CN112799898B - 基于分布式故障检测的互联系统故障节点定位方法及系统 - Google Patents

Abstract

本发明公开了一种基于分布式故障检测的互联系统故障节点定位方法及系统，该方法包括：基于待检测的互联系统的网络拓扑结构和系统正常运行时的历史运行数据，建立基于相关性分析的分布式故障监测模型；基于分布式故障监测模型，根据互联系统的实时运行数据，对互联系统进行分布式故障检测，得到互联系统中各节点基于相关性分析的故障检测结果，并根据各节点基于相关性分析的故障检测结果确定异常节点；基于异常节点的基于相关性分析的故障检测结果，结合异常节点根据自身信息的检测结果，判定异常节点的异常程度，实现故障节点定位。本发明可及时、准确地对互联系统生产过程进行监测。

Description

基于分布式故障检测的互联系统故障节点定位方法及系统

技术领域

本发明涉及生产过程的控制和监测技术领域，特别涉及一种基于分布式故障检测的互联系统故障节点定位方法及系统。

背景技术

复杂互联系统机理复杂、工序众多、生产环境恶劣，是一个高故障率且故障危害性大的生产过程。近年来，随着对产品质量、生产效率及工艺安全要求的不断提高，现代流程工业结构日趋复杂、规模也日渐庞大，正朝着大规模和多子系统的方向发展。复杂互联系统各子系统分工明确，回路互联耦合，相互关联协作，一旦某一子系统发生故障，可能会随着网络传播，轻则影响产品质量和生产效益，重则引起生产过程瘫痪、环境污染甚至造成人员伤亡。因此，设计合适的故障诊断单元对复杂互联系统进行实时监测，确保复杂互联系统安全、可靠、高质、高效运行，对保证生产安全、产品质量有重要意义。

但目前现有的集中式故障监测方法对于复杂互联系统的故障诊断存在故障节点难以准确定位的问题，难以安全准确地实现复杂互联系统的故障诊断。

产生以上问题的主要原因在于复杂互联系统的结构错综复杂，规模庞大，往往多个子系统通过一定的耦合机制互联，从而导致故障原因多样、故障演变复杂、故障的具体位置难以确定。因此，现有的集中式故障监测方法风险较高。

发明内容

本发明提供了一种基于分布式故障检测的互联系统故障节点定位方法及系统，以解决现有的集中式故障监测方法风险较高的技术问题。

为解决上述技术问题，本发明提供了如下技术方案：

一方面，本发明提供了一种基于分布式故障检测的互联系统故障节点定位方法，该基于分布式故障检测的互联系统故障节点定位方法包括：

基于待检测的互联系统的网络拓扑结构和所述互联系统正常运行时的历史运行数据，建立针对所述互联系统的基于相关性分析的分布式故障监测模型；

基于所述分布式故障监测模型，根据所述互联系统的实时运行数据，对所述互联系统进行分布式故障检测，得到所述互联系统中各节点基于相关性分析的故障检测结果，并根据各节点基于相关性分析的故障检测结果确定异常节点；

基于所述异常节点的基于相关性分析的故障检测结果，结合所述异常节点根据自身信息的检测结果，判定所述异常节点的异常程度，实现故障节点定位。

进一步地，所述基于待检测的互联系统的网络拓扑结构和所述互联系统正常运行时的历史运行数据，建立针对所述互联系统的基于相关性分析的分布式故障监测模型，包括：

获取待检测的互联系统在无故障运行时收集的每一子节点的历史运行数据；

每一子节点分别对历史运行数据进行中心化处理，将数据中心平移至原点；

根据各子节点对历史运行数据的中心化处理结果，获取各子节点测量噪声；

通过计算相邻子节点间测量噪声的协方差，分析相邻子节点之间的相关性；其中，相邻子节点间测量噪声的协方差越大表示相邻子节点间的相关性越强；

利用理查森分布式迭代算法学习子节点间相关性信息，基于待检测的互联系统的网络拓扑结构，建立所述基于相关性分析的分布式故障监测模型。

进一步地，所述基于所述分布式故障监测模型，根据所述互联系统的实时运行数据，对所述互联系统进行分布式故障检测，得到所述互联系统中各节点基于相关性分析的故障检测结果，并根据各节点基于相关性分析的故障检测结果确定异常节点，包括：

