CN108399415B - 一种基于设备所处生命周期阶段的自适应数据采集方法 - Google Patents

Abstract

本发明公开了一种基于设备所处生命周期阶段的自适应数据采集方法，涉及数据采集方法。该方法首先针对所监测设备设定指标体系及设备生命周期阶段的评价等级；该方法充分考虑到设备所处不同生命周期阶段的不同状态，及其对数据采集的影响：当设备处于磨合期或者衰退期，设备易发生故障，采集到的数据值波动大，自适应减小采样周期间隔加大数据采集密度获取更多设备故障数据信息；同理，当设备处于健壮期，设备状态运行平稳，采集到的数据变化小，自适应加大采样间隔减小数据采集密度，合理利用有限带宽和存储资源，最终实现设备状态更精确的拟合与描述。

Description

一种基于设备所处生命周期阶段的自适应数据采集方法

技术领域

本发明涉及数据采集方法，具体是结合设备生命周期理论自适应数据采集的方法。

背景技术

当前随着信息技术和计算机网络技术的发展，将计算机网络技术应用到企业生产中已经成为当前主流趋势。而为了更方便的管理生产线设备，快速定位到故障设备，特别是在无人职守的情况下也能根据传感器获取的设备状态数据实时掌握设备的运行状态，设备远程监测系统扮演着非常重要的角色。该技术随着计算机网络的快速发展而逐渐发展起来，它将传统的自动化理论与新兴的计算机技术进行了充分的融合，消除了由于传输的距离和速度的局限性造成的各种监测问题，增强了设备的可维护性，对多个应用领域产生了重大的影响。

然而，传统的远程监测系统多使用等时间间隔的数据采集方法，不仅无用数据占用大量网络宽带和存储资源，而且采集到的数据在设备状态拟合精度上存在着缺陷。同时，没有考虑到设备所处生命周期阶段，而对各个生命周期阶段采用同样的采样间隔，使得采集数据没有针对性和代表性。当设备处于磨合期或者衰退期，设备易发生故障，采集到的数据值波动大，应加大数据采集密度获取更多设备故障数据信息；同理，当设备处于健壮期，设备状态运行平稳，采集到的数据变化小，应减小数据采集密度，合理利用有限带宽和存储资源，最终实现设备状态更精确的拟合与描述。

发明内容

本发明针对现有设备监测系统的不足，提供了一种基于设备所处生命周期阶段的自适应数据采集方法。本方法针对现有的等时间间隔数据采集所造成的网络宽带和存储资源浪费，设备状态拟合不精确等问题，结合对设备所处生命周期阶段的划分对设备进行自适应的有针对性的数据采集。

本发明的技术方案是一种基于设备所处生命周期阶段的自适应数据采集方法，该方法包括：

步骤1：根据设备故障率浴盆曲线设定设备生命周期阶段为磨合期，健壮期，衰退期三个阶段；

步骤2：根据监测数据使用隐马尔可夫模型(HMM)判断设备所处生命周期阶段，并确定其对应的影响因子；

步骤2.1模型学习：使用Baum-Welch算法对隐马尔可夫模型λ＝(π,A,B)的各参数进行估计；

隐马尔可夫模型包括两个随机序列，一个是隐含的状态转移序列I，表示设备所处生命周期阶段的变化序列；另一个是与隐含状态有关的观测序列O，表示设备关键部件的温度监测数据序列；其中所有可能的状态集合为Q＝{q₁＝磨合期，q₂＝健壮期，q₃＝衰退期}，可能的观测集合为V，π为隐含状态初始概率分布,即初始状态q_i对应的概率为π_i,A为状态转移概率矩阵，B为观测状态概率矩阵；给定模型初始参数λ₀＝(π₀,A₀,B₀)，递推Baum-Welch算法对参数估计公式为：

其中，

直到达到收敛误差或最大迭代步长,最终确定模型各参数估计值；其中：

表示状态转移概率矩阵A中的第(i,j)元素估计值，

表示观测状态概率矩阵B状态为j观测为k的概率估计值，

表示状态q_i对应概率的估计值，ξ_t(i,j)表示给定观测序列O及隐马尔可夫模型λ的前提下t时刻为隐含状态为q_i及t+1时刻为隐含状态q_j的概率，γ_t(i)表示给定观测序列O及隐马尔可夫模型λ的前提下t时刻为隐含状态q_i的概率，o_t表示t时刻观测值，v_k表示观测值为k，P(i_t＝q_i,i_t+1＝q_j|O,λ)表示给定观测序列O及隐马尔可夫模型λ的前提下t时刻为隐含状态为q_i及t+1时刻为隐含状态q_j的概率，P(i_t＝q_i|O,λ)表示给定观测序列O及隐马尔可夫模型λ的前提下t时刻为隐含状态q_i的概率，T表示时间T。

步骤2.2解码识别：在上一步已知模型估计参数的基础上λ＝(π,A,B)，及新的观测序列O＝{o₁,o₂,…o_T}，使用维特比算法计算观测序列对应的最优隐含状态序列

步骤如下：

初始化δ₁(i)＝π_ib_i(o₁) i＝1,2,…,N

ψ₁(i)＝0 i＝1,2,…,N

其中δ₁(i)表示t＝1时刻状态为i的所有单个路径(i₁,i₂,…,i_t)中概率最大值，b_i(o₁)表示隐含状态为i观测值为o₁的概率，N表示隐含状态的个数，ψ₁(i)表示t＝1时刻状态为i的所有单个路径(i₁,i₂,…,i_t)中概率最大的路径的第t-1个节点初始值设定为0；

递推对t＝2,3,…,T

其中a_ji表示状态转移概率矩阵A中的第(i,j)元素值；

终止

其中P^*表示最优路径的概率，

表示T时刻最优隐含状态；

最优路径回溯，对t＝T-1,T-2,…,1

其中

表示t+1时刻状态为

的所有单个路径(i₁,i₂,…,i_t)中概率最大的路径的第t个节点即为t时刻最优隐含状态；

计算得到最优隐含状态序列

步骤2.3以隐含状态初始概率分布估计值π_i作为每个生命周期阶段对应的影响度，且设备所处生命周期阶段判定为最优隐含状态序列中出现次数最多的状态；影响因子为

其中，

为状态

对应的初始概率；

步骤3：根据设备数据的变化平稳度以及步骤2中设备所处生命周期阶段的影响因子综合计算自适应调整数据采样周期间隔；

步骤3.1设一时间段m，时间区间[t-m,t]内有k个采样点，记为D_j,j＝1,2,3,…,k，则计算数据平均变化值；

步骤3.2假设一时间段n，n≥m>0,时间区间[t-n,t]内有p个采样点记为D_j,j＝1,2,3,…,p，则计算区间的数据平均值；

步骤3.3计算数据的变化平稳度

步骤3.4设定数据采集基准时间间隔为T_unit，即算法中设定的数据采集时间间隔的增加或者减小必须是此时间单位的整数倍；设定最大数据采集间隔为T_max，最小数采集间隔为T_min；引入生命周期影响因子δ获取自适应采样间隔ΔT

且ΔT≥T_min。

因为本发明具有结合了设备生命周期理论，综合考虑了设备所处生命周期阶段的特性及采集数据的波动性自适应调整数据采集间隔的技术特征，所以针对设备远程监测具有更合理的数据采集，更精确的设备状态拟合，更高效的带宽及存储资源利用的优点。

附图说明

图1为本发明方法的具体实施方式流程图；

图2为设备故障率曲线；

图3为隐马尔可夫模型；

图4为设备全生命周期温度仿真监测数据；

图5为将监测离散化变换到[1,10]区间内数据；

图6为设备温度观测数据变换到[1,10]区间内的数据；

图7为通过隐马尔可夫模型得到的隐含状态序列数据；

图8为自适应采集数据拟合与原始数据拟合对比图。

具体实施方式

下面对本发明的实施例程详细说明(如图1)，本实施例程在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例程。

实施例程主要可以分为以下几个步骤：

步骤1：根据设备故障率浴盆曲线划分设备生命周期阶段。

根据故障率中的浴盆曲线(图2)可以看出设备在刚开始使用时的磨合期，以及很长一段时间使用后的衰退期更容易发生故障，而属于之间的健壮期则运行平稳不易发生故障。因此，这里我们将被监测设备的生命周期阶段设定为：磨合期，健壮期，衰退期三个阶段。

步骤2：根据监测数据使用隐马尔可夫模型(HMM)判断设备所处生命周期阶段，并确定其对应的影响因子。

步骤2.1模型学习：使用Baum-Welch算法对隐马尔可夫模型λ＝(π,A,B)的各参数进行估计。

如(图3)所示，隐马尔可夫模型包括两个随机序列，一个是隐含的状态转移序列I，即设备所处生命周期阶段的变化序列；另一个是与隐含状态有关的观测序列O，即设备关键部件的温度监测数据序列。我们要通过观测序列O推断出隐含状态序列I的前提就是要先确定隐马尔可夫模型的各参数值。其中所有可能的状态集合为Q＝{q₁＝磨合期，q₂＝健壮期，q₃＝衰退期}，所以可能的观测集合为V，π为隐含状态初始概率分布,即初始状态q_i对应的概率为π_i,A为状态转移概率矩阵，B为观测状态概率矩阵。给定模型初始参数λ₀＝(π₀,A₀,B₀)，递推Baum-Welch算法对参数估计公式为：

其中，

直到达到收敛误差或最大迭代步长,最终确定模型各参数估计值。

若输入设备全生命周期温度仿真监测数据如(图4)，从图可以看出前一段和最后一段数据波动比较大，用以仿真设备的磨合期和衰退期，中间一段相对平稳，用以仿真设备的健壮期。并将数据离散化变换到[1,10]区间如(图5)，即为对应观测集合V。设定隐马尔可夫模型初始参数λ₀＝(π₀,A₀,B₀)如下：

Pi0＝

0.2000

0.6000

0.2000

使用Baum-Welch算法求得隐马尔可夫模型参数λ＝(π,A,B)如下：

Pi＝

0.2511

0.6465

0.1024

步骤2.2解码识别：在上一步已知模型估计参数的基础上λ＝(π,A,B)，及新的观测序列O＝{o₁,o₂,…o_T}，使用维特比算法计算观测序列对应的最优隐含状态序列

步骤如下：

初始化δ₁(i)＝π_ib_i(o₁) i＝1,2,…,N

ψ₁(i)＝0 i＝1,2,…,N

递推对t＝2,3,…,T

终止

最优路径回溯，对t＝T-1,T-2,…,1

得最优路径

若新的设备温度观测数据变换到[1,10]区间内的数据如(图6)，代入隐马尔可夫模型，使用维特比算法得到的隐含序列如(图7)，图中1表示磨合期，2表示健壮期，3表示衰退期，即可得观测温度序列对应的概率最高的隐含状态生命周期阶段序列。

步骤2.3我们以隐含状态初始概率分布估计值π_i作为每个生命周期阶段对应的影响度，且设备所处生命周期阶段判定为最优隐含状态序列中出现次数最多的状态。影响因子为

其中，由上一步可知P(q_i)＝π_i，则

为状态

对应的初始概率。根据上一步数据判定此观测序列属于健壮期的生命周期阶段，计算影响因子得：δ＝0.6513。

步骤3：根据设备采集数据的平稳度以及步骤2中设备所处生命周期阶段的影响因子综合计算自适应调整数据采样周期间隔。

步骤3.1假设一时间段m(m>0)，时间区间[t-m,t]内有k个采样点，记为D_j,j＝1,2,3,…,k，则计算数据平均变化值

步骤3.2假设一时间段n(n≥m>0),时间区间[t-n,t]内有p个采样点记为D_j,j＝1,2,3,…,p，则计算区间的数据平均值

步骤3.3计算数据的变化平稳度

步骤3.4设定数据采集基准时间间隔为T_unit，即算法中设定的数据采集时间间隔的增加或者减小必须是此时间单位的整数倍。设定最大数据采集间隔为T_max，最小数采集间隔为T_min。引入生命周期影响因子δ获取自适应采样间隔ΔT。

且ΔT≥T_min

依据上一步自适应采集所得的数据拟合图如(图8)，从图中可以看到采集的数据量和原始采集数据相比数据减少了，并且针对数据波动较大的数据采集间隔小，相对平稳数据采集间隔大，波动大的数据采集数据较多，相对平稳数据采集的数据较少但亦能描述设备温度变化大体趋势。

Claims (1)

