CN108985563B - 一种基于自组织特征映射的机电系统服役动态标记方法 - Google Patents

一种基于自组织特征映射的机电系统服役动态标记方法 Download PDF

Info

Publication number
CN108985563B
CN108985563B CN201810602701.0A CN201810602701A CN108985563B CN 108985563 B CN108985563 B CN 108985563B CN 201810602701 A CN201810602701 A CN 201810602701A CN 108985563 B CN108985563 B CN 108985563B
Authority
CN
China
Prior art keywords
state
network
marking
dcca
dynamic
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
Application number
CN201810602701.0A
Other languages
English (en)
Other versions
CN108985563A (zh
Inventor
高建民
谢军太
高智勇
姜洪权
吕晓喆
王荣喜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201810602701.0A priority Critical patent/CN108985563B/zh
Publication of CN108985563A publication Critical patent/CN108985563A/zh
Application granted granted Critical
Publication of CN108985563B publication Critical patent/CN108985563B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于自组织特征映射网络的复杂机电系统服役过程动态标记方法，通过系统多变量耦合关系网络的构建、网络特征提取、状态标记知识库的被动更新和主动更新过程，不断对状态标记模型进行训练修正，最终对系统运行过程中服役质量状态的演变过程进行详细划分，建立符合系统状态及性能动态演化过程的状态标记知识库，实现了服役质量状态动态标记模型的动态调整，使其更加符合复杂机电系统实际服役过程中状态的演化规律，本发明能够标记出系统运行过程中出现的多种状态，对系统运行过程中服役质量状态的演变过程进行详细划分，最终建立符合系统状态及性能动态演化过程的状态标记知识库，为后续进行服役质量状态辨识和预测预警的研究提供依据。

Description

一种基于自组织特征映射的机电系统服役动态标记方法
技术领域
本技术涉及复杂机电系统的服役质量状态动态标记技术领域，具体涉及一种基于自组织特征映射的机电系统服役动态标记方法。
背景技术
以能源重化工系统为代表的复杂机电系统是一个由诸多大型动力机械装备、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。随着企业数据采集能力的不断提高和企业工业大数据环境的不断完善，从数据出发分析、评估和预测系统状态成为了可能。当今工业领域，数据就是资源，数据就是财富。建立复杂机电系统状态知识库，对以数据驱动的方式研究复杂机电系统状态演变规律具有重要意义。但是传统分类方法往往以大量样本数据为基础进行有监督训练，需要有足够的分类类别数据为分类训练过程提供支持，在训练过程中通过不断对模型参数进行修正，最终建立符合精度的分类模型，显然传统分类方法无法对缺少状态分类数据的复杂机电系统状态进行动态标记。
发明内容
本发明的目的在于提供一种基于自组织特征映射的机电系统服役动态标记方法，以克服现有技术的不足。
为达到上述目的，本发明采用如下技术方案：
一种基于自组织特征映射的机电系统服役动态标记方法，包括以下步骤：
步骤1)、构建耦合关系网络：
选取多变量复杂机电系统中一定长度的n维时间序列X,X＝{x1,x2,x3,…,xn}，分别计算两两变量之间的DCCA标度指数DCCA(x1,x1),DCCA(x1,x2),…,DCCA(xn,xn)；按照计算出的DCCA标度指数下标进行排列，最终形成n×n的DCCA标度指数对称方阵D，矩阵中共有N＝n2个节点，节点值dij为变量xi与变量xj的DCCA标度指数：
Figure BDA0001693652110000021
步骤2)、对步骤1)中得到的耦合关系网络进行特征提取，选取网络结构熵和网络效率作为特征变量；
步骤3)、根据系统某平稳运行状态对应的网络特征初始化SOM神经网络，对耦合关系网络状态进行被动更新；
步骤4)、针对在状态被动更新过程中生成的状态标记知识库，统计计算距系统在被动更新过程中上一次出现该状态的时间，对被动更新后的耦合关系网络状态进行主动更新。
进一步的，步骤1)中，首先对原始数据进行归一化和降噪处理的数据预处理，对经过数据预处理过程之后的多变量时间序列通过FFT算法计算其拟周期，选定窗口宽度T，选择各变量中最大拟周期作为窗口宽度及其步长进行滑动的多维时间序列两两进行DCCA分析，得出多个DCCA标度系数对称矩阵，完成耦合关系网络的构建。
进一步的，步骤2)中，网络结构熵H采用复杂网络的标准结构熵：
Figure BDA0001693652110000031
其中，ki为第i个节点的度，P(ki)为第i个节点的度分布，N为网络节点的总数。
进一步的，步骤2)中，网络效率E：
Figure BDA0001693652110000032
其中N为网络节点数目，G为网络，包含N个节点和节点之间的连边，dij为网络任意两个节点i和j之间最短路径长度。
进一步的，步骤3)中，以系统某平稳运行状态对应的网络特征初始化SOM神经网络，并对该序列进行标记作为状态标记知识库的初始状态，将连续工业数据对应的网络特征使用动态标记方法进行状态标记，若符合已有SOM神经网络聚类阈值，则对应状态标记知识库中已有状态标签，若超出已有SOM神经网络聚类阈值，则进行进一步判断。
进一步的，判断不满足已有标记条件的数据是否满足新状态创建条件，若满足则创建新状态并在状态标记库中为该数据其设置新的状态标签ynew，利用新的标记数据集在已有聚类中心的基础上重新训练状态标记模型；得出状态标记结果并保存，并在此过程中通过不断训练对动态标记模型参数进行优化调整；整个流程按照时间顺序依次循环进行，不断丰富和完善系统历史状态标记知识库。
进一步的，针对在状态被动更新过程中生成的状态标记知识库，统计计算距系统在被动更新过程中上一次出现该状态的时间，判断该时间是否超出所设定的时间阈值，若超出时间阈值，则将该状态标签及其所对应数据从训练集中剔除并重新训练标记模型，若没有超出时间阈值，则重新统计计算距系统在被动更新过程中上一次出现该状态的时间。
与现有技术相比，本发明具有以下有益的技术效果：
本发明公开了基于自组织特征映射网络的复杂机电系统服役过程动态标记方法，通过系统多变量耦合关系网络的构建、网络特征提取、状态标记知识库的被动更新和主动更新过程，不断对状态标记模型进行训练修正，最终对系统运行过程中服役质量状态的演变过程进行详细划分，建立符合系统状态及性能动态演化过程的状态标记知识库，实现了服役质量状态动态标记模型的动态调整，使其更加符合复杂机电系统实际服役过程中状态的演化规律，本发明能够标记出系统运行过程中出现的多种状态，对系统运行过程中服役质量状态的演变过程进行详细划分，最终建立符合系统状态及性能动态演化过程的状态标记知识库，为后续进行服役质量状态辨识和预测预警的研究提供依据。
附图说明
图1为状态被动更新过程流程图。
图2为状态主动更新过程流程图。
图3为系统服役状态演化的网络效率特征曲线。
图4为系统服役状态演化的网络效率特征曲线。
图5为复杂机电系统服役状态的动态演化特征散点图，(a)为散点图的3维视角，(b)为(a)的正视图，(c)为(a)的正视图。
图6为复杂机电系统服役过程的的动态标记结果。
具体实施方式
下面结合附图对本发明做进一步详细描述：
一种基于自组织特征映射的机电系统服役动态标记方法，对于一个由多种介质耦合而成的多变量复杂机电系统，系统状态的变化往往反映在变量间耦合关系的变化，通过系统多变量耦合关系网络的构建、网络特征提取、状态标记知识库的被动更新和主动更新过程，不断对状态标记模型进行训练修正，最终对系统运行过程中服役质量状态的演变过程进行详细划分，建立符合系统状态及性能动态演化过程的状态标记知识库；
具体方法包括以下步骤：
步骤1)、耦合关系网络构建：
通过消除趋势相关分析方法(Detrended Cross-Correlation Analysis,简称DCCA)可定量描述两序列间的耦合强度。对于多变量复杂机电系统来说，选取一定长度的n维时间序列X,X＝{x1,x2,x3,…,xn}，分别计算两两变量之间的DCCA标度指数DCCA(x1,x1),DCCA(x1,x2),…,DCCA(xn,xn)；按照计算出的DCCA标度指数下标进行排列，最终形成一个形如下式的n×n的DCCA标度指数对称方阵D，矩阵中共有N＝n2个节点，节点值dij为变量xi与变量xj的DCCA标度指数；
Figure BDA0001693652110000051
步骤2)、网络特征提取：
为了进一步揭示系统状态演变过程，对耦合关系网络进行特征提取，此处选取网络结构熵和网络效率作为特征变量；
1)、网络结构熵
现实中复杂网络往往具有一些特点：少量具有高连通度的节点(中枢节点)和大多数具有低连通度的节点，即无标度性(幂率特性)。熵，热力学中表征物质状态的参量之一，其物理意义是体系混乱程度的度量。而对应于系统来说，基于度分布的复杂网络结构熵可以简洁地度量复杂网络的序状态；
采用复杂网络的标准结构熵H，其表达式为
Figure BDA0001693652110000061
其中，ki为第i个节点的度分布，P(ki)为第i个节点的度分布概率，N为网络节点的总数；
2)、网络效率
网络效率E用来衡量网络节点交换信息的效率。网络通过网络各节点之间的边传递信息，因而网络效率E与节点间距离dij成反比，为了反应网络中所有节点间最短距离对网络效率产生的影响，网络效率E定义如下:
Figure BDA0001693652110000062
其中N为网络节点数目，G为网络，包含N个节点和节点之间的连边，dij为网络任意两个节点i和j之间最短路径长度。
步骤3)、状态被动更新过程：
1)、以系统某平稳运行状态对应的网络特征初始化SOM神经网络，并对该序列进行标记作为状态标记知识库的初始状态；
2)、将连续工业数据对应的网络特征使用动态标记方法进行状态标记，若符合已有SOM神经网络聚类阈值，则对应状态标记知识库中已有状态标签，若超出已有SOM神经网络聚类阈值，则进行进一步判断；
3)、判断2)中不满足已有标记条件的数据是否满足新状态创建条件，若满足则创建新状态并在状态标记库中为该数据其设置新的状态标签ynew，利用新的标记数据集在已有聚类中心的基础上重新训练状态标记模型；
4)、得出状态标记结果并保存，并在此过程中通过不断训练对动态标记模型参数进行优化调整；
5)、整个流程按照时间顺序依次循环进行，不断丰富和完善系统历史状态标记知识库。
步骤4)、状态主动更新过程：
1)、针对在状态被动更新过程中生成的状态标记知识库，统计计算距系统在被动更新过程中上一次出现该状态的时间(迭代次数)；
2)、判断该时间是否超出所设定的时间(次数)阈值，若超出时间(次数)阈值，则则将该状态标签及其所对应数据从训练集中剔除并重新训练标记模型，若没有超出时间(次数)阈值，则返回步骤1)进行；
3)、该过程与状态被动更新过程同步进行。
应用某煤化工企业的在一次部分设备故障停车前13天压缩机组的故障监测数据对动态标记过程进行详细说明。
应用数据的压缩机组多变量如下表：
表1压缩机组监控变量表
Figure BDA0001693652110000071
Figure BDA0001693652110000081
为了消除DCS系统采集数据中数量级差异、噪声对分析系统状态带来的影响，对原始数据进行归一化和降噪处理的数据预处理过程。
如图1所示，对经过数据预处理过程之后的多变量时间序列通过FFT算法计算其拟周期，进而选定窗口宽度T。
表2各变量的拟周期计算结果
变量序号 1 2 3 4 5 6 7 8
拟周期T 238 1667 1667 84.8 1667 1667 238 1667
选择各变量中最大拟周期作为窗口宽度，即以窗口宽度T＝1667，步长S＝30进行滑动的多维时间序列两两进行DCCA分析，得出930个DCCA标度系数对称矩阵，完成耦合关系网络的构建。
对构建的耦合关系网络进行网络特征提取，本发明选择网络结构熵和网络效率作为网络特征进行提取。
以系统平稳运行状态对应的网络特征，即前200个网络特征向量初始化SOM神经网络，并对该序列进行标记并作为状态标记知识库的初始状态。
将后续工业数据对应的730个网络特征向量使用动态标记方法进行状态标记，若符合已有SOM神经网络聚类阈值，则对应于状态标记知识库中已有状态标签，若超出已有SOM神经网络聚类阈值，则进行进一步判断是否满足新状态创建条件，若满足则创建新状态并在状态标记库中为该数据其设置新的状态标签，利用新的标记数据集在已有聚类中心的基础上重新训练状态标记模型。
得出状态标记结果并保存，并在此过程中通过不断训练对动态标记模型参数进行优化调整，整个流程按照时间顺序依次循环进行，不断丰富和完善系统历史状态标记知识库，从而完成状态被动标记过程。
如图2所示，针对在状态被动更新过程中生成的状态标记知识库，统计计算距系统在被动更新过程中上一次出现该状态的时间(迭代次数)；判断该时间是否超出所设定的时间(次数)阈值，若超出时间(次数)阈值，则将该状态标签及其所对应数据从训练集中剔除并重新训练标记模型。该过程为状态主动更新过程，并与状态被动更新过程同步进行。
图5为730个网络特征向量经过动态标记后呈现的状态标记结果散点图，其中(a)为散点图的3维视角，表示以网络特征向量组成的数据点随滑动窗口(时间)变化而形成的标记效果；(b)为(a)的正视图，表示网络特征之一的网络结构熵随着滑动窗口(时间)变化而形成的标记效果；(c)为(a)的正视图，表示网络特征之一的网络效率随着滑动窗口(时间)变化而形成的标记效果。可以看出：在整个化工过程中，由网络特征提取而得到的相似性较强数据点被标记为相同状态，相似性较弱的数据点被标记为不同状态。随着化工过程的不断运行，先前已有状态被识别，先前没有的异常状态被逐一发现，最终整个化工过程状态被详细划分，形成具有7个状态的系统状态动态标记知识库。
图4为所选取的化工过程经过动态标记方法处理之后形成的状态变化图。可以看出，系统在开始阶段处于较为平稳的运行状态1，随着系统的运行，系统状态逐渐出现异常，且状态不断趋于恶化，出现其余6种状态。图4中系统状态的标记结果出现了一定的反覆，这与系统状态出现了短时的反复更迭状态一致，主要得益于系统中的自动控制系统，形成系统自动功能恢复机制。在系统运行的部分阶段系统状态向正常状态方向进行了一定程度的调整，但其总体服役性能趋于恶化的本质是不变的。这将为系统管理人员合理掌控系统服役阶段做出准确决策提供参考，同时也为系统状态精准预测提供可能。

