CN107423414B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN107423414B CN107423414B CN201710633540.7A CN201710633540A CN107423414B CN 107423414 B CN107423414 B CN 107423414B CN 201710633540 A CN201710633540 A CN 201710633540A CN 107423414 B CN107423414 B CN 107423414B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- information
- fault
- information transfer
- time
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 98
- 230000008569 process Effects 0.000 title claims abstract description 49
- 238000012546 transfer Methods 0.000 title claims abstract description 43
- 238000012544 monitoring process Methods 0.000 claims abstract description 107
- 230000008878 coupling Effects 0.000 claims abstract description 54
- 238000010168 coupling process Methods 0.000 claims abstract description 54
- 238000005859 coupling reaction Methods 0.000 claims abstract description 54
- 230000005540 biological transmission Effects 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000001186 cumulative effect Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 6
- 239000000126 substance Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2237—Vectors, bitmaps or matrices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Debugging And Monitoring (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了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,以海量高维系统运行状态监测数据为基础,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,综合考虑流程工业反馈控制对系统故障溯源过程的影响,发明了系统故障过程识别方法和溯源方法,本发明能够从任意异常信息监测点追溯系统故障的唯一根事件,且故障溯源过程不依赖系统物理拓扑先验知识,本发明中部分处理过程可以直接应用于流程工业复杂机电系统信息建模,追溯系统故障原因,提高企业的数字化监控水平,辅助科学维修维护。
Description
技术领域
本发明属于数据驱动的系统故障溯源领域,涉及一种工业生产系统故障溯源方法,具体涉及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。
背景技术
以能源重化工为代表的流程工业生产系统是一个由诸多离散的大型动力机械装备、化工装备,通过能量、流体、电力、控制信号等多介质网络耦合而成的分布式复杂机电系统,具有耦合度高、工艺过程复杂、控制要求精细的特征,系统中的各功能之间彼此耦合、协作。任何功能单元中任何部件的失效都将导致功能部件的故障,并由于耦合而传播、放大到其他功能单元,甚至导致整个生产系统运行状态的异常或波动。因此,流程工业复杂机电系统故障原因的快速识别和定位对于帮助企业采取直接和正确的维修手段以防止由于故障传播而引发更大的事故具有重要的积极作用。
故障溯源技术源于故障诊断,前者侧重于从系统角度分析不同功能组件之间的状态关系变化,侧重于根事件或原因的扩散和发展,试图从系统状态角度追溯故障原因。故障溯源技术需要回答和解决三个问题:(1)不同功能组件间的状态变化关系是什么?(2)故障传播过程是什么?(3)如何识别故障的根事件或本质原因?近年来,经有一些故障溯源方法被提出和应用,在这些方法中,由于符号图方法在刻画不同系统状态间关系和保持信息的能力,被认为是识别异常根本原因的有效手段。M.Iri等在化工领域定义了符号有向图(Signed Directed Graph,SDG),并使用深度优先策略实现了不完全样本条件下的基本搜索;T.Umeda等提出了多水平符号有向图刻画时序因果和分析动力学过程,但是计算过程的复杂性和计算资源的高占用率限制了上述方法在实际中的应用。不同于前面介绍的SDG方法,M.A.Kramer等提出了基于SDG前置分析的专家系统规则,并应用这些规则进行化工厂的在线故障诊断,但是该方法无法避免规则爆炸的问题。C.C.Chang等提出了基于系统状态和故障传播路径删除非潜在根节点的方法优化SDG模型;Huang提出了基于多因素关系的集成SDG和故障图故障溯源方法。
毫无疑问,上述基于SDG的知识库规则的发展是故障溯源领域的一大进步,但是这些规则来源于肤浅的专家知识,很难揭示故障的深层次原因,也很难满足完备性的需求,急需能够满足实际需求的流程工业复杂机电系统故障溯源新方法。
发明内容
为了解决现有技术中的问题,本发明公开了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,有效解决了流程工业复杂机电系统故障溯源难题,提高企业的数字化监控水平,便于辅助科学维修维护。
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)收集流程工业复杂机电系统的运行状态历史监测数据,建立高维原始数据集,并根据原始数据集定义复杂机电系统的信息传递模型的基本结构;
2)根据步骤1)的原始数据集和定义的信息传递模型的基本结构,以传递信息量作为系统耦合关系的度量,采用基于二进制编码和十进制解码相结合的符号传递熵方法,分析计算系统监测变量间的耦合关系,构建复杂机电系统信息传递模型,得到监测变量耦合关系权重区间[Smin,Smax];
3)故障溯源:
3.1)识别系统故障发展过程,确定系统运行状态从正常到故障的开始时间点tstart和截止时间点tend;
3.2)计算tstart~tend时间段内监测变量间的信息传递量和传递方向,确定系统异常状态变量耦合关系;
3.3)从监测变量任意选取一点作为溯源起始点ps,寻找tstart~tend时间段内所有信息流向ps的监测变量构成集合STrace_Temp,对比tstart~tend时间段内STrace_Temp内任意元素ei到ps的信息传递量与步骤2)中监测变量耦合关系权重区间[Smin,Smax],若则从STrace_Temp中删除ei,得到更新后的元素集合STrace_Temp';重复以上步骤直至则最后一个使STrace_Temp'非空的元素即为故障根事件,完成故障溯源。
所述步骤1)包括以下步骤:
1.1)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,获得n维的监测时间序列矩阵D,作为原始数据集:
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监测变量的监测时间序列;
1.2)对于原始数据集D,定义其代表的系统信息传递模型的基本结构为:
IM=(V,AW,AR)
其中:V={node1,node2,…,noden}是信息传递模型中检测变量集合;AW是信息传递模型关系权重结构体矩阵;AR是信息传递模型关系矩阵;AW和AR是一一对应的n×n矩阵。
所述步骤2)包括以下步骤:
2.1)对监测时间序列进行符号化操作,确定最优化的符号个数soptimization;
2.2)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,得到通过每一个监测变量重构的相空间X:
其中:Nm=N-(m-1)τ是重构相空间中相点个数;
2.3)根据步骤2.1)中最优化的符号个数,对步骤2.2)相空间中的每一个相点进行符号化操作:
其中:soptimization为最优符号个数;p(x)为x的概率值;min为序列最小值;
2.4)对每一个符号化后的相点值进行二进制编码;
2.5)拼接每一个相点中每一个维度的二进制编码,采用位权法对拼接的二进制编码进行十进制转换;
2.6)计算监测变量间特定时间段传递熵,得到特定时间段内监测时间序列间的信息传递量:
2.7)将特定时间段内监测时间序列间的信息传递量填入信息传递模型的基本结构中,得到监测时间序列间的信息传递方向和强度,作为监测变量间的耦合关系;
2.8)根据监测变量间的耦合关系构建复杂机电系统信息传递模型,得到监测变量耦合关系权重区间[Smin,Smax]。
所述步骤2.1)包括:
2.1.1)选择任意两个监测时间序列I和J,分别对每一个监测时间序列进行核密度估计操作,获得每一个监测时间序列的监测值的概率密度分布,绘制每一个监测时间序列的概率密度分布曲线;
2.1.2)选择符号个数snumber,将步骤2.1.1)中的概率密度曲线按照累积概率分成snumber等份;
2.1.3)对监测时间序列I和J中的监测值,按照下述公式进行符号化操作:
其中:Ik为时间序列I的第k个监测值;p(x)为x的概率值;snumber为符号个数;min为序列最小值;
2.1.4)选取不同的符号个数snumber,重复步骤2.1.2)和2.1.3),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。
所述步骤2.8)包括:
2.8.1)计算监测时间序列I和J的平均周期tI和tJ;
2.8.2)采用滑动窗口法,按照窗口大小size=max(tI,tJ),滑动步长Internal=0.2×size的参数设置对监测时间序列I和J分别从前往后和从后往前进行划分,得到Nsize,internal个数据片段;
2.8.3)对步骤2.8.2)获得的每一个数据片段,按照步骤2.6)和步骤2.7)计算和确定各自的耦合关系,得到不同片段的耦合关系集合;
2.8.4)对步骤2.8.3)获得的耦合关系,按照方向进行分组;
2.8.5)对步骤2.8.4)获得的每一组耦合关系强度值进行概率密度估计,并按照概率值进行降序排列;
2.8.6)设定一个累积概率阈值Pthreshold,对步骤2.8.5)得到的降序概率值序列进行累积操作,直到累计概率值第一次大于Pthreshold,得到参与累积概率预算的概率值对应的耦合关系强度值集合S;
2.8.7)以步骤2.8.6)得到的S最小值和最大值作为监测变量耦合关系权重区间,得到监测变量耦合关系权重区间[Smin,Smax],该权重区间可以保证该区间内耦合关系强度值的累积概率不小于Pthreshold。
所述步骤3.1)包括:
3.1.1)从系统运行状态历史监测数据中,分别提取系统正常运行状态和故障运行状态下的监测数据集Q0和Q1,两个数据集的维度分别为M0和M1;
3.1.2)计算转换关系T=(QTQ)-1QTsoff,其中:Q=[Q0;Q1];soff=[s0,s1]T,s0是1×M0的0向量,s1是1×M1的1向量;
3.1.3)从系统运行状态历史监测数据中任意抽取一段从正常状态到异常状态的长度为L的监测数据QTest,计算QTestT得到一个L×1反映各个时刻系统运行状态的指数矩阵;
3.1.4)根据步骤3.1.3)计算结果,确定系统运行状态从正常到故障的开始时间点tstart和截止时间点tend。
与现有技术相比,本发明采用数据驱动的方式进行故障原因追溯,以信息流动和流动变化反映系统故障传播和系统运行状态变化;在溯源过程中不需要系统物理拓扑结构的先验知识;溯源过程统一采用变量间的传递信息量作为信息测度和溯源依据;采用基于二进制编码和十进制解码相结合的符号传递熵方法计算变量间耦合关系,抗噪能力更强,信息丢失更少;综合考虑流程工业复杂机电系统由于反馈控制而引起的信息传递关系波动,提出了系统信息模型的权重区间;提出了系统故障发展过程识别方法;提出了系统故障溯源过程,有效解决了流程工业复杂机电系统故障溯源难题。本发明能够根据流程工业复杂机电系统监测数据,从系统任意异常监测点追溯系统故障唯一原因,同时,本发明中的部分处理过程为流程工业复杂机电系统信息建模提供支持,追溯系统故障原因,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为本发明的基于概率密度分布的符号化过程示意图;
图3为本发明的系统故障发展过程识别方法示意图;
图4为本发明的不同数据片段变量信息传递关系波动示意图。
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,本发明具体包括以下步骤:
1)故障溯源准备步骤。收集流程工业复杂机电系统运行状态历史监测数据,建立高维原始数据集;根据原始数据集定义复杂机电系统信息传递模型基本结构;
1.1)原始数据收集。对复杂机电系统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,步骤1)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监测变量的观测时间序列。
1.2)定义系统信息传递模型基本结构。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传递模型为:
IM=(V,AW,AR)。
其中:V={node1,node2,…,noden}是信息传递模型中信息结点集合;AW是信息传递模型关系权重结构体矩阵;AR是信息传递模型关系矩阵;AW和AR是一一对应的n×n矩阵。
2)信息传递模型建模步骤。依据步骤1)的原始数据集和定义的信息模型基本结构,以传递信息量作为系统耦合关系的度量,采用符号传递熵方法,分析计算系统监测变量间的耦合关系,构建复杂机电系统信息传递模型,参见图2,流程工业复杂机电系统信息建模过程包含以下步骤;
2.1)确定最优符号化过程符号个数。
2.1.1)基于核密度估计的概率密度计算。选择任意两个监测时间序列I和J,分别对每一个监测序列进行核密度估计操作,获得每一个序列监测值的概率密度分布,绘制每一个监测时间序列的概率密度分布曲线;
2.1.2)概率密度区间划分。选择符号个数snumber,将步骤2.1.1)中的概率密度曲线按照累积概率分成snumber等份;
2.1.3)符号化操作。对时间序列I和J中的监测值,按照下述方式进行符号化操作:
其中:Ik为时间序列I的第k个监测值;p(x)为x的概率值;snumber为符号个数;min为序列最小值。
2.1.4)确定最优符号个数。本步骤选取不同的符号个数snumber,重复步骤2.1.2)和2.1.3);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。
2.2)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。
2.3)重构相点符号化。根据步骤2.1)中优化的符号个数,对步骤2.2)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;p(x)为x的概率值;min为序列最小值。
2.4)符号化序列的二进制编码。使用位二进制数,对2.3)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)。
2.5)二进制编码序列的十进制转化。拼接2.4)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)。
2.6)监测变量间特定时间段传递熵计算。按照下式,分别计算特定时间段内时间序列I和J间的信息传递量:
2.7)特定时间段内监测变量间的耦合关系确定。将2.6)计算得到的信息传递值填入步骤1)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。
2.8)参见图4,监测变量耦合关系与权重确定。
2.8.1)计算时间序列I和J的平均周期tI和tJ;
2.8.2)采用滑动窗口法,按照窗口大小size=max(tI,tJ),滑动步长Internal=0.2×size的参数设置对原始监测时间序列I和J分别从前往后和从后往前进行划分,得到Nsize,internal个数据片段;
2.8.3)对步骤2.8.2)获得的每一个数据片段,按照步骤2.6)和步骤2.7)计算和确定各自的耦合关系,得到不同片段的耦合关系集合;
2.8.4)对步骤2.8.3)获得的耦合关系,按照方向(正向和反向)进行分组;
2.8.5)对步骤2.8.4)获得的每一组耦合关系强度值进行概率密度估计,并按照概率值进行降序排列;
2.8.6)设定一个累积概率阈值Pthreshold,对步骤2.8.5)得到的降序概率值序列进行累积操作,直到累计概率值第一次大于Pthreshold,得到参与累积概率预算的概率值对应的耦合关系强度值集合S;
2.8.7)确定监测变量耦合关系与权重。以步骤2.8.6)得到的S最小值和最大值作为监测变量耦合关系权重区间,得到监测变量耦合关系权重区间[Smin,Smax],形如下表所示(表中编号代表系统监测变量编号)。该权重区间可以保证该区间内耦合关系强度值的累积概率不小于Pthreshold。
3)故障溯源步骤。参见图3,实现系统故障发展过程识别;确定系统异常状态下的信息传递关系;根据步骤2)中获得的系统固有信息传递关系,确定故障传播路径并完成系统故障溯源。
3.1)系统故障发展过程识别。
3.1.1)从系统运行状态历史监测数据中,分别提取系统正常运行状态和故障运行状态下的监测数据集Q0和Q1,两个数据集的维度分别为M0和M1;
3.1.2)计算转换关系T=(QTQ)-1QTsoff。其中:Q=[Q0;Q1];soff=[s0,s1]T,s0是1×M0的0向量,s1是1×M1的1向量;
3.1.3)从系统运行状态历史监测数据中任意抽取一段从正常状态到异常状态的长度为L的监测数据QTest,计算QTestT得到一个L×1反映各个时刻系统运行状态的指数矩阵;
3.1.4)根据步骤3.1.3)计算结果,确定系统运行状态从正常到故障的开始时间点tstart和截止时间点tend。
3.2)系统异常状态变量耦合关系确定。按照步骤2.1)~2.7)计算tstart~tend时间段内变量间的信息传递量和传递方向;
3.3)故障传播路径确定。
3.3.1)从系统监测变量中任意选取一点作为溯源起始点ps;
3.3.2)按照信息流动的相反方向,寻找tstart~tend时间段内所有信息流向ps的监测变量,构成集合STrace_Temp;
3.3.3)对比tstart~tend时间段内STrace_Temp内任意元素ei到ps的信息传递量与步骤2.8.7)获得的对应耦合关系的权重区间值,若则从STrace_Temp中删除ei,得到更新后的元素集合STrace_Temp';
3.4)故障原因确定。步骤3.3)中从ps开始的溯源过程中集合STrace_Temp'的变化及时故障的传播过程,传播过程中最后一个非空STrace_Temp'中的元素即是故障根事件。如:故障传播过程是:
则故障溯源结果是2号变量。
本发明以信息理论为基础,以系统不同监测变量间的固有信息传递关系为依据,提出了一种基于信息模型的流程工业复杂机电系统故障溯源新方法。该方法结合实际化工系统的控制特点,综合考虑系统反馈机制对系统信息传递的影响,提出了基于耦合关系分析的流程工业复杂机电系统信息建模方法;提出了基于性能劣化思想的系统状态变化过程识别方法;提出了基于系统固有信息传递关系的故障溯源过程。
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,综合考虑流程工业反馈控制对系统故障溯源过程的影响,发明了系统故障过程识别方法和溯源方法,本发明能够从任意异常信息监测点追溯系统故障的唯一根事件,且故障溯源过程不依赖系统物理拓扑先验知识,本发明中部分处理过程可以直接应用于流程工业复杂机电系统信息建模,追溯系统故障原因,提高企业的数字化监控水平,辅助科学维修维护。
Claims (4)
1.一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,其特征在于,包括以下步骤:
1)收集流程工业复杂机电系统的运行状态历史监测数据,建立高维原始数据集,并根据原始数据集定义复杂机电系统的信息传递模型的基本结构;
2)根据步骤1)的原始数据集和定义的信息传递模型的基本结构,以传递信息量作为系统耦合关系的度量,采用基于二进制编码和十进制解码相结合的符号传递熵方法,分析计算系统监测变量间的耦合关系,构建复杂机电系统信息传递模型,得到监测变量耦合关系权重区间[Smin,Smax];
3)故障溯源:
3.1)识别系统故障发展过程,确定系统运行状态从正常到故障的开始时间点tstart和截止时间点tend;
3.2)计算tstart~tend时间段内监测变量间的信息传递量和传递方向,确定系统异常状态变量耦合关系;
3.3)从监测变量任意选取一点作为溯源起始点ps,寻找tstart~tend时间段内所有信息流向ps的监测变量构成集合STrace_Temp,对比tstart~tend时间段内STrace_Temp内任意元素ei到ps的信息传递量与步骤2)中监测变量耦合关系权重区间[Smin,Smax],若则从STrace_Temp中删除ei,得到更新后的元素集合STrace_Temp';重复以上步骤直至则最后一个使STrace_Temp'非空的元素即为故障根事件,完成故障溯源;
所述步骤2)包括以下步骤:
2.1)对监测时间序列进行符号化操作,确定最优化的符号个数soptimization;
2.2)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,得到通过每一个监测变量重构的相空间X:
其中:Nm=N-(m-1)τ是重构相空间中相点个数;
2.3)根据步骤2.1)中最优化的符号个数,对步骤2.2)相空间中的每一个相点进行符号化操作:
其中:soptimization为最优符号个数;p(x)为x的概率值;min为序列最小值;
2.4)对每一个符号化后的相点值进行二进制编码;
2.5)拼接每一个相点中每一个维度的二进制编码,采用位权法对拼接的二进制编码进行十进制转换;
2.6)计算监测变量间特定时间段传递熵,得到特定时间段内监测时间序列间的信息传递量:
2.7)将特定时间段内监测时间序列间的信息传递量填入信息传递模型的基本结构中,得到监测时间序列间的信息传递方向和强度,作为监测变量间的耦合关系;
2.8)根据监测变量间的耦合关系构建复杂机电系统信息传递模型,得到监测变量耦合关系权重区间[Smin,Smax];
所述步骤2.1)包括:
2.1.1)选择任意两个监测时间序列I和J,分别对每一个监测时间序列进行核密度估计操作,获得每一个监测时间序列的监测值的概率密度分布,绘制每一个监测时间序列的概率密度分布曲线;
2.1.2)选择符号个数snumber,将步骤2.1.1)中的概率密度曲线按照累积概率分成snumber等份;
2.1.3)对监测时间序列I和J中的监测值,按照下述公式进行符号化操作:
其中:Ik为时间序列I的第k个监测值;p(x)为x的概率值;snumber为符号个数;min为序列最小值;
2.1.4)选取不同的符号个数snumber,重复步骤2.1.2)和2.1.3),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;
所述步骤2.8)包括:
2.8.1)计算监测时间序列I和J的平均周期tI和tJ;
2.8.2)采用滑动窗口法,按照窗口大小size=max(tI,tJ),滑动步长Internal=0.2×size的参数设置对监测时间序列I和J分别从前往后和从后往前进行划分,得到Nsize,internal个数据片段;
2.8.3)对步骤2.8.2)获得的每一个数据片段,按照步骤2.6)和步骤2.7)计算和确定各自的耦合关系,得到不同片段的耦合关系集合;
2.8.4)对步骤2.8.3)获得的耦合关系,按照方向进行分组;
2.8.5)对步骤2.8.4)获得的每一组耦合关系强度值进行概率密度估计,并按照概率值进行降序排列;
2.8.6)设定一个累积概率阈值Pthreshold,对步骤2.8.5)得到的降序概率值序列进行累积操作,直到累计概率值第一次大于Pthreshold,得到参与累积概率预算的概率值对应的耦合关系强度值集合S;
2.8.7)以步骤2.8.6)得到的S最小值和最大值作为监测变量耦合关系权重区间,得到监测变量耦合关系权重区间[Smin,Smax],该权重区间可以保证该区间内耦合关系强度值的累积概率不小于Pthreshold。
2.根据权利要求1所述的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,其特征在于,所述步骤1)包括以下步骤:
1.1)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,获得n维的监测时间序列矩阵D,作为原始数据集:
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监测变量的监测时间序列;
1.2)对于原始数据集D,定义其代表的系统信息传递模型的基本结构为:
IM=(V,AW,AR)
其中:V={node1,node2,…,noden}是信息传递模型中检测变量集合;AW是信息传递模型关系权重结构体矩阵;AR是信息传递模型关系矩阵;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,其特征在于,所述步骤3.1)包括:
3.1.1)从系统运行状态历史监测数据中,分别提取系统正常运行状态和故障运行状态下的监测数据集Q0和Q1,两个数据集的维度分别为M0和M1;
3.1.2)计算转换关系T=(QTQ)-1QTsoff,其中:Q=[Q0;Q1];soff=[s0,s1]T,s0是1×M0的0向量,s1是1×M1的1向量;
3.1.3)从系统运行状态历史监测数据中任意抽取一段从正常状态到异常状态的长度为L的监测数据QTest,计算QTestT得到一个L×1反映各个时刻系统运行状态的指数矩阵;
3.1.4)根据步骤3.1.3)计算结果,确定系统运行状态从正常到故障的开始时间点tstart和截止时间点tend。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710633540.7A CN107423414B (zh) | 2017-07-28 | 2017-07-28 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710633540.7A CN107423414B (zh) | 2017-07-28 | 2017-07-28 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107423414A CN107423414A (zh) | 2017-12-01 |
CN107423414B true CN107423414B (zh) | 2020-04-28 |
Family
ID=60430806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710633540.7A Expired - Fee Related CN107423414B (zh) | 2017-07-28 | 2017-07-28 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107423414B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108508860B (zh) * | 2018-05-10 | 2020-03-17 | 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 |
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 |
CN110378036A (zh) * | 2019-07-23 | 2019-10-25 | 沈阳天眼智云信息科技有限公司 | 基于传递熵的化工过程故障诊断方法 |
CN111080502B (zh) * | 2019-12-17 | 2023-09-08 | 清华苏州环境创新研究院 | 一种区域企业数据异常行为的大数据识别方法 |
CN112147974B (zh) * | 2020-07-22 | 2022-07-12 | 中国石油大学(华东) | 基于化工过程知识自动化的报警根原因诊断方法 |
CN112163682B (zh) * | 2020-10-19 | 2022-05-17 | 北京邮电大学 | 一种基于信息差异图模型的电力调度自动化系统故障溯源方法 |
CN112906787B (zh) * | 2021-02-10 | 2023-09-15 | 宁波诺丁汉新材料研究院有限公司 | 一种工业锅炉故障识别方法及系统 |
CN113128076A (zh) * | 2021-05-18 | 2021-07-16 | 北京邮电大学 | 基于双向加权图模型的电力调度自动化系统故障溯源方法 |
CN113110402B (zh) * | 2021-05-24 | 2022-04-01 | 浙江大学 | 知识与数据驱动的大规模工业系统分布式状态监测方法 |
CN114116370B (zh) * | 2021-08-31 | 2024-04-26 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 复杂电子系统运行健康状态监测点优选方法 |
CN114578780B (zh) * | 2022-05-06 | 2022-08-16 | 广东祥利科技有限公司 | 交联聚乙烯在线生产监测方法及系统 |
CN115081926B (zh) * | 2022-07-14 | 2022-11-11 | 石家庄良村热电有限公司 | 一种适用于智能电厂的运行安全预警方法及系统 |
CN115237091B (zh) * | 2022-07-18 | 2024-08-16 | 西安交通大学 | 一种机电装备故障溯源方法及系统 |
CN116910478B (zh) * | 2023-07-14 | 2024-01-30 | 西安科技大学 | 一种锂离子电池事故溯源方法及系统 |
CN117074627B (zh) * | 2023-10-16 | 2024-01-09 | 三科智能(山东)集团有限公司 | 基于人工智能的医疗实验室空气质量监测系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661070A (zh) * | 2009-09-25 | 2010-03-03 | 华北电力大学 | 信息论与专家系统相结合进行电力系统故障诊断的方法 |