获取待检测的互联系统的每一子节点的实时运行数据；

每一子节点分别对实时运行数据进行中心化处理，将数据中心平移至原点；

根据各子节点对实时运行数据的中心化处理结果，获取各子节点噪声；

基于各子节点噪声，利用所述分布式故障监测模型，利用相关性信息对每个子节点进行分布式最优估计，并基于子节点的最优估计信息生成残差信号；

对所述残差信号建立评估函数并与各子节点的预设阈值进行比较，当评估函数超过相应的预设阈值时，判断相应的子节点为异常节点。

进一步地，所述基于所述异常节点的基于相关性分析的故障检测结果，结合所述异常节点根据自身信息的检测结果，判定所述异常节点的异常程度，实现故障节点定位，包括：

所述异常节点基于自身信息做检测，若基于自身信息的检测结果为无故障，则判断当前子节点为无故障节点，当前子节点不报警；

当所有异常节点均完成基于自身信息的检测后，若仅有一个子节点报警，则将当前报警的子节点定位为故障节点。

进一步地，所述基于所述异常节点的基于相关性分析的故障检测结果，结合所述异常节点根据自身信息的检测结果，判定所述异常节点的异常程度，实现故障节点定位，还包括：

当所有异常节点均完成基于自身信息的检测后，若没有子节点报警，则将各子节点分别与其邻居节点考虑相关性做故障检测，获取多个基于相关性分析的故障检测结果，综合考虑多个基于相关性分析的故障检测结果来衡量当前子节点的异常程度值，通过当前子节点的异常程度值的大小比较来定位故障节点。

另一方面，本发明还提供了一种基于分布式故障检测的互联系统故障节点定位系统，该基于分布式故障检测的互联系统故障节点定位系统包括：

相关性分析的分布式故障监测模型构建模块，用于基于待检测的互联系统的网络拓扑结构和所述互联系统正常运行时的历史运行数据，建立针对所述互联系统的基于相关性分析的分布式故障监测模型；

分布式故障检测模块，用于基于所述相关性分析的分布式故障监测模型构建模块构建的分布式故障监测模型，根据所述互联系统的实时运行数据，对所述互联系统进行分布式故障检测，得到所述互联系统中各节点基于相关性分析的故障检测结果，并根据各节点基于相关性分析的故障检测结果确定异常节点；

故障节点定位模块，用于基于所述分布式故障检测模块得到的异常节点的基于相关性分析的故障检测结果，结合所述异常节点根据自身信息的检测结果，判定所述异常节点的异常程度，实现故障节点定位。

