CN105893726B - 一种特征信号监控点的监测方法 - Google Patents
一种特征信号监控点的监测方法 Download PDFInfo
- Publication number
- CN105893726B CN105893726B CN201410669597.9A CN201410669597A CN105893726B CN 105893726 B CN105893726 B CN 105893726B CN 201410669597 A CN201410669597 A CN 201410669597A CN 105893726 B CN105893726 B CN 105893726B
- Authority
- CN
- China
- Prior art keywords
- node
- monitoring
- signal
- tree
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明公开了一种特征信号监控点的监测方法,通过了解系统的基本情况、选择顶节点、构造节点树,基于节点树的监测节点选择模型,求解结构重要度、概率重要度与模糊重要度,结合节点树结构重要度和模糊重要度综合选择监控信号源,构建故障监控信号选择模型,从而为制定监测策略提供定量依据。本发明对提取参数的节点进行合理选择,既保证故障检测之需,又保证工程实现及经济性要求。
Description
技术领域
本发明涉及一种监测方法,具体是一种特征信号监控点的监测方法。
背景技术
信息化技术不断推动使各种大型复杂设备的性能不断提高,大型复杂设备状态国防安全中具有重要作用,状态监测、故障预测以及健康管理是保证大型复杂设备正常运行的先决条件。信号节点的选择与提取是实现状态监测、故障预测与健康管理的第一步。由于电子系统故障原因的多样性,系统中往往需要对多种参数进行监测,如:振动、冲击、温度、湿度等环境参数和电压、功率、热散失等工作应力参数。如果每种参数都用一种传感器,那么传感器的数量将非常庞大,这在工程实践中是不现实的。因此,需要对提取参数的节点进行合理选择,既要保证故障检测之需,又要保证工程实现及经济性要求。但目前对于这个方面的研究几乎没有,其往往是结合经验选择监测节点,实际上,结构上重要的节点与发生故障概率高的重要节点间存在顾此失彼的现象,更缺乏定量的选择依据。
发明内容
本发明的目的在于提供一种保证工程实现及经济性的特征信号监控点的监测方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种特征信号监控点的监测方法,具体步骤包括:
1)构建节点树
1.1)节点树分析法所用的基本符号
节点树所用的基本符号包括两类:节点符号与逻辑门符号;
底节点位于节点树的底端,是逻辑门的输入节点;底节点包括基本节点和未探明节点;
顶节点是节点树的分析目标,位于节点树的顶端,是逻辑门的输出端;
中间节点既是逻辑门的输出节点,又是另一个逻辑门的输入节点;
逻辑门在节点树中描述节点间信号形成的逻辑因果关系;逻辑门分为:与门、或门、非门;
1.2)节点树步骤
(1)了解系统的基本情况
在对一个系统进行节点树分析之前,首先了解系统的功能、结构、原理、信号流向及形成机理,收集有关系统设计、经验、运行、维护方面的资料,为建树做好准备;
(2)选择顶节点
根据收集到的资料和系统运行的故障档案,通过一个信号的正常与否来表示系统的状态,将这个信号作为顶节点;或者通过两个以上信号的正常与否来表征系统的特征,虚拟一个顶节点,并用两个以上信号作为这个虚拟顶节点的次要顶节点;
(3)构造节点树
由顶节点出发,逐级找出各级节点信号形成的各路源信号,直到分析到各类底节点为止;
2)基于节点树的监测节点选择模型
2.1)节点树节点参数表示
用T来表示顶节点,Ai表示第i个中间节点,xi表示第i个底节点;而对于节点信号不正常的概率用模糊数p=(m,α,β)表示,其中m为p的均值,α、β称为p的左右分布参数,若α、β为0,则p为非模糊数;m、α、β由设备使用维护数据统计分析求得;
2.2)结构重要度求解方法
结构重要度分析是从节点树上分析各节点的对顶节点的影响程度,采用如下计算公式:
其中:ni表示为底节点xi数量;
2.3)概率重要度求解方法
将底节点和中间节点信号不正常的概率p=(m,α,β)用一个三元组来表示,其λ截集为:pλ=((m-α)+αλ,(m+β)-βλ);
概率重要度是指一个底节点对顶节点不正常所做的贡献;采用中值法进行概率重要度分析,为了便于对比,采用模糊数的中位数作为标准,概率重要度的计算公式为:
设节点树的结构函数为Φ(x1,x2,…,xn),底节点xi不正常的概率为模糊数则顶节点信号不正常概率仍为模糊数,记为 表示底节点xi不正常,中位数为而底节点中位数为则底节点xi的模糊重要度为:
如果则认为底节点xi比底节点xj重要,即底节点xi对系统的影响大于底节点xj对系统的影响;
2.4)基于节点树监控信号节点选择模型
结合节点树结构重要度和模糊重要度综合选择监控信号源,为系统状态监测打下基础;根据监控工程要求,本着重点部位和常见故障点监控的兼顾的原则,构建故障监控信号选择模型为:
Y={xi|xi∈X}
其中:Y为监控节点集;为底节点xi的结构重要度,为底节点xi的模糊重要度。
与现有技术相比,本发明的有益效果是:本发明构造一个节点树,通过分析各节点的结构重要度和模糊重要度,综合两个因素形成监测信号节点选择模型,从而为制定监测策略提供定量依据。本发明对提取参数的节点进行合理选择,既保证故障检测之需,又保证工程实现及经济性要求。
附图说明
图1是节点符号图,(a)图;
图2是节点符号图,(b)图;
图3是节点符号图,(c)图;
图4是节点符号图,(d)图;
图5是实施例1中电源某系统节点树结构图。
具体实施方式
下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种特征信号监控点的监测方法,具体步骤包括:
1)节点树构建
节点树是一种图形演绎法,它用图形清晰的表达系统、分系统、单元及元器件间结构关系,并指出了各单元、分系统间的信号关系。能够对系统的主要信号流进行梳理,有利于找到系统关键信号及重要的信号谱。
1.1)节点树分析法所用的基本符号
节点树所用的基本符号有两类:节点符号、逻辑门符号。
底节点:节点树分析中仅形成其他节点信号的节点称为底节点,它位于节点树的底端,是逻辑门的输入节点,也可以根据监测需要合理选择。
底节点又可分为基本节点和未探明节点。基本节点是在节点树分析中无需探明其发生的原因的节点,如图1所示,未探明节点是原则上应进一步探明原因但暂时不必探明原因的节点,如图2所示;
顶节点:节点树中所关心的系统状态节点为顶节点,如图3所示。它是节点树的分析目标,位于节点树的顶端,因此,它只是逻辑门的输出端。
中间节点:位于底节点和顶节点之间的中间节点称为中间节点,如图4所示。它既是逻辑门的输出节点,又是另一个逻辑门的输入节点。
逻辑门在节点树中描述节点间信号形成的逻辑因果关系。逻辑门分为:与门、或门、非门。
1.2)节点树步骤
建立节点树是故障监测点选择中最基本、最关键的环节。建节点树是一个深入、逐步完善的过程。建树开始应考虑能体现系统状态的信号,然后随着分析的展开,再考虑这些信号的形成机理,分析下一层信号来源,直到满足监测的需要。
建造故障监测的节点树的大致步骤如下:
(1)了解系统的基本情况
在对一个系统进行节点树分析之前,首先应了解系统的功能、结构、原理、信号流向及形成机理等,收集有关系统设计、经验、运行、维护等方面的资料,为建树做好准备。
(2)选择顶节点
根据收集到的资料和系统运行的故障档案,有的系统可以通过一个信号的正常与否来表示系统的状态,可以以这个信号作为顶节点;而大多数系统需要通过几个甚至十几个信号的正常与否来表征系统的特征,可以虚拟一个顶节点(系统状态),用这有几个或十几个信号作为这个虚拟顶节点的次要顶节点。
(3)构造节点树
由顶节点出发,逐级找出各级节点信号形成的各路源信号,直到分析到各类底节点为止。建树方法可以参考故障树的分析方法。
节点树与故障树有所不同,主要体现有二:一是故障树的顶事件是故障事件,从顶事件发生原因向下推,分析顶事件形成的原因,从而逐级向下分析,形成故障树;而节点树则是根据信号的流向与系统地规模而综合形成的,节点树的顶节点表示系统状态正常。二是故障树不可能把系统所有信号节点全部体现;而节点树通过表征系统正常的信号作为顶节点,分析这些信号变化与系统状态之间的关系从而形成系统状态监测,而为了满足故障诊断的要求,需要对导致系统状态(顶节点)变化的信号源节点进行监测分析,这样逐级监测分析形成监测信号节点树,需对系统所有信号节点进行监测分析。
2)基于节点树的监测节点选择模型
由于现代设备系统结构复杂,信息繁多,对系统功能状态进行监控具有相当大的难度,也不可能对节点树的所有节点进行监控,提取信息,因此,监测节点的选择是一个重要的问题。
2.1)节点树节点参数表示
为了便于表示节点树,不妨用T来表示顶节点,Ai表示第i个中间节点,xi表示第i个底节点。而对于节点信号超出规定的范围的概率用一个模糊数p=(m,αβ)来表示,其中m为p的均值,α、β称为p的左右分布参数,若α、β为0,则p为非模糊数。m、α、β可由设备使用维护数据统计分析求得。
2.2)结构重要度求解方法
结构重要度分析是指不考虑节点信号不正常的概率,仅从节点树上分析各节点的对顶节点的影响程度,可采用如下计算公式:
其中:ni表示为底节点xi数量。
