CN111401573B - 一种工况状态建模与修正模型方法 - Google Patents
一种工况状态建模与修正模型方法 Download PDFInfo
- Publication number
- CN111401573B CN111401573B CN201811541159.9A CN201811541159A CN111401573B CN 111401573 B CN111401573 B CN 111401573B CN 201811541159 A CN201811541159 A CN 201811541159A CN 111401573 B CN111401573 B CN 111401573B
- Authority
- CN
- China
- Prior art keywords
- working condition
- data set
- data
- parameters
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000007704 transition Effects 0.000 claims abstract description 56
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000009467 reduction Effects 0.000 claims description 19
- 238000012546 transfer Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 6
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- 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
- 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
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Computational Linguistics (AREA)
- Numerical Control (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种工况状态建模与修正模型方法,收集数据,按照时间顺序排列,形成时间序列数据集;对时间序列数据集进行预处理;将预处理后的时间序列数据集进行聚类,计算聚类的中心点数据集,生成工况数据集和工况过程数据集;对于工况过程数据集,统计工况转移概率,形成工况转移概率模型数据集;收集数据,检测并处理所述数据;逐段计算工况状态转移模式并处理。本发明基于统计建模方法,并且引入专家先验知识,逐步修正所建立的模型,使模型范围覆盖整个系统工况状态,解决机理分析建模方法和基于统计建模方法覆盖率低的问题,可以作为异常工况诊断方法的输入,可以有效地提高异常诊断的准确率。
Description
技术领域
本发明涉及计算机科学技术领域,具体地说是一种工况状态建模与修正模型方法。
背景技术
在过去的几十年中,维护功能变得越来越重要。意想不到的停机时间对维护功能的影响可能是很大的,将导致运转中断与生产力损失,甚至导致生产事故的发生。在有限的维护资源和人员情况下,及时维护是很难达到的。异常诊断方法的效率高低往往取决于诊断模型的优良。建立数学模型的方法大致可分为两类,机理分析建模方法、统计建模方法。
机理分析建模方法是指从过程机理出发,遵循生产过程中的物理、化学规律建立关键变量与其他可测变量之间的数学方程,经推导建立起来的描述过程的方程组的数学模型。这种建模的好处就是可以很清楚地展示系统的内在结构和联系,反映了实际过程的本质。但是此方法建模难度大、周期长,且模型中众多的结构参数和物性参数难于求取,方法的应用受到限制。
基于统计建模方法是指将系统看作黑箱,不分析其内部机理,而只根据研究对象中的输入输出数据之间的相互关系直接建模,模型的在线校正能力强,并能适用于高度非线性和严重不确定系统,从而为解决复杂系统过程参数的模型问题提供了一条有效途径。但基于统计建模方法具有一定的局限性。对复杂非线性过程,样本数据通常只包括某些区域,无法覆盖整个区域。扩大样本数据集的范围又会导致模型复杂,求解难度增大。
发明内容
针对现有技术的不足,本发明提供一种工况状态建模与修正模型方法,在基于统计建模方法上,引入专家先验知识,能够解决现有统计模型无法覆盖整个区域的问题。
本发明为实现上述目的所采用的技术方案是:
一种工况状态建模与修正模型方法,包括以下步骤:
步骤1:收集数据,按照时间顺序排列,形成时间序列数据集;
