CN109523027B - 一种基于贝叶斯网络的锅炉运行数据监测方法和装置 - Google Patents
一种基于贝叶斯网络的锅炉运行数据监测方法和装置 Download PDFInfo
- Publication number
- CN109523027B CN109523027B CN201811227347.4A CN201811227347A CN109523027B CN 109523027 B CN109523027 B CN 109523027B CN 201811227347 A CN201811227347 A CN 201811227347A CN 109523027 B CN109523027 B CN 109523027B
- Authority
- CN
- China
- Prior art keywords
- observation
- model
- boiler system
- data
- state
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
- F22B35/00—Control systems for steam boilers
- F22B35/18—Applications of computers to steam boiler control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Abstract
本发明公开了一种基于贝叶斯网络的锅炉系统运行数据监测方法和装置,该方法包括:S1:根据锅炉系统各部件以及各部件不同位置之间的关联关系,建立锅炉系统状态模型;S2:通过传感器采集各部件以及各部件不同位置的运行状态,得到锅炉系统观测模型;S3:结合锅炉系统状态模型和锅炉系统观测模型,得到锅炉系统模型。S4:根据锅炉系统模型,推测缺失观测数据以及判断观测数据是否存在异常。本发明基于贝叶斯网络构建设备运行的模型,通过模型监测数据的正确性以及补全缺失的数据,为后续的设备远程诊断提供便利。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种基于贝叶斯网络的锅炉运行数据监测方法和装置。
背景技术
工业生产现场,工业设备在工作的过程中可以通过传感器采集到大量的数据,通过这些数据我们可以判断设备的工作状态。比如锅炉在工作的过程中通过传感器可以采集到温度、压力等数据,通过这些数据我们可以判断锅炉的工作状态。
但是在实际的场景下,往往由于各种原因使得数据的采集有部分缺失或者不够准确,并且不能对部分缺失或错误的数据采取相应的补全或检测措施,比如传感器原因、物联数据传输问题等。这会使得依靠物联数据的设备远程诊断不方便。
发明内容
本发明实施例提供了一种基于贝叶斯网络的锅炉运行数据监测方法和装置,基于贝叶斯网络构建设备运行的模型,通过模型监测数据的正确性以及补全缺失的数据,为后续的设备远程诊断提供便利。
第一方面,本发明实施例提供了一种基于贝叶斯网络的锅炉运行数据监测方法,该方法包括:
S1:根据锅炉系统各部件以及各部件不同位置之间的关联关系,建立锅炉系统状态模型,锅炉系统状态模型的整体状态分布由公式表示为:P(z1:n)=P(z1)P(z2|z1)…P(zn|z1:n-1),其中,z1:n为锅炉系统中不同部件的合集,zn为锅炉系统中第n个部件的状态;
S2:通过传感器采集各部件以及各部件不同位置的运行状态,得到锅炉系统观测模型,所述锅炉系统观测模型由公式表示为:P(x|z)=N(H(z),σ2),其中,P(x|z)为在状态z下的测量的概率分布;x表示传感器观测值;H为系统观测模型函数;N(H(z),σ2)表示高斯分布;
S3:结合锅炉系统状态模型和锅炉系统观测模型,得到锅炉系统模型,所述锅炉系统模型由公式表示为:
P(z1:n,x1:n)=P(z1)P(z2|z1)…P(zn|z1:n-1)P(x1|z1)…P(xn|zn),
其中,P(z1:n,x1:n)为状态和测量的联合概率分布;
S4:根据锅炉系统模型,推测缺失观测数据以及判断观测数据是否存在异常,具体为:根据系统模型计算缺失数据或不完全观测数据的概率分布,并计算缺失数据或不完全观测数据的期望值,使用所述期望值作为缺失数据或不完全观测数据的估计值进行数据补全;计算观测值的观测概率,根据所述观测概率判断概率低的为异常数据。
对于缺失观测数据的问题,从系统的角度考虑如果能正确观测到大部分数据,同时只是缺失部分观测数据,由于缺失数据和观测数据都作为系统整体状态的一部分,之间存在一定相互的关系(比如蒸汽的出口温度和入口温度),这使得根据观测数据推测缺失数据成为一种可能。假定为缺失数据或不完全观测数据,为可以完全观测的数据,z1:n表示系统状态变量,可以根据系统模型计算得到的概率分布进一步计算的期望值使用期望值作为缺失数据或不完全观测数据的估计值进行数据补全。
对于异常数据的问题,系统模型会根据系统各部分状态的一致性推理数据的正确性并可以对错误数据提示警告或进一步自动修改错误。假定某个时刻在传感器的观测值为x* 1:n,根据系统模型可以计算观测概率P(x* 1:n),根据P(x* 1:n)可以判断观测是否异常(通常认为观测概率低的异常可能性大),并且在一定的情况下可以修正该数据异常。
优选地,在锅炉系统状态模型中,输入zn-1和输出zn的关系为:zn=F(zn-1)+u,其中,F为系统状态模型函数;u为系统状态模型的噪声,符合高斯分布。
优选地,在锅炉系统状态模型中,输入zn-1和输出zn之间的条件概率分布为:P(zn|zn-1)=N(F(zn-1),∑),其中,N(F(zn-1),∑)表示高斯分布。
优选地,传感器观测值与系统观测模型函数满足公式:x=H(z)+ε,其中,ε为观测模型的噪声,符合高斯分布。
第二方面,本发明实施例提供了一种基于贝叶斯网络的锅炉运行数据监测装置,该装置包括:状态模块、观测模块、整合模块和监测模块,所述状态模块,用于根据锅炉系统各部件以及各部件不同位置之间的关联关系,建立锅炉系统状态模型,锅炉系统状态模型的整体状态分布由公式表示为:P(z1:n)=P(z1)P(z2|z1)…P(zn|z1:n-1),其中,z1:n为锅炉系统中不同部件的合集,zn为锅炉系统中第n个部件的状态;
所述观测模块,用于通过传感器采集各部件以及各部件不同位置的运行状态,得到锅炉系统观测模型,所述锅炉系统观测模型由公式表示为:P(x|z)=N(H(z),σ2),其中,P(x|z)为在状态z下的测量的概率分布;x表示传感器观测值;H为系统观测模型函数;N(H(z),σ2)表示高斯分布;所述整合模块,用于结合所述状态模块建立的锅炉系统状态模型和所述观测模块得到的锅炉系统观测模型,得到锅炉系统模型,所述锅炉系统模型由公式表示为:
P(z1:n,x1:n)=P(z1)P(z2|z1)…P(zn|z1:n-1)P(x1|z1)…P(xn|zn),
其中,P(z1:n,x1:n)为状态和测量的联合概率分布;所述监测模块,用于根据锅炉系统模型,推测缺失观测数据以及判断观测数据是否存在异常,具体为:根据系统模型计算缺失数据或不完全观测数据的概率分布,并计算缺失数据或不完全观测数据的期望值,使用所述期望值作为缺失数据或不完全观测数据的估计值进行数据补全;计算观测值的观测概率,根据所述观测概率判断概率低的为异常数据。
与现有技术相比,本发明至少具有以下有益效果:从系统的角度出发,利用系统的物理规律作为先验知识,结合传感器观测构建系统运行数据的统计模型,基于该模型实现数据的质量改进和异常检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例提供的一种基于贝叶斯网络的锅炉运行数据监测方法的流程图;
图2是本发明一个实施例提供的一种基于贝叶斯网络构建的系统模型的依赖关系图;
图3是本发明一个实施例提供的一种基于贝叶斯网络的锅炉运行数据监测方法的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种基于贝叶斯网络的锅炉运行数据监测方法,该方法可以包括以下步骤:
S1:根据锅炉系统各部件以及各部件不同位置之间的关联关系,建立锅炉系统状态模型;
S2:通过传感器采集各部件以及各部件不同位置的运行状态,得到锅炉系统观测模型;
S3:结合锅炉系统状态模型和锅炉系统观测模型,得到锅炉系统模型。
S4:根据锅炉系统模型,推测缺失观测数据以及判断观测数据是否存在异常。
在该实施例中,根据锅炉系统运行物理规律以及大量系统的运行数据建立系统运行的统计模型,设备物联数据是通过传感器采集设备各部件不同位置上的物理状态。首先,设备各部件不同位置上的物理状态并不是相互独立的,各个状态按照物理规律有一定的相关性,这些状态构成了不同的子系统输入输出,一个状态既是一个子系统的输入,同时也是另一个子系统的输出;其次,使用传感器对状态的观测是一个不完全可靠的系统,在引入观测噪声的同时还存在缺失观测、不完全观测、异常观测等问题,通过系统的整体建模可以解决观测缺失不准确等问题。
在本发明一个实施例中,S1中锅炉系统状态模型的整体状态分布由公式表示为:
P(z1:n)=P(z1)P(z2|z1)…P(zn|z1:n-1),
其中,z1:n为锅炉系统中不同部件的合集;zn为锅炉系统中第n个部件的状态。
在锅炉系统状态模型中,输入zn-1和输出zn的关系为:
zn=F(Zn-1)+u,
其中,F为系统状态模型函数;u为系统状态模型的噪声,符合高斯分布。
在锅炉系统状态模型中,输入zn-1和输出zn之间的条件概率分布为:
P(zn|zn-1)N(F(zn-1),∑),
其中,N(F(zn-1),∑)表示高斯分布。