进一步地，所述相关性分析的分布式故障监测模型构建模块具体用于：

获取待检测的互联系统在无故障运行时收集的每一子节点的历史运行数据；

每一子节点分别对历史运行数据进行中心化处理，将数据中心平移至原点；

根据各子节点对历史运行数据的中心化处理结果，获取各子节点测量噪声；

通过计算相邻子节点间测量噪声的协方差，分析相邻子节点之间的相关性；其中，相邻子节点间测量噪声的协方差越大表示相邻子节点间的相关性越强；

利用理查森分布式迭代算法学习子节点间相关性信息，基于待检测的互联系统的网络拓扑结构，建立所述基于相关性分析的分布式故障监测模型。

进一步地，所述分布式故障检测模块具体用于：

获取待检测的互联系统的每一子节点的实时运行数据；

每一子节点分别对实时运行数据进行中心化处理，将数据中心平移至原点；

根据各子节点对实时运行数据的中心化处理结果，获取各子节点噪声；

基于各子节点噪声，利用所述分布式故障监测模型，利用相关性信息对每个子节点进行分布式最优估计，并基于子节点的最优估计信息生成残差信号；

对所述残差信号建立评估函数并与各子节点的预设阈值进行比较，当评估函数超过相应的预设阈值时，判断相应的子节点为异常节点。

进一步地，所述故障节点定位模块具体用于：

所述异常节点基于自身信息做检测，若基于自身信息的检测结果为无故障，则判断当前子节点为无故障节点，当前子节点不报警；

当所有异常节点均完成基于自身信息的检测后，若仅有一个子节点报警，则将当前报警的子节点定位为故障节点。

进一步地，所述故障节点定位模块具体还用于：

当所有异常节点均完成基于自身信息的检测后，若没有子节点报警，则将各子节点分别与其邻居节点考虑相关性做故障检测，获取多个基于相关性分析的故障检测结果，综合考虑多个基于相关性分析的故障检测结果来衡量当前子节点的异常程度值，通过当前子节点的异常程度值的大小比较来定位故障节点。

再一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。

又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。

本发明提供的技术方案带来的有益效果至少包括：

本发明通过基于待检测的互联系统的网络拓扑结构和系统正常运行时的历史运行数据，建立基于相关性分析的分布式故障监测模型；然后基于分布式故障监测模型，根据互联系统的实时运行数据，对互联系统进行分布式故障检测，得到互联系统中各节点基于相关性分析的故障检测结果，并根据各节点基于相关性分析的故障检测结果确定异常节点；最后基于异常节点的基于相关性分析的故障检测结果，结合异常节点根据自身信息的检测结果，判定异常节点的异常程度，实现故障节点定位；从而可以及时、准确地对复杂互联系统的生产过程进行监测，进而为复杂互联系统的故障诊断提供了一套新的技术和解决方案。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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TE过程工艺流程图；

图2是本发明实施例提供的基于分布式故障检测的互联系统故障节点定位方法的实施路线图；

图3是TE过程的网络拓扑图；

图4a是本发明实施例提供的故障1的仿真图；

图4b是本发明实施例提供的故障2的仿真图；

图4c是本发明实施例提供的故障4的仿真图；

图4d是本发明实施例提供的故障11的仿真图；

图5a是本发明实施例提供的节点6发生传感器故障基于相关性分析做检测的仿真图；

图5b是本发明实施例提供的节点6发生传感器故障基于自身信息做检测的仿真图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

第一实施例

本实施例考虑具有结构复杂，规模庞大，子系统互联耦合等特性的复杂互联系统，为克服现有的集中式故障监测风险较高的弊端，采用数据驱动的方法，通过深入研究子系统之间的相关性，设计基于相关性分析的分布式故障诊断模型，实现复杂互联系统的分布式故障检测与传感器故障定位，从而提出了一种基于分布式故障检测的互联系统故障节点定位方法。

下面以TE(Tennessee Eastman，田纳西—伊斯曼)化工过程为例对本实施例的基于分布式故障检测的互联系统故障节点定位方法的原理进行说明。当然，可以理解的是，本实施例的基于分布式故障检测的互联系统故障节点定位方法并不局限于TE过程，也适用于其他复杂互联系统，如冶金过程、智能电网等。

如图1所示，TE过程是一个典型的复杂化工过程模型，广泛的用作生产过程故障检测与诊断的研究对象。TE过程包括五个主要单元：反应器、冷凝器、压缩机、气液分离器和汽提塔。这个复杂互联系统，具有规模大、子系统互联耦合等特性，故障可能会出现在任一个环节，对系统进行必要的故障检测与诊断，可保证生产过程的顺利进行。在本实施例中，整个TE过程共收集52个过程变量，包括41个测量变量和11个操作变量。这些子单元和过程变量相互关联、相互影响，一旦发生故障往往通过耦合影响多个变量，导致整个系统瘫痪。