1.一种基于设备所处生命周期阶段的自适应数据采集方法，该方法包括：

步骤1：根据设备故障率浴盆曲线设定设备生命周期阶段为磨合期，健壮期，衰退期三个阶段；

步骤2：根据监测数据使用隐马尔可夫模型判断设备所处生命周期阶段，并确定其对应的影响因子；

步骤2.1模型学习：使用Baum-Welch算法对隐马尔可夫模型λ＝(π,A,B)的各参数进行估计；

隐马尔可夫模型包括两个随机序列，一个是隐含的状态转移序列I，表示设备所处生命周期阶段的变化序列；另一个是与隐含状态有关的观测序列O，表示设备关键部件的温度监测数据序列；其中所有可能的状态集合为Q＝{q₁＝磨合期，q₂＝健壮期，q₃＝衰退期}，可能的观测集合为V，π为隐含状态初始概率分布,即初始状态q_i对应的概率为π_i,A为状态转移概率矩阵，B为观测状态概率矩阵；给定模型初始参数λ₀＝(π₀,A₀,B₀)，递推Baum-Welch算法对参数估计公式为：

其中，

直到达到收敛误差或最大迭代步长,最终确定模型各参数估计值；其中：

表示状态转移概率矩阵A中的第(i,j)元素估计值，

表示观测状态概率矩阵B状态为j观测为k的概率估计值，

表示状态q_i对应概率的估计值，ξ_t(i,j)表示给定观测序列O及隐马尔可夫模型λ的前提下t时刻为隐含状态为q_i及t+1时刻为隐含状态q_j的概率，γ_t(i)表示给定观测序列O及隐马尔可夫模型λ的前提下t时刻为隐含状态q_i的概率，o_t表示t时刻观测值，v_k表示观测值为k，P(i_t＝q_i,i_t+1＝q_j|O,λ)表示给定观测序列O及隐马尔可夫模型λ的前提下t时刻为隐含状态为q_i及t+1时刻为隐含状态q_j的概率，P(i_t＝q_i|O,λ)表示给定观测序列O及隐马尔可夫模型λ的前提下t时刻为隐含状态q_i的概率，T表示时间T；

步骤2.2解码识别：在上一步已知模型估计参数的基础上λ＝(π,A,B)，及新的观测序列O＝{o₁,o₂,…o_T}，使用维特比算法计算观测序列对应的最优隐含状态序列

步骤如下：

初始化δ₁(i)＝π_ib_i(o₁)i＝1,2,…,N

ψ₁(i)＝0i＝1,2,…,N

其中δ₁(i)表示t＝1时刻状态为i的所有单个路径(i₁,i₂,…,i_t)中概率最大值，b_i(o₁)表示隐含状态为i观测值为o₁的概率，N表示隐含状态的个数，ψ₁(i)表示t＝1时刻状态为i的所有单个路径(i₁,i₂,…,i_t)中概率最大的路径的第t-1个节点初始值设定为0；

递推对t＝2,3,…,T

其中a_ji表示状态转移概率矩阵A中的第(i,j)元素值；

终止

其中P^*表示最优路径的概率，

表示T时刻最优隐含状态；

最优路径回溯，对t＝T-1,T-2,…,1

其中

表示t+1时刻状态为

的所有单个路径(i₁,i₂,…,i_t)中概率最大的路径的第t个节点即为t时刻最优隐含状态；

计算得到最优隐含状态序列

步骤2.3以隐含状态初始概率分布估计值π_i作为每个生命周期阶段对应的影响度，且设备所处生命周期阶段判定为最优隐含状态序列中出现次数最多的状态；影响因子为

其中，

为状态

对应的初始概率；

步骤3：根据设备数据的变化平稳度以及步骤2中设备所处生命周期阶段的影响因子综合计算自适应调整数据采样周期间隔；

步骤3.1设一时间段m，时间区间[t-m,t]内有k个采样点，记为D_j,j＝1,2,3,…,k，则计算数据平均变化值；

步骤3.2假设一时间段n，n≥m>0,时间区间[t-n,t]内有p个采样点记为D_j,j＝1,2,3,…,p，则计算区间的数据平均值；

步骤3.3计算数据的变化平稳度

步骤3.4设定数据采集基准时间间隔为T_unit，即算法中设定的数据采集时间间隔的增加或者减小必须是此时间单位的整数倍；设定最大数据采集间隔为T_max，最小数采集间隔为T_min；引入生命周期影响因子δ获取自适应采样间隔ΔT

且ΔT≥T_min。

Images