在该实施例中,对于系统状态模型表示了系统内部各个状态之间的关联关系,不同的子系统输入输出,一个状态既是一个子系统的输入,同时也是另一个子系统的输出,作为输入的子系统可以叫做父节点,作为输出的子系统可以叫做子节点。各个节点之间的相互依赖,节点的分布可以根据条件概率由其父节点计算得到子节点,公式为:
Zn=F(Zn-1)+u,
其中,zn-1是zn的父节点;F表示系统模型,可以由业务专家根据相关的领域知识定义;u为系统状态模型的噪声,符合高斯分布,可以表示为u~N(0,∑)。
同时,父节点zn-1和子节点zn之间的条件概率分布为:
P(zn|zn-1)N(F(zn-1),∑),
其中,N(F(zn-1),∑)表示高斯分布。
因此,状态模块建立的锅炉系统状态模型的条件概率系统整体状态分布由公式表示为:
其中,z1:n为锅炉系统中不同部件的合集;zn为锅炉系统中第n个部件的状态。
在本发明一个实施例中,S2中锅炉系统观测模型由公式表示为:
P(x|z)=N(H(z),σ2),
其中,P(x|z)为在状态z下的测量的概率分布;x表示传感器观测值;H为系统观测模型函数;N(H(z),σ2)表示高斯分布。
传感器观测值与系统观测模型函数满足公式:
x=H(z)+ε,
其中,ε为观测模型的噪声,符合高斯分布。
在该实施例中,对于系统观测是指通过传感器观测系统的运行状态,使用传感器对状态的观测是一个不完全可靠的系统,在此引入观测噪声,系统观测模型满足以下公式:
x=H(z)+ε,
其中,x表示传感器观测值;H为系统观测模型函数;ε为观测模型的噪声,符合高斯分布;可以表示为u~N(0,σ2)。
从而可得到系统观测模型由公式表示为:
P(x|z)=N(H(z),σ2),
其中,P(x|z)为在状态z下的测量的概率分布;N(H(z),σ2)表示高斯分布。
在本发明一个实施例中,S3中锅炉系统模型由公式表示为:
P(z1:n,x1:n)=P(z1)P(z2|z1)…P(zn|z1:n-1)P(x1|z1)…P(xn|zn),
其中,P(z1:n,x1:n)为状态和测量的联合概率分布。
在该实施例中,综合系统状态模型和系统观测模型,可以得到系统模型,由公式表示为:
P(z1:n,x1:n)=P(z1)P(z2|z1)…P(zn|z1:n-1)P(x1|z1)…P(xn|zn),
值得说明的是,通过对系统模型的推理计算,可以从数据中得到许多有价值的信息,比如传感器的观测数据是否合理,当前系统运行状态是否正常等。
对于带有不完全观测的动态随机系统,由于该系统的同时具有多个相关联的状态,使用带有隐含变量的贝叶斯网络对该系统建模是一个有效地方法。如图2所示,简要表示了一个系统模型,该系统模型由系统内部的多个状态和状态相对应的传感器观测组成,用一个有向无环图表示,图中包含4类节点,分别是:表示系统状态的节点(不可观测的隐含变量);传感器观测的节点;缺失或部分观测节点;异常观测节点。图中的箭头来表示节点之间的相互依赖关系,也就是系统中各个状态之间的相互关系。
在本发明一个实施例中,步骤S4,根据锅炉系统模型,推测缺失观测数据以及判断观测数据是否存在异常。可以从系统运行数据中训练完成一个系统模型,系统模型反映了系统工作时各个状态的联合概率分布,系统正常工作状态具有较高的概率,可以根据系统模型完成多项数据容错任务。
对于缺失观测数据的问题,从系统的角度考虑如果能正确观测到大部分数据,同时只是缺失部分观测数据,由于缺失数据和观测数据都作为系统整体状态的一部分,之间存在一定相互的关系(比如蒸汽的出口温度和入口温度),这使得根据观测数据推测缺失数据成为一种可能。假定为缺失数据或不完全观测数据,为可以完全观测的数据,z1:n表示系统状态变量,可以根据系统模型计算得到的概率分布进一步计算的期望值使用期望值作为缺失数据或不完全观测数据的估计值进行数据补全。
对于异常数据的问题,系统模型会根据系统各部分状态的一致性推理数据的正确性并可以对错误数据提示警告或进一步自动修改错误。假定某个时刻在传感器的观测值为x* 1:n,根据系统模型可以计算观测概率P(x* 1:n),根据P(x* 1:n)可以判断观测是否异常(通常认为观测概率低的异常可能性大),并且在一定的情况下可以修正该数据异常。
因此,基于贝叶斯网络构建设备运行的系统模型,通过系统模型监测数据的正确性以及补全缺失的数据,为后续的设备远程诊断提供便利。
如图3所示,本发明实施例提供了一种基于贝叶斯网络的锅炉运行数据监测装置,该装置包括:状态模块、观测模块、整合模块和监测模块,其中,
所述状态模块,用于根据锅炉系统各部件以及各部件不同位置之间的关联关系,建立锅炉系统状态模型;
所述观测模块,用于通过传感器采集各部件以及各部件不同位置的运行状态,得到锅炉系统观测模型;
所述整合模块,用于结合所述状态模块建立的锅炉系统状态模型和所述观测模块得到的锅炉系统观测模型,得到锅炉系统模型。
所述监测模块,用于根据锅炉系统模型,推测缺失观测数据以及判断观测数据是否存在异常。
在该实施例中,根据锅炉系统运行物理规律以及大量系统的运行数据建立系统运行的统计模型,设备物联数据是通过传感器采集设备各部件不同位置上的物理状态。首先,设备各部件不同位置上的物理状态并不是相互独立的,各个状态按照物理规律有一定的相关性,这些状态构成了不同的子系统输入输出,一个状态既是一个子系统的输入,同时也是另一个子系统的输出;其次,使用传感器对状态的观测是一个不完全可靠的系统,在引入观测噪声的同时还存在缺失观测、不完全观测、异常观测等问题,通过系统的整体建模可以解决观测缺失不准确等问题。
对于系统状态模型表示了系统内部各个状态之间的关联关系,不同的子系统输入输出,一个状态既是一个子系统的输入,同时也是另一个子系统的输出,作为输入的子系统可以叫做父节点,作为输出的子系统可以叫做子节点。各个节点之间的相互依赖,节点的分布可以根据条件概率由其父节点计算得到子节点,公式为:
Zn=F(zn-1)+u,
其中,zn-1是zn的父节点;F表示系统模型,可以由业务专家根据相关的领域知识定义;u为系统状态模型的噪声,符合高斯分布,可以表示为u~N(0,∑)。
同时,父节点zn-1和子节点zn之间的条件概率分布为:
P(zn|zn-1)N(F(zn-1),∑)
其中,N(F(zn-1),∑)表示高斯分布。
因此,状态模块建立的锅炉系统状态模型的条件概率系统整体状态分布由公式表示为:
P(z1:n)=P(z1)P(z2|z1)…P(zn|z1:n-1)
其中,z1:n为锅炉系统中不同部件的合集;zn为锅炉系统中第n个部件的状态。
对于系统观测是指通过传感器观测系统的运行状态,使用传感器对状态的观测是一个不完全可靠的系统,在此引入观测噪声,系统观测模型满足以下公式:
x=H(z)+ε,
其中,x表示传感器观测值;H为系统观测模型函数;ε为观测模型的噪声,符合高斯分布;可以表示为u~N(0,σ2)。
从而可得到系统观测模型由公式表示为:
P(x|z)=N(H(z),σ2),
其中,P(x|z)为在状态z下的测量的概率分布;N(H(z),σ2)表示高斯分布。
综上,综合系统状态模型和系统观测模型,可以得到系统模型,由公式表示为:
P(z1:n,x1:n)=P(z1)P(z2|z1)…P(zn|z1:n-1)P(x1|z1)…P(xn|zn),
值得说明的是,通过对系统模型的推理计算,可以从数据中得到许多有价值的信息,比如传感器的观测数据是否合理,当前系统运行状态是否正常等。
可以从系统运行数据中训练完成一个系统模型,系统模型反映了系统工作时各个状态的联合概率分布,系统正常工作状态具有较高的概率,可以根据系统模型完成多项数据容错任务。
对于缺失观测数据的问题,从系统的角度考虑如果能正确观测到大部分数据,同时只是缺失部分观测数据,由于缺失数据和观测数据都作为系统整体状态的一部分,之间存在一定相互的关系(比如蒸汽的出口温度和入口温度),这使得根据观测数据推测缺失数据成为一种可能。假定为缺失数据或不完全观测数据,为可以完全观测的数据,z1:n表示系统状态变量,可以根据系统模型计算得到的概率分布进一步计算的期望值使用期望值作为缺失数据或不完全观测数据的估计值进行数据补全。
对于异常数据的问题,系统模型会根据系统各部分状态的一致性推理数据的正确性并可以对错误数据提示警告或进一步自动修改错误。假定某个时刻在传感器的观测值为x* 1:n,根据系统模型可以计算观测概率P(x* 1:n),根据P(x* 1:n)可以判断观测是否异常(通常认为观测概率低的异常可能性大),并且在一定的情况下可以修正该数据异常。
因此,基于贝叶斯网络构建设备运行的系统模型,通过系统模型监测数据的正确性以及补全缺失的数据,为后续的设备远程诊断提供便利。
上述装置内的各模块之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个······”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后需要说明的是:以上所述仅为本发明的较佳实施例,仅用于说明本发明的技术方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (5)
1.一种基于贝叶斯网络的锅炉系统运行数据监测方法,其特征在于,该方法包括:
S1:根据锅炉系统各部件以及各部件不同位置之间的关联关系,建立锅炉系统状态模型,锅炉系统状态模型的整体状态分布由公式表示为:
P(z1:n)=P(z1)P(z2|z1)…P(zn|z1:n-1),
其中,z1:n为锅炉系统中不同部件的合集,zn为锅炉系统中第n个部件的状态;
S2:通过传感器采集各部件以及各部件不同位置的运行状态,得到锅炉系统观测模型,所述锅炉系统观测模型由公式表示为:
P(x|z)=N(H(z),σ2),
其中,P(x|z)为在状态z下的测量的概率分布;x表示传感器观测值;H为系统观测模型函数;N(H(z),σ2)表示高斯分布;
S3:结合锅炉系统状态模型和锅炉系统观测模型,得到锅炉系统模型,所述锅炉系统模型由公式表示为:
P(z1:n,x1:n)=P(z1)P(z2|z1)…P(zn|z1:n-1)P(x1|z1)…P(xn|zn),
其中,P(z1:n,x1:n)为状态和测量的联合概率分布;
S4:根据锅炉系统模型,推测缺失观测数据以及判断观测数据是否存在异常,具体为:根据系统模型计算缺失数据或不完全观测数据的概率分布,并计算缺失数据或不完全观测数据的期望值,使用所述期望值作为缺失数据或不完全观测数据的估计值进行数据补全;计算观测值的观测概率,根据所述观测概率判断概率低的为异常数据。
2.根据权利要求1所述的基于贝叶斯网络的锅炉系统运行数据监测方法,其特征在于,
在锅炉系统状态模型中,输入zn-1和输出zn的关系为:
zn=F(zn-1)+u,
其中,F为系统状态模型函数;u为系统状态模型的噪声,符合高斯分布。
3.根据权利要求2所述的基于贝叶斯网络的锅炉系统运行数据监测方法,其特征在于,
在锅炉系统状态模型中,输入zn-1和输出zn之间的条件概率分布为:
P(zn|zn-1)N(F(zn-1),∑),
其中,N(F(zn-1),∑)表示高斯分布。
4.根据权利要求3所述的基于贝叶斯网络的锅炉系统运行数据监测方法,其特征在于,
传感器观测值与系统观测模型函数满足公式:
x=H(z)+ε,
其中,ε为观测模型的噪声,符合高斯分布。
5.一种基于贝叶斯网络的锅炉运行数据监测装置,其特征在于,该装置包括:状态模块、观测模块、整合模块和监测模块,其中,
所述状态模块,用于根据锅炉系统各部件以及各部件不同位置之间的关联关系,建立锅炉系统状态模型,锅炉系统状态模型的整体状态分布由公式表示为:P(z1:n)=P(z1)P(z2|z1)…P(zn|z1:n-1),其中,z1:n为锅炉系统中不同部件的合集,zn为锅炉系统中第n个部件的状态;
所述观测模块,用于通过传感器采集各部件以及各部件不同位置的运行状态,得到锅炉系统观测模型,所述锅炉系统观测模型由公式表示为:
P(x|z)=N(H(z),σ2),
其中,P(x|z)为在状态z下的测量的概率分布;x表示传感器观测值;H为系统观测模型函数;N(H(z),σ2)表示高斯分布;
所述整合模块,用于结合所述状态模块建立的锅炉系统状态模型和所述观测模块得到的锅炉系统观测模型,得到锅炉系统模型,所述锅炉系统模型由公式表示为:P(z1:n,x1:n)=P(z1)P(z2|z1)…P(zn|z1:n-1)P(x1|z1)…P(xn|zn),其中,P(z1:n,x1:n)为状态和测量的联合概率分布;
所述监测模块,用于根据锅炉系统模型,推测缺失观测数据以及判断观测数据是否存在异常,具体为:根据系统模型计算缺失数据或不完全观测数据的概率分布,并计算缺失数据或不完全观测数据的期望值,使用所述期望值作为缺失数据或不完全观测数据的估计值进行数据补全;计算观测值的观测概率,根据所述观测概率判断概率低的为异常数据。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811227347.4A CN109523027B (zh) | 2018-10-22 | 2018-10-22 | 一种基于贝叶斯网络的锅炉运行数据监测方法和装置 |
JP2021514420A JP7344960B2 (ja) | 2018-10-22 | 2019-09-25 | ベイジアンネットワークによるボイラーの運転データの監視方法及び装置 |
EP19875735.3A EP3822868A4 (en) | 2018-10-22 | 2019-09-25 | METHOD AND DEVICE FOR MONITORING OPERATING DATA OF A BOILER ON THE BASIS OF A BAVARIAN NETWORK |
US17/256,654 US20210262900A1 (en) | 2018-10-22 | 2019-09-25 | Method and apparatus for monitoring operating data of boiler based on bayesian network |
SG11202102671VA SG11202102671VA (en) | 2018-10-22 | 2019-09-25 | Method and apparatus for monitoring operating data of boiler based on bayesian network |