步骤2:对时间序列数据集进行预处理;
步骤3:将预处理后的时间序列数据集进行聚类,计算聚类的中心点数据集,生成工况数据集和工况过程数据集;
步骤4:对于工况过程数据集,统计工况转移概率,形成工况转移概率模型数据集;
步骤5:收集数据,检测并处理所述数据;
步骤6:逐段计算工况状态转移模式并处理。
所述步骤1包括:
对收集的数据(x1,x2,...,xm)标记时间序列标签,形成时间序列数据集(ti,xi1,xi2,...,xim);其中m表示参数数量,ti表示时间序列标签并且是递增的,x表示不同的参数。
所述步骤2包括:
将时间序列数据集(ti,xi1,xi2,...,xim)中时间序列数据中不相关参数删除,得到降维后的时间序列数据集(ti,xi1,xi2,...,xin),n≤m,其中,ti表示时间序列标签并且是递增的,m表示参数数量,n表示降维后的参数数量,x表示不同的参数。
所述降维包括:
针对每一维的参数分别计算方差,得到(σ1,σ2,...,σm);计算方差的均值删除(σ1,σ2,...,σm)中小于/>的值,得到(σ1,σ2,...,σn),从而得到降维后的时间序列数据集(ti,xi1,xi2,...,xin);其中,ti表示时间序列标签并且是递增的,m表示参数数量,n表示降维后的参数数量,x表示不同的参数,σm表示对应参数的方差。
所述聚类采用k均值算法,具体为:
输入为降维后的数据集(xi1,xi2,...,xin),k的取值范围[Kmin,Kmax];
对于每一个k值分别对降维后的数据集(xi1,xi2,...,xin)作k均值聚类,对每次聚类结果,求出簇内误差平方和SSE值;
取min(SSE)时,簇划分(C1,C2,...,CK)作为输出。
其中,C1,C2,...,CK表示簇的集合,K表示划分成的簇的个数,也即工况类型的数量。
所述生成工况数据集和工况过程数据集包括:
首先,对数据集(xi1,xi2,...,xin)的簇划分(C1,C2,...,CK)标记工况类型,形成工况数据集,表示为(xi1,xi2,...,xin,yk);同时,分别计算簇划分的中心点,形成中心点数据集(ck1,ck2,...,ckn,yk)。其中y表示工况类型且y的数量与簇划分的数量是相同的,即k≤K;C表示与工况数据集(xi1,xi2,...,xin,yk)中对应的参数;
然后,计算簇内各个数据到本簇内中心节点的距离,取距离最大值Dmax;
最后,以时间序列数据集为基准,将工况数据集增加时间序列标签,形成工况过程数据集,表示为(ti,xi1,xi2,...xin,yk);其中y表示工况类型且y的数量与簇划分的数量是相同的,即k≤K;ti表示时间序列标签且是递增的。
所述工况转移概率模型数据集为其中M为窗口大小,/>K为工况类型的数量,1≤a1,a2,a3,aM,aM+1≤n,n表示降维后的参数数量。
所述工况转移模式为表示工况类型/>先出现,工况类型再出现,接着工况类型/>出现……,直至工况类型/>出现,其中1≤a1,a2,a3,am≤n,n表示降维后的参数数量。
所述收集数据,检测并处理所述数据包括:
收集数据,取其中n维参数,作为输入数据(x′1,x′2,...,x′n),其中n表示降维后的参数数量并且参数与降维后的数据集(xi1,xi2,...,xin)所选取的参数是相同的,计算输入数据与中心点数据集的距离,取距离的最小值d;
如果d≤Dmax,则取距离为d的中心点的工况类型,增加时间序列标签,形成时间序列数据(t′,x′1,x′2,...,x′n,y′),将其保存到待处理数据集(t′i,x′i1,x′i2,...,x′in,y′k′)中;
如果d>Dmax,则说明该输入数据与任何工况类型都不匹配,修改工况数据集和中心点数据集;其中Dmax表示簇内各个数据到本簇内中心节点的距离最大值。
所述步骤6包括:
按照时间序列顺序对待处理数据集(t′i,x′i1,x′i2,...,x′in,y′k′),连续取滑动窗口大小M的工况转移模式(yi,yi+1,...,yM,yM+1)在工况转移概率模型中查询统计概率p,如果p>ε,则继续计算下一组数据参数时间序列的工况,如果0≤p≤ε,则修正工况转移概率模型中相应的概率;其中,ε表示根据专家知识定义的一个概率值。
所述修正工况转移概率模型中相应的概率包括:
当p=0时,在工况转移概率模型中增加待修正的工况转移模式的概率值,记为∈,相应地,平均减少工况转移概率模型数据集中其他工况转移模式的概率值;
当0<p≤ε时,在工况转移概率模型中修改待修正的工况转移模式的概率值,记为p+∈,相应地,平均减少工况转移概率模型数据集中其他工况转移模式的概率值;
其中,∈表示根据专家知识定义的一个概率值,并且∈<ε。
本发明具有以下有益效果及优点:
1.本发明基于统计建模方法,并且引入专家先验知识,逐步修正所建立的模型,使模型范围覆盖整个系统工况状态,解决机理分析建模方法和基于统计建模方法覆盖率低的问题。
2.本发明可以作为异常工况诊断方法的输入,可以有效地提高异常诊断的准确率。
附图说明
图1是工况状态模型建立的流程图;
图2是工况状态模型修正的流程图;
图3是窗口大小为2的工况转移模式示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但本发明能够以很多不同于在此描述的其他方式来实施,本领域技术人员可以在不违背发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
如图1所示是工况状态模型建立的流程图。
步骤1,收集数据,形成时间序列数据。需要对所采集到的数据进行收集,数据可表示为(x1,x2,...,xm),m表示参数数量。标记时间序列标签,形成时间序列数据集,可表示为(ti,xi1,xi2,...,xim),ti表示时间序列标签并且是递增的,m表示参数数量。收集的数据就是现场生产的过程中从实时数据库中取出来的数据。
步骤2,对时间序列数据参数进行预处理。预处理的过程是将时间序列数据集(ti,xi1,xi2,...,xim)中的不相关参数删除,得到降维后的时间序列数据集,可表示为(ti,Xi1,Xi2,...,Xin),n≤m,n表示降维后的参数数量,x表示不同的参数。
具体降维过程如下:
针对每一维的参数分别计算方差,得到(σ1,σ2,...,σm)。计算方差的均值删除(σ1,σ2,...,σm)中小于/>的值,得到(σ1,σ2,...,σn),相应地,得到降维后的时间序列数据集(ti,xi1,xi2,...,xin)。其中,ti表示时间序列标签并且是递增的,m表示参数数量,n表示降维后的参数数量,x表示不同的参数,σm表示对应参数的方差。降维时不考虑时间序列标签。
步骤3,将预处理后的时间序列数据集进行聚类,计算聚类的中心点数据集,生成工况数据集和工况过程数据集。包括如下具体步骤:
首先,将预处理后的时间序列数据集进行聚类,聚类时需要先忽略时间标签,即时间标签对聚类的结果无影响。聚类使用k均值算法。输入:降维后的数据集(xi1,xi2,...,xin),k的取值需要根据专家知识确定一个范围[Kmin,Kmax];过程:对于每一个k值分别对降维后的数据集(xi1,xi2,...,xin)作k均值聚类,对每次聚类结果,求出簇内误差平方和SSE值;输出:取min(SSE)时簇划分C=(C1,C2,...,Ck)。其中,C1,C2,...,CK表示簇的集合,K表示划分成的簇的个数,也即工况类型的数量。
然后,根据专家知识对数据集(xi1,xi2,...,xin)的簇划分(C1,C2,...,CK)标记工况类型,形成工况数据集,表示为(xi1,xi2,...,xin,yk)。同时,分别计算簇划分的中心点,形成中心点数据集(ck1,ck2,...,ckn,yk)。其中y表示工况类型且y的数量与簇划分的数量是相同的,即k≤K;c表示与工况数据集(xi1,xi2,...,xin,yk)中对应的参数。
接着,计算簇内各个数据到本簇内中心节点的距离,取距离最大值Dmax。
最后,以时间序列数据集为基准,将工况数据集增加时间序列标签,形成工况过程数据集,表示为(ti,xi1,xi2,...xin,yk)。其中y表示工况类型且y的数量与簇划分的数量是相同的,即k≤K;ti表示时间序列标签且是递增的。
步骤4,对于工况过程数据集,统计工况转移概率,形成工况转移概率模型数据集。需要对步骤3所述的工况过程数据集(ti,xi1,xi2,...xin,yk),按照滑动窗口M的大小统计工况转移概率,形成的工况转移概率模型数据集可表示为即从工况过程数据集中统计出的/>的出现概率,也就是工况过程按照工况转移模式/> 的出现顺序统计相应的概率。其中,M为窗口大小,/>K为工况类型的数量,1≤a1,a2,a3,aM,aM+1≤n,n表示降维后的参数数量。
步骤5,模型建立起来后,继续收集数据,对原来的模型进行修正。收集数据,取其中n维参数,作为输入数据(x′1,x′2,...,x′n),其中n表示降维后的参数数量并且参数与降维后的数据集(xi1,xi2,...,xin)所选取的参数是相同的,计算输入数据与中心点数据集的距离,取距离的最小值d。如果d≤Dmax,则取距离为d的中心点的工况类型,增加时间序列标签,形成时间序列数据(t′,x′1,x′2,...,x′n,y′),将其保存到待处理数据集(x′i,x′i1,x′i2,...,x′in,y′k′)中;如果d>Dmax,则说明该输入数据与任何工况类型都不匹配,修改工况数据集和中心点数据集。其中Dmax表示簇内各个数据到本簇内中心节点的距离最大值。
