法仍可以分为基于模型的故障预测技术、基于知识的故障预测技术和基于数据的故障预测技术三大类。

在基于模型的故障预测技术方面，近年来出现了一些基于粒子滤波算法的故障预测技术，即针对传统粒子滤波算法应用中的各类问题和局限性，国内学者提出了改进的措施。同时也有学者针对传统卡尔曼滤波算法在非线性系统中应用的局限性，提出了改进措施。

张磊^[41]等人提出了一种基于粒子滤波的故障预测算法。在算法的状态估计阶段，采用联合估计和粒子滤波同时估计对象系统故障演化模型状态和未知参数的后验分布。在算法的状态预测阶段，采用了两种不同的计算方法：一种方法是对状态变量当前时刻的后验分布进行迭代采样，从而获得未来时刻的状态变量的先验分布；另一种方法是采用数据驱动的方法预测未来一段时间内对象系统的量测信息，从而将未来时刻状态变量的先验分布的预测问题转化为一个求解后验分布的估计问题。采用高斯混合模型近似随机变量分布密度，从而将两种方法的计算结果在一个统一的预测框架之下进行有效交互，进一步提高了预测的准确性和可靠性。在算法的决策阶段，在获取的故障演化模型状态变量分布基础上，结合一定的故障判据近似计算出对象系统的剩余寿命分布。张琪^[42]等人针对样本贫化会严重影响再采样粒子滤波故障预测算法对故障的预测能力这个问题，提出了一种基于权值选优粒子滤波器的故障预测算法。按照粒子权值的大小，从大量的粒子中选择出比较好的粒子用于滤波，以增加样本的多样性，从而缓解样本贫化问题，提高再采样粒子滤波故障预测算法的跟踪能力。仿真结果显示该算法是可行的。曹玉苹^[43]等人针对卡尔曼预测在非线性系统故障预报中预测误差较大的问题，提出一种基于SVM预测新息的卡尔曼预测方法。即根据未知非线性系统的典型变量分析子空间模型进行卡尔曼预测，通过采用SVM时间序列预测算法预测未来时刻的新息，并利用新息进行卡尔曼单步和多步预报。在连续搅拌反应器上的仿真研究表明，该方法能准确地预测较长时间段内故障过程的劣化趋势，并预知可能发生的故障，使操作人员有时间采取必要措施，消除故障隐患。

在基于知识的故障预测技术方面，目前国内主要集中在模糊预测方面的研究。王强^[44]等人在模糊预测推理模型中引入动态模糊关系矩阵，改变了模糊评判以往局限于静态评判的管理，为常规评判法无法确定的一类问题提供了一种有效的数学描述。秦俊奇^[45]等人介绍了一种基于动态模糊评判与专家系统推理相结合的故障预测方法，并将该方法应用到一个具体的火炮故障预测实例中。

根据目前国内公开发表的文献看，基于数据的故障预测技术受到了国内学者比较大的关注。这主要是和前面所述的基于数据的故障预测技术不需要对象系统精确的数学模型，同时与基于知识的预测方法相比可以用于定量计算这两个主要优点有关。

吴庚申^[46]等人根据实验台所采集的碰摩、松动、不对中和不平衡四种典型汽轮机转子振动故障水平方向与垂直方向的数据，建立了汽轮机转子振动故障序列自回归滑移平均（ARMA）模型。计算结果表明，具有较高的预测精度，且为进一步提取故障征兆信息及故障发展趋势预测提供了条件。张伟^[47]等人以随机信号时间序列AR模型为基础，将激励噪声信号构造为准则函数，采用最小二乘法对AR模型参数进行辨识，得到了惯性器件漂移误差系数最小二乘AR预测模型，并泛化用于故障预测；仿真结果表明与功率谱估计的参数化AR、ARMA模型相比，最小二乘AR预测模型在高、低阶次时辨识精度较高、泛化能力较强，且这一特点在低阶时尤为明显；其预测结果可为发现故障隐患、辅助决策提供依据。

李建兰^[48]等人针对传统的灰色GM（1，1）预测模型只适用于对较强指数规律序列进行预测的局限，对传统的GM（1，1）模型进行了改进；即通过引入一个m点均值算子，将波动的原始序列生成一个近似指数变化的新序列，并建立等维新息模型，从而实现对具有波动性质的序列进行有效地预测。朱大奇^[49]等人提出了一种基于小波分析和灰色预测理论的旋转机械故障预测分析仪设计方案，并以旋转机械主轴振动位移信号为例。首先应用小波变换进行特征向量提取，然后应用灰色理论进行结果预测，进而基于该理论设计了旋转机械故障预测分析仪。费胜巍^[50]等人结合粗糙集和灰色理论的各自特点，提出一种用于变压器故障预测的新方法。首先基于粗糙集的知识获取方法，获得改进的三比值诊断决策表，并简化决策表，建立最小诊断规则；然后分别建立决策表中三比值的灰色预测模型，通过灰色模型对特征气体的比值进行预测，获得预测的特征气体比值的状态特征；最后对照最小诊断规则，得出预测的故障类型，并结合规则置信度和预测的状态特征对该故障类型的支持数确定其发生概率。

李斌^[51]等人针对飞机舵面故障预报系统的设计要求，建立了神经网络故障预测模型及训练算法。该预测模型采用三层BP网络模型，还对神经网络的预测精度给出了评价函数。结合风洞实验数据，对飞机舵面故障模式之一的方向舵卡死进行了预测和分析，并与传统的ARMA方法进行了比较，结果充分表明了该神经网络预测模型的有效性和优越性。

SVM技术自1995年被提出以来，已经成功应用到了图像处理、数据分析、故障诊断等领域中，并表现出具有比多层感知器等传统人工神经网络更加优越的预测性能，同时，SVM的泛化能力远好于神经网络模型和模糊模型。王红军^[52]等人将SVM应用于机械系统故障预测领域，提出了基于SVM回归模型的设备状态趋势预测算法，并将该算法与采用AR模型和BP神经网络的预测结果进行了对比，显示了SVM方法的优越性。赵文清^[53]等人提出一个基于SVM的变压器故障组合预测模型及其求解步骤，首先利用多个单一预测方法如线性模型、指数模型、乘幂模型、非等间隔灰色GM（1，1）模型和非等间隔灰色模型构成预测模型群，对原始油中溶解气体数据进行拟合；然后，将预测模型群的拟合结果作为SVM回归模型的输入进行2次预测，形成变权重的组合预测；通过与多种预测方法进行比较，发现基于SVM的变压器故障组合预测模型的预测精度，明显优于单一预测模型和其他的组合预测模型。胡桥^[54]等人针对机电设备运行状态受多因素影响且变化趋势复杂、难以用单一预测方法进行有效预测的问题，提出了一种新的基于经验模式分解、SVM和自适应线性神经网络的混合智能预测模型。首先利用经验模式分解方法（Hilbert Huang）将非平稳时间序列按其内在的时间特征尺度自适应地分解为多个本征模式分量；然后根据这些分量各自趋势变化的剧烈程度选择合适的核函数，用SVM对其进行预测；最后通过自适应线性神经网络对这些预测分量进行自适应加权组合，得到原始序列的预测值。