PCT/CN2019/107944 WO2020082972A1 (zh) | 2018-10-22 | 2019-09-25 | 一种基于贝叶斯网络的锅炉运行数据监测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811227347.4A CN109523027B (zh) | 2018-10-22 | 2018-10-22 | 一种基于贝叶斯网络的锅炉运行数据监测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109523027A CN109523027A (zh) | 2019-03-26 |
CN109523027B true CN109523027B (zh) | 2021-01-05 |
Family
ID=65772785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811227347.4A Active CN109523027B (zh) | 2018-10-22 | 2018-10-22 | 一种基于贝叶斯网络的锅炉运行数据监测方法和装置 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20210262900A1 (zh) |
EP (1) | EP3822868A4 (zh) |
JP (1) | JP7344960B2 (zh) |
CN (1) | CN109523027B (zh) |
SG (1) | SG11202102671VA (zh) |
WO (1) | WO2020082972A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523027B (zh) * | 2018-10-22 | 2021-01-05 | 新智数字科技有限公司 | 一种基于贝叶斯网络的锅炉运行数据监测方法和装置 |
CN111061149B (zh) * | 2019-07-01 | 2022-08-02 | 浙江恒逸石化有限公司 | 基于深度学习预测控制优化的循环流化床节煤降耗的方法 |
CN111122199A (zh) * | 2019-12-31 | 2020-05-08 | 新奥数能科技有限公司 | 一种锅炉故障诊断方法及装置 |
CN113444851A (zh) * | 2021-06-28 | 2021-09-28 | 中冶赛迪重庆信息技术有限公司 | 一种高炉冷却壁水温差检测系统、方法、介质及电子终端 |
CN116383612B (zh) * | 2023-06-07 | 2023-09-01 | 浙江天铂云科光电股份有限公司 | 基于温度数据的电力设备部件框的检测补全方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104238516A (zh) * | 2014-09-15 | 2014-12-24 | 厦门大学 | 一种锅炉系统设备状态监测方法 |
CN105548764A (zh) * | 2015-12-29 | 2016-05-04 | 山东鲁能软件技术有限公司 | 一种电力设备故障诊断方法 |
CN105718717A (zh) * | 2016-01-12 | 2016-06-29 | 叶翔 | 利用贝叶斯网络算法建立锅炉燃烧过程模型的方法和装置 |
CN107194026A (zh) * | 2017-04-17 | 2017-09-22 | 中国大唐集团科学技术研究院有限公司火力发电技术研究所 | 基于贝叶斯网络的吸收塔脱硫过程建模方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4027145A (en) * | 1973-08-15 | 1977-05-31 | John P. McDonald | Advanced control system for power generation |
CN101436057A (zh) * | 2008-12-18 | 2009-05-20 | 浙江大学 | 数控机床热误差贝叶斯网络补偿方法 |
CN102063625B (zh) * | 2010-12-10 | 2012-12-26 | 浙江大学 | 一种用于多视角下多目标追踪的改进型粒子滤波方法 |
US9366451B2 (en) * | 2010-12-24 | 2016-06-14 | Commonwealth Scientific And Industrial Research Organisation | System and method for the detection of faults in a multi-variable system utilizing both a model for normal operation and a model for faulty operation |
GB2496386A (en) * | 2011-11-08 | 2013-05-15 | Ge Aviat Systems Ltd | Method for integrating models of a vehicle health management system |
CN104865956B (zh) * | 2015-03-27 | 2017-07-07 | 重庆大学 | 一种基于贝叶斯网络的复杂系统中传感器故障诊断方法 |
WO2016183332A1 (en) * | 2015-05-13 | 2016-11-17 | Sikorsky Aircraft Corporation | Integrated model for failure diagnosis and prognosis |
WO2016188587A1 (en) * | 2015-05-28 | 2016-12-01 | Hewlett-Packard Development Company, L P | Linking datasets |
CN105117772B (zh) * | 2015-09-02 | 2017-10-27 | 电子科技大学 | 一种多状态系统可靠性模型的参数估计方法 |
CN105913124B (zh) * | 2016-04-08 | 2018-08-24 | 北京航空航天大学 | 基于贝叶斯网络及基层数据的系统健康状态预测方法 |
CN107290965B (zh) * | 2017-08-01 | 2019-11-08 | 浙江大学 | 基于局部加权贝叶斯网络的自适应软测量预测方法 |
CN108304661B (zh) * | 2018-02-05 | 2021-05-07 | 南京航空航天大学 | 基于tdp模型的诊断预测方法 |
CN108596229B (zh) * | 2018-04-13 | 2021-09-10 | 北京华电智慧科技产业有限公司 | 在线异常的监测诊断方法和系统 |
CN108663980A (zh) * | 2018-06-11 | 2018-10-16 | 哈尔滨锅炉厂有限责任公司 | 电站锅炉远程在线诊断系统及其在线诊断方法 |
CN109523027B (zh) * | 2018-10-22 | 2021-01-05 | 新智数字科技有限公司 | 一种基于贝叶斯网络的锅炉运行数据监测方法和装置 |
-
2018
- 2018-10-22 CN CN201811227347.4A patent/CN109523027B/zh active Active
-
2019
- 2019-09-25 US US17/256,654 patent/US20210262900A1/en active Pending
- 2019-09-25 EP EP19875735.3A patent/EP3822868A4/en not_active Ceased
- 2019-09-25 JP JP2021514420A patent/JP7344960B2/ja active Active
- 2019-09-25 SG SG11202102671VA patent/SG11202102671VA/en unknown
- 2019-09-25 WO PCT/CN2019/107944 patent/WO2020082972A1/zh unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104238516A (zh) * | 2014-09-15 | 2014-12-24 | 厦门大学 | 一种锅炉系统设备状态监测方法 |
CN105548764A (zh) * | 2015-12-29 | 2016-05-04 | 山东鲁能软件技术有限公司 | 一种电力设备故障诊断方法 |
CN105718717A (zh) * | 2016-01-12 | 2016-06-29 | 叶翔 | 利用贝叶斯网络算法建立锅炉燃烧过程模型的方法和装置 |
CN107194026A (zh) * | 2017-04-17 | 2017-09-22 | 中国大唐集团科学技术研究院有限公司火力发电技术研究所 | 基于贝叶斯网络的吸收塔脱硫过程建模方法 |
Also Published As
Publication number | Publication date |
---|---|
US20210262900A1 (en) | 2021-08-26 |
JP2022502737A (ja) | 2022-01-11 |
CN109523027A (zh) | 2019-03-26 |
