CN101718634A - 基于多元概率模型的设备状态综合动态报警方法 - Google Patents

Abstract

基于多元概率模型的设备状态综合动态报警方法，以设备运行过程中表征个体设备状态的多元参数作为目标样本集，通过高斯核函数实现多元样本数据向一维条件概率密度的映射，并利用3σ方法获得处于聚类边界样本点分布的等高线映射，报警线就是由这些边界点的等高线包络形成的复杂曲面，并随着监测数据的不断更新，动态调整报警模型，从而实现随设备状态的变化报警线的自适应调整。本发明方法从设备自身的发展历程中寻找规律，将现场常规设备状态划分为三个等级：即正常状态、过度状态异常、和故障状态，并分别研究了针对每种状态报警阈值变化范围，为综合评判设备状态奠定了基础。

Description

基于多元概率模型的设备状态综合动态报警方法

技术领域

本发明属于机械设备状态监测与故障诊断技术领域，涉及一种机械设备运行监测与报警设置技术，具体涉及一种基于多元概率模型的设备状态综合动态报警方法。

背景技术

报警技术是设备状态监测和故障诊断的核心技术之一，在监测诊断技术向企业推广以及推动预知维修体制发展变革的过程中都发挥着极其重要的作用。从预防事故的角度来讲，机械设备运行状态的报警比故障诊断更为迫切和有效。

目前常用的报警方法有：1)越限报警方法，对设备的某些关键参数进行实时监测，一旦发现参数超越了预先设定的阈值，立即报警或采取措施，该阈值根据某一标准或操作人员的经验设定，是一个静态的值；2)趋势报警方法，即对设备的关键参数实时采样和分析，根据故障前兆期参数的变化特点，对故障发生前信号变化的梯度进行分析，判断设备是否可能会出现故障。上述两种报警方法过于绝对化，没有充分考虑设备外在和内在因素的影响。而设备的实际运行状态与工作环境、负载和人为操作等因素密切相关，这些因素发生变化均会引起报警阈值的变化；3)基于知识的智能报警方法，通过一组训练样本对设计好的神经网络进行训练学习，学习好的神经网络能很好地把握相应的判定准则，对实际的观察样本进行分类判定，网络输出1时进行报警，网络输出0时不报警。基于知识的智能报警方法，能自适应地判断设备状态，划定动态报警线，以数据中蕴含的深层次知识为报警规则，判断设备状态，但该报警方法的计算量太大，同时需要大量的样本训练，难以实现实时监测。另外，现有的报警方法多是单测点监测设备的状态，而不是从整体上把握设备状态。

发明内容

为了克服上述现有技术的缺点，本发明的目的是提供一种基于多元概率模型的设备状态综合动态报警方法，能对设备进行实时监测，从整体上把握设备的状态，计算量较小，并不需要进行样本训练。

本发明所采用的技术方案是，基于多元概率模型的设备状态综合动态报警方法，通过高斯核函数的多元样本数据向一维条件概率密度的映射，利用3σ方法获得处于聚类边界样本点分布的等高线映射，将样本边界点的等高线包络形成的复杂曲面作为报警线，通过判断新数据与报警线的位置关系来识别异常数据，实现报警，该方法按以下步骤进行：

步骤1：以相同采样间隔同时采集反映设备运行状态的至少一个测点的特征参数，获得一组反映设备运行状态的多元历史数据作为样本；

步骤2：将步骤1获得的多元历史数据以列向量形式表示，即在第m次观测获得的多元数据表示为列向量

式中，l为测点数；m＝1，2…，N，N为样本点数；T代表转置运算；

步骤3：将步骤2得到的列向量，采用下式计算高维空间的欧式距离：

$\mathrm{dis}(X_i,X_j)=\sqrt{{(X_i-X_j)}^T(X_i-X_j)}$

式中，dis(X_i，X_j)为多元数据X_i和X_j在高维空间中的欧式距离；X_i为第i次观测获得的多元数据；X_j为第j次观测获得的多元数据；

则，样本内数据之间的最小平均距离为：

$d=\frac{1}{N}\underset{i,j=1}{\overset{N}{\mathrm{\Σ}}}\min \mathrm{dis}(X_i,X_j)$