如图2所示为工况状态模型修正的流程图。
(1)修改工况数据集过程如下:
将数据(x′1,x′2,...,x′n,y′)直接增加到工况数据集(xi1,xi2,...,xin,yk)中。
(2)修改中心点数据集过程如下:
将数据(x′1,x′2,...,x′n,y′)直接增加到中心点数据集(ck1,ck2,...,ckn,yk)中。
步骤6,逐段计算工况状态转移模式并处理。工况转移模式定义为表示工况类型/>先出现,工况类型/>再出现,接着工况类型/>出现等等,其中1≤a1,a2,a3≤n,n表示降维后的参数数量。如图3所示为窗口大小为2的工况转移模式示意图。按照时间序列顺序对待处理数据集(t′i,x′i1,x′i2,...,x′in,y′k′),连续取滑动窗口大小M的工况转移模式(yi,yi+1,...,yM,yM+1)在工况转移概率模型中查询统计概率p,如果p>ε,则继续计算下一组数据参数时间序列的工况;如果0≤p≤ε,则修正工况转移概率模型中相应的概率。其中,ε表示根据专家知识定义的一个概率值。
具体修正工况转移概率模型的过程如下:
(1)当p=0时,说明第一次出现该工况转移模式。
假设需要增加的工况转移模式
在工况转移概率模型中增加待修正的工况转移模式的概率值/>记为∈,相应地,平均减少工况转移概率模型数据集中其他工况转移模式的概率值。
(2)当0<p≤ε时,说明出现该工况转移模式概率极低。
假设需要修改的工况转移模式
在工况转移概率模型中修改的概率/>为p+∈,相应地,平均减少工况转移概率模型数据集中其他工况转移模式的概率值。
其中,∈表示根据专家知识定义的一个概率值,并且∈<ε。
Claims (9)
1.一种工况状态建模与修正模型方法,其特征在于,包括以下步骤:
步骤1:收集数据,按照时间顺序排列,形成时间序列数据集;
步骤2:对时间序列数据集进行预处理;
步骤3:将预处理后的时间序列数据集进行聚类,计算聚类的中心点数据集,生成工况数据集和工况过程数据集;
步骤4:对于工况过程数据集,统计工况转移概率,形成工况转移概率模型数据集;
步骤5:收集数据,检测并处理所述数据;
步骤6:逐段计算工况转移模式并处理;
所述收集数据,检测并处理所述数据包括:
收集数据,取其中n维参数,作为输入数据(x′1,x′2,...,x′n),其中n表示降维后的参数数量并且参数与降维后的数据集(xi1,xi2,...,xin)所选取的参数是相同的,计算输入数据与中心点数据集的距离,取距离的最小值d;
如果d≤Dmax,则取距离为d的中心点的工况类型,增加时间序列标签,形成时间序列数据(t′,x′1,x′2,...,x′n,y′),将其保存到待处理数据集(t′i,x′i1,x′i2,...,x′in,y′k′)中;
如果d>Dmax,则说明该输入数据与任何工况类型都不匹配,修改工况数据集和中心点数据集;其中Dmax表示簇内各个数据到本簇内中心节点的距离最大值;
所述步骤6包括:
按照时间序列顺序对待处理数据集(t′i,x′i1,x′i2,...,x′in,y′k′),连续取滑动窗口大小M的工况转移模式(yi,yi+1,...,yM,yM+1)在工况转移概率模型中查询统计概率p,如果p>ε,则继续计算下一组数据参数时间序列的工况,如果0≤p≤ε,则修正工况转移概率模型中相应的概率;其中,ε表示根据专家知识定义的一个概率值。
2.根据权利要求1所述的工况状态建模与修正模型方法,其特征在于:所述步骤1包括:
对收集的数据(x1,x2,...,xm)标记时间序列标签,形成时间序列数据集(ti,xi1,xi2,...,xim);其中m表示参数数量,ti表示时间序列标签并且是递增的,x表示不同的参数。
3.根据权利要求1所述的工况状态建模与修正模型方法,其特征在于:所述步骤2包括:
将时间序列数据集(ti,xi1,xi2,...,xim)中时间序列数据中不相关参数删除,得到降维后的时间序列数据集(ti,xi1,xi2,...,xin),n≤m,其中,ti表示时间序列标签并且是递增的,m表示参数数量,n表示降维后的参数数量,x表示不同的参数。
4.根据权利要求3所述的工况状态建模与修正模型方法,其特征在于:所述降维包括:
针对每一维的参数分别计算方差,得到(σ1,σ2,...,σm);计算方差的均值删除(σ1,σ2,...,σm)中小于/>的值,得到(σ1,σ2,...,σn),从而得到降维后的时间序列数据集(ti,xi1,xi2,...,xin);其中,ti表示时间序列标签并且是递增的,m表示参数数量,n表示降维后的参数数量,x表示不同的参数,σm表示对应参数的方差。
5.根据权利要求1所述的工况状态建模与修正模型方法,其特征在于:所述聚类采用k均值算法,具体为:
输入为降维后的数据集(xii,xi1,xi2,...,xin),k的取值范围[Kmin,Kmax];
对于每一个k值分别对降维后的数据集(xi1,xi2,...,xin)作k均值聚类,对每次聚类结果,求出簇内误差平方和SSE值;
取min(SSE)时,簇划分(C1,C2,...,CK)作为输出;
其中,C1,C2,...,CK表示簇的集合,K表示划分成的簇的个数,也即工况类型的数量。
6.根据权利要求1所述的工况状态建模与修正模型方法,其特征在于:所述生成工况数据集和工况过程数据集包括:
首先,对数据集(xi1,xi2,...,xin)的簇划分(C1,C2,...,CK)标记工况类型,形成工况数据集,表示为(xi1,xi2,...,xin,yk);同时,分别计算簇划分的中心点,形成中心点数据集(ck1,ck2,...,ckn,yk),其中y表示工况类型且y的数量与簇划分的数量是相同的,即k≤K;C表示与工况数据集(xi1,xi2,...,xin,yk)中对应的参数;
然后,计算簇内各个数据到本簇内中心节点的距离,取距离最大值Dmax;
最后,以时间序列数据集为基准,将工况数据集增加时间序列标签,形成工况过程数据集,表示为(ti,xi1,xi2,...xin,yk);其中y表示工况类型且y的数量与簇划分的数量是相同的,即k≤K;ti表示时间序列标签且是递增的。
7.根据权利要求1所述的工况状态建模与修正模型方法,其特征在于:所述工况转移概率模型数据集为其中M为窗口大小,/>K为工况类型的数量,1≤a1,a2,a3,aM,aM+1≤n,n表示降维后的参数数量。
8.根据权利要求1所述的工况状态建模与修正模型方法,其特征在于:所述工况转移模式为表示工况类型/>先出现,工况类型/>再出现,接着工况类型/>出现……,直至工况类型/>出现,其中1≤a1,a2,a3,am≤n,n表示降维后的参数数量。
9.根据权利要求1所述的工况状态建模与修正模型方法,其特征在于:所述修正工况转移概率模型中相应的概率包括:
当p=0时,在工况转移概率模型中增加待修正的工况转移模式的概率值,记为∈,相应地,平均减少工况转移概率模型数据集中其他工况转移模式的概率值;
当0<p≤ε时,在工况转移概率模型中修改待修正的工况转移模式的概率值,记为p+∈,相应地,平均减少工况转移概率模型数据集中其他工况转移模式的概率值;
其中,∈表示根据专家知识定义的一个概率值,并且∈<ε。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811541159.9A CN111401573B (zh) | 2018-12-17 | 2018-12-17 | 一种工况状态建模与修正模型方法 |
US16/636,736 US20210065021A1 (en) | 2018-12-17 | 2019-02-21 | Working condition state modeling and model correcting method |
PCT/CN2019/075663 WO2020124779A1 (zh) | 2018-12-17 | 2019-02-21 | 一种工况状态建模与修正模型方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811541159.9A CN111401573B (zh) | 2018-12-17 | 2018-12-17 | 一种工况状态建模与修正模型方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111401573A CN111401573A (zh) | 2020-07-10 |
CN111401573B true CN111401573B (zh) | 2023-10-27 |
Family
ID=71101002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811541159.9A Active CN111401573B (zh) | 2018-12-17 | 2018-12-17 | 一种工况状态建模与修正模型方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210065021A1 (zh) |
CN (1) | CN111401573B (zh) |
WO (1) | WO2020124779A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257015B (zh) * | 2020-10-28 | 2023-08-15 | 华润电力技术研究院有限公司 | 一种火电机组数据获取方法、系统及数据处理方法 |