EP3822868A1 (en) | 2021-05-19 |
SG11202102671VA (en) | 2021-04-29 |
EP3822868A4 (en) | 2021-08-18 |
JP7344960B2 (ja) | 2023-09-14 |
WO2020082972A1 (zh) | 2020-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523027B (zh) | 一种基于贝叶斯网络的锅炉运行数据监测方法和装置 | |
CN110888788A (zh) | 异常检测方法、装置、计算机设备及存储介质 | |
US20120215450A1 (en) | Distinguishing between sensor and process faults in a sensor network with minimal false alarms using a bayesian network based methodology | |
EP2221698B1 (en) | Method for computing the relative likelihood of failures | |
CN112862127B (zh) | 一种传感器数据的异常处理方法、装置、电子设备及介质 | |
CN111122199A (zh) | 一种锅炉故障诊断方法及装置 | |
Nguyen et al. | A probabilistic model-based diagnostic framework for nuclear engineering systems | |
WO2017126585A1 (ja) | 情報処理装置、情報処理方法、及び、記録媒体 | |
US11928565B2 (en) | Automated model building and updating environment | |
CN110968061A (zh) | 设备故障的预警方法、装置、存储介质和计算机设备 | |
CN102141948A (zh) | 带噪声的监控器检测和间歇故障隔离 | |
JP2016021241A (ja) | 製品の予想故障数の計算に基づく保証費推定 | |
US11748321B2 (en) | Time-series data condensation and graphical signature analysis | |
Yontay et al. | Bayesian network for reliability prediction in functional design stage | |
CN111290371B (zh) | 物联网设备远程诊断的方法及装置、电子设备 | |
Weber et al. | Component reliability in fault-diagnosis decision making based on dynamic Bayesian networks | |
JP7296548B2 (ja) | 作業効率評価方法、作業効率評価装置、及びプログラム | |
Djeziri et al. | Fault prognosis based on physical and stochastic models | |
CN116049642A (zh) | 一种故障诊断方法、系统、电子设备及计算机存储介质 | |
EP3413153A1 (en) | Method and distributed control system for carrying out an automated industrial process | |
WO2023155967A1 (en) | Thermal anomaly management | |
Abdelwahed et al. | Practical considerations in systems diagnosis using timed failure propagation graph models | |
JP2021140400A (ja) | 学習モデル作成システム及び学習モデル作成方法 | |
WO2023100242A1 (ja) | 障害情報推定装置、障害情報推定方法、および障害情報推定プログラム | |
Atzmueller et al. | Sequential Modeling and Structural Anomaly Analytics in Industrial Production Environments. |
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 |