基于上述，如图2所示，在复杂互联系统监测需求的基础上，本实施例的基于分布式故障检测的互联系统故障节点定位方法包括如下步骤：

S1，基于待检测的互联系统的网络拓扑结构和互联系统正常运行时的历史运行数据，建立针对互联系统的基于相关性分析的分布式故障监测模型；

S2，基于分布式故障监测模型，根据互联系统的实时运行数据，对互联系统进行分布式故障检测，得到互联系统中各节点基于相关性分析的故障检测结果，并根据各节点基于相关性分析的故障检测结果确定异常节点；

S3，基于异常节点的基于相关性分析的故障检测结果，结合异常节点根据自身信息的检测结果，判定异常节点的异常程度，实现故障节点定位。

进一步地，在本实例中，上述S1具体包括以下步骤：

S11，获取待检测的互联系统在无故障运行时的每一子节点的历史运行数据；

S12，各子节点分别对历史运行数据进行中心化，将数据中心平移至原点；

在本实施例中，TE过程的网络拓扑配置如图3所示。网络拓扑中的每一个节点对收集的历史数据进行中心化处理。数据中心化的数学公式如下：

其中，y′_i为第i个节点的测量值，m_i为i节点数据的维数，

为样本平均值，N为样本个数，y_i表示中心化后的数据。

S13，根据子节点对历史运行数据的中心化处理结果获取各子节点测量噪声；

S14，通过计算相邻子节点间测量噪声的协方差，分析相邻子节点之间的相关性；相邻子节点间测量噪声的协方差越大表示相邻子节点间的相关性越强；

需要说明的是，节点之间互联耦合，具有一定的相关性，通过计算相邻节点间测量噪声的协方差，可以分析相邻节点之间的相关性。

S15，利用理查森分布式迭代算法学习子节点间相关性信息，基于待检测的互联系统的网络拓扑结构，建立基于相关性分析的分布式故障监测模型。

需要说明的是，子节点间的相关性信息可用来减少不确定性，提高故障检测率。基于上述分布式故障监测模型，可利用相关性信息对每个子节点进行分布式最优估计，并基于子节点的最优估计信息生成残差信号进行故障检测，这种基于相关性分析的方法可以降低不确定性对子节点的影响，提高故障检测率。

本实施例中，基于相关性信息的最优估计及生成残差信号的方差可表示为：

其中，yⁱ表示i节点的邻居节点中心化后的数据，

表示基于与邻居节点的相关性信息对y_i的估计，∑_ii为i节点原始噪声信号的方差，∑_i为残差信号的方差。在无故障情况下，测量噪声的方差代表噪声能量的大小，由(4)式可以看出子系统之间的相关性可以用来减少不确定性(在方差的背景下)，从而提高故障的检测能力。

用于最优估计的相关性信息表示为：

cov(y_i,yⁱ)(cov(yⁱ))^-1 (5)

为了实现(5)式的分布式计算，将(5)式重新定义为：

cov(y_i,yⁱ)(cov(yⁱ))^-1＝(Zⁱ)^T (6)

根据i节点的邻居节点将Zⁱ写成：

其中，N_i为i节点的邻居节点。分布式迭代实现可以理解为：在第j节点上计算z_j，并且计算z_j时仅用到j节点及其邻居节点的信息，采用理查森迭代，z_j的计算可表述为：

其中，k是迭代次数，λ是一个保证迭代收敛的常数，可以用分布式的方式进行学习，取值范围如公式(9)所示，λ_max表示矩阵的最大特征根。

利用分布式训练的得到的参数，进行分布式最优估计并生成残差：

进一步地，在本实例中，上述S2具体包括以下步骤：

S21，获取待检测的互联系统的每一子节点的实时运行数据；

S22，各子节点分别对实时运行数据进行中心化，将数据中心平移至原点；

S23，根据各子节点对实时运行数据的中心化处理结果，获取各子节点噪声；

S24，基于各子节点噪声，利用分布式故障监测模型，利用相关性信息对每个子节点进行分布式最优估计，并基于子节点的最优估计信息生成残差信号；

S25，对基于子节点的最优估计信息生成的残差信号建立评估函数，并与各子节点的预设阈值进行比较，判断故障是否发生，当评估函数超过相应的预设阈值时，判断相应的子节点为异常节点，该子节点进行报警。