CN112861364B (zh) * | 2021-02-23 | 2022-08-26 | 哈尔滨工业大学(威海) | 一种基于状态时延转换图二次标注的工控系统设备行为建模实现异常检测的方法 |
CN113065766B (zh) * | 2021-04-01 | 2024-05-14 | 中核核电运行管理有限公司 | 一种基于历史数据挖掘分析的汽机运行工况寻优方法 |
CN113434424A (zh) * | 2021-07-06 | 2021-09-24 | 上海交通大学 | 一种黑盒工业控制系统模块化代码还原方法 |
CN113935250B (zh) * | 2021-11-25 | 2024-04-23 | 华北电力大学(保定) | 基于综合概率模型和马尔科夫矩阵的新能源集群建模方法 |
CN115169434B (zh) * | 2022-06-14 | 2023-09-19 | 上海船舶运输科学研究所有限公司 | 基于k均值聚类算法的主机工况特征值提取方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107908853A (zh) * | 2017-11-10 | 2018-04-13 | 吉林大学 | 基于先验信息和大数据的汽车运行工况设计方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034170B (zh) * | 2012-11-27 | 2014-10-29 | 华中科技大学 | 一种基于区间的数控机床性能预测方法 |
AR091412A1 (es) * | 2013-06-11 | 2015-02-04 | Ypf Sa | Dispositivo y metodo para diagnosticar situaciones anomalas en procesos |
US10410135B2 (en) * | 2015-05-21 | 2019-09-10 | Software Ag Usa, Inc. | Systems and/or methods for dynamic anomaly detection in machine sensor data |
EP3109801A1 (en) * | 2015-06-26 | 2016-12-28 | National University of Ireland, Galway | Data analysis and event detection method and system |
CN105574587B (zh) * | 2016-01-21 | 2017-03-08 | 华中科技大学 | 一种塑料注塑过程的在线工况过程监控方法 |
US10489716B2 (en) * | 2016-07-08 | 2019-11-26 | Intellergy, Inc. | Method for performing automated analysis of sensor data time series |
CN106909993A (zh) * | 2017-03-03 | 2017-06-30 | 吉林大学 | 基于时空学习的马尔科夫链微行程间隔时长预测方法 |
CN107516107A (zh) * | 2017-08-01 | 2017-12-26 | 北京理工大学 | 一种混合动力车辆的行驶工况分类预测方法 |
-
2018
- 2018-12-17 CN CN201811541159.9A patent/CN111401573B/zh active Active
-
2019
- 2019-02-21 WO PCT/CN2019/075663 patent/WO2020124779A1/zh active Application Filing
- 2019-02-21 US US16/636,736 patent/US20210065021A1/en not_active Abandoned
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107908853A (zh) * | 2017-11-10 | 2018-04-13 | 吉林大学 | 基于先验信息和大数据的汽车运行工况设计方法 |
Non-Patent Citations (2)
Title |
---|
张曼 ; 施树明 ; .典型汽车运行工况的状态转移特征分析.吉林大学学报(工学版).2017,(04),全文. * |
朱树才 ; 秦宁宁 ; .基于SBWS__GPR预测模型的不确定性多数据流异常检测方法.计算机应用研究.2017,(02),全文. * |