2.3)概率重要度求解方法
底节点和中间节点信号不正常的概率可用一个三元组来表示,记为p=(m,α,β),其λ截集为:pλ=((m-α)+αλ,(m+β)-βλ)。用模糊数能较好的结合实际经验,并且在一定程度上容忍误差,具有较好的适应性。
概率重要度是指一个底节点对顶节点不正常所做的贡献。本文采用中值法进行概率重要度分析,为了便于对比,采用模糊数的中位数作为标准,概率重要度的计算公式为:
设节点树的结构函数为Φ(x1,x2,…,xn),底节点xi不正常的概率为模糊数则顶节点信号不正常概率仍为模糊数,记为 表示底节点xi不正常,中位数为而底节点中位数为则底节点xi的模糊重要度为:
如果则认为底节点xi比底节点xj重要,即底节点xi对系统的影响大于底节点xj对系统的影响;
2.4)基于节点树监控信号节点选择模型
所结合节点树结构重要度和模糊重要度综合选择监控信号源,为系统状态监测打下坚实的基础。根据监控工程要求,本着重点部位和常见故障点监控的兼顾的原则,构建故障监控信号选择模型为:
Y={xi|xi∈X}
其中:Y为监控节点集;为底节点xi的结构重要度,为底节点xi的模糊重要度。
实施例1
某电源系统监测节点选择模型分析
1)监测节点树与底节点模糊数
以某电源系统为例,根据电源系统的原理、信号流向与节点树构建步骤,构建电源系统的节点树,电源系统无法通过一个信号来表示,这里设置个虚拟顶节点T,以三个信号全部正常来表征发射机系统正常,Ai表示中间节点,这样逐步分析,形成电源系统节点树,如图5所示,xi表示底节点,底节点模糊数通过该电源使用维护历史数据或底节点的可靠性数据统计分析求得,其相应的符号代码及模糊数如表1。
表1 底节点不正常概率模糊数及相应表示符号
2)底节点的结构重要度分析
由图5节点树和式(1)可得各底节点的结构重要度如表2所示。
表2.2 底节点的结构重要度
3)模糊重要度分析
由于各底节点相互独立,并无重复节点,从而可求顶节点的模糊数:
pT=(mT,αT,βT)=(1.452453×10-9,1.4492×10-9,3.293933×10-8) (5)
由式可得顶节点的中位数:
计算可得各底节点的模糊中位数值如表3所示。
表3 底节点模糊中位数值
通过比较分析模糊中位数,计算其模糊重要度,可看出:
其中表示底节点xi的模糊重要度。
§2.2.3.4故障监控信号选择
根据式(4)的条件1选择结构上相对较重要的基本事件作为监控对象,其集合为:
Y1={x1,x2,x3,x4,x5} (2.7)
根据式(4)的条件2选择概率上相对较重要的基本事件作为监控对象,其集合为:
Y2={x5,x6,x7,x9} (2.8)
因此,该系统的故障监控对象至少为:
Y=Y1∪Y2={x1,x2,x3,x4,x5,x6,x7,x9} (2.9)
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (1)
1.一种特征信号监控点的监测方法,其特征在于,具体步骤包括:
1)构建节点树
1.1)节点树分析法所用的基本符号
节点树所用的基本符号包括两类:节点符号与逻辑门符号;
底节点位于节点树的底端,是逻辑门的输入节点;顶节点是节点树的分析目标,位于节点树的顶端,是逻辑门的输出端;中间节点既是逻辑门的输出节点,又是另一个逻辑门的输入节点;逻辑门在节点树中描述节点间信号形成的逻辑因果关系;逻辑门分为:与门、或门、非门;
1.2)节点树步骤
(1)了解系统的基本情况
在对一个系统进行节点树分析之前,了解系统的功能、结构、原理、信号流向及形成机理,收集有关系统设计、经验、运行、维护方面的资料,为建树做好准备;
(2)选择顶节点
根据收集到的资料和系统运行的故障档案,通过一个信号的正常与否来表示系统的状态,将这个信号作为顶节点;或者通过两个以上信号的正常与否来表征系统的特征,虚拟一个顶节点,并用两个以上信号作为这个虚拟顶节点的次要顶节点;
(3)构造节点树
由顶节点出发,逐级找出各级节点信号形成的各路源信号,直到分析到各类底节点为止;
2)基于节点树的监测节点选择模型
2.1)节点树节点参数表示
用T来表示顶节点,Ai表示第i个中间节点,xi表示第i个底节点;而对于节点信号不正常的概率用模糊数p=(m,α,β)表示,其中m为p的均值,α、β称为p的左右分布参数,若α、β为0,则p为非模糊数;m、α、β由设备使用维护数据统计分析求得;
2.2)结构重要度求解方法
结构重要度分析是从节点树上分析各节点的对顶节点的影响程度,采用如下计算公式:
其中:ni表示为底节点xi数量;
2.3)概率重要度求解方法
将底节点和中间节点信号不正常的概率p(m,α,β)用一个三元组来表示,其λ截集为:pλ=((m-α)+αλ,(m+β)-βλ);