在本实施例中，S25的实现过程具体为：

计算T²检验统计量：

相应阈值为：

式中，α为可接受的误报率，m_i为i节点的自由度。

故障检测：

具体地，本实施例有21个故障样本数据集，本实施例针对故障1、故障2、故障4以及故障11进行仿真验证，可接受的误报率α取值为0.01，检验基于相关性分析的分布式故障检测效果。

故障1发生时，引起进料流量比的阶跃变化，导致与物质有关的变量(如液位、压力、成分)的分配关系也会跟着变化，超过半数的监控变量明显偏离它们正常运行的特性。图4a是故障1的仿真图，由图可以看出，第161个采样样本引入故障后，各节点对故障1都比较敏感，能够准确及时的检测到故障，随着系统控制作用的调节，故障对系统各节点的影响逐渐减小。

故障2是系统组分含量发生阶跃变化。图4b是故障2的仿真图，由图可以看出，各节点对故障2都比较敏感，能够及时准确的检测到故障，没有明显的误报和漏报。

故障4是反应器冷却水入口温度的一个阶跃变化，它的明显效应是引起了反应器冷却水流速的阶跃变化，使得反应器的压力和温度发生剧烈跳变，主要影响了节点1中的变量。图4c是故障4的仿真图，由图可以看出，故障发生后，节点1检测到故障而其他节点受故障影响不大。

故障11是反应器入水口温度发生变化，与故障4不同的是，故障11是一种随机变化，此故障的发生会引起反应器冷却水流速的很大震荡，进而使得反应器的压力和温度都发生了明显的跳变。图4d是故障11的仿真图，由图可以看出故障11主要影响了节点1和节点2中的变量，对其他节点影响较小。

进一步地，在本实例中，上述S3具体包括以下步骤：

S31，异常节点基于自身信息做检测，若基于自身信息的检测结果为无故障，则判断当前子节点为无故障节点，当前子节点不报警；

需要说明的是，子节点基于相关性分析做检测时，一方面利用与邻居节点的相关性可以降低噪声影响，以此来提高故障检测率，但另一方面也可能会把邻居节点的故障信息引入进来，造成无故障节点的误报，因此有必要对故障节点进行进一步的定位。考虑某一节点发生传感器故障，子节点基于相关性分析做检测，异常节点报警，初步定位故障节点范围。

初步定位故障节点范围后，若误报节点本身无故障，则它们可用自身信息来缩小故障节点范围。也即异常节点基于自身信息做检测，无故障节点不报警。

S32，当所有异常节点均完成基于自身信息的检测后，若仅有一个子节点报警，则将当前报警的子节点定位为故障节点。

需要说明的是，故障节点有一定的概率报警，因此如果当所有异常节点均完成基于自身信息的检测后，仅有一个节点报警，则定位此节点为故障节点。

S33，当所有异常节点均完成基于自身信息的检测后，若没有子节点报警，则将各子节点分别与其邻居节点考虑相关性做故障检测，获取多个基于相关性分析的故障检测结果，综合考虑多个基于相关性分析的检测结果来衡量当前子节点的异常程度值，通过当前子节点的异常程度值的大小比较来定位故障节点。

需要说明的是，针对子节点基于自身信息做检测时，故障检测率相对较低，故障节点可能不报警的情况，此时无法定位故障节点，因此需要对定位问题做进一步分析。也即通过将子节点分别与邻居节点考虑相关性做检测，给出多个检测结果，综合考虑多个检测结果来衡量节点的异常程度，通过子节点异常程度值的大小比较来定位故障节点。