Claims (5)

1.一种基于自组织特征映射的机电系统服役动态标记方法，其特征在于，包括以下步骤：
步骤1)、构建耦合关系网络：首先对原始数据进行归一化和降噪处理的数据预处理，对经过数据预处理过程之后的多变量时间序列通过FFT算法计算其拟周期，选定窗口宽度T，选择各变量中最大拟周期作为窗口宽度及其步长进行滑动的多维时间序列两两进行DCCA分析，得出多个DCCA标度系数对称矩阵，完成耦合关系网络的构建；
选取多变量复杂机电系统中一定长度的n维时间序列X,X＝{x1,x2,x3,…,xn}，分别计算两两变量之间的DCCA标度指数DCCA(x1,x1),DCCA(x1,x2),…,DCCA(xn,xn)；按照计算出的DCCA标度指数下标进行排列，最终形成n×n的DCCA标度指数对称方阵D，矩阵中共有N＝n2个节点，节点值dij为变量xi与变量xj的DCCA标度指数：
Figure FDA0002882878050000011
步骤2)、对步骤1)中得到的耦合关系网络进行特征提取，选取网络结构熵和网络效率作为特征变量：网络结构熵H采用复杂网络的标准结构熵：
Figure FDA0002882878050000012
其中，ki为第i个节点的度分布，P(ki)为第i个节点的度分布概率，N为网络节点的总数；
步骤3)、根据系统某平稳运行状态对应的网络特征初始化SOM神经网络，对耦合关系网络状态进行被动更新；
步骤4)、针对在状态被动更新过程中生成的状态标记知识库，统计计算距系统在被动更新过程中上一次出现该状态的时间，对被动更新后的耦合关系网络状态进行主动更新。
2.根据权利要求1所述的一种基于自组织特征映射的机电系统服役动态标记方法，其特征在于，步骤2)中，网络效率E：
Figure FDA0002882878050000021
其中N为网络节点数目，G为网络，dij为网络任意两个节点i和j之间最短路径长度。
3.根据权利要求1所述的一种基于自组织特征映射的机电系统服役动态标记方法，其特征在于，步骤3)中，以系统某平稳运行状态对应的网络特征初始化SOM神经网络，并对该序列进行标记作为状态标记知识库的初始状态，将连续工业数据对应的网络特征使用动态标记方法进行状态标记，若符合已有SOM神经网络聚类阈值，则对应状态标记知识库中已有状态标签，若超出已有SOM神经网络聚类阈值，则进行进一步判断。
4.根据权利要求3所述的一种基于自组织特征映射的机电系统服役动态标记方法，其特征在于，判断不满足已有标记条件的数据是否满足新状态创建条件，若满足则创建新状态并在状态标记库中为该数据其设置新的状态标签ynew，利用新的标记数据集在已有聚类中心的基础上重新训练状态标记模型；得出状态标记结果并保存，并在此过程中通过不断训练对动态标记模型参数进行优化调整；整个流程按照时间顺序依次循环进行，不断丰富和完善系统历史状态标记知识库。
5.根据权利要求1所述的一种基于自组织特征映射的机电系统服役动态标记方法，其特征在于，针对在状态被动更新过程中生成的状态标记知识库，统计计算距系统在被动更新过程中上一次出现该状态的时间，判断该时间是否超出所设定的时间阈值，若超出时间阈值，则将该状态标签及其所对应数据从训练集中剔除并重新训练标记模型，若没有超出时间阈值，则重新统计计算距系统在被动更新过程中上一次出现该状态的时间。
CN201810602701.0A 2018-06-12 2018-06-12 一种基于自组织特征映射的机电系统服役动态标记方法 Active CN108985563B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810602701.0A CN108985563B (zh) 2018-06-12 2018-06-12 一种基于自组织特征映射的机电系统服役动态标记方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810602701.0A CN108985563B (zh) 2018-06-12 2018-06-12 一种基于自组织特征映射的机电系统服役动态标记方法

Publications (2)

Publication Number Publication Date
CN108985563A CN108985563A (zh) 2018-12-11
CN108985563B true CN108985563B (zh) 2021-05-28

Family

ID=64541178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810602701.0A Active CN108985563B (zh) 2018-06-12 2018-06-12 一种基于自组织特征映射的机电系统服役动态标记方法

Country Status (1)

Country Link
CN (1) CN108985563B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110470301B (zh) * 2019-08-13 2020-12-11 上海交通大学 多动态任务目标点下的无人机路径规划方法
CN112487590B (zh) * 2020-12-08 2022-07-29 国网四川省电力公司经济技术研究院 一种优化智能电网鲁棒性的方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682835B (zh) * 2016-12-29 2020-05-22 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
CN107103441A (zh) * 2017-04-21 2017-08-29 美林数据技术股份有限公司 基于自组织特征映射网络的电力物资分类方法
CN107689887B (zh) * 2017-08-23 2020-07-28 福建福清核电有限公司 一种核电厂控制系统临时控制变更在线管理系统

Also Published As

Publication number Publication date
CN108985563A (zh) 2018-12-11

Similar Documents

Publication Publication Date Title
CN110070145B (zh) 基于增量聚类的lstm轮毂单品能耗预测
CN111222549B (zh) 一种基于深度神经网络的无人机故障预测方法
CN106548270B (zh) 一种光伏电站功率异常数据辨识方法及装置
CN111832647A (zh) 异常流量检测系统及方法
CN110708318A (zh) 基于改进的径向基神经网络算法的网络异常流量预测方法
CN108052968B (zh) 一种qsfla-svm的感知入侵检测方法
CN110571792A (zh) 一种电网调控系统运行状态的分析评估方法及系统
CN108985563B (zh) 一种基于自组织特征映射的机电系统服役动态标记方法
CN110795690A (zh) 风电场运行异常数据检测方法
CN111625399A (zh) 一种计量数据恢复方法及系统
CN108733003B (zh) 基于kmeans聚类算法的回转类零件工序工时预测方法及系统
CN115438714A (zh) 分簇式联邦学习驱动的机械故障诊断方法、装置及介质
CN112905671A (zh) 时间序列异常处理方法、装置、电子设备及存储介质
CN115587543A (zh) 基于联邦学习和lstm的刀具剩余寿命预测方法及系统
CN111695611B (zh) 一种蜂群优化核极限学习和稀疏表示机械故障识别方法
CN113343587A (zh) 用于电力工控网络的流量异常检测方法
CN111275136B (zh) 基于小样本下的故障预测系统及其预警方法
CN110263917B (zh) 一种神经网络压缩方法及装置
CN111612242A (zh) 一种基于lstm深度学习模型的电机状态参数预测方法
CN111709437B (zh) 一种面向石油化工行业现场工艺行为的异常行为检测方法
CN117117850A (zh) 一种短期用电负荷预测方法及系统
CN113837096B (zh) 一种基于ga随机森林的滚动轴承故障诊断方法
CN114143210B (zh) 一种基于深度学习的指挥控制网络关键节点识别方法
CN114492507A (zh) 一种数模协同驱动下的轴承剩余寿命预测方法
Sallehuddin et al. Forecasting small data set using hybrid cooperative feature selection

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
GR01 Patent grant
GR01 Patent grant