式中，d为最小平均距离；N样本点数；

步骤4：根据步骤3得到的样本内数据之间的最小平均距离，通过以下经验公式计算平滑因子σ：σ＝g·d，

式中，σ为平滑因子；g为经验公式系数，一般取1.1～1.4；

步骤5：以步骤1中的样本数据为中心，以步骤4计算的平滑因子σ为标准偏差，利用多元高斯核函数

$f\left(x\right)=\frac{1}{{\left(2\mathrm{\π}\right)}^{p/2}{\mathrm{\σ}}^p}\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\exp \left(\frac{-{(X-X_i)}^T(X-X_i)}{2{\mathrm{\σ}}^2}\right)$

式中，f(x)为在已知数据序列X_i条件下的概率密度函数，表示在已知时间序列X_k条件下，抽样点y_i的条件概率；

计算原始数据序列中的每个多元数据的高斯密度曲线，然后对所有曲线求和来逼近原始样本数据的概率密度曲线

步骤6：根据步骤5计算的原始样本数据的概率密度曲线，由处于分布边界样本点的概率密度分布的等高线的映射，经过包络形成曲面，该曲面为报警线；

步骤7：采集新的多元数据，并得到新的列向量Y＝[y₁，y₂…，y_l]^T，分别计算采集的多元数据与原始样本点间的距离dis(Y，X_j)：

$\mathrm{dis}(Y,X_j)=\sqrt{{(Y-X_j)}^T(Y-X_j)}$

依据拉依达准则进行判断：

若dis(Y，X_j)≤3σ，则新数据属于已有类别，并用该观测数据更新原始样本数据序列，并重复步骤2、步骤3、步骤4、步骤5和步骤6，实现报警线的动态调整；

若dis(Y，X_j)＞3σ，则判断新数据不属于已有类别，产生报警，并依据该新数据重新建立一个新的类别，重复步骤2、步骤3、步骤4、步骤5和步骤6，计算该新类别的边界线；

步骤8：随着观测数据的不断增加动态调整报警模型，建立设备状态的自适应报警线。

所述步骤3中在计算平滑因子时，对原始样本数据序列中的相同数据进行预处理，该预处理是将原始样本数据序列中相同数据点间的最小平均距离设定为无穷大。

本发明报警方法与传统方法相比，具有以下优势：

1.充分利用实时采集的设备多测点运行数据，构建了一种客观描述设备运行状态的综合动态监测模型。

2.撇开传统的按照各种通用标准对现场设备运行状态的划分依据，从设备各自的发展历程寻找规律，通过融合设备多测点运行的信息，实现对设备状态的综合评判。

3.通过一个自适应的过程建立报警线，该报警线可以根据现场状态动态地进行调整，并表现为：正常状态下的稳定性；过渡状态下的包容性，避免了误报现象；故障状态下的敏感性，防止了漏报现象。

附图说明

图1是采用本发明报警方法对设备综合动态进行监测报警的流程图。

图2是采用本发明报警方法监测设备综合动态过程中计算平滑因子时对相同数据进行处理的流程图。

图3是采用本发明报警方法监测设备综合动态时对设备状态进行判断的流程图。

图4是二维向量的概率密度曲线和相应的报警线图；其中，a是二维向量的概率密度曲线图，b是与a的概率密度曲线相应的报警线图。

图5是二维向量报警线的形成图。

图6是二维向量的概率密度曲线和相应的报警线仿真图。

图7是ZHS-5型多功能转子冲击试验的报警效果图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明报警方法充分考虑整体设备状态的发展历程，从设备的多测点运行历史数据中提取经验知识，动态界定设备正常状态下的特征参数变化范围，作为个性化的异常状态判别依据，通过动态自适应的数据模型来自动处理分析现场设备的状态数据，实现具备更高使用价值和特色的异常报警。

如图1所示，本发明报警方法具体按以下步骤进行：

步骤1：以相同采样间隔同时采集反映设备运行状态的至少一个测点的特征参数，获得一组反映设备运行状态的多元历史数据作为样本；

步骤2：将步骤1获得的多元历史数据以列向量形式表示，即在第m次观测获得的多元数据表示为列向量

式中，l为测点数；m＝1，2…，N，N为样本点数；T代表转置运算。

步骤3：将步骤2得到的列向量，采用下式计算高维空间的欧式距离：

式中，dis(X_i，X_j)为多元数据X_i和X_j在高维空间中的欧式距离；X_i为第i次观测获得的多元数据；X_j为第j次观测获得的多元数据。

则，样本内数据之间的最小平均距离为：

$d=\frac{1}{N}\underset{i,j=1}{\overset{N}{\mathrm{\Σ}}}\min \mathrm{dis}(X_i,X_j)$

式中，d为最小平均距离；N样本点数。

步骤4：根据步骤3得到的样本内数据之间的最小平均距离，通过以下经验公式计算平滑因子：σ＝g·d，

式中，σ为平滑因子；g为经验公式系数，取1.1～1.4；

步骤5：以步骤1中的样本数据为中心，以步骤4计算的平滑因子σ为标准偏差，利用多元高斯核函数

$f\left(x\right)=\frac{1}{{\left(2\mathrm{\π}\right)}^{p/2}{\mathrm{\σ}}^p}\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\exp \left(\frac{-{(X-X_i)}^T(X-X_i)}{2{\mathrm{\σ}}^2}\right)$

式中，f(x)为在已知数据序列X_i条件下的概率密度函数，表示在已知时间序列X_k条件下，抽样点y_i的条件概率

计算原始数据序列中的每个多元数据的高斯密度曲线，然后对所有曲线求和来逼近原始样本数据的概率密度曲线

步骤6：根据步骤5计算的原始样本数据的概率密度曲线，报警线就是由处于分布边界样本点概率密度的等高线的映射，并经过包络形成的曲面；

步骤7：采集新的多元数据，并得到新的列向量Y＝[y₁，y₂…，y_l]^T，分别计算采集的多元数据与原始样本点间的距离dis(Y，X_j)：

$\mathrm{dis}(Y,X_j)=\sqrt{{(Y-X_j)}^T(Y-X_j)}$

依据拉依达准则进行判断：

若dis(Y，X_j)≤3σ，则新数据属于已有类别，进一步判断该新数据与历史数据是否存在相同的数据点，由于平滑因子通过样本间的最小平均距离计算，而相同数据点对平滑因子的计算产生较大影响，因此，在计算平滑因子时，采用如图2所示的方法，设定一个阈值ε，当dis(Y，X_j)≤ε时，将新数据点Y和样本点X_j间的最小平均距离设定为无穷大，从而消除了相同数据点对计算平滑因子的影响；而当dis(Y，X_j)≥ε时，直接用该新数据更新原始样本数据序列，并重复步骤2、步骤3、步骤4、步骤5和步骤6，实现报警线的动态调整；

若dis(Y，X_j)＞3σ，则判断新数据不属于已有类别，产生报警；并如图3所示依据该新数据重新建立一个新的类别，重复步骤2、步骤3、步骤4、步骤5和步骤6，计算新该类的边界线；

在设备状态判断流程中，只有数据正常时，会不断更新正常类别的概率密度函数，形成正常数据允许的范围，即正常类的边界。当出现一个故障数据时，由于故障数据超过了正常类边界，此时，会创建一个新的故障类，并构建该故障类的概率密度函数，后续的故障数据会不断更新这个函数，逐渐形成故障类的边界。

如图4a和图4b所示，是正常和故障运行数据的二维向量概率模型和相应的报警线。从图中可以看出，正常运行状态下的设备状态概率模型是在小范围内的概率分布函数。该概率分布函数的样本点比较集中，因此概率模型在历史数据平均值附近的概率达到最大，而对一些离均值较远的值，概率则较小。所构建的概率模型曲线类似一个中心在均值附近的高斯函数；当设备运行数据中出现故障数据时，这时的概率模型将发生较大的变化。即在正常概率模型外又出现了一个概率模型(故障概率模型)，两个模型之间距离较远，界限明显。

如图5所示，该图是5个二维样本点通过高斯核函数计算得到的概率密度曲线的等高线在二维平面上的映射。由分布在边界的样本点的等高线包络形成的复杂曲面构成报警线。

为了验证模型的有效性，随机产生一组由正常数据和故障数据组成的数据组，该组数据组包含15个点，前10个为正常数据，后5个为故障数据。如图6所示，该组数据形成的二维向量的概率密度曲线和相应的报警线仿真图，由图可见，该组数据的整体概率分布非常清晰地分为两个峰，代表了由两部分数据分别形成的概率分布。因为原始数据符合均匀分布，因此概率分布非常接近于正态分布。由于数据属于两个类别，可以认定出现了故障，在概率密度函数形成的过程中，还发出报警信号。

步骤8：随着观测数据的不断增加动态调整报警模型，建立设备状态的自适应报警线。

以京仪北方测振分公司生产的ZHS-5型多功能转子试验台为对象。对本发明方法进行实验验证，该试验台有四组转子，每组配有水平和垂直方向的涡流传感器，精度为8V/mm。为了直观获得概率密度函数，通过采集其中一个截面的两路位移信号，采样频率为2KHZ，每次每个测点采集256个点，分别计算两个方向的平均值。开始时转子平稳运行，得到的是正常的数据，随后给转子冲击，使振动增大，得到故障数据点。如图7a所示，是采集2个数据点时概率密度曲线和报警线变化图；采集到第20个点的时候冲击转子，产生故障数据，如图7b所示，是采集22个数据点时概率密度曲线和报警线变化图，可以看出明显的产生了双峰，分别代表正常类和故障类。

本发明方法将Parzen窗非参数估计与状态报警技术相结合，提出了一种自适应设置动态报警线的方法，其物理意义是当设备一直平稳运行时，所确定的报警线指明了设备正常运行的范围，超出这一范围则说明设备已经偏离其正常状态，设备现场监测人员应该加强对设备的监测频度。将设备多个测点的信息综合起来设置动态报警线来判断设备运行情况，避免了以设备单测点信息构建动态报警线的缺陷。

Claims (2)

1.基于多元概率模型的设备状态综合动态报警方法，通过高斯核函数的多元样本数据向一维条件概率密度的映射，利用3σ方法获得处于聚类边界样本点分布的等高线映射，将样本边界点的等高线包络形成的复杂曲面作为报警线，通过判断新数据与报警线的位置关系来识别异常数据，实现报警，其特征在于，该方法按以下步骤进行：

步骤1：以相同采样间隔同时采集反映设备运行状态的至少一个测点的特征参数，获得一组反映设备运行状态的多元历史数据作为样本；

步骤2：将步骤1获得的多元历史数据以列向量形式表示，即在第m次观测获得的多元数据表示为列向量

式中，l为测点数；m＝1，2…，N，N为样本点数；T代表转置运算；

步骤3：将步骤2得到的列向量，采用下式计算高维空间的欧式距离：

$\mathrm{dis}(X_i,X_j)=\sqrt{{(X_i-X_j)}^T(X_i-X_j)}$

式中，dis(X_i，X_j)为多元数据X_i和X_j在高维空间中的欧式距离；X_i为第i次观测获得的多元数据；X_j为第j次观测获得的多元数据；

则，样本内数据之间的最小平均距离为：

$d=\frac{1}{N}\underset{i,j=1}{\overset{N}{\mathrm{\Σ}}}\min \mathrm{dis}\left(X_{i,}{X}_j\right)$

式中，d为最小平均距离；N样本点数；

步骤4：根据步骤3得到的样本内数据之间的最小平均距离，通过以下经验公式计算平滑因子σ：σ＝g·d，

式中，σ为平滑因子；g为经验公式系数，一般取1.1～1.4；

步骤5：以步骤1中的样本数据为中心，以步骤4计算的平滑因子σ为标准偏差，利用多元高斯核函数

$f\left(x\right)=\frac{1}{{\left(2\mathrm{\π}\right)}^{p/2}{\mathrm{\σ}}^p}\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\exp \left(\frac{-{(X-X_i)}^T(X-X_i)}{2{\mathrm{\σ}}^2}\right)$

式中，f(x)为在已知数据序列X_i条件下的概率密度函数，表示在已知时间序列X_k条件下，抽样点y_i的条件概率；

计算原始数据序列中的每个多元数据的高斯密度曲线，然后对所有曲线求和来逼近原始样本数据的概率密度曲线

步骤6：根据步骤5计算的原始样本数据的概率密度曲线，由处于分布边界样本点的概率密度分布的等高线的映射，经过包络形成曲面，该曲面为报警线；

步骤7：采集新的多元数据，并得到新的列向量Y＝[y₁，y₂…，y_l]^T，分别计算采集的多元数据与原始样本点间的距离dis(Y，X_j)：

$\mathrm{dis}(Y,X_j)=\sqrt{{(Y-X_j)}^T(Y-X_j)}$

依据拉依达准则进行判断：

若dis(Y，X_j)≤3σ，则新数据属于已有类别，并用该观测数据更新原始样本数据序列，并重复步骤2、步骤3、步骤4、步骤5和步骤6，实现报警线的动态调整；

若dis(Y，X_j)＞3σ，则判断新数据不属于已有类别，产生报警，并依据该新数据重新建立一个新的类别，重复步骤2、步骤3、步骤4、步骤5和步骤6，计算该新类别的边界线；

步骤8：随着观测数据的不断增加动态调整报警模型，建立设备状态的自适应报警线。

2.按照权利要求1所述的报警方法，其特征在于，所述步骤3中在计算平滑因子时，对原始样本数据序列中的相同数据进行预处理，该预处理是将原始样本数据序列中相同数据点间的最小平均距离设定为无穷大。

Images