概率重要度是指一个底节点对顶节点不正常所做的贡献;采用中值法进行概率重要度分析,为了便于对比,采用模糊数的中位数作为标准,概率重要度的计算公式为:
设节点树的结构函数为Φ(x1,x2,…,xn),底节点xi不正常的概率为模糊数则顶节点信号不正常概率仍为模糊数,记为表示底节点xi不正常,中位数为而底节点中位数为则底节点xi的模糊重要度为:
如果则认为底节点xi比底节点xj重要,即底节点xi对系统的影响大于底节点xj对系统的影响;
2.4)基于节点树监控信号节点选择模型结合节点树结构重要度和模糊重要度综合选择监控信号源,为系统状态监测打下基础;根据监控工程要求,本着重点部位和常见故障点监控的兼顾的原则,构建故障监控信号选择模型为:
Y={xi|xi∈X)
其中:Y为监控节点集;为底节点xi的结构重要度,为底节点xi的模糊重要度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410669597.9A CN105893726B (zh) | 2014-11-21 | 2014-11-21 | 一种特征信号监控点的监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410669597.9A CN105893726B (zh) | 2014-11-21 | 2014-11-21 | 一种特征信号监控点的监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105893726A CN105893726A (zh) | 2016-08-24 |
CN105893726B true CN105893726B (zh) | 2019-07-30 |
Family
ID=56698530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410669597.9A Active CN105893726B (zh) | 2014-11-21 | 2014-11-21 | 一种特征信号监控点的监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105893726B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695880B (zh) * | 2020-06-17 | 2024-01-12 | 苏州知云创宇信息科技有限公司 | 一种生产流程监控方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101446827A (zh) * | 2008-11-06 | 2009-06-03 | 西安交通大学 | 一种流程工业系统的过程故障分析装置及方法 |
CN102306368A (zh) * | 2011-06-28 | 2012-01-04 | 山东省果树研究所 | 用于梨树生长环境的安全评价方法 |
CN102937239A (zh) * | 2012-08-17 | 2013-02-20 | 中国海洋石油总公司 | 借助事故树和hazop对lng储罐安全的监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7043702B2 (en) * | 2001-03-15 | 2006-05-09 | Xerox Corporation | Method for visualizing user path through a web site and a path's associated information scent |
-
2014
- 2014-11-21 CN CN201410669597.9A patent/CN105893726B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101446827A (zh) * | 2008-11-06 | 2009-06-03 | 西安交通大学 | 一种流程工业系统的过程故障分析装置及方法 |
CN102306368A (zh) * | 2011-06-28 | 2012-01-04 | 山东省果树研究所 | 用于梨树生长环境的安全评价方法 |
CN102937239A (zh) * | 2012-08-17 | 2013-02-20 | 中国海洋石油总公司 | 借助事故树和hazop对lng储罐安全的监测方法 |
Non-Patent Citations (1)
Title |
---|
基于模糊故障树的燃料电池发动机氢安全;全睿 等;《上海交通大学学报》;20100731;第44卷(第7期);第951-956页 |
