CN106873571B - 一种基于数据和模型融合的预警方法 - Google Patents

Abstract

本发明公开的一种基于数据和模型融合的预警方法，依次通过数据采集、特征提取、建立正常状态标准、跟踪特征变量退化轨迹、基于数据驱动的预测模型及连续循环更新预测模型参数这些步骤，实现系统运行退化趋势的可靠预测，本发明的预警方法不依赖于系统数学模型和先验知识，仅依靠历史运行数据和实时数据就能预测系统未来一段时间的变化趋势，在系统异常变化初期就能预测到短期内可能发生的故障，以便工作人员及时排除潜在风险，有效避免事故发生，提高系统运行的安全性和可靠性，同时也能减少经济损失和环境污染。

Description

一种基于数据和模型融合的预警方法

技术领域

本发明属于安全监控技术领域，特别涉及一种基于数据和模型融合的预警方法。

背景技术

随着工业机器/设备系统日益大型化和复杂化，人们对系统运行的安全性和可靠性要求也越来越高。由于典型工业设备系统通常具有非线性、强耦合、大时滞、参数分布等特性，一旦系统某个部件发生故障，可能引起其他部件的故障，甚至会造成系统瘫痪或重大事故等问题。针对这一问题，研究学者提出了基于数据驱动的故障诊断技术和报警技术，能及时检测诊断故障、确定故障发生位置并通知工作人员，但故障已经发生，工作人员可能没有足够的时间排除故障。因此，故障诊断和报警技术已经不能满足系统安全性和可靠性要求。于是，研究学者提出预警技术的概念。

预警技术就是利用历史运行数据和实时运行数据预测系统退化趋势，在故障发生前进行报警，从而最大程度上减少损失。传统的基于数据驱动的预测技术具有一定的局限性，预测精度严重依赖于训练数据的充分性和代表性，预测偏差会随着预测步长的增加而动态增加，而恰当的滤波技术可以提高预测精度。同时，传统的粒子滤波预测方法局限性在于预测模型参数不能更新。

因此，本发明人考虑将基于数据驱动的预测方法和粒子滤波方法融合，提出一种基于数据和模型融合的预警方法，克服传统两种方法的缺点，实现良好的预测效果。

发明内容

本发明的目的在于提供一种基于数据和模型融合的预警方法，克服传统预警方法偏差动态增加和精度低的缺点，实现良好的预测效果。

为了实现上述目的，本发明采用如下技术方案：

一种基于数据和模型融合的预警方法，包括以下步骤：

步骤一，采集系统过程运行数据，并进行特征选择与提取；

步骤二，根据特征变量确定系统的正常状态基准，通过状态监控跟踪这些特征变量的退化轨迹，并判断是否有异常发生；

若异常发生，则继续跟踪特征变量退化轨迹，并进行状态估计或者参数辨识，将特征变量对代入基于数据的预测模型中进行在线训练，更新预测模型，然后返回步骤一；

若无异常发生，表明特征变量的退化轨迹达到预先设定阈值，发出警报表明已检测到故障，此时触发预测程序，预测状态或者估计剩余使用寿命，继续进行步骤三；

步骤三，对历史数据库中的数据进行离线训练，得到最基本的预测训练模型，结合当前状态和预测模型的参数进行在线训练，利用基于数据的预测方法得到预测值，预测值计算公式如下：

Y_k＝f(U_1:q,Y_1:k-1)+ε_k (1)

其中，k-1表示该时刻触发预测程序，Y_k是k步的预测值，Y_1:k-1是到k-1步的系统历史数据，U_1:q是系统输入，q是输入变量维数，f(·)是非线性预测函数，ε_k是表示预测不确定性的噪声；

步骤四，将含有未知模型参数的预测模型嵌入到粒子滤波学习结构中，结构描述如下：

X_k＝g(X_k-1)+w_k (2)

其中，g:Rⁿ→Rⁿ是系统状态转移函数，X_k∈Rⁿ是不可观测状态向量，w_k∈Rⁿ是时间独立的噪声，在每个离散时间时刻，观测值Y_k∈R^p是通过观测得到的值，观测值Y_k与不可观测状态向量X_k相关，且两者关系如下：

Y_k＝h(X_k)+v_k (3)

其中，h:Rⁿ→R^p是测量函数，v_k∈R^p是时间独立的噪声，p是输出变量维数；

步骤五，通过粒子滤波更新模型参数X_k，得到RUL或者能反应系统运行状态的变化趋势的预测指标。

步骤一所述的特征选择与提取是：根据系统的应用环境选择相应的算法从过程运行数据选择和提取所需特征。

所述算法为基于最小二乘的特征选择与提取方法或基于神经网络的特征选择方法。

步骤二所述基于数据驱动的预测模型采用的预测方法是：根据数据特点以及系统对时间的要求来选择相应算法，算法可以是神经网络、支持向量机、ELM算法、Markov或相应改进算法。

