CN110502590A - 基于格兰杰因果关系校验构建工业装备故障关系的方法 - Google Patents
基于格兰杰因果关系校验构建工业装备故障关系的方法 Download PDFInfo
- Publication number
- CN110502590A CN110502590A CN201910795473.8A CN201910795473A CN110502590A CN 110502590 A CN110502590 A CN 110502590A CN 201910795473 A CN201910795473 A CN 201910795473A CN 110502590 A CN110502590 A CN 110502590A
- Authority
- CN
- China
- Prior art keywords
- operation data
- data
- industrial equipment
- verification
- causal relationship
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012795 verification Methods 0.000 claims abstract description 42
- 230000001364 causal effect Effects 0.000 claims description 44
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 239000000498 cooling water Substances 0.000 claims description 12
- 238000001816 cooling Methods 0.000 claims description 10
- 239000010705 motor oil Substances 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000002485 combustion reaction Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 2
- 241001269238 Data Species 0.000 abstract 2
- 230000001419 dependent effect Effects 0.000 abstract 1
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 239000003921 oil Substances 0.000 description 4
- 230000003137 locomotive effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 108010057186 Insulin Glargine Proteins 0.000 description 1
- COCFEDIXXNGUNL-RFKWWTKHSA-N Insulin glargine Chemical compound C([C@@H](C(=O)N[C@@H](CC(C)C)C(=O)N[C@H]1CSSC[C@H]2C(=O)N[C@H](C(=O)N[C@@H](CO)C(=O)N[C@H](C(=O)N[C@H](C(N[C@@H](CO)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC=3C=CC(O)=CC=3)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CC=3C=CC(O)=CC=3)C(=O)N[C@@H](CSSC[C@H](NC(=O)[C@H](C(C)C)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC=3C=CC(O)=CC=3)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](C)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](C(C)C)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC=3NC=NC=3)NC(=O)[C@H](CO)NC(=O)CNC1=O)C(=O)NCC(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)NCC(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@@H](CC=1C=CC(O)=CC=1)C(=O)N[C@@H]([C@@H](C)O)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCCNC(N)=N)C(O)=O)C(=O)NCC(O)=O)=O)CSSC[C@@H](C(N2)=O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](C(C)C)NC(=O)[C@@H](NC(=O)CN)[C@@H](C)CC)[C@@H](C)CC)[C@@H](C)O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CC(N)=O)NC(=O)[C@@H](NC(=O)[C@@H](N)CC=1C=CC=CC=1)C(C)C)C1=CN=CN1 COCFEDIXXNGUNL-RFKWWTKHSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000010710 diesel engine oil Substances 0.000 description 1
- 230000002706 hydrostatic effect Effects 0.000 description 1
- 229960002869 insulin glargine Drugs 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种基于格兰杰因果关系校验构建工业装备故障关系的方法，通过采集待测工业装备的至少两种运行数据，按照时间先后顺序，每一种运行数据对应形成一条时间序列数据；对各时间序列数据进行预处理；采用格兰杰因果关系校验对预处理后的两两时间序列数据进行校验；根据校验结果，构建两两时间序列数据分别对应的两种运行数据之间的因果关系指向图，以形成待测工业装备的故障关系图。解决了当前基于工业装备故障关系构建，依赖于运行数据之间的相关性，导致准确性低、且缺乏指向性的问题，本方案利用格兰杰因果关系校验确立各运行数据之间的因果关系，指向性明确，且经实际报警案例测得，所构建故障关系与实际报警案例匹配成功率较高。
Description
技术领域
本发明涉及机械故障检测技术领域，尤其涉及一种基于格兰杰因果关系校验构建工业装备故障关系的方法。
背景技术
利用工业装备运行时采集的运行数据，在多类数据之间进行相关性分析，是目前重建工业装备故障关系的常用方法。这类方法主要通过传感器采集工业设备运行时各部件温度、速度等信息，简单的计算两两之间的相关性，在相关性较大的部件之间建立故障关系。
但是，由于相关性本身缺乏指向性，所以导致生成的故障关系也存在这一问题，也即无法明确区分故障关系中的原因和结果。
另外，由于工业装备内部关联十分复杂，各部件运行数据之间的相关性存在普遍较高的现象，依据相关性来构建故障关系，必然存在过多的冗余关系，效果较差。
发明内容
本发明提供的基于格兰杰因果关系校验构建工业装备故障关系的方法，主要解决的技术问题是：当前基于工业装备运行时的运行数据之间的相关性，来构建故障关系，缺乏指向性、且准确性不高。
为解决上述技术问题，本发明提供一种基于格兰杰因果关系校验构建工业装备故障关系的方法，包括：
采集待测工业装备的至少两种运行数据，按照时间先后顺序，每一种运行数据对应形成一条时间序列数据；
对各所述时间序列数据进行预处理；
采用格兰杰因果关系校验对预处理后的两两时间序列数据进行校验；
根据校验结果，构建所述两两时间序列数据分别对应的两种运行数据之间的因果关系指向图，以形成所述待测工业装备的故障关系图。
可选的，所述预处理包括对各所述时间序列数据进行删减、补全、重采样以及归一化处理中的至少一种。
可选的，所述采用格兰杰因果关系校验对预处理后的两两时间序列数据进行校验包括：
针对所述预处理后的两两时间序列数据中的一条，构建其对应的格兰杰自回归模型，计算得到所述格兰杰自回归模型的第一误差值；所述一条时间序列对应运行数据为第一运行数据；
针对另一条时间序列数据，构建其对所述一条时间序列数据的格兰杰联合回归模型，然后计算得到所述格兰杰联合回归模型的第二误差值；所述另一条时间序列对应运行数据为第二运行数据；
根据所述第一误差值与所述第二误差值之间的大小关系，得到所述第二运行数据是否为所述第一运行数据的格兰杰原因；其中模型迟延根据AIC准则拟定。
可选的，所述采用格兰杰因果关系校验对预处理后的两两时间序列数据进行校验还包括：
针对所述另一条时间序列数据，构建其对应的格兰杰自回归模型，计算得到所述格兰杰自回归模型的第三误差值；
针对所述一条时间序列数据，构建其对所述另一条时间序列数据的格兰杰联合回归模型，然后计算得到所述格兰杰联合回归模型的第四误差值；
根据所述第三误差值与所述第四误差值之间的大小关系，得到所述第一运行数据是否为所述第二运行数据的格兰杰原因。
可选的，还包括：对所述第一误差值与所述第二误差值，以及所述第三误差值与所述第四误差值，均进行显著性校验，且显著性水平设置为5％。
可选的，所述根据校验结果，构建所述两两时间序列数据分别对应的两种运行数据之间的因果关系指向图包括：
当校验结果为所述第二运行数据为所述第一运行数据的格兰杰原因时，在所述因果关系指向图中添加由所述第二运行数据指向所述第一运行数据的边；
当校验结果为所述第一运行数据为所述第二运行数据的格兰杰原因时，在所述因果关系指向图中添加由所述第一运行数据指向所述第二运行数据的边；
当校验结果为所述第二运行数据不是所述第一运行数据的格兰杰原因，以及当校验结果为所述第一运行数据不是所述第二运行数据的格兰杰原因时，不做处理。
可选的，所述工业装备包括内燃机。
可选的，所述发动机包括柴油机、汽油机。
可选的，所述柴油机为HXN5型柴油机。
可选的，所述至少两种运行数据包括：机油出口温度、冷却水系统出口水温、冷却风扇转速。
本发明的有益效果是：
根据本发明提供的基于格兰杰因果关系校验构建工业装备故障关系的方法，通过采集待测工业装备的至少两种运行数据，按照时间先后顺序，每一种运行数据对应形成一条时间序列数据；对各时间序列数据进行预处理；采用格兰杰因果关系校验对预处理后的两两时间序列数据进行校验；根据校验结果，构建两两时间序列数据分别对应的两种运行数据之间的因果关系指向图，以形成待测工业装备的故障关系图。解决了当前基于工业装备故障关系构建，依赖于运行数据之间的相关性，导致准确性低、且缺乏指向性的问题，本方案利用格兰杰因果关系校验确立各运行数据之间的因果关系，指向性明确，且经实际报警案例测得，所构建故障关系与实际报警案例匹配成功率较高，相比于现有方案提高了准确性。
附图说明
图1为本发明实施例一的基于格兰杰因果关系校验构建工业装备故障关系的方法；
图2为本发明实施例一的工业装备故障关系图；
图3为本发明实施例一的时间序列图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例一：
为了解决当前基于工业装备运行时的运行数据之间的相关性，来构建故障关系，缺乏指向性、且准确性不高的问题，本实施例提供一种基于格兰杰因果关系校验构建工业装备故障关系的方法，请参见图1，该方法主要包括如下步骤：
S101、采集待测工业装备的至少两种运行数据，按照时间先后顺序，每一种运行数据对应形成一条时间序列数据。
本实施例中，待测工业装备包括但不限于发动机。可选的，发动机包括内燃机，例如汽油机、柴油机等。
运行数据的采集可以采用相应的传感器进行采集，包括但不限于速度传感器、温度传感器、功率传感器、压力传感器、电压/电流传感器等等。不同的运行数据，采取的传感器类型、型号可能不同，具体可以根据实际情况灵活处理，以保证数据采集的有效性、准确性。
本实施例以HXN5型柴油机为例进行说明，应当理解的是，对于其他型号的柴油机，以及汽油机、内燃机等同样适用。运行数据包括机油出口温度、冷却水系统出口水温、冷却风扇转速。
利用现代工业数据采集系统，通过传感器将柴油机运行时的机油出口温度、冷却水系统出口水温、冷却风扇转速等各类运行数据，按时间先后顺序分别记录下来，从而形成了一条条时间序列数据。将同一时间采集的温度、转速等运行数据结合，可以完整的描述某一时刻下柴油机的运行状态，因此将某一时间段内各参数时间序列相结合，也就可以完整地描述这一时间段内柴油机的运行状态，这种数据可称之为多元时间序列数据。
为了构建HXN5型柴油机的完整故障关系图，对应所采集运行数据种类和数量尽可能完善。其中运行数据包括但不限于如下84种，参见表1所示：
表1
S102、对各时间序列数据进行预处理。
结合机车运行中柴油机运转的具体情况以及常规时间序列数据处理方法，设定单列机车在0:00-24:00中所有记录的运行状态为一个完整考察集合，并进行删减、补全、重采样以及归一化等预处理工作。
1.机车运行数据在记录时，将不同列车号以及在不同天数的运行数据整体混合在一起，较为杂乱，相互交错且顺序颠倒。因此将原本的混合的数据，按照列车号分割成多个文件，每一个列车号对应一个文件，对于每个文件中的数据，按照时间先后一次进行排序，获得多个同车单日的时间序列数据文件。
2.冗余数据，数据中存在着大量对实验分析没有帮助的运行数据以及多个整体空缺的记录项目，可将这部分变量剔除。最终一共余下46个运行数据，请参见如下表2所示：
表2
3.重复数据，通过分析数据，可以发现存在较多的数据重复问题，即为对于同一数据做了多次记录。对比发现同时记录的多条数据之间并无差异，将同时采集的多条数据合并为一条即可。
4.缺失数据，数据一方面存在着同一时间多次采集的问题，另一方面也存在着大量的数据缺失，通过使用邻近数据填补的方式将数据补全，对于缺失数据较多的文件直接排除。
5.间隔不均，时间序列分析时通常需要前后两条数据之间的间隔相等，虽然大致设置固定，但还是稍有差异，通过对时间序列进行重采样的方式获得了间隔均等的时间序列数据。
S103、采用格兰杰因果关系校验对预处理后的两两时间序列数据进行校验。
可选的，针对预处理后的两两时间序列数据中的一条，构建其对应的格兰杰自回归模型，计算得到格兰杰自回归模型的第一误差值；所述一条时间序列对应运行数据为第一运行数据；针对另一条时间序列数据，构建其对所述一条时间序列数据的格兰杰联合回归模型，然后计算得到格兰杰联合回归模型的第二误差值；该另一条时间序列对应运行数据为第二运行数据；最后根据第一误差值与第二误差值之间的大小关系，即可得到第二运行数据是否为第一运行数据的格兰杰原因；其中模型迟延根据AIC(Akaike informationcriterion，赤池信息准则)准则拟定。
可选的，当第一误差值大于第二误差值时，判断第二运行数据是第一运行数据的格兰杰原因。也即当第一运行数据出现异常时，第二运行数据可能是导致第一运行数据出现异常的因素。对应的，当第一误差值小于第二误差值时，判断第二运行数据不是第一运行数据的格兰杰原因。即第二运行数据不是导致第一运行数据出现异常的因素。
在本发明的其他实施例中，可以将第一误差值与第二误差值，进行显著性校验，且显著性水平设置为5％。
上述过程确定了第二运行数据是否为第一运行数据的格兰杰原因，但是并不能确定第一运行数据是否为第二运行数据的格兰杰原因。故，还需要基于如下过程进行确定：
针对该另一条时间序列数据，构建其对应的格兰杰自回归模型，计算得到格兰杰自回归模型的第三误差值；针对所述一条时间序列数据，构建其对该另一条时间序列数据的格兰杰联合回归模型，然后计算得到该格兰杰联合回归模型的第四误差值；然后根据第三误差值与第四误差值之间的大小关系，确定该第一运行数据是否为第二运行数据的格兰杰原因。
可选的，当第三误差值大于第四误差值时，判断第一运行数据是第二运行数据的格兰杰原因。也即当第二运行数据出现异常时，第一运行数据可能是导致第一运行数据出现异常的因素。对应的，当第三误差值小于第四误差值时，判断第一运行数据不是第二运行数据的格兰杰原因。即第一运行数据不是导致第二运行数据出现异常的因素。
在本发明的其他实施例中，可以将第三误差值与第四误差值，进行显著性校验，且显著性水平设置为5％。
S104、根据校验结果，构建两两时间序列数据分别对应的两种运行数据之间的因果关系指向图，以形成待测工业装备的故障关系图。
可选的，当校验结果为第二运行数据为第一运行数据的格兰杰原因时，在因果关系指向图中添加由第二运行数据指向第一运行数据的边；当校验结果为第一运行数据为第二运行数据的格兰杰原因时，在因果关系指向图中添加由第一运行数据指向第二运行数据的边；当校验结果为第二运行数据不是第一运行数据的格兰杰原因，以及当校验结果为第一运行数据不是第二运行数据的格兰杰原因时，可以不做处理。
依照格兰杰因果关系检验，针对上述时间序列数据进行建模，并分别进行格兰杰因果关系检验，并依据检验结果建立由原因指向结果的故障关系，表明若结果所代表之运行数据发生异常或故障，那么引发这一异常或故障的原因则可能来源于此检验结果中原因所代表之参数。比如针对柴油机机油出口温度时间序列，与冷却水系统出口水温时间序列之间，进行格兰杰因果关系检验，若检验结果表明冷却水系统出口水温是柴油机出口机油温度的格兰杰原因，那么便在两者之间建立故障关系，其指向为由冷却水系统出口水温指向柴油机机油出口温度，表示如若柴油机油出口温度异常，那么冷却水系统出口水温是可能是引发这一异常的原因。对所采集的全体运行数据之间进行格兰杰因果关系检验后，即可重建完整的柴油机故障关系。
在本实施例中，基于上述46种运行数据得到的完整故障关系，请参见图2所示，具体故障关系如下：
COLUMN002可能是COLUMN031、COLUMN067的格兰杰原因；
COLUMN003可能是COLUMN002、COLUMN004、COLUMN005、COLUMN006、COLUMN007、COLUMN008、COLUMN009、COLUMN010、COLUMN011、COLUMN012、COLUMN013、COLUMN014、COLUMN015、、COLUMN020、COLUMN021、COLUMN022、COLUMN023、COLUMN024、COLUMN025、COLUMN026、COLUMN027、COLUMN028、COLUMN029、COLUMN030、COLUMN031、COLUMN032、COLUMN033、COLUMN034、COLUMN035、COLUMN036、COLUMN037、COLUMN038、COLUMN039、COLUMN042、COLUMN043、COLUMN044、COLUMN065的格兰杰原因；
COLUMN004可能是COLUMN007、COLUMN013、COLUMN014、COLUMN020、COLUMN021、COLUMN048的格兰杰原因；
COLUMN005可能是COLUMN007、COLUMN014、COLUMN042、COLUMN043的格兰杰原因；
COLUMN006可能是COLUMN002、COLUMN003、COLUMN004、COLUMN005、COLUMN015、COLUMN020、COLUMN021、COLUMN022、COLUMN023、COLUMN024、COLUMN025、COLUMN026、COLUMN027、COLUMN028、COLUMN029、COLUMN030、COLUMN033、COLUMN034、COLUMN035、COLUMN036、COLUMN037、COLUMN038、COLUMN039、COLUMN043、COLUMN044、COLUMN047的格兰杰原因；
COLUMN007可能是COLUMN004、COLUMN005、COLUMN006、COLUMN008、COLUMN009、COLUMN010、COLUMN011、COLUMN012、COLUMN013、COLUMN020、COLUMN021、COLUMN029、COLUMN030、COLUMN035、COLUMN036、COLUMN037、COLUMN038的格兰杰原因；
COLUMN008可能是COLUMN065、COLUMN066、COLUMN067的格兰杰原因；
COLUMN009可能是COLUMN041、COLUMN045、COLUMN048、COLUMN065、COLUMN066、COLUMN067的格兰杰原因；
COLUMN010可能是COLUMN003、COLUMN004、COLUMN005、COLUMN006、COLUMN007、COLUMN008、COLUMN009、COLUMN011、COLUMN012、COLUMN013、COLUMN015、COLUMN021、COLUMN022、COLUMN029、COLUMN030、COLUMN031、COLUMN032、COLUMN033、COLUMN034、COLUMN035、COLUMN036、COLUMN037、COLUMN038、COLUMN039、COLUMN041、COLUMN047的格兰杰原因；
COLUMN011可能是COLUMN014、COLUMN065、COLUMN066、COLUMN067的格兰杰原因；
COLUMN012可能是COLUMN003、COLUMN004、COLUMN005、COLUMN006、COLUMN007、COLUMN008、COLUMN009、COLUMN010、COLUMN011、COLUMN013、COLUMN014、COLUMN015、COLUMN020、COLUMN021、COLUMN022、COLUMN029、COLUMN030、COLUMN031、COLUMN033、COLUMN034、COLUMN035、COLUMN036、COLUMN037、COLUMN038、COLUMN039、COLUMN040、COLUMN041、COLUMN047、COLUMN065、COLUMN066、COLUMN067的格兰杰原因；
COLUMN013可能是COLUMN002、COLUMN003、COLUMN008、COLUMN009、COLUMN010、COLUMN011、COLUMN012、COLUMN014、COLUMN015、COLUMN022、COLUMN023、COLUMN024、COLUMN025、COLUMN026、COLUMN027、COLUMN028、COLUMN033、COLUMN034、COLUMN035、COLUMN036、COLUMN037、COLUMN038、COLUMN039、COLUMN047、COLUMN065、COLUMN066、COLUMN067的格兰杰原因；
COLUMN014可能是COLUMN004、COLUMN005、COLUMN006、COLUMN007、COLUMN020、COLUMN021、COLUMN029、COLUMN046、COLUMN047、COLUMN066、OLUMN067的格兰杰原因；
COLUMN020可能是COLUMN031、COLUMN044的格兰杰原因；
COLUMN021可能是COLUMN003、COLUMN004、COLUMN005、COLUMN006、COLUMN007、COLUMN008、COLUMN009、COLUMN010、COLUMN011、COLUMN012、COLUMN013、COLUMN015、COLUMN020、COLUMN022、COLUMN029、COLUMN030、COLUMN031、COLUMN033、COLUMN034、COLUMN035、COLUMN036、COLUMN037、COLUMN038、COLUMN039、COLUMN043、COLUMN044、COLUMN045、COLUMN047的格兰杰原因；
COLUMN022可能是COLUMN044的格兰杰原因；
COLUMN023可能是COLUMN067的格兰杰原因；
COLUMN024可能是COLUMN041、COLUMN044的格兰杰原因；
COLUMN025可能是OLUMN026、COLUMN027、COLUMN028的格兰杰原因；
COLUMN026可能是COLUMN003、COLUMN004、COLUMN005、COLUMN006、COLUMN007、COLUMN008、COLUMN009、COLUMN010、COLUMN011、COLUMN012、COLUMN013、COLUMN021、COLUMN022、COLUMN029、COLUMN030、COLUMN031、COLUMN033、COLUMN034、COLUMN035、COLUMN036、COLUMN037、COLUMN038、COLUMN039、COLUMN040、COLUMN046的格兰杰原因；
COLUMN027可能是COLUMN046、COLUMN065的格兰杰原因；
COLUMN028可能是COLUMN032、COLUMN042的格兰杰原因；
COLUMN029可能是COLUMN004、COLUMN005、COLUMN007、COLUMN015、COLUMN030、COLUMN032、COLUMN040、COLUMN047、COLUMN048的格兰杰原因；
COLUMN030可能是COLUMN003、COLUMN004、COLUMN005、COLUMN007、COLUMN009、COLUMN010、COLUMN011、COLUMN012、COLUMN013、COLUMN015、COLUMN022、COLUMN029、COLUMN032、COLUMN033、COLUMN034、COLUMN035、COLUMN036、COLUMN037、COLUMN038、COLUMN040、COLUMN047、COLUMN048的格兰杰原因；
COLUMN031可能是COLUMN032、COLUMN040、COLUMN041、COLUMN042、COLUMN044、COLUMN045、COLUMN046、COLUMN047、COLUMN048、COLUMN066、COLUMN067的格兰杰原因；
COLUMN032可能是COLUMN041、COLUMN042、COLUMN044、COLUMN045、COLUMN046、COLUMN047、COLUMN048的格兰杰原因；
COLUMN033可能是COLUMN006、COLUMN015、COLUMN020、COLUMN040、COLUMN045的格兰杰原因；
COLUMN034可能是COLUMN020、COLUMN021、COLUMN041、COLUMN046的格兰杰原因；
COLUMN035可能是COLUMN040、COLUMN041、COLUMN043的格兰杰原因；
COLUMN036可能是COLUMN038、COLUMN040、COLUMN041、COLUMN042、COLUMN046的格兰杰原因；
COLUMN037可能是COLUMN035、COLUMN036、COLUMN038、COLUMN039、COLUMN040、COLUMN041、COLUMN042、COLUMN046、COLUMN047的格兰杰原因；
COLUMN038可能是COLUMN040、COLUMN041、COLUMN042、COLUMN047、COLUMN048的格兰杰原因；
COLUMN039可能是COLUMN004、COLUMN022、COLUMN029、COLUMN030、COLUMN033、COLUMN034、COLUMN035、COLUMN036、COLUMN037、COLUMN038、COLUMN043、COLUMN048的格兰杰原因；
COLUMN040可能是COLUMN003、COLUMN022、COLUMN033、COLUMN034、COLUMN035、COLUMN036、COLUMN037、COLUMN038、COLUMN039、COLUMN041、COLUMN042、COLUMN043、COLUMN046、COLUMN047、COLUMN048的格兰杰原因；
COLUMN042可能是COLUMN041、COLUMN043、COLUMN066的格兰杰原因；
COLUMN043可能是COLUMN040、COLUMN042、COLUMN044、COLUMN045、COLUMN048的格兰杰原因；
COLUMN044可能是COLUMN032、COLUMN042、COLUMN045、COLUMN046、COLUMN047、COLUMN048的格兰杰原因；
COLUMN045可能是COLUMN043、COLUMN044、COLUMN047的格兰杰原因；
COLUMN046可能是COLUMN043、COLUMN047、COLUMN048的格兰杰原因；
COLUMN047可能是COLUMN032、COLUMN041、COLUMN042、COLUMN044、COLUMN046、COLUMN048的格兰杰原因；
COLUMN048可能是COLUMN002、COLUMN023、COLUMN024、COLUMN025、COLUMN026、COLUMN027、COLUMN028、COLUMN041、COLUMN042、COLUMN043、COLUMN046的格兰杰原因；
COLUMN065可能是COLUMN004、COLUMN005、COLUMN006、COLUMN007、COLUMN020、COLUMN021、COLUMN029、COLUMN030、COLUMN047、COLUMN048、COLUMN066的格兰杰原因；
COLUMN066可能是COLUMN004、COLUMN005、COLUMN006、COLUMN012、COLUMN013、COLUMN029、COLUMN030、COLUMN046、COLUMN065的格兰杰原因；
COLUMN067可能是COLUMN004、COLUMN005、COLUMN015、COLUMN031、COLUMN032的格兰杰原因。
为了更好地理解本发明，下面针对格兰杰因果校验过程进行详细说明：
假设采集到柴油机某一时段的机油出口温度时间序列为X＝{x1,x2,x3,……,xn}，冷却水系统出口水温时间序列为Y＝{y1,y2,y3,……,yn}；利用x1～xn-j预测xn-j+1～xn，预测的过程中产生一个误差δ1；其中n-j即为格兰杰自回归模型的迟滞(也称迟延)，相当于利用序列的前n-j个采样点，预测后一个点。然后利用X和Y共同预测X，比如用{x1～xn-j|y1～yn-j}预测xn-j+1～xn，预测的过程中产生一个误差δ2；这里即相当于利用X序列的前n-j个采样点以及Y序列的前n-j个采样点，共同预测X的后一个采样点。如果误差δ1大于δ2，也就是说X和Y的联合预测误差小于X自身的预测误差，那么，必然是因为Y对X的预测起到了帮助，所以才减小了预测误差。在这种情况下，称Y对X有格兰杰因果关系。
假设机油出口温度时间序列X＝{x1,x2,x3,……,xn}，如图3所示，首先，需要确定迟滞，也即确定到底需要多少个前采样点来预测，而迟滞可以根据AIC准则进行确定，或者BIC(Bayes information criterion，贝叶斯信息准则)准则进行确定。假设迟滞lag(取值应当小于序列长度n)为3，那么可建立格兰杰自回归模型为：xt＝a1xt-1+a2xt-2+a3xt-3。
利用最小二乘法可以求得系数a1、a2、a3；具体可以通过matlab函数polyfit进行求解，在此不再描述。
预测流程可以看做是一个预测窗函数不断滑动实现的：
利用利用时间范围T:1～lag上[X1～lag]的点预测[lag+1]上的点[Xlag+1]，这里Xplag+1是通过预测得出来的，Xlag+1-Xplag+1产生误差ε1；
利用时间范围T:2～lag+1上[X2～lag+1]的点预测[lag+2]上的点[Xlag+2]，这里Xplag+2是通过预测得出来的，Xlag+2-Xplag+2产生误差ε2；
利用时间范围T:3～lag+2上[X3～lag+2]的点预测[lag+3]上的点[Xlag+3]，这里Xplag+3是通过预测得出来的，Xlag+3-Xplag+3产生误差ε3；
……；
利用时间范围T:n-lag～n-1上[Xn-lag～n-1]的点预测[n]上的点[Xn]，这里Xpn是通过预测得出来的，Xn-Xpn产生误差εn-lag。
对一个长度为n的数据段，迟滞为lag，那么需要进行n-lag次预测，每一次预测都会产生一个误差项，各误差项的无偏估计值即为X序列的整体误差δ1。他们之间的关系可以表述为：
其中，是εm的平均值。
然后计算基于序列X和Y，共同预测X，得到δ2：
假设lag＝3(具体可根据AIC、BIC确定)，建立格兰杰联合回归模型：xt＝a1xt-1+a2xt-2+a3xt-3+a4yt-1+a5yt-2+ε；其中系数a1、a2、a3、a4、a5，可以通过最小二乘法求解。
利用时间范围T：1～lag上[X1～lag，Y1～lag]的点预测[1ag+1]上的点[Xlag+1]，这里Xplag+1是通过预测得出来的，Xlag+1-Xplag+1产生误差ε1；
利用时间范围T：2～lag+1上[X2～lag+1，Y2～lag+1]的点预测[lag+2]上的点[Xlag+2]，这里Xplag+2是通过预测得出来的，Xlag+2-Xplag+2产生误差ε2；
利用时间范围T：3～lag+2上[X2～lag+2，Y2～lag+2]的点预测[1ag+3]上的点[Xlag+3]，这里Xplag+3是通过预测得出来的，Xlag+3-Xplag+3产生误差ε3；
利用时间范围T：n-lag～n-1上[Xn-lag～n-1，Yn-lag～n-1]的点预测[n]上的点[Xn]，这里Xpn是通过预测得出来的，Xn-Xpn产生误差gn-lag。
在得到一系列的误差后，再一次利用前文中提到的无偏估计方法求解联合回归模型产生的无偏估计δ2。
在得到δ2和δ1的值并比较大小之后，还需要做自回归和联合回归误差的显著性校验，例如F检验F_test(δ2，δ1)，否则无法判断δ2和δ1值的大小是否有意义。
假如δ2＜δ1则认为，参数Y对参数X有格兰杰因果关系；否则Y对X没有格兰杰因果关系。
对于参数X对参数Y是否存在格兰杰因果关系，以及其他运行参数是否之间是否存在格兰杰因果关系，均采用上述过程即可得到，从而形成待测工业装备的完整故障关系。
下面针对实际报警案例进行简单说明：
1.报警名称：柴油机出口机油温度高、冷却水系统出口水温高。
2.相关状态：柴油机机油温度、柴油机水温、冷却风扇转速。
3.部件：冷却风扇。
4.失效模式：冷却风扇故障。
5.处置意见：检查冷却风扇是否旋转，检修冷却风扇或静液压马达。
在此报警案例中，柴油机出口机油温度异常，发现其原因为冷却水系统出口水温异常，而冷却水系统出口水温异常是因为冷却风扇停止运转而引起的，本案例所提出之方法利用历史数据所获得的整体故障关系图中，可抽取出与实际报警案例相对应的故障关系子图，也就是说已经建立了从冷却风扇转速指向冷却水系统出口水温，以及冷却水系统出口水温指向柴油机机油出口温度的故障关系，表明本方案所提出的构建故障关系之方法行之有效，能自动化构建柴油机故障关系。
本方案所提出的基于格兰杰因果关系校验构建工业装备故障关系的方法，能有效指导故障溯源、故障排查等。其所构建的故障关系与实际故障案例匹配率较高，并且所构建的故障关系图简洁且有指向性，解决了目前故障关系构建缺乏指向，且过多冗余的问题。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于格兰杰因果关系校验构建工业装备故障关系的方法，其特征在于，包括：
采集待测工业装备的至少两种运行数据，按照时间先后顺序，每一种运行数据对应形成一条时间序列数据；
对各所述时间序列数据进行预处理；
采用格兰杰因果关系校验对预处理后的两两时间序列数据进行校验；
根据校验结果，构建所述两两时间序列数据分别对应的两种运行数据之间的因果关系指向图，以形成所述待测工业装备的故障关系图。
2.如权利要求1所述的基于格兰杰因果关系校验构建工业装备故障关系的方法，其特征在于，所述预处理包括对各所述时间序列数据进行删减、补全、重采样以及归一化处理中的至少一种。
3.如权利要求1所述的基于格兰杰因果关系校验构建工业装备故障关系的方法，其特征在于，所述采用格兰杰因果关系校验对预处理后的两两时间序列数据进行校验包括：
针对所述预处理后的两两时间序列数据中的一条，构建其对应的格兰杰自回归模型，计算得到所述格兰杰自回归模型的第一误差值；所述一条时间序列对应运行数据为第一运行数据；
针对另一条时间序列数据，构建其对所述一条时间序列数据的格兰杰联合回归模型，然后计算得到所述格兰杰联合回归模型的第二误差值；所述另一条时间序列对应运行数据为第二运行数据；
根据所述第一误差值与所述第二误差值之间的大小关系，得到所述第二运行数据是否为所述第一运行数据的格兰杰原因；其中模型迟延根据AIC准则拟定。
4.如权利要求3所述的基于格兰杰因果关系校验构建工业装备故障关系的方法，其特征在于，所述采用格兰杰因果关系校验对预处理后的两两时间序列数据进行校验还包括：
针对所述另一条时间序列数据，构建其对应的格兰杰自回归模型，计算得到所述格兰杰自回归模型的第三误差值；
针对所述一条时间序列数据，构建其对所述另一条时间序列数据的格兰杰联合回归模型，然后计算得到所述格兰杰联合回归模型的第四误差值；
根据所述第三误差值与所述第四误差值之间的大小关系，得到所述第一运行数据是否为所述第二运行数据的格兰杰原因。
5.如权利要求4所述的基于格兰杰因果关系校验构建工业装备故障关系的方法，其特征在于，还包括：对所述第一误差值与所述第二误差值，以及所述第三误差值与所述第四误差值，均进行显著性校验，且显著性水平设置为5％。
6.如权利要求4所述的基于格兰杰因果关系校验构建工业装备故障关系的方法，其特征在于，所述根据校验结果，构建所述两两时间序列数据分别对应的两种运行数据之间的因果关系指向图包括：
当校验结果为所述第二运行数据为所述第一运行数据的格兰杰原因时，在所述因果关系指向图中添加由所述第二运行数据指向所述第一运行数据的边；
当校验结果为所述第一运行数据为所述第二运行数据的格兰杰原因时，在所述因果关系指向图中添加由所述第一运行数据指向所述第二运行数据的边；
当校验结果为所述第二运行数据不是所述第一运行数据的格兰杰原因，以及当校验结果为所述第一运行数据不是所述第二运行数据的格兰杰原因时，不做处理。
7.如权利要求1-6任一项所述的基于格兰杰因果关系校验构建工业装备故障关系的方法，其特征在于，所述工业装备包括内燃机。
8.如权利要求7所述的基于格兰杰因果关系校验构建工业装备故障关系的方法，其特征在于，所述内燃机包括柴油机、汽油机。
9.如权利要求8所述的基于格兰杰因果关系校验构建工业装备故障关系的方法，其特征在于，所述柴油机为HXN5型柴油机。
10.如权利要求1-6任一项所述的基于格兰杰因果关系校验构建工业装备故障关系的方法，其特征在于，所述至少两种运行数据包括：机油出口温度、冷却水系统出口水温、冷却风扇转速。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910795473.8A CN110502590A (zh) | 2019-08-27 | 2019-08-27 | 基于格兰杰因果关系校验构建工业装备故障关系的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910795473.8A CN110502590A (zh) | 2019-08-27 | 2019-08-27 | 基于格兰杰因果关系校验构建工业装备故障关系的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110502590A true CN110502590A (zh) | 2019-11-26 |
Family
ID=68589795
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910795473.8A Pending CN110502590A (zh) | 2019-08-27 | 2019-08-27 | 基于格兰杰因果关系校验构建工业装备故障关系的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110502590A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111667102A (zh) * | 2020-05-22 | 2020-09-15 | 中国南方电网有限责任公司 | 一种用于电力系统变压器元件运行状态故障预警的智能挖掘算法 |
| CN113051307A (zh) * | 2019-12-27 | 2021-06-29 | 深信服科技股份有限公司 | 告警信号的分析方法、设备、存储介质及装置 |
| CN114202245A (zh) * | 2022-01-10 | 2022-03-18 | 天津大学 | 基于格兰杰检验确定水资源和生态环境因果关系的方法 |
| CN114563016A (zh) * | 2021-12-31 | 2022-05-31 | 北京航天自动控制研究所 | 一种基于格兰杰因果分析的冗余惯组故障检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015176565A1 (zh) * | 2014-05-22 | 2015-11-26 | 袁志贤 | 一种基于多维时间序列的电气设备故障预测方法 |
| CN109407654A (zh) * | 2018-12-20 | 2019-03-01 | 浙江大学 | 一种基于稀疏深度神经网络的工业数据非线性因果分析方法 |
| CN109507990A (zh) * | 2018-12-25 | 2019-03-22 | 中南大学 | 一种故障溯源方法及系统 |
| CN109960881A (zh) * | 2018-12-07 | 2019-07-02 | 浙江中控软件技术有限公司 | 基于格兰杰因果性的过程变量评估方法 |
-
2019
- 2019-08-27 CN CN201910795473.8A patent/CN110502590A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015176565A1 (zh) * | 2014-05-22 | 2015-11-26 | 袁志贤 | 一种基于多维时间序列的电气设备故障预测方法 |
| CN109960881A (zh) * | 2018-12-07 | 2019-07-02 | 浙江中控软件技术有限公司 | 基于格兰杰因果性的过程变量评估方法 |
| CN109407654A (zh) * | 2018-12-20 | 2019-03-01 | 浙江大学 | 一种基于稀疏深度神经网络的工业数据非线性因果分析方法 |
| CN109507990A (zh) * | 2018-12-25 | 2019-03-22 | 中南大学 | 一种故障溯源方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 胡瑾秋等: "基于格兰杰因果关系检验的炼化系统故障根原因诊断方法", 《石油学报(石油加工)》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113051307A (zh) * | 2019-12-27 | 2021-06-29 | 深信服科技股份有限公司 | 告警信号的分析方法、设备、存储介质及装置 |
| CN111667102A (zh) * | 2020-05-22 | 2020-09-15 | 中国南方电网有限责任公司 | 一种用于电力系统变压器元件运行状态故障预警的智能挖掘算法 |
| CN111667102B (zh) * | 2020-05-22 | 2023-01-17 | 中国南方电网有限责任公司 | 一种用于电力系统变压器元件运行状态故障预警的智能挖掘算法 |
| CN114563016A (zh) * | 2021-12-31 | 2022-05-31 | 北京航天自动控制研究所 | 一种基于格兰杰因果分析的冗余惯组故障检测方法 |
| CN114563016B (zh) * | 2021-12-31 | 2023-09-29 | 北京航天自动控制研究所 | 一种基于格兰杰因果分析的冗余惯组故障检测方法 |
| CN114202245A (zh) * | 2022-01-10 | 2022-03-18 | 天津大学 | 基于格兰杰检验确定水资源和生态环境因果关系的方法 |
| CN114202245B (zh) * | 2022-01-10 | 2022-08-09 | 天津大学 | 基于格兰杰检验确定水资源和生态环境因果关系的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110502590A (zh) | 基于格兰杰因果关系校验构建工业装备故障关系的方法 | |
| Shi et al. | Rolling bearing initial fault detection using long short-term memory recurrent network | |
| EP2376989B1 (fr) | Identification de defaillances dans un moteur d'aeronef | |
| Niu et al. | Intelligent condition monitoring and prognostics system based on data-fusion strategy | |
| EP1374167B1 (en) | Real-time spatio-temporal coherence estimation for autonomous mode identification and invariance tracking | |
| US20020183971A1 (en) | Diagnostic systems and methods for predictive condition monitoring | |
| US8131484B2 (en) | Method for preprocessing vibro-sensor signals for engine diagnostics and device for carrying out thereof | |
| US20060230313A1 (en) | Diagnostic and prognostic method and system | |
| US20040078171A1 (en) | Diagnostic systems and methods for predictive condition monitoring | |
| CN112416643A (zh) | 无监督异常检测方法与装置 | |
| CN113834657A (zh) | 一种基于改进mset及频谱特征的轴承故障预警及诊断方法 | |
| Simon et al. | Benchmarking gas path diagnostic methods: a public approach | |
| CN105116872A (zh) | 一种工业过程中基于度量学习与时间序列的故障诊断方法 | |
| US11423321B2 (en) | Method and system for predicting system status | |
| CN109710983A (zh) | 一种基于关键性能指标的柴油机气缸分层故障诊断方法 | |
| CN112329183B (zh) | 设备状态数据获取方法、装置、电子设备及存储介质 | |
| CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
| CN116399630B (zh) | 一种基于设备工况的运行监测管理方法及系统 | |
| Simani | Residual generator fuzzy identification for automotive diesel engine fault diagnosis | |
| WO2020173740A1 (en) | Automated refinement of a labeled window of time series data | |
| EP1752898A2 (en) | Exception analysis for multimissions | |
| CN117744874A (zh) | 设备故障预测方法、装置及电子设备 | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| CN118361650B (zh) | 一种基于大数据模型的智能疏水方法 | |
| CN118311379B (zh) | 一种高压电力电缆在线监测故障定位方法和系统 |
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 | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20230811 |
|
| AD01 | Patent right deemed abandoned |