Also Published As
Publication number | Publication date |
---|---|
CN105893726A (zh) | 2016-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Otoum et al. | Adaptively supervised and intrusion-aware data aggregation for wireless sensor clusters in critical infrastructures | |
CN107193274B (zh) | 一种基于多维度综合指标的电网脆弱性评估方法 | |
Adhikari et al. | Applying hoeffding adaptive trees for real-time cyber-power event and intrusion classification | |
Mohammadpourfard et al. | A statistical unsupervised method against false data injection attacks: A visualization-based approach | |
Wang et al. | The node degree distribution in power grid and its topology robustness under random and selective node removals | |
CN109787979B (zh) | 一种电力网络事件和入侵的检测方法 | |
CN105577440B (zh) | 一种网络故障时间定位方法和分析设备 | |
CN102779230B (zh) | 一种电力变压器系统状态分析和维修决策判断方法 | |
CN109753591A (zh) | 业务流程预测性监控方法 | |
US10282458B2 (en) | Event notification system with cluster classification | |
CN109861825B (zh) | Cps系统中基于加权规则与一致度的内部攻击检测方法 | |
Shuvro et al. | Predicting cascading failures in power grids using machine learning algorithms | |
Shuvro et al. | Modeling impact of communication network failures on power grid reliability | |
KR20210115991A (ko) | 시계열 데이터 분석을 이용한 네트워크 이상징후 탐지 방법 및 장치 | |
CN112327098A (zh) | 基于低压配网综合监测单元的配电网故障区段定位方法 | |
CN105893726B (zh) | 一种特征信号监控点的监测方法 | |
Diaba et al. | Cyber security in power systems using meta-heuristic and deep learning algorithms | |
CN114666117A (zh) | 一种面向电力互联网的网络安全态势度量和预测方法 | |
CN104050377A (zh) | 一种时变设备故障概率确定方法 | |
CN114167217A (zh) | 一种铁路配电网的多重故障诊断方法 | |
CN107478988A (zh) | 基于非精确贝叶斯模型的断路器异常判别方法和系统 | |
Mohagheghi | Integrity assessment scheme for situational awareness in utility automation systems | |
De Santis et al. | Fault recognition in smart grids by a one-class classification approach | |
Landen et al. | DRAGON: Deep Reinforcement Learning for Autonomous Grid Operation and Attack Detection | |
CN115603459A (zh) | 一种基于数字孪生技术的配电网关键厂站监测方法与系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |