CN107292061A - 一种数据驱动的流程工业复杂机电系统信息建模方法 - Google Patents
一种数据驱动的流程工业复杂机电系统信息建模方法 Download PDFInfo
- Publication number
- CN107292061A CN107292061A CN201710631783.7A CN201710631783A CN107292061A CN 107292061 A CN107292061 A CN 107292061A CN 201710631783 A CN201710631783 A CN 201710631783A CN 107292061 A CN107292061 A CN 107292061A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- information
- mtr
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种数据驱动的流程工业复杂机电系统信息建模方法,采用数据驱动的流程工业复杂机电系统信息建模方法,整个建模过程不需要系统物理拓扑的先验知识;在建模过程中以信息流动关系作为系统不同功能部件间耦合关系分析的依据;通过综合考虑抗噪能力和信息丢失,优化了系统监测时间序列的符号化过程;通过对符号化相点的二进制编码和十进制解码,实现了符号化过程和自动化分析计算的融合,解决了噪声条件下基于监测数据的流程工业复杂机电系统信息模型构建难题。
Description
技术领域
本发明属于数据驱动的信息建模领域,涉及一种工业生产系统信息模型的构建方法,具体涉及一种数据驱动的流程工业复杂机电系统信息建模方法。
背景技术
现代流程工业生产系统是由诸多机械设备、化学反应器等通过流体、电力、控制信号等耦合而成的分布式复杂机电系统。随着传感技术和控制技术的发展,现代流程工业生产系统往往配备了分布式控制系统(DCS)、数据采集与监视控制系统(SCADA)等,为全面掌握系统运行状态和动力学特性提供海量的监测数据和分析依据。
基于复杂机电系统监测数据的系统运行状态分析分为“前向”系统故障诊断和“后向”系统状体评估两条主线;依据系统运行状态评估结果又可细分为状态预测和异常溯源两个分支。不管是复杂机电系统运行状态预测还是系统运行异常溯源,都涉及到复杂机电系统的模型,根据模型进行系统运行状态预测和异常溯源是这两个领域重要的研究方法。
流程工业复杂机电系统建模方法分为基于物理和基于信息的建模方法两种。基于物理结构的复杂机电系统建模方法通过对系统不同功能部件的抽象,能够较为直接和准确的反映系统不同功能部件间的信息流动,但是在实际情况中却难以实现:1)建模过程需要大量的、丰富的系统先验知识;2)对不同功能组件的抽象过程主观因素不可忽视,缺乏统一的抽象标准;3)物理拓扑虽然可以直接和准确反映系统的信息流动方向,但是对信息流动的强度信息缺少刻画手段。以上缺点限制了物理建模方法的应用。基于信息的建模方法,采用数据分析的手段刻画和描述不同监测变量(功能组件)间的信息流动关系,不需要系统物理结构的先验知识,具有统一的信息抽象规则—监控点位。因此,基于监控数据的信息建模成为复杂机电系统首选的建模手段和方法。
复杂机电系统控制、能量、流体传递的过程,其本质就是一个信息流动的过程。系统信息模型就是系统内不同点位信息流动关系的集合。不同监测变量间的耦合关系分析是复杂机电系统信息建模的重要基础,它需要解决和回答以下三个基本问题:1)变量间是否有耦合关系?2)变量间耦合关系的方向是什么?3)变量间耦合关系的强度是多少?在过去的一段时间里,有一些线性或非线性的技术被提出并应用于从观测时间序列中揭示系统监测变量间的耦合关系。在所有的方法和技术中,基于信息理论的传递熵为刻画有向相互作用提供了一种无模式方法。传递熵源于Granger和条件互信息,Lindner已经指出,在有搞死噪声存在的情况下,传递熵和Granger因果是等价的。由于传递熵在刻画线性和非线性系统信息流动上的能力,传递熵已经被成功应用于基于工业监测数据和生理学监测数据的耦合关系识别。为了提高传递熵方法的抗噪能力,Staniek等提出了具有鲁棒和快速计算属性的符号传递熵方法进行不同耦合系统时间序列信息流动方向的确定。Papana等提出了刻画多变量系统不同组件间直接因果影响的局部符号传递熵方法。
虽然已经有了一些传递熵的方法可以进行信息传递的度量,但是却没有流程工业复杂机电系统信息建模的具体应用。噪声在工业数据中是不可避免的,传统方法基于使用经验分布的概率密度分布或者条件概率,具有对噪声敏感的特点,抗噪能力是传递熵方法及其扩展方法的巨大挑战。
发明内容
为了解决现有技术中的问题,本发明提出一种数据驱动的流程工业复杂机电系统信息建模方法,综合考虑了监测时间序列符号化过程中的信息丢失和抗噪能力,通过优化符号个数提升方法的抗噪能力。
为了实现以上目的,本发明所采用的技术方案为:包括以下步骤:
1)获取复杂机电系统的监测数据,建立高维的历史监测数据集,历史监测数据集为n维的监测时间序列矩阵;
2)抽象历史监测数据集中每一维为独立的信息结点,构造信息模型中的信息结点集合;定义所有信息结点间的耦合关系为信息模型中的结点关系,耦合关系包含结点间的信息传递方向和强度;
3)采用基于二进制编码和十进制解码的符号传递熵方法确定信息模型中所有结点间的耦合关系;
4)利用步骤3)得到的耦合关系填充步骤2)中定义的结点关系,根据结点关系,使用有向边连接信息结点,得到可视化表示的信息模型;
5)对可视化表示的信息模型进行简化和修正处理,即完成建模。
所述步骤1)中对复杂机电系统的n个传感器以相同的采样频率,从历史监测数据中抽取数据,从而获得一个n维的监测时间序列矩阵作为历史监测数据集D:
其中,Xi是矩阵中第i个样本点;di,j是第i个样本点中的第j个属性值,T表示矩阵转置,矩阵中每一列表示一个特定信息结点的观测时间序列。
所述步骤2)中对于历史监测数据集D,定义其代表的信息模型为:
IM=(V,AW,AR)
其中,V={node1,node2,…,noden}是信息模型中的信息结点集合;AW是信息模型关系权重矩阵;AR是信息模型关系矩阵;AW和AR是一一对应的n×n矩阵。
所述步骤3)具体包括以下步骤:
3.1)对每一个监测时间序列进行符号化转换,得到不同符号个数下的符号化序列,从而得到最优化的符号个数soptimization;
3.2)确定每一个信息结点的相空间重构参数,得到通过每一个信息结点重构的相空间X;
3.3)根据步骤3.1)中最优化的符号个数soptimization,对步骤3.2)相空间X中的每一个相点进行符号化操作:
其中:xk为相点,soptimization为最优符号个数;max和min分别为原始时间序列的最大值和最小值;
3.4)对步骤3.3)中每一个符号化后的相点值进行二进制编码;
3.5)拼接步骤3.4)中每一个相点中每一个维度的二进制编码,然后对拼接的二进制编码进行十进制转换;
3.6)根据十进制转换分别计算时间序列I和J间的信息传递量:
其中,为从监测时间序列J到I的信息传递量,p代表条件概率,δ为监测时间序列I和J间的时间延迟,分别为监测时间序列I和J符号化以后不同时刻的值,从监测时间序列I到J的信息传递量通过改变式中和位置计算得到;
3.7)将步骤3.6)计算得到的信息传递量填入步骤2)的AR和AW矩阵中,ARi,j,ARj,i∈AR,若AWi,j-AWj,i>0,则信息传递方向为i→j,并用符号“+”表示信息的正向传递;若AWi,j-AWj,i≤0,则信息传递方向为j→i,用“—“表示信息的反向传递;信息传递强度用表示,ARi,j为信息从i传向j的关系矩阵,ARj,i为信息从j传向i的关系矩阵,AWi,j为信息从i传向j的关系权重矩阵,AWj,i信息从j传向i的关系权重矩阵。
所述步骤3.1)中采用下式对监测时间序列进行符号化转换,得到不同符号个数下的符号化序列:
其中:Ik为监测时间序列I的第k个监测值;max和min分别为序列的最大值和最小值;snumber为符号个数;通过计算不同符号个数下符号化序列的信噪比和信息熵,绘制符号化序列信噪比、信息熵随符号个数的变化曲线,以最大信噪比和最小信息丢失为优化条件,得到最优化的符号个数soptimization。
所述步骤3.2)中分别采用Cao方法和互信息法确定每一个信息结点的相空间重构参数:嵌入维数m和延迟时间τ,得到通过每一个信息结点重构的相空间X:
其中:Nm=N-(m-1)τ是重构相空间中相点个数。
所述步骤3.4)中使用位二进制数,对3.3)中每一个符号化后的相点值进行二进制编码。
所述步骤3.5)中采用位权法对拼接的二进制编码进行十进制转换。
所述步骤5)中简化和修正处理包括删除冗余信息结点、删除冗余信息结构和删除微弱传递关系。
与现有技术相比,本发明采用数据驱动的流程工业复杂机电系统信息建模方法,整个建模过程不需要系统物理拓扑的先验知识;在建模过程中以信息流动关系作为系统不同功能部件间耦合关系分析的依据;通过综合考虑抗噪能力和信息丢失,优化了系统监测时间序列的符号化过程;通过对符号化相点的二进制编码和十进制解码,实现了符号化过程和自动化分析计算的融合,解决了噪声条件下基于监测数据的流程工业复杂机电系统信息模型构建难题。本发明能够根据流程工业复杂机电系统监测数据,快速构建系统信息模型,为分析系统动力学特征、追溯系统故障原因和预测系统运行状态提供基础,提高企业的数字化监控水平,辅助科学维修维护。
附图说明
图1为本发明的方法流程图;
图2为本发明的改进符号传递熵计算流程;
图3为本发明二进制编码和十进制解码过程示意图;
图4为本发明删除冗余信息结点的过程示意图;
图5为本发明删除冗余信息结构的过程示意图;
图6为本发明删除微弱传递关系的过程示意图;
图7为本发明构建的流程工业复杂机电系统信息模型示意图。
具体实施方式
下面结合具体的实施例和说明书附图对本发明作进一步的解释说明。
参见图1,本发明包括以下步骤:
1)获取复杂机电系统是监测数据,建立高维历史监测数据集历史监测数据集为n维的监测时间序列矩阵:该步骤为原始数据收集步骤,以流程工业复杂机电系统监测系统(DCS、SCADA等)中的海量历史监测数据为基础,从n个传感器的历史监测数据中,以相同的采样频率抽取原始数据集作为监测时间序列矩阵,获得一个n维的监测时间序列矩阵D:
其中:Xi是矩阵中第i个样本点;di,j是第i个样本点中的第j个属性值,矩阵中每一列是一个特定信息结点的监测时间序列;
2)定义复杂机电系统信息模型基本结构:抽象步骤1)中历史监测数据集中每一维为独立的信息结点,构造信息模型中结点集合;定义所有信息结点间的耦合关系为结点间邻接关系,指定结点间信息流动方向和强度为信息模型中结点关系;对于一个给定的历史监测数据集D,定义其代表的系统信息模型为:
IM=(V,AW,AR)
其中:V={node1,node2,…,noden}是信息模型中信息结点集合;AW是信息模型关系权重矩阵;AR是信息模型关系矩阵;AW和AR是一一对应的n×n矩阵;
3)采用基于二进制编码和十进制解码的符号传递熵方法确定复杂机电系统信息模型中所有结点间的信息传递关系;参见图2,具体包括以下步骤:
3.1)选择任意两个监测时间序列I和J,确定符号化过程中最优的符号个数,对每一个监测序列按照下式进行符号化转换,得到不同符号个数下的符号化序列。
其中:Ik为监测序列I的第k个监测值;max和min分别为序列的最大值和最小值;snumber为符号个数;
本步骤通过计算不同符号个数下符号化序列的信噪比和信息熵,绘制符号化序列信噪比、信息熵随符号个数的变化曲线,以最大信噪比和最小信息丢失为优化条件,寻找最优符号个数soptimization;
3.2)各监测变量的相空间重构:分别采用Cao方法和互信息法确定每一个监测变量的相空间重构参数:嵌入维数m和延迟时间τ,本步骤将得到通过每一个监测序列重构的相空间X:
其中:Nm=N-(m-1)τ是重构相空间中相点个数;
3.3)相点符号化:根据步骤3.1)中优化的符号个数,对步骤3.2)相空间中的每一个相点,按照下式进行符号化操作:
其中:soptimization为最优符号个数;max和min分别为原始时间序列的最大值和最小值;
3.4)符号化序列的二进制编码:使用位二进制数,对3.3)中每一个符号化后的相点值进行二进制编码。表示向上取整操作,例如3位二进制数可以表示8个独立的符号(000→0,001→1,010→2,以此类推);
3.5)二进制编码序列的十进制转化:拼接3.4)中每一个相点中每一个维度的二进制编码(如符号化序列3,5,7,4→011,101,111,110→011101111110),采用位权法对拼接的二进制编码进行十进制转换(如011101111110→1918);
3.6)信息结点间传递熵计算:按照下式,分别计算时间序列I和J间的信息传递量:
其中:为从序列J到I的信息传递量;δ为二者间的时间延迟;可通过改变式中和位置计算得到;
3.7)信息结点间的耦合关系确定:将3.6)计算得到的信息传递值填入步骤2)的AR和AW矩阵,ARi,j,ARj,i∈AR,如果AWi,j-AWj,i>0,则,信息传递方向为i→j,表示信息从i传向j,用符号+表示信息的正向传递,反之,用—表示信息从j传向i;信息传递强度用表示;
4)构建复杂机电系统信息模型:根据步骤2)中的定义,用步骤3)中的信息传递计算结果填充步骤2)中的信息结点邻接关系;根据结点间邻接关系,使用有向边连接信息结点,实现系统信息模型的可视化表示;
5)模型简化与修正:对步骤4)构建的复杂机电系统信息模型进行必要的模型简化和修正:具体包括以下处理方式:
5.1)删除步骤4)信息模型中的冗余信息结点:模型中的冗余信息结点由物理系统监测系统中的冗余测点产生,通常具有相同的属性、相同的结点连接关系和相同的关系权重,对于步骤4)模型中此类冗余信息结点进行删除,实现步骤4)模型的简化和修正;
5.2)删除步骤4)模型中的冗余结构:模型中的冗余结构通常表现为两个结点间具有并联信息传递关系,在不影响模型中其他信息结点关联关系的前提下,对上述并联传递关系进行删除,实现步骤4)模型的简化和修正;
5.3)删除步骤4)模型中的微弱关系:步骤4)模型中往往含有微弱的信息传递关系,或者信息传递强度明显低于其他信息传递关系的存在,通过设置信息传递强度阈值,删除微弱的信息传递关系,实现步骤4)模型的整体简化和修正。
本发明实施例具体包括以下步骤:
1)原始数据收集:
原始数据收集步骤,以流程工业复杂机电系统监测系统(DCS、SCADA等)中的海量历史监测数据为基础,从n个传感器的历史监测数据中,以相同的采样频率抽取本发明的原始数据集;
2)定义信息模型的基本结构:
定义信息模型的基本结构步骤,定义信息模型的基本结构—信息结点、关系矩阵和关系权重矩阵,定义信息模型基本结构步骤通过以下环节实现:
2.1)根据步骤1)中的原始数据集合,将每一个监测点位(传感器)抽象为信息模型中的信息结点;
2.2)定义和初始化两个矩阵AW和AR,用于存储信息模型中的关系和关系权重;
3)确定信息模型中耦合关系:
确定信息模型中耦合关系步骤,采用本发明中提出的基于二进制编码和十进制解码的符号传递熵方法对信息模型中信息结点间的耦合关系进行分析。确定信息模型中耦合关系步骤通过以下环节实现:
3.1)参见图2,采用改进的符号传递熵方法进行信息结点耦合关系分析:
流程工业复杂机电系统中能量、流体、信号的传递过程,本质上是系统信息的传递过程。传递熵可以定量刻画随机变量或随机过程间的包括方向和强度的信息传递关系,可以满足流程工业复杂机电系统信息建模的需求。参考图1,改进的符号传递熵方法包含以下处理过程:
3.1.1)选择任意两个监测时间序列I和J,确定符号化过程中最优的符号个数。对每一个监测序列按照下式进行符号化转换,得到不同符号个数下的符号化序列;
其中:Ik为监测序列I的第k个监测值;max和min分别为序列的最大值和最小值;snumber为符号个数;
本步骤通过计算不同符号个数下符号化序列的信噪比和信息熵,绘制符号化序列信噪比、信息熵随符号个数的变化曲线,以最大信噪比和最小信息丢失为优化条件,寻找最优符号个数soptimization;
3.1.2)各监测变量的相空间重构;分别采用Cao方法和互信息法确定每一个监测变量的相空间重构参数:嵌入维数m和延迟时间τ,本步骤将得到通过每一个监测序列重构的相空间X:
其中:Nm=N-(m-1)τ是重构相空间中相点个数;
3.1.3)相点符号化:根据步骤3.1.1)中优化的符号个数,对步骤3.1.2)相空间中的每一个相点,按照下式进行符号化操作:
其中:soptimization为最优符号个数;max和min分别为原始时间序列的最大值和最小值;
3.1.4)参见图3,符号化序列的二进制编码:使用位二进制数,对3.1.3)中每一个符号化后的相点值进行二进制编码,表示向上取整操作;例如3位二进制数可以表示8个独立的符号(000→0,001→1,010→2,以此类推);
3.1.5)参见图3,二进制编码序列的十进制解码:拼接3.1.4)中每一个相点中每一个维度的二进制编码(如符号化序列3,5,7,4→011,101,111,110→011101111110),采用位权法对拼接的二进制编码进行十进制转换(如011101111110→1918)。
3.1.6)监测变量间传递熵计算:按照下式,分别计算时间序列I和J间的信息传递量:
其中:为从序列J到I的信息传递量;δ为二者间的时间延迟;可通过改变式中和位置计算得到;
3.2)确定信息模型中的耦合关系矩阵:
确定信息模型中耦合关系矩阵步骤,通过分析对比观测时间序列间的信息传递关系,确定并填充步骤2)中定义的AR矩阵,ARi,j,ARj,i∈AR,如果AWi,j-AWj,i>0,则,信息传递方向为i→j,表示信息从i传向j,用符号“+”表示信息的正向传递,反之,用“—”表示信息从j传向i;信息模型的耦合关系矩阵形如:
NO. | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
1 | -- | - | - | - | - | + | + | - | - | + |
2 | + | -- | - | - | - | + | - | - | - | - |
3 | + | + | -- | + | + | + | - | + | + | - |
4 | + | + | - | -- | + | + | - | + | + | + |
5 | + | + | - | - | -- | - | + | - | + | - |
6 | - | - | - | - | + | -- | - | + | + | - |
7 | - | + | + | + | - | + | -- | - | + | - |
8 | + | + | - | - | + | - | + | -- | + | + |
9 | + | + | - | - | - | - | - | - | -- | - |
10 | - | + | + | - | + | + | + | - | + | -- |
表中“+”和“—”代表了不同变量间耦合关系方向,“+”代表正向耦合,“-”代表反向耦合;
3.3)确定信息模型中耦合关系权重矩阵:
确定信息模型中耦合关系权重矩阵步骤,通过计算分析对比观测时间序列间的信息传递关系,确定并填充步骤2)中定义的AW矩阵,用表示i→j间信息传递关系权重,并填充AW矩阵;信息模型耦合关系权重矩阵形如:
表中数值代表了不同变量间耦合关系强度,单位为10-2bits,“--”代表未检出耦合关系;
4)模型简化与修正:
参见图4~图6,根据步骤3)得到的流程工业复杂机电系统信息模型,识别模型中的冗余信息结点、冗余结构,自定义设置模型中的耦合关系权重阈值,实现步骤3)信息模型的简化与修正。给定的流程工业复杂机电系统,通过本发明中的处理过程,构建的系统信息模型如附图7所示,图中结点代表物理系统中的状态监测点;结点间的有向边代表了不同状态监测结点间的信息流动方向;有向边的权重代表了不同状态监测结点间的信息流动强度。
本发明以海量高维系统运行状态监测数据(DCS数据、SCADA数据等)为基础,采用数据分析的方法,以不同监测变量间的信息传递关系作为系统信息模型耦合关系的测度,以信息论为依据,提出了综合考虑符号化过程抗噪能力和信息丢失的改进符号传递熵方法,发明了不依赖系统物理拓扑先验知识的以信息传递为依据的流程工业复杂机电系统信息建模方法,本发明能够为分析系统动力学特征、追溯系统故障原因和预测系统运行状态提供基础,提高企业的数字化监控水平,辅助科学维修维护。
Claims (9)
1.一种数据驱动的流程工业复杂机电系统信息建模方法,其特征在于,包括以下步骤:
1)获取复杂机电系统的监测数据,建立高维的历史监测数据集,历史监测数据集为n维的监测时间序列矩阵;
2)抽象历史监测数据集中每一维为独立的信息结点,构造信息模型中的信息结点集合;定义所有信息结点间的耦合关系为信息模型中的结点关系,耦合关系包含结点间的信息传递方向和强度;
3)采用基于二进制编码和十进制解码的符号传递熵方法确定信息模型中所有结点间的耦合关系;
4)利用步骤3)得到的耦合关系填充步骤2)中定义的结点关系,根据结点关系,使用有向边连接信息结点,得到可视化表示的信息模型;
5)对可视化表示的信息模型进行简化和修正处理,即完成建模。
2.根据权利要求1所述的一种数据驱动的流程工业复杂机电系统信息建模方法,其特征在于,所述步骤1)中对复杂机电系统的n个传感器以相同的采样频率,从历史监测数据中抽取数据,从而获得一个n维的监测时间序列矩阵作为历史监测数据集D:
<mrow>
<mi>D</mi>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>X</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>X</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>X</mi>
<mi>N</mi>
</msub>
<mo>&rsqb;</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>d</mi>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>d</mi>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>...</mo>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<msub>
<mi>d</mi>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>d</mi>
<mrow>
<mn>2</mn>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>d</mi>
<mrow>
<mn>2</mn>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>...</mo>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<msub>
<mi>d</mi>
<mrow>
<mn>2</mn>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>d</mi>
<mrow>
<mi>N</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>d</mi>
<mrow>
<mi>N</mi>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>...</mo>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<msub>
<mi>d</mi>
<mrow>
<mi>N</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,Xi是矩阵中第i个样本点;di,j是第i个样本点中的第j个属性值,T表示矩阵转置,矩阵中每一列表示一个特定信息结点的观测时间序列。
3.根据权利要求1所述的一种数据驱动的流程工业复杂机电系统信息建模方法,其特征在于,所述步骤2)中对于历史监测数据集D,定义其代表的信息模型为:
IM=(V,AW,AR)
其中,V={node1,node2,…,noden}是信息模型中的信息结点集合;AW是信息模型关系权重矩阵;AR是信息模型关系矩阵;AW和AR是一一对应的n×n矩阵。
4.根据权利要求1所述的一种数据驱动的流程工业复杂机电系统信息建模方法,其特征在于,所述步骤3)具体包括以下步骤:
3.1)对每一个监测时间序列进行符号化转换,得到不同符号个数下的符号化序列,从而得到最优化的符号个数soptimization;
3.2)确定每一个信息结点的相空间重构参数,得到通过每一个信息结点重构的相空间X;
3.3)根据步骤3.1)中最优化的符号个数soptimization,对步骤3.2)相空间X中的每一个相点进行符号化操作:
<mrow>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>min</mi>
<mo>+</mo>
<mfrac>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
<mo>(</mo>
<mi>max</mi>
<mo>-</mo>
<mi>min</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>s</mi>
<mrow>
<mi>o</mi>
<mi>p</mi>
<mi>t</mi>
<mi>i</mi>
<mi>m</mi>
<mi>i</mi>
<mi>z</mi>
<mi>a</mi>
<mi>t</mi>
<mi>i</mi>
<mi>o</mi>
<mi>n</mi>
</mrow>
</msub>
</mfrac>
<mo>&le;</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo><</mo>
<mi>min</mi>
<mo>+</mo>
<mfrac>
<mrow>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mi>max</mi>
<mo>-</mo>
<mi>min</mi>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>s</mi>
<mrow>
<mi>o</mi>
<mi>p</mi>
<mi>t</mi>
<mi>i</mi>
<mi>m</mi>
<mi>i</mi>
<mi>z</mi>
<mi>a</mi>
<mi>t</mi>
<mi>i</mi>
<mi>o</mi>
<mi>n</mi>
</mrow>
</msub>
</mfrac>
<mo>,</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mn>1</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>s</mi>
<mrow>
<mi>o</mi>
<mi>p</mi>
<mi>t</mi>
<mi>i</mi>
<mi>m</mi>
<mi>i</mi>
<mi>z</mi>
<mi>a</mi>
<mi>t</mi>
<mi>i</mi>
<mi>o</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>}</mo>
</mrow>
其中:xk为相点,soptimization为最优符号个数;max和min分别为原始时间序列的最大值和最小值;
3.4)对步骤3.3)中每一个符号化后的相点值进行二进制编码;
3.5)拼接步骤3.4)中每一个相点中每一个维度的二进制编码,然后对拼接的二进制编码进行十进制转换;
3.6)根据十进制转换分别计算时间序列I和J间的信息传递量:
<mrow>
<msub>
<mover>
<mi>T</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>J</mi>
<mo>&RightArrow;</mo>
<mi>I</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mi>&delta;</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
<mi>t</mi>
</msub>
<mo>,</mo>
<msub>
<mover>
<mi>j</mi>
<mo>^</mo>
</mover>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>log</mi>
<mn>2</mn>
</msub>
<mfrac>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mi>&delta;</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
<mi>t</mi>
</msub>
<mo>,</mo>
<msub>
<mover>
<mi>j</mi>
<mo>^</mo>
</mover>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mi>&delta;</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,为从监测时间序列J到I的信息传递量,p代表条件概率,δ为监测时间序列I和J间的时间延迟,分别为监测时间序列I和J符号化以后不同时刻的值,从监测时间序列I到J的信息传递量通过改变式中和位置计算得到;
3.7)将步骤3.6)计算得到的信息传递量填入步骤2)的AR和AW矩阵中,ARi,j,ARj,i∈AR,若AWi,j-AWj,i>0,则信息传递方向为i→j,并用符号“+”表示信息的正向传递;若AWi,j-AWj,i≤0,则信息传递方向为j→i,用“—“表示信息的反向传递;信息传递强度用表示,ARi,j为信息从i传向j的关系矩阵,ARj,i为信息从j传向i的关系矩阵,AWi,j为信息从i传向j的关系权重矩阵,AWj,i信息从j传向i的关系权重矩阵。
5.根据权利要求4所述的一种数据驱动的流程工业复杂机电系统信息建模方法,其特征在于,所述步骤3.1)中采用下式对监测时间序列进行符号化转换,得到不同符号个数下的符号化序列:
<mrow>
<msub>
<mi>I</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>min</mi>
<mo>+</mo>
<mfrac>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
<mo>(</mo>
<mi>max</mi>
<mo>-</mo>
<mi>min</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>s</mi>
<mrow>
<mi>n</mi>
<mi>u</mi>
<mi>m</mi>
<mi>b</mi>
<mi>e</mi>
<mi>r</mi>
</mrow>
</msub>
</mfrac>
<mo>&le;</mo>
<msub>
<mi>I</mi>
<mi>k</mi>
</msub>
<mo><</mo>
<mi>min</mi>
<mo>+</mo>
<mfrac>
<mrow>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mi>max</mi>
<mo>-</mo>
<mi>min</mi>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>s</mi>
<mrow>
<mi>n</mi>
<mi>u</mi>
<mi>m</mi>
<mi>b</mi>
<mi>e</mi>
<mi>r</mi>
</mrow>
</msub>
</mfrac>
<mo>,</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mn>1</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>s</mi>
<mrow>
<mi>n</mi>
<mi>u</mi>
<mi>m</mi>
<mi>b</mi>
<mi>e</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>}</mo>
</mrow>
其中:Ik为监测时间序列I的第k个监测值;max和min分别为序列的最大值和最小值;snumber为符号个数;通过计算不同符号个数下符号化序列的信噪比和信息熵,绘制符号化序列信噪比、信息熵随符号个数的变化曲线,以最大信噪比和最小信息丢失为优化条件,得到最优化的符号个数soptimization。
6.根据权利要求4所述的一种数据驱动的流程工业复杂机电系统信息建模方法,其特征在于,所述步骤3.2)中分别采用Cao方法和互信息法确定每一个信息结点的相空间重构参数:嵌入维数m和延迟时间τ,得到通过每一个信息结点重构的相空间X:
<mrow>
<mi>X</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>&tau;</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mi>&tau;</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mo>+</mo>
<mi>&tau;</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mi>&tau;</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<msub>
<mi>N</mi>
<mi>m</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<msub>
<mi>N</mi>
<mi>m</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
<mo>+</mo>
<mi>&tau;</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<msub>
<mi>N</mi>
<mi>m</mi>
</msub>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<msub>
<mi>N</mi>
<mi>m</mi>
</msub>
<mo>+</mo>
<mi>&tau;</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mi>N</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中:Nm=N-(m-1)τ是重构相空间中相点个数。
7.根据权利要求4所述的一种数据驱动的流程工业复杂机电系统信息建模方法,其特征在于,所述步骤3.4)中使用位二进制数,对3.3)中每一个符号化后的相点值进行二进制编码。
8.根据权利要求7所述的一种数据驱动的流程工业复杂机电系统信息建模方法,其特征在于,所述步骤3.5)中采用位权法对拼接的二进制编码进行十进制转换。
9.根据权利要求1所述的一种数据驱动的流程工业复杂机电系统信息建模方法,其特征在于,所述步骤5)中简化和修正处理包括删除冗余信息结点、删除冗余信息结构和删除微弱传递关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710631783.7A CN107292061A (zh) | 2017-07-28 | 2017-07-28 | 一种数据驱动的流程工业复杂机电系统信息建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710631783.7A CN107292061A (zh) | 2017-07-28 | 2017-07-28 | 一种数据驱动的流程工业复杂机电系统信息建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107292061A true CN107292061A (zh) | 2017-10-24 |
Family
ID=60103758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710631783.7A Pending CN107292061A (zh) | 2017-07-28 | 2017-07-28 | 一种数据驱动的流程工业复杂机电系统信息建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292061A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108508860A (zh) * | 2018-05-10 | 2018-09-07 | 西安交通大学 | 一种基于耦合关系的流程工业生产系统数据监测方法 |
CN108763729A (zh) * | 2018-05-24 | 2018-11-06 | 西安交通大学 | 基于网络结构熵的流程工业机电系统耦合状态评估方法 |
CN108845886A (zh) * | 2018-07-27 | 2018-11-20 | 中南大学 | 基于相空间的云计算能耗优化方法和系统 |
CN109088770A (zh) * | 2018-08-21 | 2018-12-25 | 西安交通大学 | 一种基于自适应符号传递熵的机电系统交互网络建模方法 |
CN109271841A (zh) * | 2018-07-25 | 2019-01-25 | 西安交通大学 | 基于局部投影与小波包分解的机电系统信号组合降噪方法 |
CN109376779A (zh) * | 2018-10-19 | 2019-02-22 | 西安交通大学 | 一种复杂机电系统服役模式自动识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006067809A1 (en) * | 2004-12-20 | 2006-06-29 | Kleen-Up S.R.L. | Robotized production process of post-combustion systems |
JP2008004091A (ja) * | 2006-06-20 | 2008-01-10 | Xerox Corp | 一体化されたルールベース・システムを用いる自動修理分析 |
CN101196743A (zh) * | 2007-12-26 | 2008-06-11 | 西安交通大学 | 基于因果网络模型的机电系统安全分析装置及方法 |
CN102736546A (zh) * | 2012-06-28 | 2012-10-17 | 西安交通大学 | 一种流程工业复杂机电系统的状态监测装置及方法 |
CN105787473A (zh) * | 2016-03-28 | 2016-07-20 | 北京大学 | 一种提取带陷阱耦合效应的随机电报噪声信号的方法 |
CN106096185A (zh) * | 2016-06-27 | 2016-11-09 | 北京航空航天大学 | 基于能量流和信息流的机电系统不确定网络模型建模方法 |
CN106682835A (zh) * | 2016-12-29 | 2017-05-17 | 西安交通大学 | 一种数据驱动的复杂机电系统服役质量状态评估方法 |
-
2017
- 2017-07-28 CN CN201710631783.7A patent/CN107292061A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006067809A1 (en) * | 2004-12-20 | 2006-06-29 | Kleen-Up S.R.L. | Robotized production process of post-combustion systems |
JP2008004091A (ja) * | 2006-06-20 | 2008-01-10 | Xerox Corp | 一体化されたルールベース・システムを用いる自動修理分析 |
CN101196743A (zh) * | 2007-12-26 | 2008-06-11 | 西安交通大学 | 基于因果网络模型的机电系统安全分析装置及方法 |
CN102736546A (zh) * | 2012-06-28 | 2012-10-17 | 西安交通大学 | 一种流程工业复杂机电系统的状态监测装置及方法 |
CN105787473A (zh) * | 2016-03-28 | 2016-07-20 | 北京大学 | 一种提取带陷阱耦合效应的随机电报噪声信号的方法 |
CN106096185A (zh) * | 2016-06-27 | 2016-11-09 | 北京航空航天大学 | 基于能量流和信息流的机电系统不确定网络模型建模方法 |
CN106682835A (zh) * | 2016-12-29 | 2017-05-17 | 西安交通大学 | 一种数据驱动的复杂机电系统服役质量状态评估方法 |
Non-Patent Citations (2)
Title |
---|
RONGXI WANG: "Interactionanalysisbasedinformationmodelingofcomplexelectromechanicalsystemsintheprocessingindustry", 《SAGE JOURNALS,INSTITUTION OF MECHANICAL ENGINEERS》 * |
史运涛: "基于数据驱动的混杂系统建模与优化控制研究", 《系统仿真学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108508860A (zh) * | 2018-05-10 | 2018-09-07 | 西安交通大学 | 一种基于耦合关系的流程工业生产系统数据监测方法 |
CN108763729A (zh) * | 2018-05-24 | 2018-11-06 | 西安交通大学 | 基于网络结构熵的流程工业机电系统耦合状态评估方法 |
CN108763729B (zh) * | 2018-05-24 | 2020-07-28 | 西安交通大学 | 基于网络结构熵的流程工业机电系统耦合状态评估方法 |
CN109271841A (zh) * | 2018-07-25 | 2019-01-25 | 西安交通大学 | 基于局部投影与小波包分解的机电系统信号组合降噪方法 |
CN109271841B (zh) * | 2018-07-25 | 2022-04-22 | 西安交通大学 | 基于局部投影与小波包分解的机电系统信号组合降噪方法 |
CN108845886A (zh) * | 2018-07-27 | 2018-11-20 | 中南大学 | 基于相空间的云计算能耗优化方法和系统 |
CN108845886B (zh) * | 2018-07-27 | 2022-03-08 | 中南大学 | 基于相空间的云计算能耗优化方法和系统 |
CN109088770A (zh) * | 2018-08-21 | 2018-12-25 | 西安交通大学 | 一种基于自适应符号传递熵的机电系统交互网络建模方法 |
CN109088770B (zh) * | 2018-08-21 | 2020-03-31 | 西安交通大学 | 一种基于自适应符号传递熵的机电系统交互网络建模方法 |
CN109376779A (zh) * | 2018-10-19 | 2019-02-22 | 西安交通大学 | 一种复杂机电系统服役模式自动识别方法 |
CN109376779B (zh) * | 2018-10-19 | 2020-10-27 | 西安交通大学 | 一种复杂机电系统服役模式自动识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292061A (zh) | 一种数据驱动的流程工业复杂机电系统信息建模方法 | |
CN107423414A (zh) | 一种基于信息传递模型的流程工业复杂机电系统故障溯源方法 | |
CN107402976A (zh) | 一种基于多元异构模型的电网多源数据融合方法及系统 | |
CN104407589A (zh) | 面向车间制造过程的实时生成性能主动感知与异常分析方法 | |
CN106199174A (zh) | 基于迁移学习的挤压机能耗异常预测方法 | |
CN113011085A (zh) | 一种设备数字孪生建模方法及系统 | |
CN105574587A (zh) | 一种塑料注塑过程的在线工况过程监控方法 | |
CN116611013A (zh) | 针对工业时序数据的异常检测以及根因分析方法及系统 | |
CN113987908A (zh) | 基于机器学习方法的天然气管网泄漏预警方法 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN112735541A (zh) | 一种基于简单循环单元神经网络的污水处理水质预测方法 | |
CN116431966A (zh) | 一种增量式特征解耦自编码器的堆芯温度异常检测方法 | |
CN117076171A (zh) | 一种面向多元时序数据的异常检测及定位方法及装置 | |
CN115481726A (zh) | 一种工业机器人整机健康评估方法及系统 | |
CN113505531B (zh) | 基于结合传统诊断与机器学习方法且针对往复机械气门间隙异常故障的诊断模型构建方法 | |
CN113804997A (zh) | 基于双向WaveNet深度学习的电压暂降源定位方法 | |
CN113904915A (zh) | 一种基于物联网的电力通信智能故障分析方法及系统 | |
CN117435992A (zh) | 一种用于盾构机液压推进系统的故障预测方法及系统 | |
CN104573361A (zh) | 一种gis设备评估的方法和装置 | |
CN115564075B (zh) | 一种城市电网主配一体故障协同诊断方法、系统 | |
CN104750086A (zh) | 故障和状态的估计方法及装置 | |
CN113204590B (zh) | 基于序列化自编码器的无监督kpi异常检测方法 | |
Ma et al. | A fault prediction framework for Doubly‐fed induction generator under time‐varying operating conditions driven by digital twin | |
CN114021469A (zh) | 一种基于混合序列网络进行一段炉过程监测的方法 | |
CN111381573B (zh) | 一种工业控制系统安全性的预测方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171024 |
|
RJ01 | Rejection of invention patent application after publication |