步骤三的在线训练算法选择递归Levenberg-Marquardt学习算法。

步骤四中将含有未知模型参数的预测模型嵌入到粒子滤波学习结构中，包括：

粒子滤波利用来自预测模型的预测量f(U_1:q,Y_1:k-1)，通过Bayesian学习方法不断循环地更新预测模型参数，具体如下：

设X_k有初始密度p(X₀)，p(X_k|X_k-1)是概率转移函数，状态X_k的推理特性依赖于边缘滤波密度p(X_k|Y_1:k)，在k-1时刻获取p(X_k|Y_k-1)，则第k步状态的先验密度可利用转移密度p(X_k|X_k-1)估计：

p(X_k|Y_1:k-1)＝∫p(X_k|X_k-1)p(X_k-1|Y_1:k-1)dX_k-1 (4)

相应地，通过Bayesian理论计算边缘滤波密度：

其中，标准常数计算为：

p(Y_k|Y_1:k-1)＝∫p(Y_k|X_k)p(X_k|Y_1:k-1)dX_k (6)

上述公式(4)-(6)为Bayesian递归状态估计问题的形式解；粒子滤波通过MonteCarlo仿真实现递归Bayesian滤波；

以一组随机样本(粒子)表示后验密度,相应的权重为则：

其中，M是粒子数目，权重可以利用具有重要性密度的抽样循环更新，且有：

当重要性密度由p(X_k|X_k-1)逼近时：

在应用中，每个单独步骤应用重复采样。

采用上述方案后，本发明有益效果是：通过数据驱动的方法预测系统未来时间的变化趋势，有效避免系统异常状况的出现，提高系统运行的安全性和可靠性，同时也能减少人员伤亡、经济损失和环境污染等。

下面结合附图对本发明做进一步的说明。

附图说明

图1为本发明一种基于数据和模型融合的预警方法的流程图。

具体实施方式

本实施例揭示的一种基于数据和模型融合的预警方法，包括以下步骤：

步骤一，采集系统过程运行数据，并进行特征选择与提取；

所述的特征选择与提取是：根据系统的应用环境选择相应的算法从过程运行数据选择和提取所需特征。相应的算法为基于最小二乘的特征选择与提取方法或基于神经网络的特征选择方法。

步骤二，根据特征变量确定系统的正常状态基准，通过状态监控跟踪这些特征变量的退化轨迹，并判断是否有异常发生；

若异常发生，则继续跟踪特征变量退化轨迹，并进行状态估计或者参数辨识，将特征变量对代入基于数据的预测模型中进行在线训练，更新预测模型，然后返回步骤一；基于数据驱动的预测模型采用的预测方法是：根据数据特点以及系统对时间的要求来选择相应算法，算法可以是神经网络、支持向量机、ELM算法、Markov或相应改进算法。

若无异常发生，表明特征变量的退化轨迹达到预先设定阈值，发出警报表明已检测到故障，此时触发预测程序，预测状态或者估计剩余使用寿命，继续进行步骤三；

步骤三，对历史数据库中的数据进行离线训练，得到最基本的预测训练模型，结合当前状态和预测模型的参数进行在线训练，在线训练算法选择递归Levenberg-Marquardt学习算法，利用基于数据的预测方法得到预测值，预测值计算公式如下：

Y_k＝f(U_1:q,Y_1:k-1)+ε_k (1)

其中，k-1表示该时刻触发预测程序，Y_k是k步的预测值，Y_1:k-1是到k-1步的系统历史数据，U_1:q是系统输入，q是输入变量维数，f(·)是非线性预测函数，ε_k是表示预测不确定性的噪声；

步骤四，将含有未知模型参数的预测模型嵌入到粒子滤波学习结构中，结构描述如下：

X_k＝g(X_k-1)+w_k (2)

其中，g:Rⁿ→Rⁿ是系统状态转移函数，X_k∈Rⁿ是不可观测状态向量，w_k∈Rⁿ是时间独立的噪声，在每个离散时间时刻，观测值Y_k∈R^p是通过观测得到的值，观测值Y_k与不可观测状态向量X_k相关，且两者关系如下：

Y_k＝h(X_k)+v_k (3)

其中，h:Rⁿ→R^p是测量函数，v_k∈R^p是时间独立的噪声，p是输出变量维数；

步骤五，通过粒子滤波更新模型参数X_k，得到RUL或者能反应系统运行状态的变化趋势的预测指标。RUL(Remaining Useful Life，剩余使用寿命)，主要指系统运行一段时间后，剩余的使用寿命，准确地预测系统的剩余使用寿命，可以大大地减少因系统当机引起的损失，提高系统的运行可靠性；

步骤四中将含有未知模型参数的预测模型嵌入到粒子滤波学习结构中，包括：

粒子滤波利用来自预测模型的预测量f(U_1:q,Y_1:k-1)，通过Bayesian学习方法不断循环地更新预测模型参数，具体如下：

设X_k有初始密度p(X₀)，p(X_k|X_k-1)是概率转移函数，状态X_k的推理特性依赖于边缘滤波密度p(X_k|Y_1:k)，在k-1时刻获取p(X_k|Y_k-1)，则第k步状态的先验密度可利用转移密度p(X_k|X_k-1)估计：

p(X_k|Y_1:k-1)＝∫p(X_k|X_k-1)p(X_k-1|Y_1:k-1)dX_k-1 (4)

相应地，通过Bayesian理论计算边缘滤波密度：

其中，标准常数计算为：

p(Y_k|Y_1:k-1)＝∫p(Y_k|X_k)p(X_k|Y_1:k-1)dX_k (6)

上述公式(4)-(6)为Bayesian递归状态估计问题的形式解；粒子滤波通过MonteCarlo仿真实现递归Bayesian滤波；

以一组随机样本(粒子)表示后验密度,相应的权重为则：

其中，M是粒子数目，权重可以利用具有重要性密度的抽样循环更新，且有：

当重要性密度由p(X_k|X_k-1)逼近时：

在应用中，每个单独步骤应用重复采样，以获得等权重样本，避免算法的退化。

本发明依次通过数据采集、特征提取、建立正常状态标准、跟踪特征变量退化轨迹、基于数据驱动的预测模型及连续循环更新预测模型参数这些步骤，实现了系统运行退化趋势的可靠预测。

上述说明示出并描述了本发明的优选实施例，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (4)

1.一种基于数据和模型融合的预警方法，其特征在于，包括以下步骤：

步骤一，采集系统过程运行数据，并进行特征选择与提取；

步骤二，根据特征变量确定系统的正常状态基准，通过状态监控跟踪这些特征变量的退化轨迹，并判断是否有异常发生；

若异常发生，则继续跟踪特征变量的退化轨迹，并进行状态估计或者参数辨识，将特征变量对代入基于数据驱动的预测模型进行在线训练，更新预测模型，然后返回步骤一；

若无异常发生，表明特征变量的退化轨迹达到预先设定阈值，发出警报表明已检测到故障，此时触发预测程序，预测状态或者估计剩余使用寿命，继续进行步骤三；

步骤三，对历史数据库中的数据进行离线训练，得到最基本的预测训练模型，结合当前状态和预测模型的参数进行在线训练，利用基于数据的预测方法得到预测值，预测值计算公式如下：

Y_k＝f(U_1:q,Y_1:k-1)+ε_k (1)

其中，k-1表示该时刻触发预测程序，Y_k是k步的预测值，是通过观测手段得到的值，其限定范围是Y_k∈R^p；Y_1:k-1是到k-1步的系统历史数据，U_1:q是系统输入，q是输入变量维数，f(·)是非线性预测函数，ε_k是表示预测不确定性的噪声；

步骤四，将含有未知模型参数的预测模型嵌入到粒子滤波学习结构中，结构描述如下：

X_k＝g(X_k-1)+w_k (2)

其中，g:Rⁿ→Rⁿ是系统状态转移函数，X_k是模型参数，是k步不可观测状态向量，其限定范围是X_k∈Rⁿ，w_k∈Rⁿ是时间独立的噪声，X_k-1是k-1步的不可观测状态向量，在每个离散时间时刻，k步的预测值Y_k与模型参数X_k相关，且两者关系如下：

Y_k＝h(X_k)+v_k (3)

其中，h:Rⁿ→R^p是测量函数，v_k∈R^p是时间独立的噪声，p是输出变量维数；

步骤五，通过粒子滤波更新模型参数X_k，得到RUL或者能反应系统运行状态的变化趋势的预测指标。

2.如权利要求1所述的一种基于数据和模型融合的预警方法，其特征在于：步骤一所述的特征选择与提取是：根据系统的应用环境选择相应的算法从过程运行数据选择和提取所需特征，算法采用基于最小二乘的特征选择与提取方法或基于神经网络的特征选择方法。

3.如权利要求1所述的一种基于数据和模型融合的预警方法，其特征在于：步骤二所述基于数据驱动的预测模型采用的预测方法是：根据数据特点以及系统对时间的要求来选择相应算法，算法采用神经网络、支持向量机、ELM算法或Markov。

4.如权利要求1所述的一种基于数据和模型融合的预警方法，其特征在于：步骤三的在线训练算法选择递归Levenberg-Marquardt学习算法。