具体地，在本实施例中，节点基于相关性分析做检测同时考虑了与多个邻居节点的相关性，如果节点分别与邻居节点考虑相关性做检测，给出多个检测结果，对于报警结果用1来表示，对不报警的结果用0来表示，综合考虑多个检测结果，衡量节点的异常程度，通过异常程度的大小来定位故障节点。节点异常程度衡量的公式如下所示：

其中，S_i是i节点的异常程度值，x_j是与j节点考虑相关性做检测时的检测结果，节点报警x_j取1，节点不报警x_j取0，m_i是i节点的度。

下面，为了验证本实施例的基于分布式故障检测的互联系统故障节点定位方法的性能，本实施例针对传感器故障，设计故障诊断方法的评估指标，以此来评估本实施例的基于分布式故障检测的互联系统故障节点定位方法的性能。

具体地，本实施例将以上研究内容中得到的主要理论成果和算法在TE过程中进行应用验证。针对传感器故障，考虑传统的故障检测率和误报率，同时考虑故障的定位精度，以此评价本实施例的互联系统故障节点定位方法的性能。

图5a是节点6发生传感器故障后基于相关性分析的检测仿真图，由图可以看出，故障节点6能及时准确的检测到故障，同时由于相关性的引入，对无故障的邻居节点检测结果造成不同程度的影响。图5b是节点6发生传感器故障后基于自身信息的检测仿真图，由图可以看出，故障节点基于自身信息做检测，不会引入邻居节点的故障信息，但检测率相对较低。通过图5a和图5b的对比可以看出，子节点基于相关性分析做检测有更高的故障检测率，但会造成无故障节点误报；子节点基于自身信息做检测不会引入故障信息。传感器故障定位正是利用两种检测方法的优势，一方面利用检测率相对较高的基于相关性分析的方法实现故障节点的检测，初步定位故障节点；另一方面利用基于自身信息检测不会引入故障信息优势来进一步定位故障节点；若此时还无法定位故障节点，通过异常程度值的比较来定位故障节点。针对各节点发生传感器故障，下表1给出了分布式故障诊断性能评估的数据。FDR是故障节点基于相关性分析做检测的故障检测率，FDR0是基于自身信息做检测的故障检测率，FAR是基于相关性分析做检测时的误报率，FLR是传感器故障定位准确率。

表1分布式故障诊断性能评估的数据

通过上表数据可以看出，针对传感器故障，本实施例的基于分布式故障检测的互联系统故障节点定位方法在故障检测率、误报率以及故障节点的定位准确率中，都表现出了较好的诊断性能。

综上，受复杂互联系统监测需求的驱动，本实施例在已有的数据驱动方法以及相关性分析的理论研究基础上，提出了适合于复杂互联系统的基于分布式故障检测的互联系统故障节点定位方法，针对复杂互联系统具有多子系统的特性，分布式故障诊断将监测分散到各子单元，使各子单元可根据其运行状态自行做出安全性能判断，在一定程度上分散了集中式结构的安全风险。本方法具有成本低、交互数据少、灵活性高、可靠性高、易于维护、拓展和调整等特点。

第二实施例

本实施例提供了一种基于分布式故障检测的互联系统故障节点定位系统，该基于分布式故障检测的互联系统故障节点定位系统包括以下模块：

相关性分析的分布式故障监测模型构建模块，用于基于待检测的互联系统的网络拓扑结构和所述互联系统正常运行时的历史运行数据，建立针对所述互联系统的基于相关性分析的分布式故障监测模型；

分布式故障检测模块，用于基于所述相关性分析的分布式故障监测模型构建模块构建的分布式故障监测模型，根据所述互联系统的实时运行数据，对所述互联系统进行分布式故障检测，得到所述互联系统中各节点基于相关性分析的故障检测结果，并根据各节点基于相关性分析的故障检测结果确定异常节点；