US9104565B2 (en) * | 2011-12-29 | 2015-08-11 | Electronics And Telecommunications Research Institute | Fault tracing system and method for remote maintenance |
CN104065503A (zh) * | 2013-03-22 | 2014-09-24 | 上海电科智能系统股份有限公司 | 一种智能交通物联网设施故障溯源判别分析方法 |
-
2017
- 2017-07-28 CN CN201710633540.7A patent/CN107423414B/zh not_active Expired - Fee Related
Non-Patent Citations (1)
Title |
---|
An information transfer based novel framework for fault root cause tracing of complex electromechanical systems in the processing industry;RongxiWang 等;《Mechanical Systems and Signal Processing》;20180215;第101卷;121-139 * |
Also Published As
Publication number | Publication date |
---|---|
CN107423414A (zh) | 2017-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107423414B (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 | |
CN107561997B (zh) | 一种基于大数据决策树的电力设备状态监测方法 | |
CN111368890A (zh) | 故障检测方法及装置、信息物理融合系统 | |
CN103310051B (zh) | 一种全寿命周期内的车载信息终端故障率预测方法 | |
CN108763654A (zh) | 一种基于威布尔分布和隐半马尔科夫模型的电力设备故障预测方法 | |
Diyin et al. | Remaining useful life prediction for engineering systems under dynamic operational conditions: A semi-Markov decision process-based approach | |
CN110398368B (zh) | 基于fbm的长相关模型的轴承内圈故障剩余寿命预测方法 | |
CN110119787B (zh) | 一种旋转型机械设备工况检测方法及设备 | |
CN113051839B (zh) | 一种基于深度学习的设备剩余寿命预测模型构建方法 | |
CN113570138A (zh) | 一种时间卷积网络的设备剩余使用寿命预测方法及装置 | |
CN110399278B (zh) | 基于数据中心异常监控的告警融合系统及方法 | |
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 | |
CN109472097B (zh) | 一种输电线路在线监测设备故障诊断方法 | |
CN111259953B (zh) | 一种基于电容型设备缺陷数据的设备缺陷时间预测方法 | |
KR20110043277A (ko) | 베이지안 통계기법을 이용한 발전설비 고장예측방법 | |
CN116862081B (zh) | 一种污染治理设备运维方法及系统 | |
Qin et al. | Remaining useful life prediction for rotating machinery based on optimal degradation indicator | |
CN116007937B (zh) | 一种机械设备传动部件智能故障诊断方法及装置 | |
CN116401532A (zh) | 一种电力系统受扰后频率失稳识别方法及系统 | |
CN118283552A (zh) | 基于物联网分析的计划调度优化方法 | |
CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
CN112506687B (zh) | 基于多周期分段滑动窗口标准差的故障诊断方法 | |
CN116435995A (zh) | 时间序列的处理方法、计算机可读存储介质和电子设备 | |
CN115348485A (zh) | 设备监测数据的处理方法、装置、计算机设备和程序产品 | |
CN115935814A (zh) | 一种基于arima-svm模型的变压器故障预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200428 |
|
CF01 | Termination of patent right due to non-payment of annual fee |