Also Published As
Publication number | Publication date |
---|---|
WO2020124779A1 (zh) | 2020-06-25 |
CN111401573A (zh) | 2020-07-10 |
US20210065021A1 (en) | 2021-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111401573B (zh) | 一种工况状态建模与修正模型方法 | |
CN105631596B (zh) | 一种基于多维分段拟合的设备故障诊断方法 | |
US10956808B1 (en) | System and method for unsupervised anomaly detection | |
CN110895526A (zh) | 一种大气监测系统中数据异常的修正方法 | |
CN111832647A (zh) | 异常流量检测系统及方法 | |
CN111241744B (zh) | 一种基于双向lstm的低压铸造机时间序列数据异常检测方法 | |
US10254729B2 (en) | Data-difference-driven self-learning dynamic optimization method for batch process | |
Yang et al. | Identification and quantification of concurrent control chart patterns using extreme-point symmetric mode decomposition and extreme learning machines | |
CN105205112A (zh) | 一种时序数据异常特征的挖掘系统及方法 | |
CN113344133B (zh) | 一种时序行为异常波动检测方法及系统 | |
CN112904810B (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
Yu et al. | Multiscale intelligent fault detection system based on agglomerative hierarchical clustering using stacked denoising autoencoder with temporal information | |
CN108241925A (zh) | 一种基于离群点检测的离散制造机械产品质量溯源方法 | |
CN114997276A (zh) | 一种面向压制成型设备的异构多源时序数据异常识别方法 | |
Xu et al. | Industrial process fault detection and diagnosis framework based on enhanced supervised kernel entropy component analysis | |
Zhang et al. | Gated recurrent unit-enhanced deep convolutional neural network for real-time industrial process fault diagnosis | |
CN111783336A (zh) | 一种基于深度学习理论的不确定性结构频响动力学模型修正方法 | |
Zhang et al. | Intelligent fault detection of reciprocating compressor using a novel discrete state space | |
CN111126477A (zh) | 一种混合贝叶斯网络的学习与推理方法 | |
CN104899507A (zh) | 一种网络高维大数据异常入侵的检测方法 | |
CN116756225B (zh) | 一种基于计算机网络安全的态势数据信息处理方法 | |
CN112422546A (zh) | 一种基于变邻域算法和模糊聚类的网络异常检测方法 | |
CN116629709A (zh) | 一种供电指标的智能化分析报警系统 | |
CN110674882A (zh) | 一种基于傅立叶函数变换的异常点检测方法 | |
CN116226739A (zh) | 一种基于时空融合的图卷积网络工业过程故障诊断方法 |
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 |