故障节点定位模块，用于基于所述分布式故障检测模块得到的异常节点的基于相关性分析的故障检测结果，结合所述异常节点根据自身信息的检测结果，判定所述异常节点的异常程度，实现故障节点定位。

本实施例的基于分布式故障检测的互联系统故障节点定位系统与上述第一实施例的基于分布式故障检测的互联系统故障节点定位方法相对应；其中，该基于分布式故障检测的互联系统故障节点定位系统中的各功能模块所实现的功能与上述第一实施例的方法中的各流程步骤一一对应；故，在此不再赘述。

第三实施例

本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。

该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行上述方法。

第四实施例

本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述第一实施例的方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。

此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

还需要说明的是，在本文中，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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。

最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

Claims (8)

1.一种基于分布式故障检测的互联系统故障节点定位方法，其特征在于，所述基于分布式故障检测的互联系统故障节点定位方法包括：

基于待检测的互联系统的网络拓扑结构和所述互联系统正常运行时的历史运行数据，建立针对所述互联系统的基于相关性分析的分布式故障监测模型；

基于所述分布式故障监测模型，根据所述互联系统的实时运行数据，对所述互联系统进行分布式故障检测，得到所述互联系统中各节点基于相关性分析的故障检测结果，并根据各节点基于相关性分析的故障检测结果确定异常节点；

基于所述异常节点的基于相关性分析的故障检测结果，结合所述异常节点根据自身信息的检测结果，判定所述异常节点的异常程度，实现故障节点定位；

所述基于待检测的互联系统的网络拓扑结构和所述互联系统正常运行时的历史运行数据，建立针对所述互联系统的基于相关性分析的分布式故障监测模型，包括：

获取待检测的互联系统在无故障运行时收集的每一子节点的历史运行数据；

每一子节点分别对历史运行数据进行中心化处理，将数据中心平移至原点；

根据各子节点对历史运行数据的中心化处理结果，获取各子节点测量噪声；

通过计算相邻子节点间测量噪声的协方差，分析相邻子节点之间的相关性；其中，相邻子节点间测量噪声的协方差越大表示相邻子节点间的相关性越强；

利用理查森分布式迭代算法学习子节点间相关性信息，基于待检测的互联系统的网络拓扑结构，建立所述基于相关性分析的分布式故障监测模型。

2.如权利要求1所述的基于分布式故障检测的互联系统故障节点定位方法，其特征在于，所述基于所述分布式故障监测模型，根据所述互联系统的实时运行数据，对所述互联系统进行分布式故障检测，得到所述互联系统中各节点基于相关性分析的故障检测结果，并根据各节点基于相关性分析的故障检测结果确定异常节点，包括：

获取待检测的互联系统的每一子节点的实时运行数据；

每一子节点分别对实时运行数据进行中心化处理，将数据中心平移至原点；

根据各子节点对实时运行数据的中心化处理结果，获取各子节点噪声；

基于各子节点噪声，利用所述分布式故障监测模型，利用相关性信息对每个子节点进行分布式最优估计，并基于子节点的最优估计信息生成残差信号；

对所述残差信号建立评估函数并与各子节点的预设阈值进行比较，当评估函数超过相应的预设阈值时，判断相应的子节点为异常节点。

3.如权利要求2所述的基于分布式故障检测的互联系统故障节点定位方法，其特征在于，所述基于所述异常节点的基于相关性分析的故障检测结果，结合所述异常节点根据自身信息的检测结果，判定所述异常节点的异常程度，实现故障节点定位，包括：

所述异常节点基于自身信息做检测，若基于自身信息的检测结果为无故障，则判断当前子节点为无故障节点，当前子节点不报警；

当所有异常节点均完成基于自身信息的检测后，若仅有一个子节点报警，则将当前报警的子节点定位为故障节点。

4.如权利要求3所述的基于分布式故障检测的互联系统故障节点定位方法，其特征在于，所述基于所述异常节点的基于相关性分析的故障检测结果，结合所述异常节点根据自身信息的检测结果，判定所述异常节点的异常程度，实现故障节点定位，还包括：

当所有异常节点均完成基于自身信息的检测后，若没有子节点报警，则将各子节点分别与其邻居节点考虑相关性做故障检测，获取多个基于相关性分析的故障检测结果，综合考虑多个基于相关性分析的故障检测结果来衡量当前子节点的异常程度值，通过当前子节点的异常程度值的大小比较来定位故障节点。

5.一种基于分布式故障检测的互联系统故障节点定位系统，其特征在于，所述基于分布式故障检测的互联系统故障节点定位系统包括：

相关性分析的分布式故障监测模型构建模块，用于基于待检测的互联系统的网络拓扑结构和所述互联系统正常运行时的历史运行数据，建立针对所述互联系统的基于相关性分析的分布式故障监测模型；

分布式故障检测模块，用于基于所述相关性分析的分布式故障监测模型构建模块构建的分布式故障监测模型，根据所述互联系统的实时运行数据，对所述互联系统进行分布式故障检测，得到所述互联系统中各节点基于相关性分析的故障检测结果，并根据各节点基于相关性分析的故障检测结果确定异常节点；

故障节点定位模块，用于基于所述分布式故障检测模块得到的异常节点的基于相关性分析的故障检测结果，结合所述异常节点根据自身信息的检测结果，判定所述异常节点的异常程度，实现故障节点定位；

所述相关性分析的分布式故障监测模型构建模块具体用于：

获取待检测的互联系统在无故障运行时收集的每一子节点的历史运行数据；

每一子节点分别对历史运行数据进行中心化处理，将数据中心平移至原点；

根据各子节点对历史运行数据的中心化处理结果，获取各子节点测量噪声；

通过计算相邻子节点间测量噪声的协方差，分析相邻子节点之间的相关性；其中，相邻子节点间测量噪声的协方差越大表示相邻子节点间的相关性越强；

利用理查森分布式迭代算法学习子节点间相关性信息，基于待检测的互联系统的网络拓扑结构，建立所述基于相关性分析的分布式故障监测模型。

6.如权利要求5所述的基于分布式故障检测的互联系统故障节点定位系统，其特征在于，所述分布式故障检测模块具体用于：

获取待检测的互联系统的每一子节点的实时运行数据；

每一子节点分别对实时运行数据进行中心化处理，将数据中心平移至原点；

根据各子节点对实时运行数据的中心化处理结果，获取各子节点噪声；

基于各子节点噪声，利用所述分布式故障监测模型，利用相关性信息对每个子节点进行分布式最优估计，并基于子节点的最优估计信息生成残差信号；

对所述残差信号建立评估函数并与各子节点的预设阈值进行比较，当评估函数超过相应的预设阈值时，判断相应的子节点为异常节点。

7.如权利要求6所述的基于分布式故障检测的互联系统故障节点定位系统，其特征在于，所述故障节点定位模块具体用于：

所述异常节点基于自身信息做检测，若基于自身信息的检测结果为无故障，则判断当前子节点为无故障节点，当前子节点不报警；

当所有异常节点均完成基于自身信息的检测后，若仅有一个子节点报警，则将当前报警的子节点定位为故障节点。

8.如权利要求7所述的基于分布式故障检测的互联系统故障节点定位系统，其特征在于，所述故障节点定位模块具体还用于：

当所有异常节点均完成基于自身信息的检测后，若没有子节点报警，则将各子节点分别与其邻居节点考虑相关性做故障检测，获取多个基于相关性分析的故障检测结果，综合考虑多个基于相关性分析的故障检测结果来衡量当前子节点的异常程度值，通过当前子节点的异常程度值的大小比较来定位故障节点。

Images